一种注意力缺陷多动障碍辅助诊断装置及其使用方法与流程

本发明涉及基于卷积神经网络的数据分类领域，并特别涉及一种注意力缺陷多动障碍辅助诊断装置及其使用方法。

背景技术：

注意力缺陷多动障碍在我国又称为多动症，是儿童时期最为常见的一种精神障碍。国内外调查发现患病率3％～7％，男女比为(4～9)：1。在我国约有1461万到1979万患儿，患病率高达4.31％～5.83％。多动症的发病会对患者带来学习障碍、生活障碍以及社会功能受损，为社会造成较大的医疗和经济负担。因此尽早的评估和诊断出儿童的注意力缺陷多动障碍，并采取积极的干预和治疗，能够使得患者明显好转，极大降低病症的恶性发展。

目前国内外对于注意力缺陷多动障碍的辅助诊断主要有以下四类：基于临床量表评定诊查技术、基于可穿戴传感器诊查技术、基于神经电生理诊查技术和脑影像学和脑功能影像学诊查技术。

(1)临床量表评定诊查技术基于医生通过临床经验归纳总结制定出的行为表征对照表，结合医生与患者的沟通、交流实现诊断。但是临床评定量表仅为描述性的语言，缺乏量化标准，量表评分主要依靠医生的主观经验判断，人为因素干扰较大，对临床诊断的可参考价值不高。

(2)可穿戴传感器诊查技术使用加速度计、陀螺仪、磁力计等多种运动传感器，通过佩戴在人体特定部位，采集运动过程中的数据信息，通过对数据的分析、处理获得对用户行为的分类，可用于精神疾病的诊断。其穿戴便利，不受限于患者所处的环境，能够在多种场景，例如上课时、运动中、睡眠中等场景对用户的行为进行监测。目前常使用的可穿戴传感器主要包括加速度计、陀螺仪和磁力计等，其中加速度计能够检测空间中三轴加速度的大小数值；陀螺仪能够检测空间中三轴角加速度的大小数值；磁力计能够检测空间中三轴磁场的大小数值。上述传感器的佩戴位置以手腕、脚踝、头部、腰部和背包中等为主。由于在不同场景下的用户行为复杂，基于传感器所采集的数据实现对多动症患者与对照组的分类具有差异性，采集的数据与病状没有强关联关系，容易产生错误的诊断结果。

(3)神经电生理诊查技术基于脑电波能够反应大脑神经元的集体活动，脑电的波形、幅值、频率的周期性和节律性，以及空间域特殊定位等能够为精神障碍的临床诊断提供丰富的信息。例如：专利cn201810934990提出了一种基于eeg和erps的脑认知神经功能测评系统及方法，可用于用于临床脑类疾病的早期诊断。但是其对共患病不能很好的鉴别、特异性不强，并且检查时由于患者的情绪紧张和能出现假阳性。

(4)脑影像学和脑功能影像学诊查技术借助核磁共振成像技术获得脑部解剖结构特征，其提供的图像能反映脑功能的活动特征，可用于注意力缺陷多动障碍的诊断。例如：专利cn201711330864提出了一种基于功能核磁共振图像的儿童注意力缺陷多动障碍分析系统，可用于儿童注意力缺陷多动障碍的分析诊断。但是脑影像成像设备成本高昂，并且对人体可能有一定的损害和危险性。

上述四类方法中，神经电生理诊查技术和脑影像学和脑功能影像学诊查技术受限于设备成本以及检测的特异性不高；临床量表评定诊查技术受限于来自于医生的主观判断性，人为因素的影响较大；而可穿戴传感器诊查技术由于自由环境中实验对象的行为难以控制，收集的数据在传感器上的表征难以区分，因此往往会造成识别精度较低。

目前，基于可穿戴传感器的诊查技术因为其无侵入性而对人体没有伤害，并且由于传感器的低成本，其能够不受制于检测地点、环境等因素。在应用于临床检测时能够做到降低应用成本以及检测过程的人力需求，便于部署。

技术实现要素：

针对现有技术的不足，本发明提出一种注意力缺陷多动障碍辅助诊断装置，其中包括：

显示屏幕，用于与被测者进行交互，并显示测试场景；

穿戴式加速度传感器，用于采集被测者在该测试场景中的肢体加速度；

数据处理模块，用于对该肢体加速度进行预处理，得到待测数据，将该待测数据输入基于深度神经网络的注意缺陷多动障碍检测模型进行识别，得到辅助诊断结果，并将其发送至该显示屏幕。

所述的注意力缺陷多动障碍辅助诊断装置，其中包括多个该穿戴式加速度传感器，分别位于被测者的头部、腰部、手腕和脚踝。

所述的注意力缺陷多动障碍辅助诊断装置，其中该测试场景包括人物形象，在诊断测试过程中该人物形象的四肢随机其一显示为预设颜色，被测者根据该预设颜色做出相应的肢体反应，该穿戴式加速度传感器采集该肢体反应，记录该肢体加速度。

所述的注意力缺陷多动障碍辅助诊断装置，其中该预处理包括：对该肢体加速度进行低通滤波以对重力数值进行消除，对低通滤波后的肢体加速度进行连续的加速度数据窗口化，将每个窗口内的加速度数据根据垂直和水平两个方向上的加速度数值大小，生成为一副加速度图像作为该待测数据。

所述的注意力缺陷多动障碍辅助诊断装置，其中该对重力数值进行消除的过程如公式(1)所示：

公式(1)中代表重力加速度，n代表选取的窗口中包含点的个数，ax(j),ay(j),az(j)代表穿戴式加速度传感器采集的三轴加速度，根据公式(1)计算出重力加速度之后，对穿戴式加速度传感器采集的加速度矢量减去重力矢量即可得到实际的、仅由人体运动产生的加速度矢量

使用了窗口化的方法对加速度矢量进行分割，通过设置窗口化参数窗口长度和窗口步长，可以使得连续的加速度数据分割为窗口化的数据；

对于窗口化后的数据进行矢量分解，进一步分解为垂直与水平两个方向，这两个方向的数值大小作为二维坐标系下x轴和y轴的坐标，窗口内每一个点通过这种方式生成至一张图片中，具体为：

(a)加速度分解到水平方向和垂直方向：

其中公式(3)中代表垂直方向的加速度，代表点乘，代表取模的平方，公式(4)中代表水平方向的加速度。

(b)窗口内每个点分散到二维图形中：

将窗口内的每个点根据加速度数值大小分散到二维图形中，公式如下(5)，(6)所示；根据公式(5)和(6)得出的(x，y)可作为图中点的坐标；其中midx，lengthx，midy，lengthy为生成加速度图形的横向长度的一半、横向长度、纵向长度的一半、纵向长度，thx，thy为横向和纵向的分散阈值；

image(x,y)+＝1公式(7)

在图形分散完成之后，该图像image为二维灰度的该加速度图像。

本发明还提出了一种注意力缺陷多动障碍辅助诊断装置的使用方法，其中包括：

步骤1，使用显示屏幕与被测者进行交互，并显示测试场景；

步骤2，使用穿戴式加速度传感器采集被测者在该测试场景中的肢体加速度；

步骤3，使用数据处理模块对该肢体加速度进行预处理，得到待测数据，将该待测数据输入基于深度神经网络的注意缺陷多动障碍检测模型进行识别，得到辅助诊断结果，并将其发送至该显示屏幕。

所述的注意力缺陷多动障碍辅助诊断装置的使用方法，其中包括多个该穿戴式加速度传感器，分别位于被测者的头部、腰部、手腕和脚踝。

所述的注意力缺陷多动障碍辅助诊断装置的使用方法，其中该测试场景包括人物形象，在诊断测试过程中该人物形象的四肢随机其一显示为预设颜色，被测者根据该预设颜色做出相应的肢体反应，该穿戴式加速度传感器采集该肢体反应，记录该肢体加速度。

所述的注意力缺陷多动障碍辅助诊断装置的使用方法，其中该预处理包括：对该肢体加速度进行低通滤波以对重力数值进行消除，对低通滤波后的肢体加速度进行连续的加速度数据窗口化，将每个窗口内的加速度数据根据垂直和水平两个方向上的加速度数值大小，生成为一副加速度图像作为该待测数据。

所述的注意力缺陷多动障碍辅助诊断装置的使用方法，其中该对重力数值进行消除的过程如公式(1)所示：

公式(1)中代表重力加速度，n代表选取的窗口中包含点的个数，ax(j),ay(j),az(j)代表穿戴式加速度传感器采集的三轴加速度，根据公式(1)计算出重力加速度之后，对穿戴式加速度传感器采集的加速度矢量减去重力矢量即可得到实际的、仅由人体运动产生的加速度矢量

使用了窗口化的方法对加速度矢量进行分割，通过设置窗口化参数窗口长度和窗口步长，可以使得连续的加速度数据分割为窗口化的数据；

对于窗口化后的数据进行矢量分解，进一步分解为垂直与水平两个方向，这两个方向的数值大小作为二维坐标系下x轴和y轴的坐标，窗口内每一个点通过这种方式生成至一张图片中，具体为：

(a)加速度分解到水平方向和垂直方向：

其中公式(3)中代表垂直方向的加速度，代表点乘，代表取模的平方，公式(4)中代表水平方向的加速度。

(b)窗口内每个点分散到二维图形中：

将窗口内的每个点根据加速度数值大小分散到二维图形中，公式如下(5)，(6)所示；根据公式(5)和(6)得出的(x，y)可作为图中点的坐标；其中midx，lengthx，midy，lengthy为生成加速度图形的横向长度的一半、横向长度、纵向长度的一半、纵向长度，thx，thy为横向和纵向的分散阈值；

image(x,y)+＝1公式(7)

在图形分散完成之后，该图像image为二维灰度的该加速度图像。

由以上方案可知，本发明的优点在于：

目前注意缺陷多动障碍的临床诊断依赖于医生的观察、问询和要求家长填写的评定量表，对医生的经验要求较高，并且不同的人填写量表时具有主观性。传统的客观方法如基于脑电波和神经电的方法往往存在着成本高、具有侵入性或测试对象容易紧张而误诊等问题。

本发明通过利用高精度的可穿戴加速度传感器，使用了依据临床通用评定量表和相关检测范式构建的卡通化的肢体冲突检测场景，实现了低成本、非侵入、高精度、部署便利的能够反应注意缺陷多动障碍运动情况的数据采集。此外，本发明提出的基于深度学习方法通过加速度图像实现分类注意缺陷多动障碍组与对照组样本的分类方法具有结果准确、客观、便于推广，能够辅助临床中注意缺陷多动障碍患者的辅助诊断。

附图说明

图1为本发明的系统总体设计图；

图2为注意缺陷多动障碍辅助诊断系统工作流程图；

图3为屏交互检测场景示意图；

图4为测试任务具体执行过程图；

图5为模型离线训练的主要步骤图；

图6为模型在线检测的主要步骤图；

图7为系统中卷积神经网络模型示意图。

具体实施方式

本发明包括以下关键点：

关键点1：基于临床通用评定量表和相关检测范式构建了肢体冲突检测场景，使用了多个高精度可穿戴加速度传感器感知测试对象的身体运动情况，实现了精准的数据采集。技术效果：肢体冲突检测场景具有卡通的形象，便于测试对象接受，减少了了临床环境中由于测试对象紧张造成的诊断“假阳性”，并且相比于基于神经电、脑电波等方法的诊断方法，本发明提出的方法具有成本低、非侵入、部署便捷的特点，实现了部署便利、精度极高的注意缺陷多动障碍患者运动数据收集；

关键点2：使用深度学习算法对预处理后的加速度数据进行分类，通过加速度图像实现了准确的注意缺陷多动障碍组与对照组运动行为的分类，辅助注意缺陷多动障碍的临床诊断。技术效果：相比于临床中医生的问询、观察以及评定量表法，本发明提出的方法具有客观性，有利于诊断的准确性。深度算法的介入相比于手工选取特征的方法具有更高的适应性，有利于本发明临床中的推广。综上所述，本发明能够实现准确的、客观的、便于推广的注意缺陷多动障碍患者辅助诊断。

为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。

一、系统总体设计

本发明的目的是为了解决上述背景技术中，由于临床中基于评定量表实现注意缺陷多动障碍诊断具有不准确、受限于医生、家长的评价主观性等问题并且神经电或脑影像技术具有成本高昂或具有侵入性等不便于推广，提出了使用非侵入的可穿戴传感器基于运动加速度图像实现注意缺陷多动障碍的客观辅助诊断，提升临床注意力缺陷多动障碍的诊断准确率。

在本发明中，数据采集方式使用了可穿戴加速度传感器。为了使得运动数据的采集完整，并且由于本发明的数据采集环境在室内，不受限于数据传输装置在室外的距离限制，故本研究中选用六个可穿戴运动传感器，分别位于实验对象的头部(一个)、腰部(一个)、手腕(双手各一个，总两个)和脚踝(双脚各一个，总两个)，每一个传感器可以记录所佩戴位置的加速度的大小。

本发明实现了注意力缺陷多动障碍辅助诊断系统，该系统总体设计思路如图1所示。

本发明提出的系统前端界面负责了与用户的交互部分包含一个显示屏幕和测试场景设计；后端框架对用户上传的数据进行了处理与分析，包括了数据处理部分与检测模型部分。

其中数据处理部分负责将采集的加速度原始数据处理为检测模型需要的数据，而检测模型部分应用了相关的深度学习算法，实现了对用户的数据进行分类。用户上传选中数据后，数据将借助网络发送至后端数据分析系统，在分析系统完成数据分析后，所得出的评分在用户前端中的显示屏幕向用户展示。

该系统具体的工作流程如图2所示，主要步骤包括：

(a)在依据通用评定量表构建的测试场景中佩戴加速度传感器完成所有测试；

(b)加速度传感器完成原始加速度数据的采集、上传操作；

(c)对传感器采集的原始加速度数据进行预处理操作；

(d)将预处理后的数据通过基于深度算法构建注意缺陷多动障碍检测模型进行识别，将识别结果发送到前端界面；

(e)前端交互式界面中向用户展示诊断结果；

(f)判断是否继续诊断，如果是则转步骤(a)；否则结束。

二、测试场景设计

本发明基于临床通用的精神障碍评定量表dsm-v以及相关范式的检测场景，具体为屏交互的检测场景。如图3所示，在屏幕中会出现一个卡通人物形象，其双手、双脚会随机的出现红色或绿色。当其出现红色时，测试对象被要求保持不动，而出现绿色时，测试对象被要求对应的四肢举起或抬起，例如卡通形象左手或右脚为绿色，则测试对象应举起左手或抬起右脚。

测试任务具体的执行过程如下图4所示，主要步骤包括：

(a)检查可穿戴加速度传感器连接情况；

(b)判断加速度传感器连接是否正常，如果是则转步骤(c)；否则转步骤(a)；

(c)设置测试的总时间；

(d)频幕中的卡通人物形象四肢随机其一会显示为红色或绿色；

(e)测试对象应做出相应的反应，记录相应的结果或无反应；

(f)判断是否到达测试总时间，如果是则转步骤(g)；否则转步骤(d)；

(g)统计并记录结果，结束。

三、基于加速度图像的识别方法

本发明实现了基于加速度图像的识别方法，借助高精度的加速度传感器采集得到的一系列的运动数据，实现对运动特征的感知，进而实现对注意力缺陷多动障碍的辅助诊断。本识别方法包括重力消除、窗口化、生成加速度图像等一系列预处理操作，以及基于卷积神经网络的分类算法。

由于实验对象所配戴的加速度传感器一般为压电传感器，通过检测采集芯片中三个方向的力的作用引起的电压变化以实现加速度数值大小的检测。该种方法实现的加速度数据采集不可避免地会额外的引入重力的影响。为了避免重力在采集的数据中的影响，并且重力在数据采集过程中在仅有因传感器角度不同带来的影响，其相比于人体运动产生的加速度变化属于低频信号，因此本发明使用了低通滤波的方法对重力数值进行消除。

完成重力消除后，本发明中加速度图像的生成包括将连续的加速度数据窗口化，将每个窗口内的加速度数据根据垂直和水平两个方向上的加速度数值大小生成为一副加速度图像。

完成加速度数据预处理生成加速度图像后，本发明基于卷积神经网络的算法构建了注意缺陷多动障碍检测模型，该模型包括两个阶段：模型的离线训练和在线的注意缺陷多动障碍检测。

模型的离线训练如图5所示，具体步骤如下：

(a)离线采集注意缺陷多动障碍儿童和正常对照组完成肢体冲突测试场景的运动数据；

(b)利用上述加速度传感器数据预处理方法对运动数据进行处理，并分割为训练、验证、测试数据集；

(c)三类数据集上训练构建的卷积神经网络模型；

(d)根据每个个体的测试样本设定阈值使得尽可能多的个体诊断结果分类正确。

在线的注意缺陷多动障碍检测如图6所示，具体步骤如下：

(a)测试对象在检测场景完成测试数据的采集；

(b)根据数据预处理方法完成加速度数据预处理，生成该对象的测试数据集；

(c)通过检测模型分类；

(d)根据设定的阈值，判断该测试对象分类结果，如果为注意缺陷多动障碍组，则转步骤(e)；否则转步骤(f)；

(e)输出检测结果“注意缺陷多动障碍”，转步骤(g)；

(f)输出检测结果“正常”，转步骤(g)；

(g)结束。

本发明中加速度图像预处理过程中重力消除的具体的实现算法如下公式(1)所示。

公式(1)中代表重力加速度，属于矢量，n代表选取的窗口中包含的点的个数(即窗口中数据的个数)，ax(j),ay(j),az(j)代表运动传感器采集得到的三轴加速度大小。根据公式(1)计算出重力矢量之后，对运动传感器采集得到的加速度矢量减去重力矢量即可得到实际的、仅由人体运动产生的加速度矢量。如下公式(2)表示，其中代表第i个点的实际加速度矢量，代表上述公式中传感器采集得到的三轴加速度[ax(j),ay(j),az(j)]。

在完成重力的消除之后，可以得到仅由运动产生的加速度相较于传感器采集的原始数据，对该加速度进行进一步的数据分析更能够反应人体的运动过程。

对于得到的消除重力的加速度数据，本发明中使用了窗口化的方法对这些数据进行分割。通过设置窗口化参数窗口长度和窗口步长，可以使得连续的加速度数据分割为窗口化的数据。

图片样本生成过程对于窗口化后的数据进行矢量分解，进一步分解为垂直(与重力方向相同)与水平两个方向，这两个方向的数值大小作为二维坐标系下x轴和y轴的坐标。窗口内每一个点通过这种方式生成至一张图片中，作为进一步神经网络的输入。

具体的算法流程如下所示。

(a)加速度分解到水平方向和垂直方向

其中公式(3)中代表垂直方向的加速度，代表点乘，代表取模的平方。公式(4)中代表水平方向的加速度，该水平方向实际上指xoy平面内，即为了生成二维图片，该方法仅保留了更重要的xoy平面内的加速度数值信息而舍去方向信息。

(b)窗口内每个点分散到二维图形中

将窗口内的每个点根据加速度数值大小分散到二维图形中，公式如下(5)，(6)所示。根据公式(5)，(6)得出的(x，y)可作为图中点的坐标。其中midx，lengthx，midy，lengthy为生成加速度图形的横向长度的一半、横向长度、纵向长度的一半、纵向长度，thx，thy为横向和纵向的分散阈值。

image(x,y)+＝1公式(7)

在图形分散完成之后，该图像为二维灰度图像。为使得该二维灰度图像的所有点的值在0至1之内，故最后使用一个归一化方法image＝image/n使得全部的像素点的值在0和1之间。生成的加速度图像为灰度图，每个点的明暗程度表示了窗口内处于该加速度状态的采集点的个数，更为明亮的点代表处于该加速度状态的采集点的个数越多。

检测模型构建与离线训练：

本发明基于卷积神经网络(cnn)，作为上文生成的二维图像的检测模型。本发明中构建的模型一个实现可为三层卷积层。

本发明使用的模型中，分为三个卷积和池化层以及两个全连接层。

在卷积层中，每层卷积核的个数依次增加一倍。低层卷积核数量更多便于获得更多的低层信息。每个卷积层一致使用5*5大小的卷积核，激活函数统一为修正线性单元(relu)函数。

模型中池化层一致使用了2*2大小的最大值池化(max-pool)。

在失活率为0.25的随机失活(dropout)层之后使用了两个全连接层，其中第一个全连接层包含了50个激活函数为修正线性单元(relu)的节点。最后一层全连接层有两个节点，作为输出层，激活函数使用了柔性最大值(softmax)。

本发明使用的模型选取了交叉熵作为损失函数，反向传播算法选用了用于替代传统bp神经网络中随机梯度下降算法的一阶优化算法adam算法。其具有调参相对简单的特点并且适用于本发明中输入矩阵较稀疏的情况，其中设置了初始学习速率0.001，一阶、二阶矩估计的指数衰减率分别为0.9和0.999。同时，为了缓解过拟合的问题，

在样本中，每一张来自多动症患者的图片样本标签都为“多动症”，每一张来自对照组的图片样本标签都为“对照组”。在本二分类模型的实现过程中，使用了[1,0]作为多动症患者的标签，而[0,1]作为对照组的标签。

在模型训练结束后，针对新的患者样本进行测试过程中，选用了投票式的输出结果。，如果该患者的所有样本中有超过设定阈值的图片样本被模型分类为多动症，则该患者的最终输出结果为多动症。反之，如果有超过设定阈值的图片样本被模型分类为正常样本，则该患者的最终输出结果为非多动症。

实验结果表明，本发明所提出的基于低成本的加速度传感器对于注意缺陷多动障碍的客观辅助诊断具有很好的识别效果。

以下为与上述装置实施例对应的使用方法实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。

本发明还提出了一种注意力缺陷多动障碍辅助诊断装置的使用方法，其中包括：

步骤1，使用显示屏幕与被测者进行交互，并显示测试场景；

步骤2，使用穿戴式加速度传感器采集被测者在该测试场景中的肢体加速度；

步骤3，使用数据处理模块对该肢体加速度进行预处理，得到待测数据，将该待测数据输入基于深度神经网络的注意缺陷多动障碍检测模型进行识别，得到辅助诊断结果，并将其发送至该显示屏幕。

所述的注意力缺陷多动障碍辅助诊断装置的使用方法，其中包括多个该穿戴式加速度传感器，分别位于被测者的头部、腰部、手腕和脚踝。

所述的注意力缺陷多动障碍辅助诊断装置的使用方法，其中该测试场景包括人物形象，在诊断测试过程中该人物形象的四肢随机其一显示为预设颜色，被测者根据该预设颜色做出相应的肢体反应，该穿戴式加速度传感器采集该肢体反应，记录该肢体加速度。

所述的注意力缺陷多动障碍辅助诊断装置的使用方法，其中该预处理包括：对该肢体加速度进行低通滤波以对重力数值进行消除，对低通滤波后的肢体加速度进行连续的加速度数据窗口化，将每个窗口内的加速度数据根据垂直和水平两个方向上的加速度数值大小，生成为一副加速度图像作为该待测数据。

所述的注意力缺陷多动障碍辅助诊断装置的使用方法，其中该对重力数值进行消除的过程如公式(1)所示：

公式(1)中代表重力加速度，n代表选取的窗口中包含点的个数，ax(j),ay(j),az(j)代表穿戴式加速度传感器采集的三轴加速度，根据公式(1)计算出重力加速度之后，对穿戴式加速度传感器采集的加速度矢量减去重力矢量即可得到实际的、仅由人体运动产生的加速度矢量

使用了窗口化的方法对加速度矢量进行分割，通过设置窗口化参数窗口长度和窗口步长，可以使得连续的加速度数据分割为窗口化的数据；

对于窗口化后的数据进行矢量分解，进一步分解为垂直与水平两个方向，这两个方向的数值大小作为二维坐标系下x轴和y轴的坐标，窗口内每一个点通过这种方式生成至一张图片中，具体为：

(a)加速度分解到水平方向和垂直方向：

其中公式(3)中代表垂直方向的加速度，代表点乘，代表取模的平方，公式(4)中代表水平方向的加速度。

(b)窗口内每个点分散到二维图形中：

将窗口内的每个点根据加速度数值大小分散到二维图形中，公式如下(5)，(6)所示；根据公式(5)和(6)得出的(x，y)可作为图中点的坐标；其中midx，lengthx，midy，lengthy为生成加速度图形的横向长度的一半、横向长度、纵向长度的一半、纵向长度，thx，thy为横向和纵向的分散阈值；

image(x,y)+＝1公式(7)

在图形分散完成之后，该图像image为二维灰度的该加速度图像。