CHƯƠNG 1. TỔNG QUAN VỀ PHÂN TÍCH DÁNG ĐI
2.2.8. Kiểm tra hơi thở giúp chẩn đoán bệnh Parkinson sớm
Nhóm nghiên cứu Viện Công nghệ Technion Israel trước đó đ ch cho thấy rằng xét nghiệm hơi thở này có thể phát hiện ra bệnh nhân bị bệnh Parkinson đang được điều trị. Trong một báo cáo công bố trên tạp chí ACS Chemical Neuroscience mới đây, nhóm nghiên cứu cho biết phương pháp xét nghiệm phân tích các phân tử trong hơi thở này có thể phát hiện ra bệnh Parkinson giai đoạn đ u ở những người chưa từng được điều trị và chẩn đoán mắc bệnh [77].
Phương pháp xét nghiệm này hiệu quả hơn so với phương pháp xét nghiệm sử dụng khứu giác để chẩn đoán bệnh và ch kém hiệu quả hơn chút so với phương pháp quét siêu âm não. Trong khi các thành quả có được hiện nay vẫn c n phải nghiên cứu sâu hơn nữa, nhóm nghiên cứu tin rằng, phương pháp xét nghiệm này có thể dùng như một thiết bị sàng lọc di động mà không c n sự trợ giúp của các chuyên gia y tế.
Phân tích hơi thở như một cách để chẩn đoán bệnh đ có từ lâu. Từ thời Hy Lạp cổ đại, các bác sĩ đ đánh hơi hơi thở của bệnh nhân để hỗ trợ chẩn đoán bệnh. Ngoài carbon dioxide, nitơ và oxy, hơi thở của chúng ta chứa hơn 100 hợp chất dễ bay hơi với số lượng có thể phản ánh được tình trạng sức khỏe của chúng ta.
Giống như nhiều nhóm nghiên cứu ở những nơi khác trên thế giới, nhóm các nhà khoa học tại Viện Công nghệ Technion Israel hiện đang nỗ lực phát triển các cách để chẩn đoán các loại bệnh từ thành ph n hóa học của hơi thở. Họ rất thành thạo chuyên môn trong việc áp dụng công nghệ nano và trí thông minh nhân tạo để phát triển phân tích hơi thở như một công cụ chẩn đoán.
Trong năm 2017, cùng với các đồng nghiệp từ các trung tâm quốc tế khác, nhóm nghiên cứu cho biết họ đ sử dụng "nano thông minh nhân tạo" để chẩn đoán và phân loại được 17 bệnh bằng cách phân tích "hơi thở" của hơn 1.000 bệnh nhân trong một công trình nghiên cứu hợp tác.
Xét nghiệm mới phát hiện được bệnh Parkinson giai đoạn sớm
Thiết bị kiểm tra hơi thở mới này chứa một loạt 40 cảm biến được làm từ ống nano cacbon hoặc hạt nano vàng.
Các nhà nghiên cứu đ sử dụng thiết bị mới để kiểm tra hơi thở của 29 bệnh nhân mới được chẩn đoán mắc bệnh Parkinson và chưa bắt đ u điều trị. Họ cũng đ xét nghiệm cho 19 người khỏe mạnh ở độ tuổi tương tự, những người này không mắc bệnh.
Kết quả cho thấy mảng cảm biến này có thể phát hiện ra những bệnh nhân Parkinson giai đoạn đ u với độ nhạy là 79%, độ đặc hiệu là 84% và độ chính xác là 81%.
Điều này tương ứng với độ nhạy cảm của 93% và 62%, độ đặc hiệu 90% và 89%, và độ chính xác của 92% và 73% của các phương pháp quét n o và sử dụng khứu giác.
Độ chính xác, độ đặc hiệu và độ nhạy là tiêu chuẩn đánh giá phương pháp chẩn đoán này. Các kết quả thu được khi áp dụng công cụ chẩn đoán mới này có tính chính xác cao.
Độ chính xác là khả năng phân biệt chính xác giữa các đối tượng bị bệnh và khỏe mạnh. Tính đặc hiệu là khả năng xác định chính xác các đối tượng khỏe mạnh và độ nhạy là khả năng xác định chính xác các đối tượng bị bệnh.
“Chẩn đoán sớm bệnh Parkinson là rất quan trọng bởi vì nó ảnh hưởng đến sự lựa chọn phương pháp điều trị và nó chịu mức độ lớn về các lỗi chẩn đoán sai”, các tác giả nghiên cứu lưu ý. Ngoài ra, bệnh được phát hiện sớm, tạo ra nhiều cơ hội điều trị giúp ngăn ngừa tổn thương th n kinh n o.
KẾT LUẬN CHƯƠNG 2 2.3.
Trong chương 2 luận văn đ trình bày tổng quan về bệnh Parkinson bao gồm giới thiệu về bệnh Parkinson, nguyên nhân gây bệnh, một số biểu hiện của bệnh, dáng đi
của bệnh nhân Parkinson, các giai đoạn phát triển của bệnh, cách điều trị bệnh đồng thời giới thiệu một số phương pháp có thể chẩn đoán sớm bệnh Parkinson mà các nhà khoa học trên thế giới đ và đang nghiên cứu.
Một trong những biểu hiện rõ nét nhất của bệnh Parkinson là thay đổi dáng đi.
Nghiên cứu theo dõi dáng đi của người bị bệnh Parkinson để kịp thời phát hiện sớm và có các biện pháp điều trị thích hợp là rất có ý nghĩa với người bị bệnh Parkinson. Đồng thời phát ra cảnh báo cho những người phụ trách chăm sóc trở thành một nhu c u hết sức cấp thiết. Chương tiếp theo s trình bày phân tích dáng đi của bệnh nhân Parkinson sử dụng đặc trưng LBP.
CHƯƠNG 3 - PHÂN TÍCH DÁNG ĐI CỦA NGƯỜI BỊ BỆNH PARKINSON SỬ DỤNG ĐẶC TRƯNG LBP
Mục tiêu của chương này là sử dụng đặc trưng LBP để phân tích dáng đi của người bị bệnh Parkinson và tiến hành kiểm chứng mô hình đề ra theo các bước: đưa ra cái nhìn tổng quan về hệ thống, xây dựng dữ liệu, trích chọn đặc trưng, huấn luyện và nhận dạng; sau đó tiến hành kiểm chứng kết quả.
TỔNG QUAN HỆ THỐNG 3.1.
Sự bất thường trong dáng đi là một khái niệm rộng lớn và không có định nghĩa xác định. Trong lĩnh vực thị giác máy tính, một dáng đi được xem là bất thường nếu nó không nằm trong phạm vi giá trị cho phép của dáng đi bình thường. Đối với bài toán phát hiện dáng đi của người bị bệnh Parkinson thông qua dữ liệu thu từ một camera, ý tưởng được đưa ra để giải quyết vấn đề là mô hình hóa dáng đi bình thường dựa trên các chu kỳ bước đi của tập dữ liệu huấn luyện, sau đó xác định một ngưỡng xác suất và sử dụng ngưỡng này cùng mô hình để quyết định chu kỳ chưa biết là bình thường hay bất thường.
Quá trình xử lý của hệ thống đề xuất được thực hiện như hình sau:
Hình 3.1. Giải pháp đề xuất.
Dữ liệu vào: Tập dữ liệu dáng đi của người bị bệnh Parkinson và dáng đi bình thường được xây dựng từ các công cụ mô phỏng 3D.
Tiền xử lý
Trích chọn đặc trưng
Huấn luyện
Kết luận
Dữ liệu vào Tập dữ liệu dáng đi của người bệnh Parkinson và dáng đi bình thường Ảnh lịch sử chuyển động
Lọc nhiễu
Trừ nền, tách đối tượng Trích rút đặc trưng LBP Xây dựng mô hình Tính ngưỡng xác xuất
Bị bệnh hay không?
Tiền xử lý: Từ dữ liệu vào ta thực hiện các bước xử lý ảnh cơ bản để làm rõ hình ảnh như: căn ch nh ảnh, chuẩn hóa ánh sáng, lọc nhiễu, phân chia ảnh…
Trích chọn đặc trưng: Dựa vào các đặc điểm nhận dạng người bị bệnh Parkinson kết hợp với phương pháp rút trích đặc trưng LBP để tính véc-tơ đặc trưng.
Huấn luyện: Dựa vào các thông số thu được từ trích chọn đặc trưng để xác định một véc-tơ đặc trưng, sử dụng các mô hình đ có như mạng nơ-ron nhân tạo, mô hình Markov ẩn, máy véc-tơ hỗ trợ… xây dựng một mô hình phù hợp để huấn luyện dữ liệu. Ở đây sử dụng máy véc-tơ hỗ trợ để xây dựng mô hình dáng đi.
Kết luận: Thực hiện so khớp giữa véc-tơ đặc trưng được trích chọn ở dữ liệu người dùng với các đặc trưng đ được huấn luyện ở tập dữ liệu mẫu, sau đó đưa ra kết luận người đó có bị bệnh Parkinson hay không.
XÂY DỰNG DỮ LIỆU 3.2.
Dữ liệu huấn luyện và dữ liệu thử nghiệm được lấy từ mô hình 3D mô phỏng con người với dáng đi được thiết lập sẵn. Mô hình này được xây dựng nhờ công cụ MakeHuman kết hợp với Blender.
3.2.1. Ph n mềm thiết kế 3D MakeHuman
MakeHuman là công cụ tạo nhân vật miễn phí duy nhất mà tác giả biết. Nó bắt đ u như là một công cụ bổ sung cho Blender và từ đó đ trở thành một ứng dụng độc lập. Với ph n mềm thiết kế 3D MakeHuman nó thực sự là trò chơi của trẻ để tạo các tệp 3D của con người. Vì ph n mềm mô hình 3D này cho phép bạn thao tác những gì được gọi là “lưới cơ sở” - một tệp 3D dạng 3D vô tri vô tính. Bạn nhanh chóng đưa ra một tính cách đặc biệt và thuyết phục bằng cách trượt các thanh được tổ chức cẩn thận (giới tính, khuôn mặt, thân xác, cánh tay và chân). Các tùy ch nh thực sự là toàn diện, bạn có thể vận dụng nhân vật của mình theo nghĩa đen đến các đ u tóc.
Những sáng tạo của bạn không phải là những hình ảnh khỏa thân. Có rất nhiều lựa chọn khác nhau của qu n áo có sẵn, từ giản dị đến sang trọng nhưng chúng ta ch đang xử lý ở bề mặt. Vì ph n mềm thiết kế 3D MakeHuman bao gồm nhiều lựa chọn cho việc phát triển trò chơi cũng như hoạt hình máy tính. Ngay cả khuôn mặt được thiết lập với các điều khiển đủ để đạt được nét mặt tốt. Sự đa dạng của các tính năng này cho phép bạn tạo mô hình 3D thuyết phục dễ dàng.
Hình 3.2. Giao diện công cụ MakeHuman.
3.2.2. Ph n mềm Blender
Blender là một ph n mềm đồ họa 3D miễn phí và nguồn mở, được sử dụng để làm phim hoạt hình, kỹ xảo, ảnh nghệ thuật, mẫu in 3D, ph n mềm tương tác 3D và video game. Blender thích hợp cho các studio nhỏ hoặc mang tính cá nhân đang tìm kiếm một ph n mềm thích hợp và tương tác tốt với quá trình sản xuất hoặc phát triển của studio. Với khả năng đa nền tảng của mình, Blender hoạt động ổn định trên Linux, Windows và Macintosh mà ch c n một lượng nhỏ bộ nhớ RAM để khởi động và ổ cứng để lưu trữ. Ngoài ra giao diện Blender sử dụng OpenGL để dễ dàng tương thích với các loại ph n cứng và nền tảng khác nhau.
Các tính năng chính:
- Blender là một bộ công cụ xây dựng môi trường 3D bao gồm rất nhiều công cụ c n thiết như: mô hình hóa, lập biểu đồ UV, hiệu ứng hoạt hình, rất nhiều loại mô phỏng (chất lỏng, cơ thể săn chắc, ...), kịch bản, dựng hình, kết hợp, VFX và sản xuất game,
- Đa nền tảng, với giao diện OpenGL tương thích với tất cả các loại nền tảng phổ biến (cũng như các nền tảng được hiệu ch nh bằng Python scripts),
- Cấu trúc 3D chất lượng cao giúp cho các quy trình làm việc nhanh và hiệu quả hơn.
Hình 3.3. Giao diện phần mềm Blender.
Sau khi xây dựng được nhân vật và thêm dáng đi cho nhân vật. Tiến hành lưu các khung ảnh chụp từ chính diện vào cơ sở dữ liệu huấn luyện.
(a)
(b)
Hình 3.4. Một số khung ảnh được lưu vào cơ sở dữ liệu (a) dáng đi bình thường, (b) dáng đi Parkinson.
Cơ sở dữ liệu gồm 6 nhân vật với giới tính và độ tuổi khác nhau, mỗi nhân vật được lấy 150 frame hình trong suốt chu kì dáng đi.
TRÍCH XUẤT ĐẶC TRƯNG LBP (Local Binary Pattern) 3.3.
Phương pháp dựa vào Local Binary Pattern là một ví dụ của loại phương pháp kết hợp giữa biểu diễn kết cấu thống kê và cấu trúc đ được sử dụng trong nhiều ứng dụng thực tế của xử lý ảnh. Dưới đây s trình bày một cách tổng quát một số phương pháp chính sử dụng kỹ thuật thống kê nhằm xây dựng mô hình phân loại ảnh có bề mặt kết cấu có cấu trúc nhỏ.
3.3.1. Phương pháp biểu diễn kết cấu dựa vào toán tử LBP
LBP là viết tắt của Local Binary Pattern do Ojala và đồng nghiệp [38] giới thiệu năm 1996. Giải thuật trích rút đặc trưng Local Binary Pattern là một phương pháp thống kê các ph n tử cơ bản của kết cấu không thay đổi tỷ lệ xám. Giải thuật này là một công cụ rất hữu ích để mô tả kết cấu.
Ý tưởng
Tại một vị trí pixel (xc, yc) cho trước, LBP được định nghĩa như một chuỗi nhị phân có trật tự dựa trên sự so sánh giá trị mức xám của pixel trung tâm (xc, yc) và 8 pixel lân cận của nó, nếu điểm lân cận có giá trị mức xám lớn hơn hoặc bằng giá trị mức xám điểm trung tâm thì nhận giá trị 1, ngược lại thì nhận giá trị 0. Mỗi pixcel s được biểu diễn bởi một chuỗi nhị phân, giá trị thập phân của chuỗi nhị phân này chính là giá trị của pixel trung tâm trong sự biểu diễn bởi toán tử LBP.
Thuật toán LBP xét từng block (3x3) và tính ra giá trị LBP bằng cách so sánh mức xám của ô trung tâm với 8 ô kề cạnh. Ngoài ra còn có thể mở rộng thuật toán bằng cách xét các block (5x5) với 12 ô kê cạnh hoặc block (9x9) với 18 ô kề cạnh.
Hình 3.6 s mô tả cụ thể hơn với P là số đ nh kề cạnh c n xét so với đ nh trung tâm, R là bán kính của đường tròn.
Đầu vào: Ma trận ảnh I kích thước MxN.
Đầu ra: Trích rút đặc trưng từ ảnh I theo phương pháp LBP (được biểu diễn dưới dạng véc-tơ đặc trưng 256 chiều .
Các bước thực hiện tính trích rút đặc trưng LBP:
Bước 1: Duyệt ảnh I kích thước MxN, đặt cửa sổ kích thước 3x3 vào từng điểm ảnh. Thu được ma trận có kích thước 3x3.
Hình 3.5. Ví dụ cơ bản toán tử LBP.
Hình 3.6. Minh họa toán tử LBP mở rộng với các giá trị P và R khác nhau.
Bước 2: Từ các ma trận đến , với mỗi giá trị mức xám của pixel trung tâm, so sánh giá trị của nó với các giá trị mức xám của pixel lân cận, nếu giá trị mức xám của pixel lân cận lớn hơn hoặc bằng giá trị mức xám của pixel trung tâm gán nh n 1, ngược lại gán nh n 0. Thu được ma trận có kích thước 3x3.
Bước 3: Xét các ma trận đến , thực hiện chuyển từng ma trận sang dạng thập phân bằng cách nối tất cả các m nhị phân thu được theo chiều kim đồng hồ bắt đ u từ góc trái nhân với trọng số 7) ứng với mỗi điểm ảnh sau đó cộng tổng lại. Thu được ma trận ảnh LBP I’ kích thước MxN
Giá trị LBP được xác định bằng công thức sau:
( ) ∑ ( ) (3.1) Trong đó:
- P là số đ nh kề cạnh c n xét so với đ nh trung tâm - R là bán kính của đường tròn.
- ( ) là vị trí điểm ảnh tại tâm của ma trận kích thước 3x3.
- là hàm nhị phân được xác định như sau:
{ - là giá trị mức xám của các pixel lân cận.
Hình 3.7. Quá trình tính giá trị LBP.
Bước 4: Từ ma trận ảnh I’ LBP, duyệt từng giá trị của . Thống kê các giá trị của vừa tính. Thu được một véc-tơ 256 chiều:
Ví dụ về trích rút đặc trưng LBP trên ảnh số Đầu vào: Ma trận ảnh I kích thước 4x4
23 27 33 64 35 29 15 65 6 72 11 30 1 31 3 90
Đầu ra: Biểu diễn ma trận ảnh trong không gian véc-tơ đặc trưng 256 chiều.
Quá trình tính giá trị đặc trưng LBP như sau:
Bước 1: Duyệt ảnh I kích thước 4x4, đặt cửa sổ kích thước 3x3 vào từng điểm ảnh. Thu được ma trận có kích thước 3x3.
Bước 2: Từ các ma trận đến , với mỗi giá trị mức xám của pixel trung tâm, so sánh giá trị của nó với các giá trị mức xám của pixel lân cận, nếu giá trị mức xám của pixel lân cận lớn hơn hoặc bằng giá trị mức xám của pixel trung tâm gán nhãn 1, ngược lại gán nh n 0. Thu được ma trận có kích thước 3x3.
Bước 3: Xét các ma trận đến , thực hiện chuyển từng ma trận sang dạng thập phân bằng cách nối tất cả các mã nhị phân thu được theo chiều kim đồng hồ bắt đ u từ góc trái nhân với trọng số 7) ứng với mỗi điểm ảnh sau đó cộng tổng lại. Thu được ảnh I’ kích thước 4x4.
Bước 4: Từ ma trận ảnh LBP của ảnh I’, duyệt từng giá trị của sắp xếp theo chiều tăng d n. Thống kê các giá trị của vừa tính.
Bảng 3.1. Bảng thống kê đặc trưng LBP của lược đồ 256 chiều.
Ch số index
LBP M thập phân LBP T n suất xuất hiện
0 0 3
2 2 1
14 14 1
16 16 1
56 104 24 32 16 164 223 0 30 0 223 34 14 2 143 0
Ch số index
LBP M thập phân LBP T n suất xuất hiện
24 24 1
30 30 1
32 32 1
34 34 1
56 56 1
104 104 1
143 143 1
164 164 1
223 223 2
Thu được một véc-tơ 256 chiều:
= { 3, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 , 0 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0}
Hình 3.8. Lược đồ Local Binary Patterns 256 chiều.
Đánh giá đặc trưng LBP:
Ưu điểm: trích rút đặc trưng LBP cài đặt đơn giản, thời gian tính toán giá trị đặc trưng nhanh vì nó làm việc với giá trị nguyên, vận hành thuận tiện, và dung lượng tốt để mô tả kết cấu của ảnh.
Nhược điểm:
- Trích rút đặc trưng LBP từ ảnh ta thu được véc-tơ đặc trưng gồm 256 chiều. Số lượng chiều của véc-tơ này lớn dẫn đến việc sử dụng đặc trưng này chưa hiệu quả về mặt thời gian thực.
- Ở một mức độ nào đó, giải thuật LBP biểu diễn chưa được tốt đối với các kết cấu phức tạp.
Vì vậy, để đáp ứng yêu c u trích chọn véc-tơ đặc trưng nhanh và có số chiều đủ nhỏ để có thể xử lý theo yêu c u thời gian thực... mà vẫn đảm bảo tính đơn giản cho việc xử lý bằng máy tính. Dưới đây s trình bày phương pháp cải tiến của LBP s làm giảm số chiều của véc-tơ kết cấu.
3.3.2. Cải tiến LBP: Uniform Patterns [28]
Một giá trị được gọi là uniform khi biểu diễn nó sang hệ nhị phân, xét từ trái sang phải, tổng số l n chuyển từ bit 0 sang 1 và 1 sang 0 nhỏ hơn hoặc bằng 2.
Một giá trị được gọi là non-uniform khi biểu diễn nó sang hệ nhị phân, xét từ trái sang phải, tổng số l n chuyển từ bit 0 sang 1 và 1 sang 0 lớn hơn 2.
Hình 3.9. Ví dụ minh họa mô tả đặc điểm cấu trúc véc-tơ LBP.