【摘 要】本文使用OpenCV和计算机视觉在几何图形（特别是螺旋和波浪）中检测帕金森氏症。我们利用有向梯度的直方图图像描述符来量化每个输入图像。从输入图像中提取特征后，我们训练了一个随机森林分类器，得到较高的准确度。值得注意的是，在螺旋数据集上训练的随机森林获得了76.00%的灵敏度，这意味着该模型能够在近76%的样本次数内预测一个真正的阳性。
【关键词】OpenCV；计算机视觉；螺旋波试验；帕金森病一、绪论研究人员发现，帕金森氏症患者的画图速度较慢，笔压较低，这一点在患有更急性/晚期疾病的患者中尤为明显。
帕金森氏症的症状之一是肌肉的震颤和僵硬，使得绘制平滑的螺旋和波浪变得更加困难。
本文通过假设，仅仅使用图画就可以检测出帕金森氏症，而不必测量纸上笔的速度和压力。降低跟踪笔速度和压力的要求，从而使得执行测试时不需要额外的硬件，使自动检测帕金森氏症变得容易得多。
本文将叙述如何使用HOG图像描述符量化输入图像，然后在提取的特征之上训练一个随机森林分类器。
二、样本选择
本文通过绘制螺旋线和波来检测帕金森病，研究人员发现，帕金森氏症患者的画图速度较慢，笔压较低，这一点在患有更急性/晚期疾病的患者中尤为明显。两种最常见的帕金森氏症症状包括震颤和肌肉僵硬，这直接影响到手绘螺旋波和波浪的视觉外观。
视觉外观的变化将使我们能够训练计算机视觉+机器学习算法来自动检测帕金森病。数据集本身由204个图像组成，并预分割为训练集和测试集，包括：螺旋：102张图片，72次培训，30次测试波：102张图片，72次训练，30次测试。
本文构造了一个“树”结构，从输入图像中提取特征后，我们训练了一个随机森林分类器，该分类器包含森林中总共100棵决策树。利用Python软件，可以方便的搭建这个环境。
三、样本分类器选择与应用
为了实现帕金森氏检测仪，用深度学习和卷积神经网络（CNNs）来解决这个问题，但是这种方法有一个问题。首先，样本较少通常会应用数据扩充，但在这种情况下，数据扩充也是有问题的。不恰当地使用数据扩充可能会使分类器判断错误。因此本文使用的是定向梯度直方图（HOG）图像描述符和随机森林分类器。
本文的数据集/首先被分解为spiral/和wave/。每个文件夹进一步分为testing/和training/。最后，将图像保存在健康/或帕金森/文件夹中。
建立一个混淆矩阵，这样我们就可以得到原始的准确度、灵敏度和特异性；将导入的直方图特征从图像中导入；我们将制作用于可视化的图像集合；用OpenCV于读取、处理和显示图像。
定义度量函数，用HOG方法量化波浪/螺旋图像：如果这些画有更多的“震动”，HOG将能够捕捉到，就像我们可能从帕金森氏症患者身上看到的那样。得到的特征是一个12996维特征向量（数字列表），量化波或螺旋波。将在数据集中所有图像的特征之上训练一个随机森林分类器。
接下来，加载数据并提取特征：
新建一个函数接受数据集路径并返回所有特性数据和相关的类标签。数据和标签列表都被初始化。通过图像函数提取特征。特征和标签分别附加到数据和标签列表。
最后，数据和标签被转换成NumPy数组，并在元组中方便地返回。
四、结论
机器学习模型，尤其是医学领域的机器学习模型，在平衡真正的正面和反面时需要格外小心，尽量少的出现分类错误。
本文的分类器的检测准确率为83.33%，灵敏度为76.00%，特异性为90.67%。
从标准差来看，我们也可以看到方差更小，分布更紧凑。
当在手绘图中自动检测到帕金森氏症时，至少在利用这个特殊的OpenCV、计算机视觉处理的数据集时，“螺旋”绘图信息更丰富。
参考文献：
[1] Impact of Mood and Behavioral Disorders on Qualityof Life in Parkinson’s disease[J] . Isabelle Rieu,Jean LucHoueto,Bruno Pereira,Ingrid De Chazeron,Amélie Bichon,IsabelleChéreau,Miguel Ulla,Christine Brefel-Courbon,Fabienne Ory-Magne, Paul Krack,Franck Durif. Journal of Parkinson’s Disease,2016(1)[2] Computer-Aided Diagnosis of Parkinson’s Disease UsingComplex-Valued Neural Networks and mRMR Feature SelectionAlgorithm[J] . Musa Peker,Baha ?en,Dursun Delen. Journal ofHealthcare Engineering ,2015(3)[3]沈龙凤,宋万干,葛方振,李想,杨忆,刘怀愚,高向军,洪留荣.最优路径森林分类算法综述[J].计算机应用研究,2018(01)
