電腦計分模式與分析

本研究所定義的電腦化計分模式，是依據專家所定義的感覺統合之手腳協調

（兩手協調、兩手一腳、手腳對側協調、手腳開合跳）與預期性動作（一手丟兩 手接沙包、單腳踩十球）的重要觀測向度所設計而成，透過三支攝影機從不同角 度（正面、側面、上方）取得受試者的動作影像，再分別從動作影像取得重要觀

文獻探討：

1.感覺統合兩側整合動作 2.感覺統合預期性動作 3.電腦視覺監控

定義感覺統合動作之觀測向度

設計感覺統合動作之專家計分模式

電腦化視覺監控影像處理

設計感覺統合動作之電腦計分模式

圖 3-1 研究流程圖 立意抽樣

樣式辨識

建立感覺統合資料庫

測向度之色塊與人物剪影之輪廓等重要訊息，之後進行樣式辦識選取最佳電腦計 分模式，圖3-2 為電腦計分之流程，詳細內容如下。

壹、建立背景顏色模式

將動作影像以 1 秒 30 張切割成數張原始樣本圖片，截取研究中所感興趣的 顏色標記（紅、黃、藍、綠、紫、黑色），建立一個背景之色彩模型。本研究記 錄選取的六種顏色之 RGB 值，計算每種顏色的平均值與標準差，將平均值加減 一個標準差作為本研究所選取顏色之標準範圍。圖3-3 為兩手協調動作原始影像。

圖 3-3 兩手協調動作原始影像

圖 3-2 電腦計分模式演算流程

貳、標記擷取法

本研究所設計之感覺統合衣服，在四肢關節點上皆有不同顏色標記，針對研 究之部位進行顏色擷取，但由於擷取出的選取色塊會受光影影響，造成色塊或輪 廓呈現出破碎之區塊，本研究使用型態學中（morphology）的方法-閉合（closeing）

與斷開（opening）來進行修補破碎區塊，使其區塊完整，方能計算選取色塊之質 心與完整的輪廓影像。圖 3-4 為擷取影像圖，圖 3-5 為圖 3-4 經過修補過後的影 像圖。

圖 3-4 擷取影像圖

圖 3-5 圖 3-4 經過修補過後的影像圖

在感覺統合衣服上，同手或同腳會標記塊會設定成同一顏色以利區別，故在 擷取同顏色之色塊會有二至三個，針對第一張影像選取欲求之標記位置，即四肢 端點（手腕與腳踝），之後每張影像皆比對前一張影像之位置，作色塊追蹤。圖 3-6 為針對四肢端點部位作追蹤。

圖 3-6 針對四肢端點部位作追蹤

註：左邊為手舉起時的影像，右邊是手放下時的影像

本研究取每個色塊的質心座標，用來代表每個不規則色塊的位置，並記錄每 張擷取出來的色塊質心位置之 X 與 Y 值，將所有 X 與 Y 值串成一時間序列，藉由

X 與 Y 值的變化，可得知四肢端點部位是如何移動，再經由計算 X 與 Y 值之平均

参、剪影法

本研究所設計之攝影棚背景皆為單純的白色，故在去除背景時，直接設定類 白色之RGB 值（255,255,255）為白色，以便區別背景與物件，在進行二值化時，

影像圖片只保留些許光影造成之雜訊值與人物輪廓，本研究採用連通方式，由於 人物輪廓是目前影像中面積最大的，故保留下最大面積之目標物，即可達到去除 雜訊值之目的。圖 3-7 為去背景後擷取出的影像圖，圖 3-8 為圖 3-7 的二值化影 像圖。

圖 3-7 去背景後擷取出的影像圖

圖 3-8 圖 3-7 的二值化影像圖

由於受光影影響會造成人物輪廓內些許破碎，利用型態學中的方法-閉合與斷 開來進行修補破碎區塊，使其人物輪廓完整。圖 3-9 為圖 3-8 經過修補過後的影 像圖。

圖 3-9 圖 3-8 經過修補過後的影像圖

記錄每張擷取出來之輪廓面積變化，串成一時間序列並將圖繪出，可以得到

肆、特徵選取

表3-2 『兩手協調』動作觀測之特徵項目

特徵代號 攝影機角度 觀察特徵

Rh1 側面 右手X值的最大變化量

Rh2 側面 右手Y值的最大變化量

Rh3 側面 右手X值的平均

Rh4 側面 右手Y值的平均

Rh5 側面 右手X值的變異量

Rh6 側面 右手Y值的變異量

N 正面 週期次數

Lh1 上方 左手X值的最大變化量

Lh2 上方 左手Y值的最大變化量

Lh3 上方 左手X值的平均

Lh4 上方 左手Y值的平均

Lh5 上方 左手X值的變異量

Lh6 上方 左手Y值的變異量

A 年齡

二、手腳協調（兩手一腳、手腳對側協調與手腳開合跳）之觀測特徵

利用標記擷取法取得雙手與雙腳在電腦視覺影像上的位置變化(X 值與 Y 值)，其內容包含了最大位置的變化量、平均值與變異量，採用剪影法取得週期次 數，表3-3 為手腳協調動作觀測之特徵。

三、預期性手部動作之觀測特徵

利用標記擷取法取得手與球在電腦視覺影像上的位置變化（X 值與 Y 值），

其內容包含了掉球次數、把球拋高過頭的次數與把球丟往後面的次數，表 3-4 為 預期性手部動作觀測之特徵。

表3-3 『手腳協調』動作觀測之特徵項目

四、預期性腳部動作之觀測特徵 Cross-validation 內的 k-fold （k=5）的方式，將樣本資料隨機分成五等份，再把 其中一組挑出來當測試樣本（test data），其餘四個當訓練樣本（train data），重 複此動作五次，直到每一等份都當過測試樣本，再將其判別出來的類別與真實類 別比對，運算其正確率，將所有的特徵組合2^A−1個子集合運算過一次並記錄下 來，之後選取較好的幾組特徵組合，再用 leave-one-out 的方式（即 k-fold，k=樣 本人數值）運算，取得所有樣本辨識的結果，最後與專家判別的類別做比較，並

靈敏度（sensitivity）是指專家診斷有感覺統合功能障礙者，而本研究系統判 別結果為感覺統合功能障礙的比率。當高靈敏診斷試驗的結果為正常，此為感覺 統合功能正常相當可靠的指標。

三、特異度

特異度（specificity）是指專家診斷為感覺統合功能正常者，而本研究系統判 別結果為感覺統合功能正常的比率。在特異度高的診斷試驗，診斷結果為感覺統 合功能障礙者即表有感覺統合功能有問題，因為罕見誤判的情況。

表3-6 專家診斷與分類器判斷情形 專家診斷(感覺統合功能)

障礙 正常

障礙 a b

分類器判斷

(感覺統合功能) 正常 c d

靈敏度=a/(a+c) 特異度=d/(b+d) 正確率

=(a+d)/(a+b+c+d) 計算方式如下：

正確率( accuracy)=(a+d)/(a+b+c+d) 靈敏度(sensitivity) =a/(a+c)

特異度(specificity) =d/(b+d) 其中

a：專家診斷障礙且分類器亦判定障礙的人數。

d：專家診斷正常且分類器亦判定正常的人數。

b：為 TypeＩerror，指專家診斷正常而分類器判定障礙的人數。

c：為 TypeⅡerror，指專家診斷障礙而分類器判定正常的人數。