颈椎病早期诊断的机器学习方法

沙特国王大学学报机器学习方法在颈椎病早期诊断中M. Sreeraja，Jesin Joyb，Manu Josec，Meenu Varghesec，T.J.喜乐Ca印度喀拉拉邦Sree Ayyappa学院计算机科学系b印度喀拉拉邦联邦科学技术学院计算机科学与工程系c印度喀拉拉邦联邦科学和技术研究所MCA系。阿提奇莱因福奥文章历史记录：收到2020年2020年8月8日修订2020年8月19日接受在线预订2020年保留字：颈椎病（CS）CNNORB坐姿机器学习A B S T R A C T颈椎病（CS）是一种慢性脊柱疾病，其中脊柱逐渐变硬，最终可能在早期阶段诊断是困难的，并导致药物治疗的延误。如果在初级保健中发现颈椎病，其风险水平可以降低基于此目的，设计并开发了一个颈椎病早期诊断和严重程度预测系统。不同的机器学习技术进行了评估，结果表明，机器学习技术可以提供一个低成本和准确的机制，早期颈椎病检测。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍老年人脊髓功能障碍的常见原因是颈椎病（CS）。生活方式，年龄，职业和许多其他因素可能是脊柱相关疾病快速增长的原因。早期发现，然后用药可以帮助降低疾病的风险水平。颈椎病的早期诊断技术是不存在的，因为它是非常困难的诊断在初级阶段。颈椎病（CS）是颈椎和颈椎间盘的慢性退化沿关节可见的骨突起该疾病还经常与关节炎相关（Lees和Turner，1963; Binder，2007;Glew等人，1991年）。在颈椎病中，疼痛的程度可以因人而异。通过实践健康的生活方式，可以降低CS的风险。根据最近的研究（Deyo等人，2006年）由国家统计局（Deyo等人， 2006年），*通讯作者。电子邮件地址：sreerajtkzy@gmail.com（M.Sreeraj）。沙特国王大学负责同行审查下背部疼痛和颈部疼痛每天都在增加。这影响了他们工作的能力。据报道，大约31%的男性和20%的女性面临着这个问题。下背痛是以特定姿势长时间坐着的员工面临的问题。这降低了他们有效工作能力的效用。及时发现这些导致下背部疼痛的不良姿势有助于诊断和治疗问题。最近的研究证明，坐姿习惯对身体健康有重要意义。有不同的测量工具用于评估颈椎病引起的颈部疼痛。但是这些系统需要更多的时间来检测，并且精度较低。这就需要一个更好的解决方案来检测和预测颈椎病的风险水平。本文提出了一种低成本、快速、高效的系统。该系统提出了一种使用来自摄像机的数据的检测方法。系统的总体工作如下。摄像机被放置在人的右侧或左侧，并且它连续地拍摄坐在椅子上的人的视频。摄像头拍摄视频约3-4小时，并将视频分割成帧。在分割帧之后，计算图像之间的相似性。如果一个帧的出现率超过60%，则将选择该帧进行进一步处理。使用机器学习模型测试所选帧。这些图像被分为四个不同的类别-正常，轻度，平均和高风险水平。识别并计算关键点，提取颈椎和下背部的关键点。从这些角度计算的角度用于分类。https://doi.org/10.1016/j.jksuci.2020.08.0101319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com3302米Sreeraj等人 /沙特国王大学学报-计算机与信息科学34（2022）3301- 3309建议的系统可用于一般公众找出的机会得到颈椎病的早期阶段，通过输入- ting的视频，他们的坐姿。该系统通过使用机器学习算法来预测所涉及的风险水平基于浅层学习和深度学习技术的不同算法进行了评估。2. 文献综述颈椎病（CS）通常是无症状的，但可能会出现颈部疼痛，僵硬甚至肩部疼痛和手臂关节疼痛以及触觉等症状。这表明与年龄相关的椎间盘退行性慢性CS。颈部疼痛是CS患者最常见的问题之一临床检查、脊髓血管造影、X线、MRI扫描和计算机断层扫描（Brain和Wilkinson，2013）是目前使用的诊断方法。在这些方法中，X射线被广泛使用，因为它具有成本效益和低辐射。但X射线评估的主要问题是准确性低。这取决于临床医生的经验和知识（Heller等人，1983年）。因此，不同的临床医生可能会根据X线分析给出不同的临床报告，并且难以诊断CS的风险水平MRI图像可用于诊断CS。MRI不同于X射线，因为它不会产生辐射。计算机给出身体的横截面二进制图像，这些图像被转换成扫描区域的三维（3-D）图像当扫描集中在颈椎区域时，这有助于查明该区域的问题。MRI图像显示软组织的细节，如软骨和神经根。这种测试可以比X光更清楚地显示脊柱压缩只有在正常治疗后疼痛仍然存在的情况下，才使用颈椎MRI扫描MRI的唯一缺点是它需要大约30其他问题是一些前提条件。在进行MRI扫描之前，医生必须确保该人没有糖尿病，没有肾脏问题，或者不在怀孕的前三个月 在这些情况下，医生应该格外小心（Olarinoye-Akorede等人， 2015年）。颈椎CT扫描（Nunez等人， 1996）是一种使用先进的X射线设备和计算机成像来开发颈椎视觉图像的医疗工具。颈椎是脊柱穿过颈部的部分尽管如此，这种检查通常被称为颈部CT扫描。当一个人有重要的信息通过测试骨密度，某些骨骼疾病，如关节炎或CS，将帮助医生评估疾病的严重程度，并将其分类。正常的X射线将少量辐射带入患者体内。骨骼和软组织对辐射的吸收不同，因此它们在X光片上呈现出不同的颜色。CT扫描的工作原理类似，但许多X射线是以螺旋方式拍摄的，而不是一个平面图像。它提供了更多的信息和准确性。当患者在扫描仪内时，当电子X射线探测器监测身体吸收的辐射时，几个X射线束以圆周运动穿过上这些信息由计算机解释以产生单独的图像，称为切片。然后将这些组合在一起来建立颈椎的三维模型计算机技术具有早期诊断、省时省力、经济高效、准确率高等优点。文献中讨论了用于检测颈椎病的基于机器学习的算法（Chitte和Gokhale，2017大多数方法使用MRI图像进行分类。Hirano等人（2019）提出了一种定量分析老年患者与消费品关系的新方法。作者介绍了三个功能：鲁棒的姿态估计，标准化和聚类过程。它专门支持身体和认知能力受损的老年人痴呆症（Dementia）。Ariz等人（2019）提出了一种使用面部的2D跟踪以及增强2D点跟踪和3D姿态估计的头部姿态估计方法。利用基线形式的姿态估计，并提出了一种新的加权变形的POSIT算法在这项工作中。Ramirez等人（2019）提出了一种混合模型作为双导联心律失常的分 类 方 法 。 人 工 神 经 网 络 和 模 糊 逻 辑 是 用 来 开 发 这 个 系 统 。Miramontes等人（2018）描述了1型和区间2型模糊系统的优化设计。用梯形隶属度函数和高斯隶属度函数分别设计和优化一型模糊系统。比较了乌鸦搜索算法和鸟天鹅算法的性能。Melin等人（2018）提出了一种使用模块化网络和模糊系统的混合模型，用于高血压风险诊断。模块化网络在第一、第二和第三模块中的学习准确率分别为98%、97.62%和97.83%。Castillo等人（2012）解释了用于心律失常分类的混合智能系统。他们尝试将模糊KNN与神经网络和Mamdani模糊系统相结合。用于分类的方法有模糊K-近邻法、梯度下降和动量多层感知器法和尺度共轭梯度反向传播多层感知器法。使用Mamdani型模糊推理系统获得了98%的准确性3. 设计与实现所提出的系统是一个病人辅助系统，可用于检测颈椎病的发病在早期阶段。浅层学习和深度学习技术都为此进行了个人的拍摄视频被用来找出得到颈椎病的机会。招募了72名志愿者收集数据。他们被分成四个班，每个班18人。这四个班级的每个人都被要求坐在规定的位置他们的位置由颈椎病领域的专家医疗从业者进行评估。从这四个类别中，使用6重交叉验证方法进行评价。其中83.33%（60个视频）用于培训目的，其余16.66%（12个视频）用于测试。所提出的系统的框图如图1所示。第一种方法的主要目标是找到最佳帧-该框架能够基于人以特定姿势坐着的持续时间给出人的坐姿。为了获得最佳帧，视频被捕获并被分割成包含关键帧的不同帧。不同的方法，如均方误差法（MSE），减少平均法和关键点描述符方法进行评估。最佳性能通过关键点描述符方法如SIFT（Lowe等人，1999）、SURF（Bay等人， 2006）和ORB（Rublee等人， 2011年）。关键点是从零件相似性字段（PAF）中检测到的（Cao例如，2018年）代表。它有助于将身体部位与人类形象联系起来。这种方法可以很容易地识别手，脚和身体的关键点。颈椎病有四个不同的阶段，从正常到严重。基于这些风险水平，基于根据余弦定律使用从先前阶段获得的关键点计算的角度来创建不同的目标对象。在浅层学习方法中，研究了K-NN和SVM分类器。在深度学习中，考虑了YOLO和CNN在YOLO中，目标对象检测是在视频的每一帧上完成的，并且还计算在特定位置上花费的连续时间的持续时间。根据CNNn我ni¼1M. Sreeraj等人/Journal of King Saud University- Computer and Information Sciences 34（2022）3301-33093303Fig. 1. 拟议系统的框图。该方法通过每一帧图像找出关键点，并对关键点进行分类。3.1. 均方误差法（MSE）MSE（Wackerly等人，2014）用于选择特定时间间隔中最重复的帧。首先，选择起始帧作为枢轴元素。如果人是坐着的，则假定坐姿角为90°，并且当坐姿角变为60°-65 °时，帧中出现误差。因此，计算第一帧和第二帧之间的MSE。如果没有错误或发现小错误，则检查、计算第一帧和第三帧，并且该过程继续。当帧中发生重大更改时，该特定帧将被设置为枢轴元素。MSE1/4Xx xy-y~2/2x1x同样，整个帧都要进行MSE计算。基于该误差值，获得图案。这种方法的主要问题是它对异常值敏感。最小均方误差法（MMSE）或约简平均法（RAM）可以克服均方误差法的缺点。3.2. 简化平均法使用MSE获得的关键帧也不准确，因为MSE对离群值敏感。它包含具有非常高的误差值和非常低的误差值的帧。通过使用缩减平均方法，可以避免这些帧。在避免这些帧之后，可以获得具有一定范围的误差值的帧的集合。为了得到一个可行的解决方案，计算平均值。基于这些值，图1中示出了降低的平均阶段-1。3.第三章。在这种技术中，问题是具有重复模式的离群值。因此，很难从模式中找出最重复的帧。从图3中的图示可以观察到，存在可以通过归一化来避免的一些峰值。通过归一化，使用最大误差和最小误差来计算帧的数量。误差被分配到不同数量的帧中，如下所示：图二.实现MSE后生成的模式图三.降低平均阶段1。：¼3304米Sreeraj等人 /沙特国王大学学报-计算机与信息科学34（2022）3301- 3309帧数Max：error-Min：error100ð2Þ发现相似图像的原因是，当一个人以相似的姿势坐了很长时间时，它可能是com，从这些帧中选择具有最高错误频率的关键帧。最重复的帧具有类似的误差范围，并且在图4中示出，图4给出了可行的解决方案，但不是最优的。这些框架是经过挑选的，进一步加工。3.3. 关键点描述符方法该方法考虑不同的框架进行计算。存在不同的关键点描述符方法，如SIFT（Lowe等人， 1999）、SURF（Bay等人， 2006）和ORB（Rublee等人， 2011年）。我们的研究发现，这是最可行的方法来寻找帧之间的相似性。3.3.1. ORB定向FAST和旋转BRIEF（ORB）（Rublee等人， 2011）是FAST关键点检测器和BRIEF描述符的融合，具有许多修改以增强性能。通过在通过FAST发现的关键点上应用Harris角点度量来获得关键点的前N个点，这导致多尺度特征。FAST的局限性在于它为了提高旋转不变性，矩与x和y一起计算，x和y应该在半径为r的圆形区域中，其中r是贴片的大小。ORB特征用于发现图像之间首先，视频被分割成帧。对这些帧进行ORB以找到相似的图像。的这个人的姿势。3.3.2. SIFTSIFT（Lowe等人，1999年;Pavaloi和Zeroat，201 9）算法主要由四个步骤组成。在第一步中，使用高斯差分（DoG）方法来估计尺度空间极值，然后在第二步中执行关键点定位。在同一场景中还进行了细化，以消除低对比度点。在第三步中，根据局部图像梯度进行关键点定位。描述符生成器在最后一步中计算，这是每个生成的关键点的局部图像描述符。所生成的描述符是梯度幅度和方向的函数。3.3.3. 冲浪在SURF（Bay等人，2006）技术，高斯差分（DoG）借助于箱式滤波器来近似。该技术使用平方近似，因为使用积分图像时卷积更快。这一进程也可以并行进行。3.4. 关键点检测在算法1中描述了用于找到关于关键帧中的人的坐姿的特征（对应于髋部和颈部的角度偏差）的关键点检测算法1.通过开放姿势的角度vutX××xi-yiM. Sreeraj等人/Journal of King Saud University- Computer and Information Sciences 34（2022）3301-33093305见图4。降低平均阶段2。对应于人的关键点标记（图5）在表1中描述。3.5. 分类在检测到关键点之后，将其馈送到分类算法以找到有问题的帧并使用不同的机器学习算法进行评估。使用K-NN和SVM（ALEnezi，2019）K-NN基于特征相似性。支持向量机分类器适用于大范围的高维分类问题。然而，支持向量机需要微调的关键参数，以实现良好的分类精度。3.5.1. K-NN分类K-nearest Neighbors（Altman，1992）是一种惰性算法，它存储所有实例并基于相似性度量对未知实例进行分类。KNN在模式识别和估计问题中得到了广泛的应用KNN通过在整个存储的实例中搜索K个最相似的实例来对新实例x进行预测，并将其分配给未知实例。相似性是通过不同的距离度量，如欧氏距离和曼哈顿距离。vutXk21/1曼哈顿酒店Kjxi-yij1/1ð4Þ3.5.2. SVM分类器支持向量机（SVM）（Cortes和Vapnik，1995）构建了一个超平面或一组高维或无限维空间，可用于分类或回归。直觉上，与任何类的最近训练数据点具有最大距离的超平面（所谓的函数裕度）实现了强分离，因为通常裕度越大，分类器SVM使用核方法来解决非线性问题。核方法是一种只依赖于点积数据的算法。如果是这种情况，则在某些可能的高维特征空间中计算点积的核函数将取代点积。核方法有助于使用线性分类器方法生成非线性决策边界。它们还帮助用户添加没有明确说明的固定维向量空间的数据。图五. 关键点标签。Gaussia n;Kx;yexp.-kx-yk22R2ð5Þ表1关键点标签。关键点主体零件0鼻子1脖子2右肩3右肘4右手腕5左肩6左肘7左手腕8右髋9右膝10右脚踝11左髋12左膝13左脚踝3.5.3. CNN分类CNN（LeCun and Bengio，1995）是最流行的深度学习架构。我们的研究发现，与KNN和SVM相比，CNN可以很容易地对关键点帧进行分类。的每个节点神经网络具有它们自己的关于规则和功能的知识范围，以通过从先前技术中学习的经验来发展自身。使用的CNN架构如图所示。 六、CNN架构由总共23层组成。其中10个是卷积层。4个层是maxpool层，4个全连接层，2个批量归一化层，2个ReLu层和一个tanh层。第一层和第二层是具有64个核滤波器的卷积层，33码。然后是一个最大池化层。然后，第四层和第五层再次是具有128个内核滤波器的卷积层，33码。第六层是最大池化层。重复第七和第八层成为具有256个内核过滤器的卷积层！欧几里德ð3Þ××××××××××××××××××××××ð Þ¼ ðÞ×3306米Sreeraj等人 /沙特国王大学学报-计算机与信息科学34（2022）3301- 3309接下来的三层是卷积层，其具有核滤波器128、64和128，并且大小分别为3 3/1、1分别为1/1和3 3/1，然后是最大池化层，2 2/1尺寸。同样，接下来的三个层由卷积层组成，卷积层具有256，128，256个内核滤波器，大小分别为3 3/1，1 1/1和3 3/1，以及大小为2 2/1的最大池化层。接下来的五个层是卷积层，而替代层分别具有核滤波器512和256，并且也具有大小为3 3/1和11/1.最后一个最大池化层有22/1大小，然后是四个卷积层，分别具有1024512和3 3/1 1 1/1的可选内核滤波器接下来的三个层也是具有内核滤波器1024的卷积层，并且具有33/1，后跟一个路由层，指示级联操作。这一层有16个内核过滤器。第二十六层是具有64个核滤波器的卷积层，大小为1 1/1。接下来是一个重组层，它重塑了特征图，减小了尺寸，增加了通道的数量，而不改变元素。之后是第二个布线层、倒数第三个层和倒数第二个层。这些是分别具有内核滤波器1024 40和大小为3 3/1 1架构的最后一层称为检测层。3.6. 执行见图6。CNN-建筑。以及3 × 3大小，随后是最大池化层。然后连续增加到四层，卷积层有512个内核滤波器，3 3大小，然后是最大池化层。接下来的两个层解释了大小为4096的全连接（FC）层。第十七层和第二十层表示将数据拆分为批次的批次规范化层。到ReLU（整流器线性股），激活函数f X 最大值0;x 为了电视网。第19层和第22层分别包含4096500和40963大小的FC层.最后一层由一个称为tanh的非线性函数组成：tanhx2r2x- 1。3.5.4. YoloYOLO（Nguyen等人，2019; Tian等人， 2019）使用CNN进行实时对象检测。在YOLO中，单个神经网络应用于完整的图像，然后将其划分为区域并预测其置信度的边界框根据颈椎病的危险程度，使用开放式姿势库（颈部和臀部位置），根据余弦定律计算角度，创建不同的目标对象在YOLO中，目标对象检测是在视频的每一帧上完成的，并且还计算在特定位置花费的连续时间的持续时间YOLO架构包含23个卷积层，5个最大池化层，两个路由层，一个重组层和一个检测层。这些层从具有32个内核过滤器的卷积层开始，大小为3× 3/1，然后是大小为2× 2/1。然后卷积层和最大池化层是用64个核滤波器重复，大小为3× 3/1，所开发的系统通过使用网络摄像头收集数据摄像机放置在人的左侧或右侧连续捕获图像（最多3-4小时）。使用每秒17帧的帧速率录制视频后，它被分割成帧。每帧的尺寸为640 - 480像素。第一阶段是找出捕获的视频中各个变化帧的关键帧和持续时间。关键帧是相对于前一帧有变化的帧，持续时间是影响帧中变化所花费的时间。 对于特定的时间段，所捕获的视频中的对象坐直，并且在一定时间之后，对象将他/她的坐姿改变为倾斜姿势，然后计算坐姿帧和改变的倾斜帧之间的持续时间，并且还识别关键帧。从三种不同的图像匹配技术，例如均方误差方法（MSE）、缩减平均和关键点描述符方法，关键点描述符方法由于考虑了不相似的帧而给出了更准确的结果。通过与SIFT、SURF、OR等算法的比较，ORB算法在关键点提取方面具有更高的效率。识别出的关键帧被用作openpose库的输入以进行后期处理。OpenPose（Cao等人，2018年）代表了第一个在单个图像上的实时多人系统，共有135个关键点，对应于人体、手、面部和脚的关键点。在135个关键点中，本研究仅考虑颈部和髋关节（脊柱）位置的关键点。利用这些位置上的关键点，利用余弦定理计算出倾斜角，然后对图像进行模型检验。对于测试，考虑两个角度和时间因素。对于分类，收集姿势位置、姿势的持续时间和姿势在一段时间内的连续性。根据这些信息，进行姿势分类，以计算颈椎病的各种风险水平。对于分类任务，基于CNN的方法具有更好的性能。4. 结果分析4.1. 不同描述符的性能以获得最佳帧表2列出了不同关键点检测技术的性能评估。性能通过M. Sreeraj等人/沙特国王大学学报-计算机和信息科学34（2022）3301-33093307每种算法对于具有不同强度值的图像的效率表3评价指标。使用和增强图像，如旋转，缩放和剪切图像。通过提取每个关键点描述符所需的时间、在后续图像/帧中检测到的关键点的数量、匹配的数量和平均匹配率来评估每个情况。ORB的总体匹配率优于SURF和SIFT。ORB键描述符的计算时间要求在所有情况下都更少。与其他两种算法相比，旋转ORB算法的图像增强效果最好。缩放时，图像已缩放两次，以显示匹配缩放值的效果。SIFT的平均匹配分数最高，ORB的平均匹配分数最低原始图像被剪切与价值0.5和ORB具有最高的整体匹配得分。4.2.1. KNN公式灵敏度或回忆TPR = TP/（TP + FN）特异性SPC= TN/（FP + TN）精度PPV = TP/（TP + FP）假阳性率FPR = FP/（FP +TN）假发现率FDR = FP/（FP + TP）假阴性率FNR =FN/（FN + TP）精度ACC =（TP + TN）/（P + N）F1评分F1 = 2 TP/（2 TP + FP + FN）4.2. 不同分类器使用不同的评估指标来评估分类。准确性是最常用的指标。其他标准包括精密度、灵敏度、准确度、假阴性率（FNR）、假阳性率（FPR）和F1评分。精密度或PPV（阳性预测值）测试在阳性类型样本中正确识别的阳性样本。假阴性率（FNR）定义为错误报告的阴性样本数量（即，假阴性）与实际给出的阳性样本总数之比。错误率计算为不正确分类的数量与正在评估的测试数据量的比率，因此易于量化，难度较小。特异性或TNR（真阴性率）是对正确分类的阴性数量的计算，而灵敏度或TPR（真阳性率）或召回率测量正确分类的阳性数量。它是指通过诊断测试准确确定疾病的条件概率。F1分数由灵敏度和精度值的调和平均值给出。假阳性率（FPR）计算为错误报告的阳性测试数量（即，假阳性）到真阴性的总数。具有更高精度、准确度、特异性、灵敏度、NPV和F1分数的分类器被认为是更有效的。这些指标如表3所示。KNN的性能通过两种不同的距离测量（如欧几里德和曼哈顿）进行测量，并在表4中进行了描述。这个结果是通过k = 7的值获得的，并且观察到两个距离对于召回率给出非常接近的结果，即对于欧几里得距离为0.7000，对于曼哈顿距离为0.6977。而欧氏距离在准确度和精确度上都有较好的表现。4.2.2. SVM两种不同的核与支持向量机进行了尝试，并观察到高斯有更好的准确率为0.8039和召回率为0.8400比径向基函数核。而RBF的精度为0.7895，比高斯核的精度0.7778略有提高（见表5）。表4KNN性能评价精度精度召回欧氏距离0.71150.77780.7000曼哈顿距离0.69820.70590.6977表5SVM性能评价精度精度召回高斯核0.80390.77780.8400RBF核0.78670.78950.7895表2各种keydescriptor的性能评估。ORB冲浪SIFT时间（秒）0.03不同强度的图像0.040.13在第一个图像248162261在第二个图像229166267配偶数目183119168平均匹配率（%）76.772.663.6图像及其旋转图像时间（秒）0.030.030.16在第一个图像248162261在第二个图像260271423配偶数目166110158平均匹配率（%）65.450.846.2图像及其缩放图像时间（秒）0.020.080.25在第一个图像248162261在第二个图像1210581471配偶数目232136181平均匹配率（%）31.836.649.5时间（秒）0.026剪切图像0.0490.133在第一个图像298162261在第二个图像229214298配偶数目150111145平均匹配率（%）62.8959.0451.883308米Sreeraj等人 /沙特国王大学学报-计算机与信息科学34（2022）3301- 3309表6基于有无超参数调整的性能评估精度精度召回CNN0.8800超参数0.92000.8519Yolo0.87000.90000.8491CNN0.8613无超参数0.82770.8224Yolo0.82100.83090.7734表7业绩指标。算法精度精度召回F1得分特异性FPRFDRFNRCNN0.88000.92000.85190.88460.91300.08700.08000.1481Yolo0.87000.90000.84910.87380.84910.15090.10000.1509SVM0.80390.77780.84000.80770.76920.23080.22220.1600k-NN0.71150.77780.70000.73680.72730.27270.22220.3000在性能指标上也表现出色。在准确度、精确度、召回率（灵敏度）、F1评分和特异性方面，性能指标的最高值分别为0.8800、0.9200、0.8519，0.8846，0.9130。此外，FPR、FDR和FNR（0.0870，0.0800&0.1481）为最低值，表明结果良好。由于准确率、精确率、召回率和F1分数都很高，因此该算法的结果可以认为是令人满意的。4.3.2. YoloYolo是一个实时目标检测系统。它也属于深度学习。与CNN相比，它的价值较低，但在这项研究中，支持向量机和K-NN的YOLO显示出很高的价值。YOLO算法的准确率、精确率、召回率、f1值和特异度分别为0.8700、0.9000、0.8491、0.8738、0.8491，最低值的FPR、FDR和FNR值低于SVM和K-NN。见图7。 准确性与时期。4.2.3.深度学习在深度学习中，我们比较了CNN与YOLO算法的性能。性能通过两个阶段进行评估，例如有和没有超参数调整，如表6所示。当我们与CNN的82.77%相比时，YOLO的准确率为83.09%，没有超参数调整。而在超参数调整的情况下，CNN与YOLO相比具有显著的效果。这一结果是在6000年的一个时期获得的，并在图中示出。7 .第一次会议。4.3. 整体性能表7显示了正在考虑的各种机器学习模型的性能。我们在深度学习中有CNN和YOLO，在浅层学习中也有SVM和K-NN。当我们比较CNN，YOLO，SVM和K-NN时，CNN更准确。4.3.1. CNNCNN（ALEnezi， 2019）是最 流行的深 度学习架构 。CNN 和openpose库在本研究的有限时间内提供了更高的准确性CNN4.3.3. SVMSVM属于核方法的一般范畴。支持向量机是一种浅层学习算法，与深度学习算法相比，支持向量机的性能较低，但优于K-NN。5. 结论本文总结了一个用于颈椎病早期诊断的不正确姿势检测系统的设计和开发。实验结果表明，该通过网络摄像头获取数据集，并执行必要的该系统经过训练，使用预先记录的数据区分与颈椎病相关的四类与该系统相关的优点是最终用户可以实时评估这种分类有助于以平静的方式找到CS的风险水平。该系统还可以通过以并行方式处理分类来增强为了提高系统的准确性，可以使用改进的深度学习算法。所提出的辅助系统的想法M. Sreeraj等人/Journal of King Saud University- Computer and Information Sciences 34（2022）3301-33093309竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用阿莱内齐，国家安全局，2019.一种使用图像处理和机器学习的皮肤病检测方法。Procedia Computer Science 163，85北卡罗来纳州阿尔特曼一九九二年核与最近邻非参数回归导论The American Staecian46（3），175-185. https://doi.org/10.1080/00031305.1992.10475879。Ariz，M.，Villanueva，A.，卡韦萨河2019年。基于2d跟踪的鲁棒且精确的3d定位方法：应用于头部姿态估计。计算机视觉和图像理解180，13-22。贝，H.，Tuytelaars，T.，凡古尔湖，2006. Surf：加速健壮的功能。在：Leonardis，A. ， Bischof ，H. ， Pinz ， A. （ 编） ， 计算 机视 觉 SpringerBerlin Heidelberg ，Berlin，Heidelberg，pp. 404- 417宾德人工智能2007.颈椎病和颈部疼痛。BMJ 334（7592），527-531。布赖恩湖，威尔金森，M.，2013.颈椎病和其他疾病颈椎。巴特-海涅曼Z. Cao，G.伊达尔戈，T.西蒙，S.- E. Wei，Y. Sheikh，OpenPose：使用部件亲和字段进行实时多人2D姿势估计，arXiv预印本arXiv：1812.08008，2018。卡斯蒂略岛Melin，P.，Ramírez，E.，Soria，J.，2012.基于模糊k-近邻和神经网络结合模糊系统的心律失常分类混合智能系统。专家系统与应用39（3），2947-2955。Chitte，P.P.，密歇根州戈卡莱2017年。颈椎病不同鉴别分型方法的分析：一项调查。国际应用工程研究杂志12（21），11727-11737。科尔特斯角，澳-地Vapnik，V.，1995.支持向量网络。Machine Learning 20（3），273-297.Deyo，R.A.，Mirza，S.K.，马丁，B. I.，2006.背痛患病率和就诊率：来自2002年美国全国调查的估计。脊柱31（23），2724-2727。Glew，D.，瓦特岛，Dieppe，P.，戈达德，P.，1991.颈椎Mri：类风湿性关节炎与颈椎病的比较。 临床放射学44（2），71-76。Heller，C.，Stanley，P.，刘易斯-琼斯，B.，海勒河一九八三年颈椎x线检查的价值。BMJ（临床研究编辑）287（6401），1276-1278。Hirano，K.，Shoda，K.，Kitamura，K.，宫崎骏，Y.，Nishida，Y.，2019.使用行为视频数据库实现对老年人与消费品的交互的比较理解的行为规范化的方法。Procedia Computer Science 160，409-416.Y.莱昆，本焦，Y.，例如，1995.图像、语音和时间序列的卷积网络。The Handbookof Brain Theory and Neural Networks 3361（10），1995.Lees，F.，特纳，J.A.，一九六三年颈椎病的自然病程和预后英国医学杂志2（5373），1607。丹吉Lowe，从局部尺度不变特征进行对象识别第七届IEEE计算机视觉国际会议论文集，卷。2，1999年，第页。1150-1157.Melin，P.，米拉蒙特斯岛，Prado-Arechiga，G.，2018.基于模块化神经网络和模糊系统的血压分类和高血压风险诊断的混合模型。专家系统与应用107，146- 164。米拉蒙特斯岛，Guzman，J.C.，Melin，P.，Prado-Arechiga，G.，2018.基于鸟群算法的区间2型模糊心率等级分类系统的 优 化 设 计 。Algorithms 11（12），206.Nguyen，D. T.，Nguyen，T.N.，Kim，H.，李，H.- J.，2019.用于目标检测的yolo cnn的高吞吐量和低功耗fpga实现。IEEETransactions on Very Large Scale Integration（VLSI）Systems 27（8），1861-1873. Nunez Jr，D.B.，Zuluaga，A.，富恩特斯-贝尔纳多地检官洛杉矶里瓦斯Becerra，J.L.，一九九六年。颈椎创伤：常规使用螺旋ct我们能学到多少？射线照相16（6），1307-1318。Olarinoye-Akorede ， S.A. ， Ibinaiye ， P.O. ， Akano ， A. ， Hamidu ，A.U.Kajogbola，GA，例如，2015.尼日利亚北部zaria地区颈椎病和脊髓型颈椎病的磁共振成像表现。撒哈拉以南非洲医学杂志2（2），74。我 是 帕 帕季 夫 · 帕季 洛 伊 岛 ， A. ， 2019 年 。基 于 sift 特 征 的 虹 膜 图 像 分 类 。ProcediaComputer Science 159，241-250.Ramirez，E.，Melin，P.，Prado-Arechiga，G.，2019.基于神经网络、1型和2型模糊系统的混合模型用于2导联心律失常分类。 专家系统与应用126，295-307。E. Rublee，V. Rabaud，K.科诺利杰湾Bradski，Orb：Sift或Surf的有效替代方案，2011年国际计算机视觉会议，2011年，第100页。2564- 2571。田，Y.，杨，G.，王志，王，H.，Li，E.，Liang，Z.，2019.应用改进的yolo-v3模型检测果园不同生长期的苹果。 计算机和电子学在农业157，417-426。Wackerly，D.，Mendenhall，W.，Scheaffer，R.L.，2014.数理统计与应用圣智学习