本发明涉及数据分析技术领域，具体来说是一种用于手部运动机能分析的检测方法。
背景技术：
人手是人体的重要组成部分，人类通过手部的运动实现自然世界的感知和再创造。手部运动机能涉及人体各机能系统的协调配合，依赖于中枢神经系统、周围神经系统、肌肉骨骼运动系统以及感知觉、注意等心理活动的综合运用，正常的手部运动机能对个体生存具有重要意义。
手部运动机能在个体的生命周期中处于动态变化过程，疾病和药物则会对手部运动机能造成影响。随着各项人体机能的发育和日常生活中的运动练习，儿童时期的手部运动机能逐渐发展和成熟，在成年期则相对稳定。有针对性的训练能够进一步提高手部运动表现，实现更加灵活的手部控制。部分疾病则会对手部运动机能造成影响，例如发育性运动协调障碍、自闭症谱系障碍或神经类疾病的儿童，在执行书写和绘画这类技能型动作时常表现出手部精细运动缺陷。老年人容易罹患的帕金森病、阿尔茨海默病、亨廷顿病等脑部疾病，这类神经系统退行性疾病在在临床上表现出渐进性发展的手部运动障碍。手部运动机能的改变能够反映出人体器官的发育和健康状况的变化。
现有的手部运动机能评价方法，在检测手段上，以医师通过临床测试观察提供定性检测为主，与医师经验密切相关。在检测项目上集中于握拳、捏取、抓握等手部技能。近年来，一些研究也提出了手部运动机能的检测仪器和方法，如发明专利“一种抓握功能评估与训练系统”(专利号CN201410318798)，通过不同握力级任务采集用户的上肢力学信号和肌电信号，评价手部抓握功能；再如发明专利“帕金森病患者手部运动功能评级装置”(专利号CN201410417872)发明了一种手套用于检测帕金森病患者手部伸展和攥紧运动功能；再如发明专利“一种使用红外线照射腕部韧带的手指运动检测装置及方法”(专利号CN201410669749)通过红外线传感器检测手指运动，应用于人机交互。但这些技术都存在一些缺陷和不足之处，归纳如下：
1、忽略了书写和绘画这类与人类认知有紧密关系的手部运动。书写和绘画统称为手写，是人类特有的、也是唯一一种需要在学龄期间经过长期学习、训练才能掌握的手部运动技能。手写的实施过程是手部触觉、手指抓握控制、指关节稳定性控制和以及肌肉关节感觉等多种手部器官机能的整体体现，是一种具有代表性的手部运动。
2、缺乏对手部运动机能发展趋势的评价手段。手部运动是一种动态变化过程，一些疾病的病程发展或药物的长期服用，会使手部运动机能发生渐变性的改变，单次定性的手部运动检测并不能对检测指标进行有效比对，难以发现手部运动机能的发展趋势。
3、缺乏从多个角度对手部运动机能进行全面度量，缺乏正常参考范围的对比。手部运动机能单一指标难以提供全面的评价，正常参考范围的缺失，导致手部运动机能评价难以推广普及，提供正常参考范围能够直观表现出手部运动机能的状态。
如何开发出一种能够对手部运动机能进行全面分析的检测方法已经成为急需解决的技术问题。
技术实现要素：
本发明的目的是为了解决现有技术中无法全面有效反映手部运动机能的缺陷，提供一种用于手部运动机能分析的检测方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种用于手部运动机能分析的检测方法，包括以下步骤：
样本数据的定义和获取，定义样本数据的数据类型并获取用户的样本数据；
样本数据的预处理，对采集到的样本数据进行低通滤波和高斯平滑处理；
获取手部运动机能检测指标，通过对预处理后的样本数据进行计算，得出手部直线运动机能检测指标和手部曲线运动机能检测指标。
所述的样本数据的定义和获取包括以下步骤：
用户在手写输入设备上执行检测直线类绘画任务和曲线类绘画任务；
使用4*n的矩阵数据结构表示样本数据，其中矩阵维度4表示采样通道个数，分别为X位置通道、Y位置通道、Fx力通道和Fy力通道，n表示采样点个数，形成样本数据矩阵则：
其中，k∈[1,m]，m是检测任务执行的次数；j∈[1,2],其中j＝1表示直线类检测任务、j＝2表示曲线类检测任务。
所述的获取手部直线运动机能检测指标包括以下步骤：
计算直线类绘画任务中若干个样本数据的Fxy极小值个数平均值ExtremNumj＝1；
计算直线类绘画任务中若干个样本数据的Fxy极小值位置比率平均值ExtremRatioj＝1；
计算直线类绘画任务中若干个样本数据的直线拟合系数平均值R_LinearFitj＝1。
所述的获取手部曲线运动机能检测指标包括以下步骤：
计算曲线类绘画任务中若干个样本数据的Fxy极小值个数平均值ExtremNumj＝2；
计算曲线类绘画任务中若干个样本数据的Fxy极小值位置比率平均值ExtremRatioj＝2；
计算曲线类绘画任务中半径标准差平均值STD_radiusj＝2。
所述的计算若干个样本数据的Fxy极小值个数平均值包括以下步骤：
计算单个样本数据的力值Fxy，其计算公式如下：
其中：(Fx)i为第i个采集点x轴力，(Fy)i为第i个采集点y轴力；
使用一维矩阵表示样本数据若干个采集点的Fxy时间序列，
[(Fxy)1 (Fxy)2 ... (Fxy)i ... (Fxy)n]，
其中：n为样本的采样点个数；
计算单个样本数据的Fxy极小值个数其具体步骤如下：
计算Fxy一阶差分Diff(Fxy)，其计算公式如下：
Diff(Fxy)＝[(Fxy)2-(Fxy)1 (Fxy)3-(Fxy)2 ... (Fxy)i+1-(Fxy)i ... (Fxy)n-(Fxy)n-1]，
将一阶差分Diff(Fxy)根据数值正负情况进行标记，形成标记矩阵S(Diff)，其中数值为正标记为+1，数值为负标记为-1，其计算公式如下：
S(Diff)＝[Sign((Fxy)2-(Fxy)1) Sign((Fxy)3-(Fxy)2) ... Sign((Fxy)i+1-(Fxy)i) ... Sign((Fxy)n-(Fxy)n-1)]
对标记矩阵S(Diff)进行一阶差分计算，形成一维矩阵Diff(S)；
统计一维矩阵Diff(S)中数值为“+2”的个数，作为Fxy的极小值个数
对若干个样本数据的Fxy极小值进行平均计算，其计算公式如下：
所述的计算若干个样本数据的Fxy极小值位置比率平均值包括以下步骤：
计算单个样本数据的Fxy极小值位置比率其计算公式如下：
其中：Pi为Diff(S)一维矩阵中数值为“+2”的元素所在的位置序号，i∈[1,q]，q为极小值个数；n为样本采样点个数；
对若干个样本数据的Fxy极小值位置比率进行平均计算，其计算公式如下：
所述的计算直线类绘画任务中若干个样本数据的直线拟合系数平均值包括以下步骤：
计算单个样本数据的直线拟合系数其计算公式如下：
其中，和的计算公式如下：
其中：xi为第i个采集点的X轴座标值，yi为第i个采集点的Y轴座标值；
对若干个样本数据的直线拟合系数进行平均计算，其计算公式如下：
所述的计算曲线类绘画任务中半径标准差平均值STD_radiusj＝2包括以下步骤：
计算单个样本数据的半径标准差其计算公式如下：
对若干个样本数据的半径标准差进行平均计算，其计算公式如下：
所述的直线类绘画任务为在规定尺寸的正方形区域中绘制若干个相同直线，绘制直线的数量大于8个；所述的曲线类绘画任务为在规定尺寸的正方形区域中绘制若干个相同圆，绘制圆的数量大于8个。
还包括对用户的手部运动机能检测指标综合评价，包括以下步骤：
在直线类绘画任务和曲线类绘画任务中，Fxy极小值个数ExtremNum＝1为最佳，Fxy极小值个数越多表明运动控制能力越差；
在直线类绘画任务和曲线类绘画任务中，Fxy极小值位置比率ExtremRatio＝0最佳，Fxy极小值位置比率越大表明运动控制能力越差；
在直线类绘画任务中，直线拟合系数R_LinearFit＝1最佳，直线拟合系数越小表明手部直线运动控制能力越差；
在曲线类绘画任务中，半径标准差STD_radius＝0最佳，半径标准差数值越大表明手部曲线运动控制能力越差。
有益效果
本发明的一种用于手部运动机能分析的检测方法，与现有技术相比通过记录分析被检测人手部持笔在书写平面上执行绘画检测任务时的运动过程信息，能对不同时期执行检测任务的记录数据进行纵向对比，基于客观定量的检测数据结果，展示手部运动机能的一段时期内的发展趋势，实现手部运动机能的动态检测。
本发明能够对手部运动提出量化客观的指标，并给出指标的参考范围；其中手部运动指标包含了对书写水平面力的采集和分析；并集成了对检测指标的趋势分析功能，能够对检测指标的动态发展状况进行评价。
本发明提供手部运动机能的动态跟踪，获知被检测人在一段时期内的手部运动机能变化趋势，便于发现手部运动机能变化趋势过大的情况，为疾病进展评估、药效评估、康复效果评估提供手段。且本发明所需的手部运动机能检测任务简单、易于执行，适用人群广、接受度高，便于推广。检测任务能够覆盖手部直线和曲线运动，有利于检测任务数据采集的完备性。
附图说明
图1为本发明的方法流程图；
图2为本发明的样本数据的定义和获取步骤中手部直线运动机能检测任务参考样例示意图；
图3为本发明的样本数据的定义和获取步骤中手部曲线运动机能检测任务参考样例示意图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种用于手部运动机能分析的检测方法，包括以下步骤：
第一步，样本数据的定义和获取，定义样本数据的数据类型并获取用户的样本数据。其具体包括以下步骤：
(1)用户在手写输入设备上执行检测直线类绘画任务和曲线类绘画任务，测试对象按相应的规定在手写输入设备上进行直线和曲线划线。
手写输入设备是指，支持手写笔输入和笔迹显示、并且支持书写水平面X、Y轴位置信息和书写水平面X、Y轴力信息采集、采样频率大于100HZ的数字平板，其中现有技术中的数字平板设备还可以实现Z轴力信息的采集，但在手部运动机能研究中，Z轴力信息(下笔的力度)暂不作为考虑因素，因此，在此不考虑采集Z轴力信息数据。如图2和图3所示，检测任务是在规定尺寸的正方形区域中进行绘画的任务，检测任务包括直线类任务、曲线类任务。通过执行直线类任务检测手部的直线运动机能，通过执行曲线类任务检测手部的曲线运动机能，两类检测任务都必须完成，以保证运动机能检测的完备性。其中直线类任务是指，用户在规定尺寸的正方形区域中多次绘制直线，每次绘制直线的斜率和长度尽量保持相同，至少绘制8次以上；曲线类任务是指，用户在规定尺寸的正方形区域中多次绘制圆，每次绘制圆的半径尽量保持相同，至少绘制8次以上。
(2)手写输入设备采集用户执行检测任务过程中的运动数据。执行单次检测任务采集的数据称为样本数据，其数据类型为多个一维离散时间信号。在此使用4*n的矩阵数据结构表示样本数据，其中矩阵维度4表示采样通道个数，分别为X位置通道、Y位置通道、Fx力通道和Fy力通道。X位置通道即X轴的数值，Y位置通道即Y轴的数值，例如在进行直线划线任务中，X轴和Y轴的数值随着笔划的延伸轨迹而产生不同的数值变化。Fx力通道和Fy力通道为力值的表现，例如在进行直线划线任务中，当X轴和Y轴的数值随笔划的延伸轨迹产生变化时，其延伸力度(趋势方向力度)的具体表现则是为Fx和Fy。在此设置X位置通道、Y位置通道、Fx力通道和Fy力通道这四个数值通道，目的是获取到这四类数据类型的具体数值，以用于综合分析和评价。
设定n表示采样点个数，则可以形成样本数据矩阵则：
其中，k∈[1,m]，m是检测任务执行的次数；j∈[1,2],其中j＝1表示直线类检测任务、j＝2表示曲线类检测任务。
第二步，样本数据的预处理，对采集到的样本数据进行低通滤波和高斯平滑处理。由于手写运动是一种低频运动，因此需要对采集的数据按现有技术的方式进行低通滤波和高斯平滑处理。低通滤波处理是指对样本数据的每个采样通道数据分别进行截止频率为10Hz的低通滤波处理，用于去除手部运动检测任务数据的高频噪声成分。高斯平滑是对样本数据的每个采样通道数据分别进行平滑处理。采用的高斯平滑公式是：
其中，d(t)为每个采样通道的一维数据，d'(t)为平滑后的数据，高斯窗口宽度w建议为2，高斯函数宽度σ建议为2，具体数值可根据需要调整。
第三步，获取手部运动机能检测指标。通过对预处理后的样本数据进行计算，得出手部直线运动机能检测指标和手部曲线运动机能检测指标。在此，手部运动机能检测指标共分为两种，一种为手部直线运动机能检测指标，另一种为手部曲线运动机能检测指标，将直线任务和曲线任务均考虑进入数据分析中，保证了分析的全面性和准确性。
在此，手部直线运动机能检测指标的相关计算如下：
(1)计算直线类绘画任务中若干个样本数据的Fxy极小值个数平均值ExtremNumj＝1，其具体包括以下步骤：
A、计算若干个样本数据的Fxy极小值个数平均值包括以下步骤：
a、计算单个样本数据的力值Fxy，力值Fxy为每个采集点X轴力和Y轴力的合力，其计算公式如下：
其中：(Fx)i为第i个采集点x轴力，(Fy)i为第i个采集点y轴力。
b、使用一维矩阵表示样本数据若干个采集点的Fxy时间序列，
[(Fxy)1 (Fxy)2 ... (Fxy)i ... (Fxy)n]，
其中：n为样本的采样点个数。
c、计算单个样本数据的Fxy极小值个数Fxy极小值个数通过计算Fxy一阶差分的过零点个数得到，Fxy一阶差分的过零点是指Fxy一阶差分曲线由负值变为正值的过零点。其具体步骤如下：
【1】计算Fxy一阶差分Diff(Fxy)，其计算公式如下：
Diff(Fxy)＝[(Fxy)2-(Fxy)1 (Fxy)3-(Fxy)2 ... (Fxy)i+1-(Fxy)i ... (Fxy)n-(Fxy)n-1]。
【2】将一阶差分Diff(Fxy)根据数值正负情况进行标记，形成标记矩阵S(Diff)，其中数值为正标记为+1，数值为负标记为-1，其计算公式如下：
S(Diff)＝[Sign((Fxy)2-(Fxy)1) Sign((Fxy)3-(Fxy)2) ... Sign((Fxy)i+1-(Fxy)i) ... Sign((Fxy)n-(Fxy)n-1)]。
【3】对标记矩阵S(Diff)进行一阶差分计算，形成一维矩阵Diff(S)。
【4】统计一维矩阵Diff(S)中数值为“+2”的个数，作为Fxy的极小值个数
例如：若Fxy一阶差分的一维矩阵为[2.6 1.5 -0.8 1.2 -0.4 0.3]，根据各数值的正负情况可以标记为S(Diff)＝[+1 +1 -1 +1 -1 +1]，标记矩阵的一阶差分Diff(S)＝[0 -2 +2 -2 +2]，Diff(S)一维矩阵中+2的个数为2个，因此Fxy极小值个数为2个。
d、对若干个样本数据的Fxy极小值进行平均计算，其计算公式如下：
(2)计算直线类绘画任务中若干个样本数据的Fxy极小值位置比率平均值ExtremRatioj＝1，其具体步骤如下：
A、计算单个样本数据的Fxy极小值位置比率Fxy的极小值位置比率是指，Fxy各极小值所对应的采样点序号除以样本采样点总数，所得的商与0.5的差的绝对值的平均值，其计算公式如下：
其中：Pi为Diff(S)一维矩阵中数值为“+2”的元素所在的位置序号，i∈[1,q]，q为极小值个数；n为样本采样点个数。
例如：Diff(S)一维矩阵中+2的所对应的采样点序号是3和5，样本数据的采样点总个数是6，因此，Fxy极小值位置比率是((3/6-0.5)+(5/6-0.5))/2＝0.16。由于研究发现Fxy极小值对应采样点序号位于样本数据中心处代表最佳的运动控制能力(即极小值所对应的采样点序号除以样本采样点总数为0.5)，为便于检测指标的分析评价，因此在Fxy极小值位置比率计算方法中，通过减去0.5进行归一化，使该检测指标的取值范围为[0,0.5)。
B、对若干个样本数据的Fxy极小值位置比率进行平均计算，其计算公式如下：
(3)计算直线类绘画任务中若干个样本数据的直线拟合系数平均值R_LinearFitj＝1。其包括以下步骤：
A、计算单个样本数据的直线拟合系数直线拟合相关系数是指，对于直线类检测任务，对二维位置序列进行直线拟合，并计算相应的直线拟合相关系数，其计算公式如下：
其中，和的计算公式如下：
其中：xi为第i个采集点的X轴座标值，yi为第i个采集点的Y轴座标值。
B、对若干个样本数据的直线拟合系数进行平均计算，其计算公式如下：
在此，手部曲线运动机能检测指标的相关计算如下，即获取手部曲线运动机能检测指标包括以下步骤：
(1)计算曲线类绘画任务中若干个样本数据的Fxy极小值个数平均值ExtremNumj＝2。
(2)计算曲线类绘画任务中若干个样本数据的Fxy极小值位置比率平均值ExtremRatioj＝2。
计算曲线类绘画任务的Fxy极小值个数平均值ExtremNumj＝2和Fxy极小值位置比率平均值ExtremRatioj＝2所使用的方法与计算直线类绘画任务的Fxy极小值个数平均值ExtremNumj＝1和Fxy极小值位置比率平均值ExtremRatioj＝1所使用的方法完全相同，只是两者获取的数据源不同，ExtremNumj＝2和ExtremRatioj＝2计算的是曲线类绘画任务中的X位置通道、Y位置通道、Fx力通道和Fy力通道的数据，ExtremNumj＝1和ExtremRatioj＝1计算的是直线类绘画任务中的X位置通道、Y位置通道、Fx力通道和Fy力通道的数据。
即计算曲线类绘画任务的Fxy极小值个数平均值ExtremNumj＝2需要：
{1}计算单个样本数据的力值Fxy，其计算公式如下：
其中：(Fx)i为第i个采集点x轴力，(Fy)i为第i个采集点y轴力，说明此步骤中(Fx)i和(Fy)i为曲线类绘画任务中的数据。
{2}使用一维矩阵表示样本数据若干个采集点的Fxy时间序列，
[(Fxy)1 (Fxy)2 ... (Fxy)i ... (Fxy)n]，
其中：n为曲线类绘画任务中样本的采样点个数。
{3}计算单个样本数据的Fxy极小值个数
计算Fxy一阶差分Diff(Fxy)，其计算公式如下：
Diff(Fxy)＝[(Fxy)2-(Fxy)1 (Fxy)3-(Fxy)2 ... (Fxy)i+1-(Fxy)i ... (Fxy)n-(Fxy)n-1]，
将一阶差分Diff(Fxy)根据数值正负情况进行标记，形成标记矩阵S(Diff)，其中数值为正标记为+1，数值为负标记为-1，其计算公式如下：
S(Diff)＝[Sign((Fxy)2-(Fxy)1) Sign((Fxy)3-(Fxy)2) ... Sign((Fxy)i+1-(Fxy)i) ... Sign((Fxy)n-(Fxy)n-1)]
对标记矩阵S(Diff)进行一阶差分计算，形成一维矩阵Diff(S)；
统计一维矩阵Diff(S)中数值为“+2”的个数，作为Fxy的极小值个数
对若干个样本数据的Fxy极小值进行平均计算，其计算公式如下：
同样，计算曲线类绘画任务中若干个样本数据的Fxy极小值位置比率平均值ExtremRatioj＝2需要：
{1}计算曲线类绘画任务中单个样本数据的Fxy极小值位置比率其计算公式如下：
其中：Pi为Diff(S)一维矩阵中数值为“+2”的元素所在的位置序号，i∈[1,q]，q为极小值个数；n为样本采样点个数；
{2}对若干个样本数据的Fxy极小值位置比率进行平均计算，其计算公式如下：
(3)计算曲线类绘画任务中半径标准差平均值STD_radiusj＝2，其包括以下步骤：
A、计算单个样本数据的半径标准差半径标准差是指，对于曲线类检测任务，样本数据各采样点半径的标准差。其计算公式如下：
B、对若干个样本数据的半径标准差进行平均计算，其计算公式如下：
在此，已经计算出评价手部运动机能的6项指标，即手部直线运动机能检测指标中的Fxy极小值位置比率平均值ExtremRatioj＝1、若干个样本数据的Fxy极小值位置比率平均值ExtremRatioj＝1、若干个样本数据的直线拟合系数平均值R_LinearFitj＝1；手部曲线运动机能检测指标中的Fxy极小值个数平均值ExtremNumj＝2、Fxy极小值位置比率平均值ExtremRatioj＝2和半径标准差平均值STD_radiusj＝2。为了更好的评价手部运动机能，通过手部运动机能检测系统中，预设的各检测指标阈值，该阈值基于大量用户在本系统中采集手部运动数据并经过统计分析后得到，可在系统中进行调整。
对用户的手部运动机能检测指标进行评价，还包括第四步，对用户的手部运动机能检测指标综合评价，其包括以下步骤：
(1)在直线类绘画任务和曲线类绘画任务中，Fxy极小值个数ExtremNum＝1为最佳，Fxy极小值个数越多表明运动控制能力越差。
(2)在直线类绘画任务和曲线类绘画任务中，Fxy极小值位置比率ExtremRatio＝0最佳(ExtremRatio的取值范围是[0,0.5))，Fxy极小值位置比率越大表明运动控制能力越差。
(3)在直线类绘画任务中，直线拟合系数R_LinearFit＝1最佳(R_LinearFit的取值范围是(0,1])，直线拟合系数越小表明手部直线运动控制能力越差。
(4)在曲线类绘画任务中，半径标准差STD_radius＝0最佳，半径标准差数值越大表明手部曲线运动控制能力越差。
在实际应用中，可以形成手部运动机能检测指标趋势。通过系统对用户历史检测数据和本次检测数据的各项指标，采用cox-staut趋势存在性检验的统计分析方法，判断检测指标随时间变化的趋势。在系统生成的检测报告，包括本次各项检测指标数值、各指标参考区间、历次检测指标发展趋势图和趋势检验结果，可以更加形象地展现测试者的手部运动机能。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。