本发明涉及注意缺陷多动障碍(ADHD)检测技术领域，具体涉及一种基于运动能量释放估算的注意缺陷多动障碍(ADHD)检测方法及其检测系统，适用于注意缺陷多重障碍病情的判断及其严重程度的检测。
背景技术：
依据美国精神病学会制定的《精神障碍诊断与统计手册第五版》定义为具有注意障碍表现和多动冲动表现的一种疾病，主要显示为患者注意力不能集中，身体运动过多。目前，对于注意缺陷多动障碍的判断检测多基于纸笔问卷，教师、家长主观评价，最终由医生综合判断得出结论。这种判断方法主观性强，数据失真严重，判断准确性因此降低。
90年代出现的穿戴式客观辅助诊断设备，通过令被测试者佩戴运动传感器，探测被测试者的身体运动并得出相关判断的技术，由于令被测试者处于仪器携带状态而破坏了其自然状态下的表现，使得数据的可靠性受到影响。同时，由于穿戴设备测量仅限1-2个身体部位的运动，令身体运动测量数据代表性低，以上缺点令穿戴式客观辅助诊断设备准确性不足。
技术实现要素：
因此，本发明要解决的技术问题在于克服现有技术中的主观诊断技术和穿戴式客观辅助诊断技术的缺陷，从而提供一种基于运动能量释放估算的注意缺陷多动障碍(ADHD)检测方法及其检测系统，无需被测试者及与其共同生活的第三方人士主观参与，经过使用该设备检测，可以判断被测试者是否罹患注意缺陷多动障碍及病情严重程度。
一方面，本发明提供了一种基于运动能量释放估算的注意缺陷多动障碍(ADHD)检测方法，
一种基于运动能量释放估算的注意缺陷多动障碍(ADHD)检测方法，其特征在于，通过摄像方法对测试场景下的被测试者身体进行数据采集，获得测试时间段内被测试者身体各部位运动位移的瞬时体素信息集；根据所测得的瞬时体素信息集计算出被测者的运动能量释放估计值A；根据所测得的运动能量释放估计值A与被测试者身高体重指数的乘积获得被测试者的测试值；将测试值与被测试者所在年龄常模阈值相比较，判定被测试者是否罹患注意缺陷多动障碍。
通过摄像方法对被测试者身体进行数据采集，其具体方法：预定测试内容，被测试者在测试时间内根据测试内容作出反应；通过TOF传感器记录被测试者在不同时刻的全身瞬时体素数据。
所述的运动能量释放估计值A的计算方法是：
将所采集到的体素信息集形成体素矩阵序列；
利用“开放自然交互库”(OpenNI)的人体骨骼模式匹配算法将人体体素矩阵按人体区域划分；
在体素矩阵序列中取任一代表被测试者正常站姿的矩阵，通过被测试者的体重除以其身体的总体素数，得到每一个体素的估计质量m；
根据人体各划分区域所占有的体素数，计算每个划分区域的估计质量m1、m2、m3......mn,其中n为人体所划分区域的数量；
将所采集到的体素矩阵序列按采集时间顺序依次求得人体各划分区域的重心空间坐标；
根据同一划分区域中相邻两坐标的距离作为瞬时位移s，依据动能公式E＝mv2/2，得到身体运动动能E＝m1s12+m2s22+…+mnsn2，其中s＝vt，t为时间，s为位移，v为速度；
将体素矩阵序列中每相邻矩阵的E值相加，得到被测试者运动能量释放估计值A。
所述的利用“开放自然交互库”(OpenNI)的人体骨骼模式匹配算法将人体体素矩阵划分为六部分，分别形成头部，躯干，双臂和双腿6部分。
根据年龄常模将注意缺陷多动障碍(ADHD)由“无症状”到“非常严重”划分为七种病情区间，将所测得的运动能量释放估计值A与被测试者身高体重指数的乘积作为测试值，判定被测试者的测试值落入哪一病情区间，来判定是否罹患注意缺陷多动障碍及其病情的严重程度。
另一方面，本发明还提供了一种基于运动能量释放估算的注意缺陷多动障碍(ADHD)检测系统，所述系统包括：数据采集模块，用于对测试者进行身体体素数据采集，获得场景下的图像矩阵序列；
图像筛选模块，对图形矩阵序列筛选，选出在测试时间段内代表被测试者身体运动位移的瞬时体素信息集；
运动能量计算模块，根据所测得的瞬时体素信息集逐帧计算，获得在测试时间段内被测试者的运动能量释放估计值A；
判断模块，将所测得的运动能量释放估计值A与被测者身高体重指数的乘积作为测试值，将测试值与所设定的被测试者所在年龄常模阈值相比较，对被测试者是否罹患注意缺陷多动障碍作出判断。
优选地，所述系统还包括病情分级模块，其根据年龄常模将注意缺陷多动障碍(ADHD)由“无症状”到“非常严重”划分为七种病情区间，将被测试者的测试值与其所在年龄常模的病情画线值比对，对被测试者是否罹患注意缺陷多动障碍及病情级别作出判断。
进一步优选地，所述系统还包括人体形态识别模块，其对所述图像筛选模块筛选出的瞬时体素信息集进行图像模式识别，并将瞬时体素信息集分割为头部、躯干、双臂和双腿六部分，然后传输给所述运动能量计算模块进行运动能量释放估计值计算。
最优选地，所述系统还包括数据存储模块，其与所述判断模块连接，用于存储被测试者的运动测试数据。
所述的数据采集模块为TOF传感器。
本发明技术方案，具有如下优点：
A.本发明通过摄像方法采集被测试者身体的在测试时间段内的瞬时体素信息集，获得被测试者的运动能量释放估计值A，将测试者运动能量释放估计值A与被测者身高体重指数的乘积作为测试值，评价测试者的测试值是否超过所在年龄常模阈值，若小于年龄常模阈值，则判断被测试者未患有注意缺陷多动障碍症，否则则判定被测者患有注意缺陷多动障碍症。本发明能够使被测试者在不穿戴任何设备的自然情景下实施，从而避免了由于穿戴导致的检测误差，测量数据更加准确。
B.本发明通过将年龄常模按照注意缺陷多动障碍(ADHD)由“无症状”到“非常严重”划分为七种病情区间，这样可以判断被测试者是否患病或患注意缺陷多动障碍病情的严重程度，更加直观，且不受外界客观环境因素的影响；并且本发明的检测方法实现了对整个身体运动数据的测量，测量数据具有全面性。
C.本发明施测方便，相对传统量表测试和已有的客观检测方法和系统而言，对人员所需培训时间大大减少；本发明对施测人员的资质要求较已有方法低，施测人员无需具备专业知识即可操作施测，同时本发明对施测者投入度要求低，施测者只需引导测试开始即可无需再做任何操作，而传统的评测方式则需要施测者全程参与。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的检测系统原理框图；
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种基于运动能量释放估算的注意缺陷多动障碍(ADHD)检测方法，通过摄像方法对测试场景下的被测试者身体进行数据采集，获得测试时间段内被测试者身体各部位运动位移的瞬时体素信息集；根据所测得的瞬时体素信息集计算出被测者的运动能量释放估计值A；根据所测得的运动能量释放估计值A与被测试者身高体重指数的乘积获得被测试者的测试值；将测试值与被测试者所在年龄常模阈值相比较，判定被测试者是否罹患注意缺陷多动障碍。
本发明中根据年龄常模将注意缺陷多动障碍(ADHD)由“无症状”到“非常严重”划分为七种病情区间，将所测得的运动能量释放估计值A与被测试者身高体重指数的乘积作为测试值，判定被测试者的测试值落入哪一病情区间，来判定是否罹患注意缺陷多动障碍及其病情的严重程度。
常模是以某种标准将群体分为不同的组，通过收取每组一定样本量个体在某种指标上的值来推测具备该组特征的个体在该指标方面的数值分布。年龄常模即以年龄为标准，将人群分为不同的组(如4岁组，5岁组，6岁组等)。常模划线值常以数据平均值为中点，将分布在平均值上下2个标准差范围内的数值认定为“正常”或平均水平。常模是一系列参考值，依据不同的情况，常模有不同的使用方式。如本发明是在数值大于平均值1.5-3个标准差分布空间上划分症状严重程度。值得注意的是，某一项指标并不单一受常模对人群区分的标准影响，如年龄常模常受地区、种族、性别等因素影响，故不同地区、种族、性别还有细分常模；同时常模具有时效性，如智力常模10-15年就会修订一次。在此以5岁男童年龄常模为例子，5岁男性儿童的年龄常模画线值为8800单位，8800单位以下可认为无ADHD风险，8800-9200单位为轻度症状，9200-10000单位为中度，10000-15000单位为严重，15000单位以上为非常严重，当被测试者的测试值大于8800单位时，则认为患有ADHD；若小于8800单位，则无ADHD风险；若测试值为9500单位，则可以判断被测试者患有中度的ADHD。
本发明能够使被测试者在不穿戴任何设备的自然情景下实施，通过对被测试者运动能量的释放计算，从而避免了由于穿戴导致的检测误差，测量数据更加准确。
本发明优选集成ToF传感器作为数据采集模块，用来在测试场景下获取被测试者的瞬时体素信息集，在数据采集后使用基于体积元素(voxel，也称体素，指ToF传感器采集到的空间中的点数据)计算和模式匹配的分析装置对所采集数据做出分析。
本发明在测试之前可以预定测试内容，测试者在测试时对测试内容作出不同反应；通过TOF传感器记录被测试者在不同时刻的全身瞬时体素数据，更准确、更全面地反映出被测试者的实际运动情况。
其中，本发明中有关运动能量释放估计值A的计算方法可按照如下步骤进行：
将所采集到的体素信息集形成体素矩阵序列；
利用“开放自然交互库”(OpenNI)的人体骨骼模式匹配算法将人体体素矩阵按人体区域划分；将人体体素矩阵分为头部，上肢，双臂和双腿6个部分；
在体素矩阵序列中取任一代表被测试者正常站姿的矩阵，通过被测试者的体重除以其身体的总体素数，得到每一个体素的估计质量m；
根据人体各划分区域所占有的体素数，计算每个划分区域的估计质量m1、m2、m3......mn,其中n为人体所划分区域的数量，这里n等于6；
将所采集到的体素矩阵序列按采集时间顺序依次求得人体各划分区域的重心空间坐标；
根据同一划分区域中相邻两坐标的距离作为瞬时位移s，依据动能公式E＝mv2/2，得到身体运动动能E＝m1s12+m2s22+…+mnsn2，其中s＝vt，t为时间，s为位移，v为速度；
将体素矩阵序列中每相邻矩阵的E值相加，得到被测试者运动能量释放估计值A。
如图1所示本发明还提供了一种基于运动能量释放估算的注意缺陷多动障碍(ADHD)检测系统，包括：数据采集模块，用于对测试者进行身体体素数据采集，获得场景下的图像矩阵序列；
图像筛选模块，对图形矩阵序列筛选，选出在测试时间段内代表被测试者身体运动位移的瞬时体素信息集；
运动能量计算模块，根据所测得的瞬时体素信息集逐帧计算，获得在测试时间段内被测试者的运动能量释放估计值A；
判断模块，将所测得的运动能量释放估计值A与被测者身高体重指数的乘积作为测试值，将测试值与所设定的被测试者所在年龄常模阈值相比较，对被测试者是否罹患注意缺陷多动障碍作出判断。
优选地，为了更准确地对患者进行病情分级，本发明还在系统中设置了病情分级模块，其根据年龄常模将注意缺陷多动障碍(ADHD)由“无症状”到“非常严重”划分为七种病情区间，将被测试者的测试值与其所在年龄常模的病情画线值比对，对被测试者是否罹患注意缺陷多动障碍及病情级别作出清晰判断。
为了更准确计算被测试者身体各部分的运动能量，在系统中还设置了人体形态识别模块，其对图像筛选模块筛选出的瞬时体素信息集进行图像模式识别，并将瞬时体素信息集分割为头部、躯干、双臂和双腿六部分，然后传输给运动能量计算模块进行运动能量释放估计值计算，通过将人体进行分区域处理，分别对各部分的运动能量进行计算，获得总的运动能量释放估计值。另外，为了便于查询，以备数据的再现、查证，本发明还在系统中设置了数据存储模块，其与判断模块连接，用于存储被测试者的运动测试数据，及运动数据中反应异常的时间段和在该段时间内身体释放的能量的数据。
具体的测试方法：
令被测试者参与一种计算机注意力持续测验，该测验中，被测试者需要手持遥控器对画面上显示出的不同内容作出不同反应，测验持续12.5min；
使用ToF传感器作为数据采集模块获得测试场景下的图像矩阵序列。
依据体素空间信息，通过图像筛选模块对矩阵图像矩阵序列作出自动分析筛选，从中选取并整合代表被测试者身体的体素矩阵集。
代表被测试者身体部分的体素经人体形态识别模块进行进一步图像模式识别，可将整个体素矩阵集分割为头部、躯干、双臂、双腿六部分。
通过运动能量计算模块对测试时间段所获取的体素数据进行逐帧计算，获得运动能量释放的估值，具体计算过程如下：
取矩阵序列中任意一个代表被测试者正常站姿的矩阵，将被测试者的体重除以代表身体的总体素数，得到每一个体素的估计质量m。令m分别乘以经OpenNI切割的6部分所各占有的像素数，可得身体每一部分的估计质量m1-m6；
依照矩阵序列顺序，依次求得6部分重心的空间坐标并以每部分相邻两坐标的距离作为瞬时位移s(为排除重力势能作用，瞬时位移中y坐标为负时记为0)。依据动能的定义E＝mv2/2，且v＝s/t(其中t为时间，s为位移，v为速度)，且由于ToF具有恒定的采样率，因此t为常数，因此身体运动动能可以表示为E＝m1s12+m2s22+…+m6s62。将每相邻矩阵的E值相加求得被测试者运动能量释放估计值A；
通过判断模块将所测得的A值乘以“身高体重指数”(Body Mass Index)得到被测试者的测试值，并将该值与被测试者所在年龄常模的病情画线值比较，判定其是否罹患注意缺陷多动障碍；
同时根据病情分级模块将被测试者的所在年龄常模的区间分为7个区间，由“无症状”到“非常严重”逐级递增，判定其病情严重程度，将测试值与七个区间相比对，判断被测试者是否罹患注意缺陷多动障碍及患病的轻重；最后通过数据存储模块对被测试者的运动测试数据进行保存，以备后期的查证。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。