人群密度分析范文（精选7篇）
人群密度分析 第1篇
关键词：骨密度,骨质疏松症,峰值
骨质疏松(Osteoporosis,OP)是老年人最常见的疾病之一,目前我国罹患骨质疏松人数达8400万,随着人口老龄化的进展,骨质疏松已成为一种常见病、多发病。迄今国内外尚无理想的治疗骨质疏松的方法和药物。因此,骨质疏松的早期预防和骨量减少阶段的及时调整治疗就显得极为重要。如何预防骨质疏松,减少骨折的发生率,已成为临床上需要研究和全社会关注的课题。骨密度指标已经广泛应用于临床上对骨量减少和骨质疏松的诊断。我们采用双能X线骨密度测量分析仪检测长沙地区成年人脊椎和股骨颈骨密度,研究各年龄段和不同性别人群的骨量状况,旨在对于防治骨质疏松上提供依据。
1 材料与方法
1.1 研究对象
1331例分析对象,均来自我院体检健康人群。其中,男624例,女707例。年龄20~85岁。每10岁作为一个年龄段,共分7个年龄段。所有研究对象近期均无特殊服药史,无各种影响骨代谢的急,慢性疾病,无大手术,无运动障碍,无过量烟酒嗜好。
1.2 仪器
美国双能X线骨密度测量分析仪(DEXA)。该机型使用锥型束扫描[1],有较高的精确度[2]。每日测量结束后均做一次腰椎体模的BMD校准。
1.3 方法
测定部位为腰椎前后位(L2~L4)和股骨颈,仪器进行全自动X光扫描检测、打印、报告。测量的数据录入电脑采用SPSS 10.0进行统计分析。
2 结果
正常参考人群按每10岁年龄段分组,该参考人群的年龄分布符合正常人群的分布规律,其腰椎(L2~L4)、股骨颈BMD峰值及累计丢失率结果见表1和2。
从表1可以看出男性腰椎(L2~L4)、股骨颈骨密度峰值均出现在20~29岁组,30岁以后开始下降,男性腰椎(L2~L4)BMD峰值累积丢失率始终无明显加速征象,而股骨颈BMD峰值累积丢失率均明显高于腰椎。
从表2可以看出女性腰椎(L2~L4)及股骨颈BMD峰值均见于30~39岁,女性腰椎BMD累计丢失率在50岁以后明显增加,而股骨颈BMD峰值累积丢失率明显要高于腰椎。
由图1、2可以看出成年健康男女腰椎BMD变化的趋势,成年健康男女腰椎骨密度均高于股骨颈骨密度,随年龄增加女性骨密度下降幅度大于男性。
3 讨论
本研究采用分层整群随机抽样方法对居住在长沙地区的1 331名健康人群的腰椎及股骨颈进行BMD的测量,基本上反映了长沙地区成年人骨量峰值及各年龄段骨量丢失情况。为长沙地区各年龄段人口骨质疏松的预防、诊断和治疗提供了理论依据,同时为今后对湖南地区骨质疏松症的研究治疗打下了基础,也为与国内各地区及国际的资料比较提供了参考性数据。
本研究现实长沙地区健康人群BMD变化规律如下:成年女股骨颈及腰椎骨密度峰值均出现在20~29岁年龄段,而成年女股骨颈及腰椎骨密度峰值均出现在30~39岁年龄段。这与国内其他地区的数据有一定的偏差[3,4]。分析原因:(1)女性骨峰值比男性骨峰值晚约10年。因为30~35岁这一年龄段正是女性的生育年龄,这可能与女性的生育时期雌激素水平较高有关,使女性这一时期骨密度继续增加而达到高峰[5]。(2)骨质疏松的骨量丢失与性别、年龄、种族、内分泌代谢、环境、生活方式密切相关,也与成长时期骨量峰值密切相关。不管是男性还是女性,随着年龄的增长,各部位的骨密度均呈下降的趋势,BMD达到峰值后,女性呈快速下降趋势,男性呈缓慢下降趋势,女性绝经后骨量丢失明显加快,黄琪仁等[6]认为这可能与女性绝经后雌激素水平降低及骨吸收大于骨形成等多种因素影响有关。且不同部位松质骨骨量丢失均存在较大差异,以股骨颈最敏感。女性骨量丢失比同年龄段男性要提前,且结果显示,各年龄组BMD男性高于女性,由此可见女性骨质疏松患病率明显高于男性,预防、治疗骨质疏松要以女性为主,但男性也不容忽视。
本文研究提示骨质疏松症的防治重点在女性,但老年男性的骨质疏松症也不可忽视。多项调查结果显示,预防和治疗绝经后女性骨质疏松是今后研究的重点。因此,妇女在绝经后,无论年龄多大,如果没有禁忌证,均应接受雌激素补充治疗以减少骨量丢失。
参考文献
[1]BLAKE GM,KNAPP KM,FOGELMAN I.Dual X-ray absorptionclinical evaluation of a new cone-beam system[J].Calcify TissueInt,2005,76:113-120.
[2]BOUDOUSQ V,GOULART DM,DINTEN JM,et al.Image resultion and magnification using a cone beam densitometer:optimizingdata acquisition for hip morphologies analysis[J].Osteoporosis Int,2005,16:813-822.
[3]吴青,陶国枢,刘晓玲,等.北京市区1333人双能X线骨密度测定及骨质疏松患病情况调查[J].中国骨质疏松杂志,1995,1(1):76-80.[3]WU Q,TAO GS,LIU XL,et al.The Determination of dual en-ergy X-RAY bone mineral density and the investigation of os-teoporosis morbidity on people in Beijing District[J].ChineseJournal of Osteoporosis,1995,1(1):76–80.Chinese
[4]卓铁军,周明秀,申志祥.南京地区5168人双能X线骨密度测定分析[J].中国骨质疏松杂志,2002,8(2):104-106.[4]ZHUO TJ,ZHOU MX,SHEN ZX,et al.Analysis of bone min-eral density of 5168 cases by dual energy x-ray absorption inNanjing area[J].Chinese Journal Of Osteoporosis,2002,8(2):104-106.Chinese
[5]朱玲,尹大庆,李瑾,等.1166例正常人髋部骨密度测量结果分析[J].中国骨质疏松杂志,2003,8(1):69-70.[5]ZHU L,YI DQ,LI J,et al.Analysis of bone mineral density inthe hip in 1166 healthy people[J].Chinese Journal of Osteoporo-sis,2003,8(1):69-70.Chinese
高血压人群社区护理分析 第2篇
【关键词】高血压；社区；护理
【中图分类号】R47 【文献标识码】B 【文章编号】1671-8801（2015）02-0224-02
随着社会经济的发展，人们的生活质量也随之获得了改善，各类型的心脑血管疾病的患病率也开始增长，对人类的身心健康构成了较大的威胁。高血压是引起心脑血管疾病的发生及发展的关键诱因，一定要及早预防、控制该病的发生、发展[1]。因此，社区护理干预势在必行，改善高血压人群的不良行为习惯，帮助其控制、调节血压水平。现择取2013.06-2014.06期间本社区接受调查的136例高血压患者，进一步观察社区护理干预对高血压患者的影响，研究如下。
1资料与方法
1.1一般资料
择取2013.06-2014.06期间本社区接受调查的136例高血压患者，应用计算机进行随机性分组。对照组68例患者中，37例男性患者，31例女性患者。年龄范围29-77岁，平均年龄（55.17±4.97）岁。血压异常时间2-23个月，平均时间（13.16±6.01）个月。研究组68例患者中，38例男性患者，30例女性患者。年龄范围27-76岁，平均年龄（56.24±5.06）岁。血压异常时间3-22个月，平均时间（12.14±5.88）个月。两组高血压患者的基本情况通过统计学处理，P>0.05没有统计学意义，试验存在突出可比性。
1.2方法
全部患者在整个调查研究期间均未应用对血压、血脂有所影响的药物。对照组68例患者未给予任何干预；研究组患者给予社区护理干预，建立血压档案、定期检测血压、普及健康知识、提供咨询活动。每周按时上门访问及进行个性化护理干预，每月进行一次高血压健康知识讲座，发放健康知识手册，具体干预措施为健康教育、饮食干预、运动干预等[2]。（1）健康教育：向高血压患者讲述疾病的概念、危险因素、发展方向以及预防治疗方法等。使患者充分了解抑郁、焦虑、酗酒吸烟、高脂肪饮食等不良情绪、习惯对血压水平的影响。增强患者对高血压病的了解，重视健康生活行为、习惯的培养，帮助患者改正不良嗜好及习惯。（2）运动干预：结合患者的自身条件制定合理的运动计划，最好选择中低强度的有氧运动，例如健身操、太极拳、慢跑等。掌握运动的节律，每天坚持步行3000 米，时间约为30分钟，每周至少5次运动。（3）飲食干预：结合患者的体质量、身高、活动强度等情况，计算每天需要的总热量，补充三大营养素。坚持七八分饱、三四五顿、不甜不咸、粗中有细的原则，摄入适量的胆固醇及能量，每天钠盐的进食量控制在6.0 g以下，适量供给优质蛋白质，建议多进食新鲜的水果、蔬菜以及高纤维素的粗粮，粗细健康搭配。同时，日常生活中可饮用绿茶，具有一定的降压功效，还能预防动脉硬化的发生。
1.3问卷调查
自拟高血压疾病的健康知识调查问卷表对全部患者进行评价，主要包括高血压知识、危险因素、并发症预防，每个项目共设10个问题，答对问题超过8个为知晓率良好，详细记录知晓率。
1.4统计学分析
通过SPSS 16.0 统计学软件对数据进行对比分析，计数资料，用百分比（%）表示，然后利用X2进行检验。当P值小于0.5时，说明试验结果有统计学意义。
2结果
随访观察0.5年，研究组患者在高血压知识、危险因素、并发症预防等方面的知晓率均显著大于对照组，差异P<0.05有统计学意义。
3讨论
高血压病会引起机体动脉系统相关病变，最终造成心脏、脑部、肾脏等器官损害，是导致心脑血管疾病的重要危险因素。社区护理干预的特点为低投入、高效益，具有良好的开展价值及发展空间。高血压病是由于社会环境、不良生活习惯、多基因以及多因素共同作用所致的结果，通常高血压患者存在不良的生活习惯，包括以车代步、高脂饮食、高盐、吸烟、酗酒等。而健康的生活行为习惯，包括心理平衡、运动锻炼、健康饮食等，能有效降低高血压病的患病率。社区护理干预能深入家庭，促使患者了解自身的健康状况，纠正其不良的生活行为习惯，进一步提高患者的生活质量水平，增强患者主动控制血压的意识，积极预防疾病及并发症，以便实现疾病的自我护理。本次试验研究组充分利用社区健康服务中心的便利条件，切实开展了社区护理干预，通过健康教育、运动锻炼、饮食干预等措施，同时带动家属参与，增加了社区护理人员与高血压人群之间的交往，扩展了健康教育面。通过高血压健康知识的宣传教育，严格控制钠盐的摄入量，严禁高脂肪食物，坚持运动，鼓励患者学习健康知识，建立健康的生活观念，养成健康的生活行为习惯，戒掉不良嗜好，避免或降低高血压病的相关危险因素，使血压水平保持稳定。结果显示，研究组患者在高血压知识、危险因素、并发症预防等方面的知晓率均显著大于对照组，这与李燕等人的试验成果基本相符[3]。因此，我们做出推断，社区护理干预可以明显提高高血压患者的保健知识，以利于降低高血压病的患病率及并发率，应该加大推广力度，全国普及。
参考文献：
[1]杨桂琼，麦明霞，叶静，等.对高血压病人依从性的社区护理干预方法与效果[J].护理管理杂志，2012，18（2）：318-319.
[2]谢梁燕，徐秀兰.高血压病社区护理干预研究近况及展望[J].护理实践与研究，2012，17（10）：574-575.
复杂场景中的自动人群密度估计 第3篇
随着社会的发展,越来越多的人口涌入城市工作生活,人口密度大的城市中许多公共基础设施,如火车站、地铁站、公交车站以及超市等经常会迎来短期的人流高峰,一方面人群的高度拥挤容易造成灾祸,具有很大的安全隐患;另一方面,在人流高峰期,若不能对人群进行迅速有效疏散分流,也会对居民日常生活造成不便。针对这一现状,近年来城市的许多公共场合都安装了监控系统对人群进行监控。传统的人群监控系统都是通过闭路电视对不同场景进行监视,由监控室的工作人员针对监视场景中的情形进行人工判断。这种方法具有主观性,不能定量分析,而且耗费人力,尤其当监控人员疲惫的时候,容易忽视监视器上的突发状况,从而造成不可挽回的后果[1]。随着现代数字图像和视频处理技术的发展,自动、实时的智能化人群密度监控系统成为人们的研究重点。
传统的密度估计算法中,Davies和Chow[2,3]提出了基于像素特征的图像处理方法来判断人群密度,该方法主要通过背景减的方法来提取前景人群占据的空间大小,以及运用边缘提取的方法检测人群对象的边缘长度,通过这两类特征对人群密度进行估计。这种方法较为简单,计算量小,当人群密度较低的时候效果较好,但是当人群密度较高时,由于人群遮挡严重会导致结果误差很大。1998年,Marana提出了一种基于纹理分析技术的人群密度估计方法[4],该方法的依据是不同密度的人群图像对应的纹理模式不同。高密度的人群在纹理上表现为细模式,而低密度的人群图像在背景图像为低频的同时在纹理上表现为粗模式。基于纹理分析的密度估计方法可以解决高密度人群密度问题,但是算法计算量较大,特征量较多,并且当背景较复杂时,对中低密度人群估计的误差较大。此后如何结合使用不同纹理分析方法来提高人群密度估计准确率成为了研究热点。文献[5]提出一种基于小波变换和灰度共生矩阵的人群密度估计方法;文献[6]提出了基于多尺度分析和分形的人群密度估计方法。这些方法都提高了密度估计的准确性,但都只适用于简单背景的情况。
本文针对复杂背景下,引入纹理分析的方法,使用基于灰度共生矩阵的特征提取方法对人群密度进行分类。算法框架如图1所示。
输入的人群图像首先经过与背景图像相减,获得前景人群图像,再进行模板屏蔽,屏蔽掉会干扰分类结果的复杂背景区域,获得感兴趣区域,再对图像使用基于灰度共生矩阵的纹理分析方法进行特征提取,最后将特征样本送入支撑向量机获得分类结果。
1 运动前景图像获取及特征提取
1.1 运动前景图像获取
在使用差图像法获取运动前景的算法中,背景的构造是关键的步骤。由于在实际应用中,其监控的场景中可能有运动背景,例如地铁站内进出的地铁,公交站台路边的过车等。大部分的研究人员都致力于研究不同的背景模型[7,8],来减少动态场景变化对于运动分割的影响。然而这些方法实现起来都比较复杂,不利于进行实时人群密度估计的应用,因此本文中使用模板屏蔽的方法将复杂的运动背景进行屏蔽,通过移除运动背景,获得感兴趣的区域,使得人群信息更加清晰统一,简单而有效地减少了复杂背景对人群密度估计结果的影响。初始背景及模板的获取是根据监控场景的实际情况进行人工选定,在监控过程中若监控摄像头容易发生偏移则可采用背景更新的原理再对模板进行自适应调整。
在背景更新的方法中,本文采用基于视频帧差CDM(Change Detection Mask) 的方法[9]。这一方法的基本假设是在视频序列中,运动人体不会始终站在某一位置不动,而必定会移动,使背景显露出来。该方法应用各像素在时间轴上的统计信息,生成没有人群的参考图像。人群视频空域上某一像素点的灰度值是沿时间轴不断变化的一维随机信号。该信号的非平稳段意味着有前景人群通过该像素点,而平稳段意味着该点表示背景图像。通过计算平稳段灰度值的统计平均,可得到背景图像在该像素点的灰度值。
假设图像序列的亮度分量为Ii(x,y),其中x,y表示像素位置,i表示帧数(i=1,2,…,N) ,N为序列总帧数,用式(1)来表示视频帧差,它反映了相邻帧间的亮度变化:
undefined
式中:阈值T用来控制去除噪声。对于位置(x,y),CDMi(x,y)表示在位置(x,y)处像素点沿时间轴的变化曲线。可以根据CDMi(x,y)是否大于零,将这条曲线分段,并将其中被检测到的静止部分用集合{Sj(x,y),1≤j≤M}表示,如图2所示。
式中:Sj的起点和终点分别是STj和ENj。在位置(x,y)对应的{Sj}的集合中,选择最长的静止分段并记录该分段中点的对应帧号为M(x,y)。第M(x,y)帧处的点用来填充视频背景中的相应位置,用下式表示:
undefined
式中:ST(x,y)和EN(x,y)是对应于最长静止分段的起点和终点;B(x,y)为重建的视频背景。
在该实验监控场景中,如图3所示,其左角的自行车属干扰区域,据此设计屏蔽左上角的模板对干扰区域进行屏蔽。同时,为了减少复杂背景对估计结果的干扰,将输入的人群图像与背景进行相减,从而获得前景图像。如图4为背景图像,图5为对其进行模板屏蔽,并进行背景减后的效果图。虽然屏蔽掉的区域会连带部分经过人群的信息一起屏蔽掉,但是大部分人群的信息都保留着,所以被舍去的那部分人群信息并不会对分类结果造成太大影响。
1.2 特征提取
20世纪70年代初,R.Haralick等人提出了一种叫作空间灰度共生矩阵的统计方法[10]。它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下,提出的一种具有广泛性的纹理分析方法。该方法能够很好地反映图像的空间灰度分布情况。
灰度共生矩阵被定义为从灰度为i的像素点出发,离开某个固定位置(相隔距离为d、方位为θ)的点上灰度值为j的概率(或者频率),即p(i,j|d,θ)。所有估计值形成了一个二维的直方图,也可以表示成一个矩阵的形式,因此称为灰度共生矩阵。灰度共生矩阵反映了图像灰度部分关于方向、局部邻域和变化幅度的综合信息。对于纹理变化缓慢的图像,其灰度共生矩阵对角线上的数值较大;而对于纹理变化较快的图像,其灰度共生矩阵对角线上的值较小,对角线两侧的值较大。因为一对(d,θ)对应一个矩阵,因此将(d,θ)控制在一定范围内是非常必要的。通常,只取四个θ(θ=0°;θ=45°;θ=90°;θ=135°)值和一个d值。同时,由于其数据量大,一般不直接作为区分纹理的特征,而是基于它构建一些统计量作为纹理分类特征。Haralick曾提出14种基于灰度共生矩阵计算出来的统计量,即:能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差平均、差方差、差熵、相关信息测度以及最大相关系数。然而,并不是特征量越多分类效果越好,这14种特征量各有各的优点,通过选取不同的特征组合,经过多次测试,本文选用了其中的四种统计量作为特征参数:
(1) 能量(Energy)
undefined
能量反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近,则能量值较小,表示纹理细致;反之,若其中一些值大,而其它值小,则能量值较大。当共生矩阵中元素集中分布时,ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。
(2) 对比度(Contrast)
undefined
对比度反映了图像纹理的清晰度和沟纹深浅的程度。纹理沟纹越深,其对比度越大,视觉效果越清晰;反之,对比度小,则沟纹浅,效果模糊。对比度大的像素对越多,这个值越大,即灰度共生矩阵中远离对角线的元素值越大,Con越大。
(3) 逆差矩(Homogeneity)
undefined
逆差矩是与对比度相对应的物理量,反映了图像纹理局部变化的大小。若图像纹理的不同区域间较均匀,变化缓慢,则逆差矩会较大,反之较小。
(4) 熵(Entropy)
undefined
熵是测量图像灰度级分布随机性的物理量,反映了图像中纹理的非均匀程度或复杂程度。若共生矩阵中所有元素有最大的随机性时,熵较大。
2 密度分类及分类器选定
对人群图像进行了特征提取以后,需要对这些特征进行分类。表1给出了1983年Polus关于服务级别的一个定义[3],本文根据这个服务级别的定义将人群分为低、中低、中高和高四类,见表2(实验中监控场景约为10 m2)。
对于同一种纹理特征提取方法,选用不同的分类器得到的结果是不同的。所以选取适合的分类器也是很重要的一环。由于本文所用的人群图像数量有限,因此选择支撑向量机作为分类器。
支持向量机能较好地解决小样本、非线性、高维数和局部极小点等实际问题。支撑向量机的基本思想是:首先通过非线性变换将原始特征空间变换到一个高维的空间,在这个新空间求取最优线性分类面,而这种非线性变换是通过定义适当的内积函数实现的。它的判别函数为:
undefined
式中:sgn(·)为符号函数;K(X,X′)为内积核函数。
输入特征向量为X=(x1,x2,…,xd),共有s个支撑向量X1,X2,…,Xs,通过内积函数进行非线性变换,再由决策层进行决策,最后生成分类结果。
由于支撑向量机一般只能实现两类模式的划分,本实验采用3个支撑向量机进行分类。实验中,采用交叉验证法确定三个分类器所用的内积核函数,即使用径向基核函数(rbf),其结构及参数如图6所示。
径向基核参数:
undefined
3 实验结果及分析
本实验采用的人群图像是在上海大学食堂就餐高峰期拍摄的人群视频经抽帧后得到的图像序列,总共320幅,将这320幅图像分为低、中低、中高、高4类,每类80幅图像,再将这80幅图像随机分为训练样本和测试样本2组,每组各40幅。表3为本文所用方法进行分类的结果。表4为仅基于灰度共生矩阵所作的结果(其中d=1,θ=90°)。表5为使用文献[5]的方法对图像使用小波变换后再对各频带使用灰度共生矩阵后的结果(其中HL-Homogeneity,LH-Homogeneity,HH-Contrast,d=1,θ=90°)。
从表中可以看出,对比本方法与文献[4,5]的方法,在分类上,本方法有较大提高,尤其是对于中低和中高图像的分类效果有所提高。文献[5]的小波变换加共生矩阵法在复杂背景情况下效果反而不好,这主要是因为小波变换在突显图像纹理变化的同时,也加深了复杂背景的纹理信息,反而干扰了分类结果。本方法针对这一情况使用了模板屏蔽,去除了不感兴趣且干扰分类结果的高频复杂背景,更有效地使用了图像中的纹理信息;同时对人群图像进行背景减,一方面提取出了前景的人群信息,另一方面也降低了图像的灰度级别,在不提高分类结果的同时降低了算法复杂度,使得对人群密度估计的效率更高,满足了人群密度监控系统的实时性。
4 结 语
本文对复杂背景下的人群进行自动估计,提出了一种基于灰度共生矩阵进行有效分类的方法。针对训练样本较少的特点,以支撑向量机构成分类器,提高了分类的准确率。试验结果表明,提出的方法提高了使用灰度共生矩阵对于复杂背景的分类准确率。
参考文献
[1]衣淑凤,黄祥林,沈兰荪.智能化人群监控技术研究[J].测控技术,2003,22(5):22-24.
[2]Davies A C,Yin J H,Velastin S A,et al.Crowd MonitoringUsing Image Processing[J].IEEE Electronics and Commu-nication Engineering Journal,1995,7(1):37-47.
[3]Cho S Y,Chow T W S,Leung C T.A Neural-based CrowdEstimation by Hybrid Global Learning Algorithm[J].IEEETrans.on Systems,Man,and Cybernetics-Part B:Cyberne-tics,1999,29(4):535-541.
[4]Marana A N,Velastin S A,Costa L F,et al.Automatic Esti-mation of Crowd Density Using Texture[J].Safety Science,1998,28(3):165-175.
[5]胡波,李晓华,沈兰荪.场景监控中的人群密度估计[J].电路与系统学报,2007,12(6):19-22.
[6]王尔丹,李晓华,沈兰荪.基于多尺度分析和分形的人群密度估计方法[J].计算机工程与应用,2005(29):35-38.
[7]邓玉春.动态场景中的背景恢复[J].微电子学与计算机,2004,21(11):70-72.
[8]Zoran Zivkovic.Improved Adaptive Gaussian Mixture Modelfor Background Subtraction[A].Proceedings of the 17th In-ternational Conference on Pattern Recognition[C].2004,2:28-31.
[9]唐勇,姜昱明.一种基于彩色图像的运动人体分割方法[J].微电子学与计算机,2006,23(3):70-72.
人群密度分析 第4篇
随着机器视觉、图像处理和模式识别等学科领域的快速发展,研究人员在人群密度估计领域做出了大量富有成效的工作,以其为基础形成了许多富有特色的智能系统,系统的通用结构通常包括采集单元、处理单元和控制单元三大模块。其中,采集单元主要是通过摄像机摄取人群图像并加以储存;处理单元是采用数字图像处理技术对图像进行处理以获取人群密度或流量数据;控制单元主要是根据人群流量或密度做出相应的判断并采取相应的措施。系统结构如图1所示。
1995年,伦敦地铁采用了EPSRC人群监控系统,能够进行地铁站的人群密度估计和流量统计;欧盟于1999 年研究了以研究人群和个人行为模式为内容的ADVISOR系统,用于提升公共场所的安全管理水平;IBM开发的Smart Surveillance系统,集成了车牌识别、人体行为分析和人脸识别等多种功能。此外,国内基于视频的人群密度估计研究也取得了较大的进步。中国科技大学、西安电子科技大学、香港中文大学等院校都成立了机器视觉领域的研究团队,取得了丰富的研究成果。中国科学院自动化所开展了智能视觉监控系统的研究和开发,可实时识别、跟踪目标和检测异常行为。香港中文大学的计算机视觉研究组开发了Deep ID的深度学习模型,在LFW上获得了99.15%的识别率,打破了之前的世界纪录,在人群监测领域走在了世界前列。
1 人群密度估计的基本概念
人群密度通常指某个空间内人的稠密程度,通常采用单位面积内的人数来表示。基于视频图像的人群密度估计就是通过固定摄像头采集固定场景的视频图像,并运用模式分类的相关方法对图像中的人群信息进行识别、提取和统计,分析人群模型和确定人群密度分类等级。其基本流程见图2,各部分工作原理如下:
图像采样是指相关设备采集视频数据,从中提取视频序列,一般为连续的单幅静态图像。图像预处理一般包括背景减法、直方图均衡和模版背景屏蔽等方法。背景减法可以裁剪出运动目标对象区域;直方图均衡方法可以减小光照变化因素的影响;模版背景屏蔽可以通过屏蔽复杂背景,仅保留相关感兴趣的图像区域。特征提取是指在经过预处理的图像中提取可以反映人群关键信息的特征值,通常包括像素特征、纹理特征、个体特征几类。密度特征分析是指选择合适的方法,对不同场合提取的人群密度特征进行分析,从而得出人群密度的估计值,常见的方法有线性分析、人工神经网络、支持向量机、卡尔曼滤波、马尔科夫随机场等。
当前,根据场景内人群数目可将人群密度分为极稀疏、稀疏、中等密度、拥挤和阻塞几个等级,等级的划分最早来源于1983 年Polus的研究[1],Polus在18m2的监控区域内所得出的人群密度等级及阈值如表1所示。
2 人群密度估计的主要研究方法
最初的人群密度监控系统都是简单的通过前景图像在整个图像中所占的比例来估算人群密度,但在人群密度较大的情况下,算法的错误分类概率会迅速增大。目前,基于视频图像的人群密度分析方法主要包含两个大的方向,一个是针对整个人群群体特征的所进行的群体分析;另一个是基于个体特征进行的个体分析。这两大研究方向又包含了三类研究方法:基于像素统计特征、基于纹理特征的人群密度算法以及基于个体分割特征提取技术的人群密度估计方法,如图3所示。
2.1 基于像素统计的方法
图像的像素统计特性是最先被利用同时也是很有效的人群密度特征,通过提取图像的全局特征和内部边缘特征对人群密度进行估计。其基本思想是:在人群越密集的状态中,其分离出的前景在图像中占有更高的比例。但是这种方法基于一个基本的假设,即人群密度的大小与图像中具有显著运动的区域有关。这种方法具有算法简单、运算速度快等特点,但在人群密度较高的情况下,人群的严重遮挡会导致个体信息的严重缺失,从而使得算法的误差急剧增大,一般说来,在进行较为简单的像素统计时,我们仅仅利用像素之间的空域相关性,而在进行复杂统计时,我们还利用视频在时间序列上的相关性,称之为时域相关性。
在利用空域相关信息进行密度估计研究方面,1995年,Da-vies[4]等研究发现,在人群密度较低的情况下,前景图像(只包含人)的总像素数和边缘图像的总像素数与图像中的人群数量大致呈线性关系。在减背景操作和边缘检测的基础上,采取多元线性回归分析,通过人工训练学习,能够得到像素数与人数之间的比例关系,可以用函数y=ax+b表示。1999年,W.S.Chow提出了基于混合全局学习算法的神经网络分析人群密度[5],并在2002年采取了改进措施[6],通过提取人群对象的边缘长度、人群对象的像素在整个图像中占有的比例、背景像素在整个图像中占有的比例以及显著个体特征等四类特征,组成一个四维特征矢量,采用分类和自学习性能更加的RBF神经网络进行密度估计,使得系统性能更加稳定,并于同年在香港地铁中得到了推广应用。
在利用时域相关信息的研究方面,比较有代表性的有Re-gazzoni[2]和Paragios[3]等人。1994 年,Regazzoni提出了基于分布式扩展卡尔曼滤波的人群密度估计方法。该算法通过提取出边缘像素数、边缘像素数与矩形框的长宽比、边缘像素直方图中极大值个数和幅度和等特征,组成一组五维向量,利用分布式卡尔曼滤波器进行人群密度的估计。2001 年,Paragios等利用马尔科夫随机场(MRF)进行人群密度估计研究,主要思路是采取MRF的方法对图像进行检测,获取到一个平滑的变化检测图像,而后将得到的检测图像与一个几何模块结合起来进行透视校正来估计人群密度。
2.2 基于纹理分析的方法
纹理是图像的重要特征,是模式识别和图像处理等学科中辨别图像区域的重要依据。常使用区域尺寸、可分辨灰度元素以及灰度元素之间的关系来描述图像区域。基于纹理分析的人群密度估计方法就是通过纹理分析、纹理提取、特征分类等方法,实现人群密度的估计。该方法在人群密度较高的情况下,能得到较为准确的估计值。其基本原理是:不同的人群密度对应不同的纹理模式,高密度的人群在纹理上表现为细模式,而低密度的人群图像在纹理上表现为粗模式。常用的方法包括灰度共生矩阵、小波包分解法、分形方法等,下面进行简要介绍。
2.2.1 灰度共生矩阵算法
20 世纪70 年代初出现的灰度共生矩阵算法(GLDM)指的是从灰度为i的像素点出发,离开某个固定点(距离为d,方位为θ)的点上灰度值为j的概率。得到的估计值可以表示成一个矩阵的形式,反映出了不同灰度像素的位置分布信息。从GLDM导出的一些统计学参数可以作为描述纹理特征的参量。Haralick[7]提出了14 种基于GLDM提出的统计参数包括能量、熵、对比度、均匀性、方差、差熵、差平均、相关性、和平均、和方差、和熵、逆方差、相关信息测度以及最大相关系数。常采用能量、对比度、逆方差、熵四个特征量作为特征参数。
由于GLDM算法计算量十分庞大,研究人员通常在特征提取前降低图像的灰度级,能够大大减小计算量,提升计算的速度,使得该算法具有更广泛的应用能力。近年来,基于GLDM的改进算法大量涌现,2008年,刘晓锐[8]等提出了一种基于二维快速傅立叶变换和灰度共生矩阵的人群密度特征提取方法.主要思想是依据不同密度的人群图像在其频谱图上的不同。将频谱图视为纹理图像,并提取纹理特征,采用Adaboost实现人群密度级别的分类,实验结果表明其计算速度能大大提高。2013年,Xue Min Hu[9]等改进的混合高斯建模梯度估计法,提出了细分人群的思想。该方法通过计算加权面积来解决个体之间的阻挡问题,能有效处理拍摄角度不合适的图像,采用自适应提高分类器(Adaptive Boost Classifier)提取特征加权面积,并结合混合高斯建模梯度估计出人群密度,实验证明能取得很好的实时处理结果。2014年侯鹏鹏[10]在传统的GLDM分析法中,采用能量、熵、惯性矩、局部平稳性和相关性这五个特征量进行纹理分析,并采用处理小样本效果明显的SVM分类器训练特征样本,其分析计算效率高,鲁棒性好。
2.2.2 小波包分解法
在视频监控取景过程中,由于摄像头的拍摄角度存在差异,所获取的人群图像具有一定的透视效果,因此存在着多尺度特性。2001年,Marana[11]等提出的小波包分解法正是利用这种多尺度特性来提取人群图像的纹理特征。首先把人群图像f(x,y)当成二维信号,进行二维图像的小波分解,得到小波系数矩阵,将计算出的系数矩阵能量值作为特征矢量送入自组织神经网络(SOM)进行分类。图4展示了SOM网络拓扑结构。
图像获取过程中所产生的多尺度特性给纹理分析带来了新的思路,其中小波包分解法就是一种非常有效的分析途径。但是也存在着分解系数数据量过大、计算繁杂等一些不容忽视的缺陷,同时也使得分类特征的选择比较困难。
2.2.3 分形算法
在图形图像处理领域中,图像的粗糙度是图像存在的一种客观属性,具有一些统计性质,在不同尺度上存在自相似性。分形[12]作为一种常用的纹理分析方法对于这些性质的建模非常有用,其粗糙度的度量我们常常用分形维数进行表示。它能同时反映出图像的灰度信息和空间信息,在人群密度估计领域中得到了研究人员的广泛关注。其主要思想是:人群的边缘曲线与分形曲线非常相似,人群密度的大小可以通过边缘曲线的细碎程度及时反映出来,边缘曲线越平滑代表着人群密度越低,相应的其分形维数越小,反之亦然。通常情况下,越平滑图像的分形维数越接近1;而越高粗糙度图像的分形维数越接近2。具体工作流程如图5所示。
这种方法在人群密度估计中有着十分显著的优点,仅仅所需分形维数这一个特征量,因此流程简单,计算速度快,能很好地区分低、中、高各密度人群。但是在人群密度很高的情况下,其错误分类的概率会升高,无法区分高密度和极高密度的人群。为了解决这类问题,王尔丹[13]等提出了一种基于多尺度分析和分形的人群密度估计方法,该方法通过对图像进行正交小波分解,得到不同尺度不同方向上的子带图像,并采用分形方法对不同子带进行多尺度特征提取,通过采用微分计盒法(Dif-ferential Box-counting)来计算出计盒维数(Box-counting Dimen-sion),并构成多维特征矢量送入最小二乘支持向量机(LSSVM)中进行分类。在很高密度的估计实验中,其分类的平均正确率能达到94%,算法性能上有了较大的提升。
2.3 基于个体特征的方法
基于个体特征的人群密度估计方法需要获取较为精确的个体信息,通常在前景分割的基础上,对个体外形、边缘、颜色等等特征进行有效的提取。
Lin[14]等利用Haar小波变换算法提取行人头部轮廓特征,通过支持向量机分类器和计算机透视变换实现了行人人数的统计和密度估计。但是此种方法对摄像机拍摄角度要求较高,而且在人群较为密集的情况下,由于个体之间的阻挡,其特征提取非常困难,检测效果较差。
Felzenszwalb等[15]提出了一种基于多尺度形变的多部位混合目标识别模型,该方法通过进行部分标注数据的区分性训练和自改进的latent-SVM的迭代训练法,提高了对图像中尺度和形状都发生变化的目标的识别能力。但是,当人群密度较大、目标较小或图像分辨率很低时难以准确提取人体几何特征,算法的有效性会大大降低。
2009年,Mehran[16]等将人群个体的活动用牛顿力学加以量化,通过提取场景中人群运动的光流特征,用粒子的平流传送来计算“社会力”流,估计出似然力流,而后设定阈值范围进行密度判定。该方法在基于个体分析算法研究中创造性地将“社会力”这一社会心理学的概念引入研究中,综合了其他学科领域的知识,为以后的人群密度算法分析开阔了思路,有着较好的借鉴意义。
3 人群密度估计的研究展望
随着计算机视觉和人工智能领域相关技术的快速发展,智能视频监控作为安防的智能化手段将从公共应用走向个人应用,人群密度估计将逐渐和流量统计、异常事件识别等技术融合发展,从而为人群监控、人群管理和决策制定提供重要依据。然而目前,基于视频图像的人群密度估计仍然是一个十分具有挑战性的研究课题。现有各类算法在准确度和复杂度方面都需要进一步改进,研究条件也不一而足,具体说来,还需对以下几个方面进行探索改进:
1)现有的不管是基于个体的还是基于群体的人群密度分析方法都具备一定的局限性,无法对高密度甚至极高密度人群做出准确的分析。如何针对大规模、高密度的研究对象,寻找出高效准确的特征子描述方式,进一步提升人群特征的描述精度,有效克服各类噪声和外部环境等因素带来的影响是摆在广大研究人员一个现实而复杂的问题。
2)现在被广泛使用的支持向量机的理论仍然还没有形成有关核函数选择的有效理论,具体参数只能通过经验进行尝试和选择,存在着SVM的计算量较大,参数不容易调整等问题。如何针对人群分析的实际,综合考虑复杂度和精度,进行寻求最优参数的方法研究将是今后人群密度分析算法一个重要研究方向。
3)开展此类研究样本需求量较大,研究人员往往难以获得大规模群体事件的真实场景样本,训练样本在规模和复杂度上都和实际的应用需求有着较大的不同,导致各类人群密度算法难以用真实的场景数据进行验证。虽说近年来,计算机图形学和计算机图像学等学科发展较为迅速,所开展的计算机人群场景仿真研究一定程度地弥补了人群分析算法在的验证方面的不足,但还没有从根本上解决这一问题,还需要更多的理论技术研究充实这一领域。
摘要：人群密度估计作为公共人群管理的重要手段,一直是智能视频监控系统研究领域的重要方向,在公共安全、科学研究等领域有着极其广泛的应用前景。该文系统介绍了人群密度估计的基本概念、基本流程、密度等级分类等内容。对当前研究的主流算法进行了分析比较,进一步总结了当前研究中亟须解决的瓶颈问题,为后续研究提供了思路。
人群密度分析 第5篇
近年来随着经济和城镇化的不断发展,城市人口急速膨胀,城市中大规模、高密度的人群活动不断增多。人数多、密度大的人群不但可能发生踩踏事故,还有可能衍生出大规模暴力冲突等危害公众和社会安全的行为,存在很大安全隐患,因此对大规模活动进行监控,将中高密度人群进行分类,实行有效的预警对公共安全具有重要意义,已经成为当前研究热点。1985 年,Fruin[1]提出了经典的人群密度理论: 当人群密度超过阈值( 0. 15m2/ 人) 时,场景中的人群很有可能会失控,从而引起严重的人群安全事故。这一理论,为后续关于人群密度的研究工作提供了很好的理论基础。
人群密度检测的研究方法主要分为两类: 一类是基于前景像素的人群密度检测[2],具有代表性的是Davies、Chow等人[2,3]提出的算法,该算法采用像素统计法,利用人群前景和人群数目所占像素的线性关系进行人群密度检测估计,它适用于低密度人群,高密度人群则易产生较大误差; 一类是基于纹理特征的人群密度检测,具有代表性的是Marana[4]、Chan[5]、Wu[6]和Rahmalan[7]等人提出的方法,该方法把纹理特征应用于人群密度,假定纹理模式较粗的人群图像其人群密度等级较低,纹理模式较细的人群图像其人群密度等级较高,根据这个特点,可提取人群图像的纹理特征来进行人群密度估计。
根据纹理特征[8]进行人群密度估计的方法,在高密度检测时精确度更高,解决了基于前景像素方法在人群密度大时的局限性,而且该方法可以解决重叠问题,但对低密度人群估计时误差较大。针对中高密度人群图像,本文提出一种融合LBP与GLCM的方法,实验中先对图像进行LBP滤波,得到LBP图像。再对LBP图像建立GLCM灰度共生矩阵,获取其能量、对比度、逆差矩、熵,并将求得的每个灰度共生矩阵的特征值进行级联,得到16 个纹理特征。最后采用支持向量机的方法来进行分类。方法流程图如图1 所示。
2 人群图像纹理特征提取
2. 1 LBP算子
LBP( Local Binary Pattern) 又称为局部二值模式[9,10],是一种算子,用来描述图像局部纹理特征。LBP对光照变化具有很强的鲁棒性并且计算简单。
最早的LBP算子是: 对于1 幅图像的某个局部区域内的任意像素当做中心点,在3 × 3 的窗口内,将窗口中心点灰度值当做阈值,其他8 邻域像素灰度值和该阈值做差运算,当其差值大于0 时就将该像素标记为1,当其差值小于0 时就将该像素标记为0,这样,标记后的8 邻域像素可以产生一串0、1 表示的无符号数,这个无符号数就是该窗口的LBP值,它能清楚地反映该区域的纹理信息[9,10]。随后又出现了诸如圆形LBP算子、LBP均匀模式、LBP旋转不变模式和LBP等价模式等各种改进和优化方法。
传统LBP算子只能覆盖一个固定大小的区域,描述能力有限。为了能够适应不同频率与尺度的纹理,Ojala对传统LBP算子做了改进,首先使用圆形区域代替了矩形区域,并将3 × 3 窗口扩充到任意大小,即中心点gc在半径为R的圆形区域内包含了任意多个像素点。以gc为中心像素位置,gi为其邻域像素位置,R是gi到gc之间的距离,P是采样点数,则LBP值为
式中: s( x) 是一个二值函数。原图像经过LBP算子处理后,得到同原图像相同大小的LBP图像,然后对该图像统计其直方图,一般不让LBP图像直接用于纹理特征描述,然而这样会使得纹理特征描述子的参数随着半径R以及P点的增多,快速增加,这种现象会极大的提升计算量,给算法的实时性带来很大的困难。
2. 2 GLCM
灰度共生矩阵GLCM,用于提取图像的纹理特征[11]。它能够反映图像的灰度在相邻的方向、相邻的间隔、变化的幅度等方面的综合信息,能够反映具有相同灰度级的像素之间的位置分布特征,是计算纹理特征的基础。
设图像中某点( x,y) 的灰度值为i,另外一点的坐标为( x +a,y + b) ,灰度值为j。这两点形成的夹角为 θ,距离为d的概率记为P(i,j,d,θ)。其中,θ 一般取值0°,45°,90°,135°。
GLCM矩阵元素相对于主对角线的分布情况,可以反映出图像纹理的粗细程度。对于含有丰富粗纹理的区域,其GLCM中非零元素比较多,并且在主对角线附近分布密集。因为在富含丰富粗纹理的区域,像素灰度分布相对平滑,方差较小。而对于含有较多细纹理的区域,其GLCM中的非零元素值或值较大的元素值则分散分布。
GLCM本身并不是纹理特征[11],而是在其基础上进行纹理特征的提取,因此被称作二次统计量。在GLCM中,选用4种最常用的概念来描述纹理特征,简化计算,提高分类精度,它们是:
1) 能量( Energy) : GLCM元素值的平方和,它主要反映了图像纹理的粗细程度和灰度的分布均匀程度。
2) 对比度( Contrast) : GLCM值的分布情况,主要反映图像清晰度和纹理情况[11]。
3) 熵( Entropy) : 描述图像信息量,它反映了图像纹理复杂度。
4) 逆差距( Homogeneity) : 表示图像纹理的规则程度,能够反映图像局部纹理变化的大小。逆差距越大则说明不同区域间的图像纹理变化反而越小,局部纹理相对均匀,反之也是一样的。
2. 3 LBP与GLCM融合的方法进行纹理提取
LBP算子的特征维度高,给计算带来很大的困难。基于此,本文在进行纹理特征提取时,提出了一种融合LBP和GLCM纹理特征提取方法,该算法首先使用LBP算子对原图像滤波,获取原图局部二值模式图像,然后计算其GLCM,提取GLCM纹理特征来描述图像的纹理特征。这样既避免了LBP算子特征降维带来的损失,又能充分利用LBP和GLCM纹理特征提取的有效性。LBP与GLCM融合的具体步骤如下:
1) 选取旋转不变的LBP算子,然后对每幅图像滤波,得到LBP图像。如图2 所示。
2) 计算LBP图像特征谱的灰度共生矩阵,选取一定的距离d,分别令 θ = 0°,45°,90°,135°,得到4 个GLCM。
3) 计算每个GLCM的能量、对比度、逆差矩、熵并级联,得到16 维纹理特征。
3 基于DAGSVM的密度分类
支持向量机( Support Vector Machine,SVM) 的基本原理是: 将原始输入的特征向量映射变换到一个高维的特征空间中,并在高维特征空间中求解出最优的分类超平面[12],这种映射是一种非线性变换,可以通过定义的内积函数来实现。它可以解决局部极小点、非线性、小样本、高维数等各种应用问题[13]。SVM的判别函数如式( 3)
式中: sgn{·}为符号函数,括号里的是一个线性函数; b*是最优偏置值; yi∈ { 1,- 1} 是结果标签; αi*是最优拉格朗日乘子; K( xi·x) 为内积核函数; x是待分类样本; xi是训练样本中的支持向量。待分类样本和训练样本的支持向量通过内积函数的非线性变化,将输入空间变换到一个高维的特征空间,求取最优分类面,得到最优的分类结果。
SVM算法原本是用来解决两类问题,本文研究的对象为中高人群密度的分类,分类对象有中密度、高密度和很高密度三类。对此,可以采用有向无环图支持向量机( DAGSVM) ,构造3 个SVM分类器,并按一定的顺序使用它们。如图3 所示,DAGSVM由C13,C12和C23组成,由上到下进行两次分类,通过级联3 个SVM的方法得到一个三分类的DAGSVM。
4 实验结果与分析
实验中采用中密度、高密度和超高密度的人群图像,采用Pets2009 基准数据库进行实验,图4 是Pets2009 数据库中的S1_L2_time14-06_view001,S1_L2_time14-31_view001,S1_L1 _time13-57_view002 三组图像序列,分别是中密度、高密度、超高密度人群。
使用该样本库中样本,首先训练SVM参数,然后选取3组测试样本,得到最终的分类结果。每组图像被随机平均分为训练集和测试集两组。基于本文方法的人群密度分类结果如表1 所示,基于GLCM的人群密度分类结果如表2 所示。
每组图像序列分类结果对应的混淆矩阵如图5 所示。图中medium、high、very-high三个标签分别表示中密度、高密度、超高密度三个级别。可以看出,本文方法具有良好的分类效果,在中高密度人群检测中具有较高的准确率。
表3 为其他国际、国内流行算法与本文方法的对比实验结果,由表3 中数据可以得出,本文所提方法的准确率高于其他方法的准确率。
5 结论
人群密度分析 第6篇
1 资料与方法
1.1 一般资料
对柳州市2010年12月-2014年12月进行体检的2150例居民进行回顾性分析, 其中男1050例, 年龄41~69岁, 平均 (60.55±1.24) 岁;女1100例, 年龄40~70岁, 平均年龄 (61.01±1.02) 岁;排除在过去1年内曾服用全身糖皮质激素、双磷酸盐以及近期服用过降尿酸药, 如苯溴马隆、别嘌呤醇等的居民。本次研究在柳州市伦理委员会批准下进行, 并且全部研究者均签署了知情同意书自愿参与研究。
1.2 方法
由本院内科医生组成调查小组, 通过流行病学研究员培训并合格后参与调查。根据标准方式对研究者的体重、身高进行检测, 测定患者空腹静脉采血中血尿素氮、尿酸、间接胆红素、直接胆红素、肌酐、高密度脂蛋白胆固醇、甘油三酯、血清总胆固醇、胱抑素、血糖、谷草转氨酶、谷丙转氨酶、γ-谷氨酰转移酶水平。并通过骨密度测定仪对患者左侧股骨颈、Wards三角、L1~4、大转子区域的骨密度进行测定。骨密度>-1 SD则为正常骨量。骨量减小:-1~2.5 SD;骨质疏松:<-2.5 SD[3,4,5,6]。
1.3统计学处理釆用SPSS 17.0对所得数据进行统计学分析, 计量资料以 (x-±s) 表示, 组内比较采用配对t检验, 组间比较采用方差分析或独立样本检验, 计数资料采用χ2检验, 以P<0.05为有统计学意义。
2 结果
2.1 体检居民临床资料比较
2150例体检居民中男性与女性临床资料中年龄、血钙、胆固醇、尿ACR水平、肌酐等比较差异无统计学意义, (P>0.05) 。BMI、甘油三酯、血尿酸水平, 大转子、Wards三角、股骨颈、1, 25 (OH) 2D3、L1~4等骨密度数据比较差异有统计学意义 (P<0.05) , 见表1。
2.2 骨密度不同患者血尿酸水平对比情况
1050例男性体检者中, 正常骨量者178例, 平均血尿酸水平为 (359.12±42.11) μmol/L;骨量减少者539例, 平均血尿酸水平为 (331.26±54.25) μmol/L;骨质疏松者333例, 平均血尿酸水平为 (421.25±32.25) μmol/L。正常骨量体检者的血尿酸水平明显低于骨质疏松患者的血尿酸水平, 正常骨量者血尿酸水平高于骨量减少者, 比较差异均有统计学意义 (F=1161.43, P<0.05) 。1100例女性体检者中, 正常骨量者197例, 平均血尿酸水平为 (298.11±62.32) μmol/L, 骨量减少者592例, 平均血尿酸水平为 (291.12±66.52) μmol/L;骨质疏松者311例, 平均血尿酸水平为 (365.21±85.21) μmol/L。正常骨量者的血尿酸水平也明显低于骨质疏松患者, 差异有统计学意义 (F=1755.00, P<0.05) ;而正常骨量者与骨量减少者的血尿酸水平比较, 差异无统计学意义 (P>0.05) 。2.3不同血尿酸水平与机体各部位的骨密度间相关性所有患者中正常血尿酸1200例, 高尿酸950例。而正常血尿酸水平者L1~4部位骨密度低于高尿酸水平者, 差异有统计学意义 (P<0.05) , 见表3。
3 讨论
随着现代人们生活方式与饮食习惯的改变, 高尿酸血症发病率不断上升, 人体中尿酸是重要抗氧化剂, 同时还参与氧化还原反应, 有着抗DNA损伤与抗氧化的作用, 但尿酸也对血管平滑肌增生起着促进作用, 造成机体内皮功能紊乱。尿酸水平过高或过低均会使老年人常见的疾病, 如肿瘤、心脑血管、肝肾功能疾病发病率增加[7,8,9]。据相关研究报道, 我国男性20岁以上高尿酸血症发病率约为1.4%, 而女性则为1.3%, 近几年来的调查发现, 各地区的高尿酸血症发病机率不一, 约2.4%~33.1%。据笔者研究发现在柳州居民高尿酸血症已经属于高发水平[10,11,12,13,14,15]。
目前临床中对尿酸抑制骨转换机制尚未明确, 而有研究发现, 尿酸保护作用与抗氧化作用相关, 在有关报道中血尿酸与PTH水平间呈正相关性[16,17,18,19]。本研究中体检居民中男性与女性临床资料的年龄、血钙、胆固醇、尿ACR水平、肌酐等无明显差异 (P>0.05) , BMI、甘油三酯、血尿酸水平, 大转子、Wards三角、股骨颈、1, 25 (OH) 2D3、L1~4等骨密度数据比较差异均有统计学意义 (P<0.05) 。有研究显示高尿酸血症导致骨质疏松机制很可能是由于尿酸盐结晶沉积与肾脏, 使1α-羟化酶活性降低, 致使肠道对钙能力吸收降低, 对骨代谢产生影响[20,21,22,23,24]。正常浓度的血尿酸在机体中属于抗氧化剂, 骨质疏松发生、发展与机体内抗氧化能力的降低、骨细胞内氧化应激的增加相关。金华等[25]研究发现, 尿酸水平较低会导致骨密度值降低, 而尿酸正常水平偏高会促进骨密度值增高, 使骨质疏松发病率降低。本研究中显示, 正常血尿酸水平患者股骨颈、Wards三角、大转子等部位骨密度差异无统计学意义 (P>0.05) ;而正常血尿酸水平者L1~4部位骨密度显著低于高尿酸水平者, 差异有统计学意义 (P<0.05) , 再次对金华等[25]研究结果进行了证实。本研究中还发现, 1050例男性体检者中, 正常骨量者178例, 平均血尿酸水平为 (359.12±42.11) μmol/L;骨量减少者539例, 平均血尿酸水平为 (331.26±54.25) μmol/L;骨质疏松者333例, 平均血尿酸水平为 (421.25±32.25) μmol/L;正常骨量体检者的血尿酸水平明显低于骨质疏松患者的血尿酸水平, 正常骨量者血尿酸水平高于骨量减少者, 比较差异均有统计学意义 (P<0.05) 。1100例女性体检者中, 正常骨量者197例, 平均血尿酸水平为 (298.11±62.32) μmol/L;骨量减少者592例, 平均血尿酸水平为 (281.12±36.52) μmol/L;骨质疏松者311例, 平均血尿酸水平为 (365.21±85.21) μmol/L, 正常骨量者的血尿酸水平也明显低于骨质疏松患者, 差异有统计学意义 (P<0.05) ;而正常骨量者与骨量减少者的血尿酸水平比较, 差异无统计学意义 (P>0.05) 。说明了不同性别间, 正常骨量者与骨量减少者血尿酸水平比较存在差异。
人群密度分析 第7篇
本研究通过采用定量CT(quantitative CT,QCT)测量新疆汉族、维吾尔族正常男性人群的骨密度,观察不同年龄段骨密度的变化趋势,并与双能X线吸收测定仪(duel energy X-ray absorptiometry,DXA)检查结果比较,分析两种民族男性的骨密度状况及差异。
1 资料与方法
1.1 一般资料
收集2002~2008新疆境内的704名常住正常男性,年龄20~82岁,其中汉族438名,维吾尔族266名。职业包括干部、教师、工人、学生、离退休人员和农民,且均符合以下条件:(1)除外各种可能影响骨代谢的主要疾病,如内分泌异常、严重肝肾疾病、糖尿病、胶原病、骨肿瘤或骨关节疾病等;(2)除外曾经发生过骨折,长期服用影响骨骼代谢的药物如钙剂、激素等;(3)行QCT检查前,每人填写一份骨密度相关情况调查表,包括年龄、身高、体重、职业史、吸烟和饮酒情况、运动情况、既往疾病史;(4)居住于新疆地区超过10年。将704名研究对象按不同民族每5岁作为1个年龄段进行分组,汉族及维吾尔族男性各11组。
1.2 仪器与方法
1.2.1 骨密度QCT测量
QCT检查所用设备为GE lightspeed plus 4排、16排多层螺旋CT机和QCT3000骨密度分析系统。按照常规腰椎检查方法,将标准参考体模置于腰椎下方,在扫描定位像上,设置穿过L2~L4椎体中央并平行于椎间隙的3条扫描线,扫描结束后,测量并记录各个椎体中央松质骨的CT值和相应层面参考体模中4个不同已知骨密度区域的CT值,将数据输入QCT 3000骨密度分析系统,自动得到骨密度分析结果。
1.2.2 BMD测定的质量控制
每次检查前均校正X线球管的状态,并且做CT值校正(以水模为标准扫描),选6名志愿者,对L2~L4椎体测定3次骨密度值,变异系数分别为1.82%、1.91%、2.22%。1.3骨质疏松诊断标准由于WHO骨质疏松诊断标准仅适用于DXA,在脊柱应用QCT测得的T值比DXA测得的T值低,故本研究中骨质疏松的诊断依据采用2007年国际临床骨密度协会(International Society for Clinical Densitometry,ISCD)共识文件推荐的标准[2]:T值等于-3.4为诊断阈值,即骨密度较骨峰值减少3.4个标准差以上诊断为骨质疏松。
1.4 统计学方法
采用SPSS 11.0软件进行分析,计量资料数据以均数±标准差(x±s)表示,采用两样本间t检验进行分析;两样本率的比较采用χ2检验,以P<0.05为差异有统计学意义。
2 结果
2.1 汉族、维吾尔族正常男性各年龄组腰椎QCT检查骨密度变化趋势
汉族、维吾尔族男性出现骨峰值的年龄段相同,均在30~35岁出现,维吾尔族男性骨峰值较汉族男性高。随年龄增大,汉族、维吾尔族男性在峰值过后骨密度均逐渐下降。其中汉族男性骨密度下降平稳,而60岁以后,汉族、维吾尔族男性骨量丢失均较快(图1)。
2.2 正常男性汉族、维吾尔族腰椎DXA测量结果和腰椎QCT骨密度测量结果见表1。
注:(1)与汉族比较,t=-11.67,P<0.05
由表1可见,QCT测量中汉族、维吾尔族男性腰椎骨密度均在30~34岁达到骨峰值,维吾尔族男性骨峰值较汉族男性高,差异有统计学意义(P<0.05)。此后,随年龄增长BMD逐渐呈下降趋势,60岁以后骨密度下降明显。同类DXA测量研究结果显示,两民族BMD的达峰年龄略有推后,在35~39岁达到骨峰值,但骨峰值间比较差异无统计学意义,60岁以上汉族男性及65岁以上维吾尔族男性骨密度值无下降趋势,呈反向性增高。
2.3 汉族、维吾尔族正常男性各年龄组骨质疏松患病率
见表2。
注:(1)与同年龄段组汉族比较,χ2=1.59,P<0.05
表2结果显示,50岁之前男性原发性骨质疏松的患病率低。50岁以后,随年龄增长患病率逐渐增高,其中中老年维吾尔族男性骨质疏松患病率高于汉族男性(除50~54岁组),在≥70岁组两民族间患病率的差异有统计学意义(P<0.05)。
3 讨论
骨质疏松症是遗传和环境因素共同参与的多因子复杂疾病[4],不同的遗传背景导致了不同人种的骨骼生长和峰值骨量的获得和维持以及老年时期骨量的丢失状况均有各自的特点。目前研究热点多集中在女性,忽视了男性同女性一样具有很高的罹患骨质疏松的可能。文献[5]报道男性由于骨质疏松性骨折所致的伤残率和死亡率高于女性。
骨密度是可测量的骨质疏松表型,受种族、地域、环境等多种因素影响,这些均可能造成民族之间骨密度的差异[6]。因此,不同民族可能有不同的骨密度正常值。本研究中QCT测量结果显示,汉族、维吾尔族男性腰椎骨密度均在30~34岁达到骨峰值,DXA研究结果显示,两民族在35~39岁达到骨峰值,两民族骨峰值比较差异无统计学意义,本组维吾尔族男性骨峰值较汉族男性高,差异有统计学意义(P<0.05),分析原因可能是由于两组研究样本量均有限、个体的骨密度对该年龄段骨密度影响相对较大,其中研究群体的非遗传因素不均衡,体重、身高对骨密度的影响是否在DXA和QCT这两种检查中存在差异仍有待研究。此外,本研究采用QCT测量骨密度为容积骨密度,测量结果更为精准,能更好地反映汉族、维吾尔族男性椎体峰值骨密度的差异。随年龄增长汉族、维吾尔族男性骨峰值过后骨密度平稳下降,其中QCT检查中60岁以后骨密度下降明显,尤以维吾尔族男性为著。DXA测量结果发现,60岁以上汉族男性及65岁以上维吾尔族男性骨密度值呈反向性增高表现,可能由于椎体骨质增生或轻度压缩、主动脉硬化等影像与椎体本身影像重叠所致DXA测量值增高[7]。
骨密度峰值高者其骨质疏松症的发生时间相对推迟,出现骨质疏松性骨折年龄也较晚。但本研究结果显示维吾尔族男性骨峰值较汉族男性高,中老年时期罹患骨质疏松症的患病率也高,65~69岁组及≥70岁组维吾尔族男性骨质疏松症患病率(分别为21.43%、36.84%)高于同年龄段汉族男性(分别为15.91%、27.59%),可能与新疆地区维吾尔族的膳食习惯有关,尤其男性喜食肉类等高脂、高蛋白食物,肾负担加重,肾小管对钙的重吸收受到抑制,导致尿钙含量增加,钙流失增加。此外,维吾尔族、汉族文化背景存在差异,维吾尔族老年人预防保健意识相对不足,如膳食不合理、缺乏运动等,均会导致骨密度减低、骨质疏松。男性原发性骨质疏松从50岁左右开始发生,30~50岁男性原发性骨质疏松的患病率普遍较低。然而,研究中各年龄段男性骨质疏松的患病率高于国内发达地区报道的同年龄组的骨质疏松患病率[8~10],其原因可能一方面与环境、生活因素、预防保健意识等有关:新疆地处西北边陲,冬季气候寒冷漫长,且天气寒冷,限制了人们的日照和户外活动,造成皮肤1,25-二羟维生素D3合成不足,由于新疆大部分区域经济发展仍相对落后,生活水平不高,传统饮食普遍缺钙,造成钙和维生素D摄入明显不足;国内多数文献报道采用的是单能或双能X线法测量骨密度检查,可能会由于骨质增生或主动脉硬化等原因导致所测得的BMD值高于实际[7],从而降低了骨质疏松的患病率。本研究采用QCT测量腰椎松质骨密度,由于QCT充分利用了CT断层解剖定位的特点,能在三维立体空间上区分松质骨和皮质骨,选择性测量松质骨并排除了皮质骨的增生硬化和邻近组织对测量的影响,因此对诊断骨质疏松有较高的敏感性和特异性[11]。
本研究结果提示,汉族、维吾尔族男性腰椎骨密度变化规律相似,65岁以上男性是骨质疏松症的高发人群,维吾尔族老年男性更易罹患骨质疏松症,本研究对提高少数民族地区男性群体的身体健康水平及生活质量,维护社会稳定、促进经济发展具有重要意义。
摘要：目的 测量新疆汉族、维吾尔族正常男性人群定量CT(QCT)骨密度(BMD)值,研究新疆地区正常男性人群骨密度现状,比较两种民族男性骨密度随年龄变化的规律及差异。资料与方法 对20～82岁以上的704名符合健康标准的乌鲁木齐及周边地区汉族、维吾尔族男性体检者进行腰椎骨密度QCT测量,按不同民族每5岁分为1个年龄组,比较两组各年龄段骨密度及骨质疏松症患病率。结果 汉族、维吾尔族男性腰椎出现骨峰值的年龄段相同,维吾尔族男性骨峰值较汉族男性高(P<0.05)。随年龄增大,两民族男性骨密度均逐渐下降。65岁以后,汉族、维吾尔族男性骨量有加速下降的趋势,骨质疏松症患病率增加,65岁组及≥70岁组汉族男性骨质疏松症患病率分别为15.91%、27.59%,维吾尔族男性骨质疏松症患病率分别为21.43%、36.84%,≥70岁组两组间比较,差异有统计学意义(P<0.05)。结论 汉族、维吾尔族男性腰椎骨密度变化规律相似,65岁以上男性是骨质疏松症的高发人群,维吾尔族老年男性更易罹患骨质疏松症。
关键词：骨质疏松,骨密度,腰椎,体层摄影术,X线计算机
参考文献
[1]NIH Consensus Development Panel on Osteoporosis Prevention,Diagnosis and Therapy.Osteoprosis prevention,diagnosis,and therapy.JAMA,2001,285(6):785-795.
[2]Engelke K,Adams JE,Armbrecht G,et al.Clinical use of quantitative computed tomography and peripheral quantitative computed tomography in the management of osteoporosis in adults:the2007ISCD Official Positions.J Clin Densitom,2008,11(1):123-162.
[3]李白艳,贾文霄,张鹏,等.乌鲁木齐市汉族、维吾尔族正常人群骨密度DXA测量.中国骨质疏松杂志,2008,7(14):486-491.
[4]Halling A,Persson GR,Berglund J,et al.Comparison between the Klemetti index and heel DXA BMD measurements in the diagnosis of reduced skeletal bone mineral density in the elderly.Osteoporosis Int,2005,16(8):999-1003.
[5]Pacini S,Aterini S,Ruggiero M,et al.Bone mineral density and anthropometric measures in normal and osteoporotic men.Ital J Anat Embryol,1999,104(4):195-200.
[6]薛延.骨质疏松症诊断与治疗指南.北京:科学出版社,1999.208-213.
[7]梁敏,廖二元.体重、体重指数对健康绝经后妇女骨密度的影响.中国老年学杂志,2006,26(1):28-30.
[8]Zhang ZL,Qin YJ,Huang QR,et al.Bone mineral density of the spine and femur in healthy Chinese men.Asian J Androl,2006,8(4):419-427.
[9]Tan LJ,Lei SF,Chen XD,et al.Establishment of peak bone mineral density in Southern Chinese males and its comparisons with other males from different regions of China.J Bone Miner Metab,2007,25(2):114-121.
[10]Lynn HS,Lau EMC,Au B,et al.Bone mineral density reference norms for Hong Kong Chinese.Osteoporos Int,2005,16(12):1663-1668.