CN105654041A - 基于步态数据的特征参数获取方法和装置 - Google Patents

Abstract

本发明公开了一种基于步态数据的特征参数获取方法和装置。其中，该方法包括：在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，该步态数据包括该压力传感器的坐标和通过该压力传感器采集到的压力值；对每个该压力传感器采集的该压力值进行处理得到目标压力值，并根据该目标压力值和该压力传感器的坐标得到压力值中心点的坐标，并生成该压力值中心点的纵坐标序列；根据该压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数，并输出该特征参数。本发明解决了能够细粒度的根据足底压力的步态数据获取对应的特征参数。

Description

基于步态数据的特征参数获取方法和装置

技术领域

本发明涉及医学领域，具体而言，涉及一种基于步态数据的特征参数获取方法和装置。

背景技术

现在，通过压力采集设备能够获取用户的足底压力的步态数据，从而对该步态数据进行分析获知用户的步态状况。

现有的基于足底压力的步态数据的分析方法主要包括了对静止和运动两种状态下的运动特征研究。静止状态下主要研究压力中心点的转移速度、覆盖面积、轨迹长度以及压力的分布区域等。在运动状态下，主要研究用户步速、步幅长度变化等特征。但是这类研究都是从粗粒度的步与步之间的变化入手，无法细致的描述足底压力的特征。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于步态数据的特征参数获取方法和装置，能够细粒度的根据足底压力的步态数据获取对应的特征参数。

根据本发明实施例的一个方面，提供了一种基于步态数据的特征参数获取方法，包括：在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，所述步态数据包括所述压力传感器的坐标和通过所述压力传感器采集到的压力值；对每个所述压力传感器采集的所述压力值进行处理得到目标压力值，并根据所述目标压力值和所述压力传感器的坐标得到压力值中心点的坐标，并生成所述压力值中心点的纵坐标序列；根据所述压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数，并输出所述特征参数。

根据本发明实施例的另一方面，还提供了一种基于步态数据的特征参数获取装置，包括：采集单元，用于在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，所述步态数据包括所述压力传感器的坐标和通过所述压力传足部的步态数据；其中，所述步态数据包括所述压力传感器的坐标和通过所述压力传感器采集到的压力值；处理单元，用于对每个所述压力传感器采集的所述压力值进行处理得到目标压力值，并根据所述目标压力值和所述压力传感器的坐标得到压力值中心点的坐标，并生成所述压力值中心点的纵坐标序列；参数获取单元，用于根据所述压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数，并输出所述特征参数。

在本发明实施例中，在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，该步态数据包括该压力传感器的坐标和通过该压力传感器采集到的压力值；对每个该传感器采集的该压力值进行处理得到目标压力值，并根据该目标压力值和该压力传感器的坐标得到压力值中心点的坐标，并生成该压力值中心点的纵坐标序列；根据所述压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数，并输出所述特征参数。这样，通过压力传感器获取步态数据，并通过统计学模型对该步态数据进行处理，实现更加细致的对步态数据进行分析，能够细粒度的根据足底压力的步态数据获取对应的特征参数。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的基于步态数据的特征参数获取方法的流程示意图；

图2是根据本发明实施例的另一种可选的基于步态数据的特征参数获取方法的流程示意图；

图3是根据本发明实施例的一种可选的基于步态数据的特征参数获取装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种基于步态数据的特征参数获取方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种基于步态数据的特征参数获取方法，如图1所示，本发明实施例的执行主体为基于步态数据的特征参数获取装置，该方法包括如下步骤：

步骤S102，在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，该步态数据包括该压力传感器的坐标和通过该压力传感器采集到的压力值。

其中，该压力传感器用于采集检测对象的双足的步态数据，例如可以在双足对应的鞋垫上设置多个压力传感器，该压力传感器采集该检测对象在不需要外力帮助下在水平平路自由行走第一预设时间内的足部的步态数据。

步骤S104，对每个该压力传感器采集的该压力值进行处理得到目标压力值，并根据该目标压力值和该压力传感器的坐标得到压力值中心点的坐标，并生成该压力值中心点的纵坐标序列。

可选地，从该压力值中去除从采集起始时刻起的第二预设时间内采集的压力值以及该足部处于空中摆动状态且压力值不为0的压力值，得到该目标压力值。

具体地，首先，将该检测对象开始行走时的第二预设时间(如20秒)内的步态数据去除，避免因检测对象未进入正常行走状态而引起误差；其次，进行步态阶段识别，并将处于摆动器且压力值不为0的压力值去除。

其中，该步态阶段包括支撑期和摆动期，支撑期为该检测对象的足部处于着地状态的时期，摆动期为该检测对象的足部处于空中摆动状态的时期。

可选地，通过以下公式得到该压力值中心点的坐标：

$X=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{X}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i},Y=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{Y}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i}$

其中，X为该压力值中心点的横坐标，Y为该压力值中心点的纵坐标，X_i为第i个该压力传感器的横坐标，Y_i第i个该压力传感器的纵坐标，P_i为第i个该压力传感器采集的压力值，n为该压力传感器的个数。

步骤S106，根据该压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数，并输出该特征参数。

可选地，通过以下公式将该压力值中心点的纵坐标序列划分成N个纵坐标区间，并获取每个该纵坐标区间内的样本个数与该纵坐标序列的样本总数的比值，并根据该比值通过双峰分布概率模型进行拟合得到特征参数。

具体地，该公式为：

$N=\frac{(p_h-p_l)\sqrt[3]{m}}{2*IQR}$

其中，N为该纵坐标区间的个数，p_h为该纵坐标序列中的最大值，p_l为该纵坐标序列中的最小值，m为该纵坐标序列的样本总数，IQR为四分位距；

在本发明实施例中，该IQR在数值上等于上四分位值减去下四分位值。

可选地，该双峰分布概率模型为：

$\left\{\begin{array}{c}f\left(x\right)=\frac{\mathrm{\α}}{\sqrt{2}{\mathrm{\σ}}_1}exp\[{\frac{-(x-{\mathrm{\μ}}_1)}{2{{\mathrm{\σ}}_1}^2}}^2\]+\frac{(1-\mathrm{\α})}{\sqrt{2}{\mathrm{\σ}}_2}\exp \[{\frac{-(x-{\mathrm{\μ}}_2)}{2{{\mathrm{\σ}}_2}^2}}^2\]\\ 0\≤\mathrm{\α}\≤1\end{array}\right\}$

其中，μ₁，σ₁和μ₂，σ₂分别为两个正态分布概率密度函数的期望和标准差，α为混合系数，该特征参数包括μ₁、σ₁、μ₂和σ₂以及α。

具体地，通过调整双峰概率分布的5个参数(μ₁，σ₁，μ₂，σ₂以及α)，使双峰概率分布的曲线与得到的全部比值的均方根误差最小，则确定此时的μ₁，σ₁，μ₂，σ₂和α为得到的特征参数。

需要说明的是，在得到上述特征参数后，通过对该特征参数进一步地的处理能够获取该检测对象的步态状态，示例地，通过对该特征参数的后续处理，能够识别帕金森患者异常步态，例如，应用t检验观察正常人和帕金森患者的左右脚对应的5个特征参数是否具有显著性差异，将具有显著性差异的特征参数作为输入，根据该输入的特征参数利用人工神经网络的方法对正常人和帕金森患者的步态进行分类，实现对帕金森患者异常步态的识别。

在本发明实施例中，由于正常人在自由行走时压力中心点在足跟中间区域和前脚掌两个区域转移较慢，而在足跟前部、足弓和脚趾区域转移较快。因此，在前后方向压力中心点在足跟中部和前脚掌分布相对密集，其他区域分布相对稀疏，从而，压力中心点在前后方向形成双峰分布的趋势。但是对于步态异常的人，如帕金森患者，由于中枢神经系统机能受到损伤，其足底着地方式也发生变化。典型的着地方式包括脚掌水平着地和脚尖先着地。因此，帕金森患者的足底压力中心点的分布也与正常人产生明显区别，具体表现为双峰趋势不明显或不存在双峰分布趋势，因此，上述实施例采用双峰分布概率模型能够更加准确的区分步态正常的人和步态异常的人。

采用上述步骤，通过压力传感器获取步态数据，并通过统计学模型对该步态数据进行处理，实现更加细致的对步态数据进行分析，能够细粒度的根据足底压力的步态数据获取对应的特征参数。

图2是根据本发明实施例的一种基于步态数据的特征参数获取方法，如图1所示，该方法的执行主体为基于步态数据的特征参数获取装置，该方法包括如下步骤：

步骤S201，在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，该步态数据包括该压力传感器的坐标和通过该压力传感器采集到的压力值。

其中，该压力传感器用于采集检测对象的双足的步态数据，例如可以在双足对应的鞋垫上设置多个压力传感器，该压力传感器采集该检测对象在不需要外力帮助下在水平平路自由行走第一预设时间内的足部的步态数据。

步骤S202，从该压力值中去除从采集起始时刻起的第二预设时间内采集的压力值以及该足部处于空中摆动状态且压力值不为0的压力值，得到该目标压力值。

具体地，首先，将该检测对象开始行走时的第二预设时间(如20秒)内的步态数据去除，避免因检测对象未进入正常行走状态而引起误差；其次，进行步态阶段识别，并将处于摆动器且压力值不为0的压力值去除。

其中，该步态阶段包括支撑期和摆动期，支撑期为该检测对象的足部处于着地状态的时期，摆动期为该检测对象的足部处于空中摆动状态的时期。

步骤S203，根据该目标压力值和该压力传感器的坐标得到压力值中心点的坐标，并生成该压力值中心点的纵坐标序列。

具体地，通过以下公式得到该压力值中心点的坐标：

$X=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{X}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i},Y=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{Y}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i}$

其中，X为该压力值中心点的横坐标，Y为该压力值中心点的纵坐标，X_i为第i个该压力传感器的横坐标，Y_i第i个该压力传感器的纵坐标，P_i为第i个该压力传感器采集的压力值，n为该压力传感器的个数。

步骤S204，将该压力值中心点的纵坐标序列划分成N个纵坐标区间。

具体地，通过以下公式将该压力值中心点的纵坐标序列划分成N个纵坐标区间：

$N=\frac{(p_h-p_l)\sqrt[3]{m}}{2*IQR}$

其中，N为该纵坐标区间的个数，p_h为该纵坐标序列中的最大值，p_l为该纵坐标序列中的最小值，m为该纵坐标序列的样本总数，IQR为四分位距；

在本发明实施例中，该IQR在数值上等于上四分位值减去下四分位值。

步骤S205，获取每个该纵坐标区间内的样本个数与该纵坐标序列的样本总数的比值，并根据该比值通过双峰分布概率模型进行拟合得到特征参数，并输出该特征参数。

其中，该双峰分布概率模型为：

$\left\{\begin{array}{c}f\left(x\right)=\frac{\mathrm{\α}}{\sqrt{2}{\mathrm{\σ}}_1}exp\[{\frac{-(x-{\mathrm{\μ}}_1)}{2{{\mathrm{\σ}}_1}^2}}^2\]+\frac{(1-\mathrm{\α})}{\sqrt{2}{\mathrm{\σ}}_2}\exp \[{\frac{-(x-{\mathrm{\μ}}_2)}{2{{\mathrm{\σ}}_2}^2}}^2\]\\ 0\≤\mathrm{\α}\≤1\end{array}\right\}$

其中，μ₁，σ₁和μ₂，σ₂分别为两个正态分布概率密度函数的期望和标准差，α为混合系数，该特征参数包括μ₁、σ₁、μ₂和σ₂以及α。

需要说明的是，在得到上述特征参数后，通过对该特征参数进一步地的处理能够获取该检测对象的步态状态，示例地，通过对该特征参数的后续处理，能够识别帕金森患者异常步态，例如，应用t检验观察正常人和帕金森患者的左右脚对应的5个特征参数是否具有显著性差异，将具有显著性差异的特征参数作为输入，根据该输入的特征参数利用人工神经网络的方法对正常人和帕金森患者的步态进行分类，实现对帕金森患者异常步态的识别。

在本发明实施例中，由于正常人在自由行走时压力中心点在足跟中间区域和前脚掌两个区域转移较慢，而在足跟前部、足弓和脚趾区域转移较快。因此，在前后方向压力中心点在足跟中部和前脚掌分布相对密集，其他区域分布相对稀疏，从而，压力中心点在前后方向形成双峰分布的趋势。但是对于步态异常的人，如帕金森患者，由于中枢神经系统机能受到损伤，其足底着地方式也发生变化。典型的着地方式包括脚掌水平着地和脚尖先着地。因此，帕金森患者的足底压力中心点的分布也与正常人产生明显区别，具体表现为双峰趋势不明显或不存在双峰分布趋势，因此，上述实施例采用双峰分布概率模型能够更加准确的区分步态正常的人和步态异常的人。

采用上述步骤，通过压力传感器获取步态数据，并通过统计学模型对该步态数据进行处理，实现更加细致的对步态数据进行分析，能够细粒度的根据足底压力的步态数据获取对应的特征参数。

需要说明的是，对于上述方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

图3为本发明实施例提供的一种基于步态数据的特征参数获取装置，如图3所示，该装置包括：

采集单元301，用于在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，该步态数据包括该压力传感器的坐标和通过该压力传感器采集到的压力值；

处理单元302，用于对每个该压力传感器采集的该压力值进行处理得到目标压力值，并根据该目标压力值和该压力传感器的坐标得到压力值中心点的坐标，并生成该压力值中心点的纵坐标序列；

参数获取单元303，用于根据该压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数，并输出该特征参数。

可选地，该处理单元302用于通过以下步骤执行对每个该压力传感器采集的该压力值进行处理得到目标压力值：从该压力值中去除从采集起始时刻起的第二预设时间内采集的压力值以及该足部处于空中摆动状态且压力值不为0的压力值，得到该目标压力值。

可选地，该处理单元302用于根据该目标压力值和该压力传感器的坐标得到压力值中心点的坐标：通过以下公式得到该压力值中心点的坐标：

$X=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{X}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i},Y=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{Y}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i}$

其中，X为该压力值中心点的横坐标，Y为该压力值中心点的纵坐标，X_i为第i个该压力传感器的横坐标，Y_i第i个该压力传感器的纵坐标，P_i为第i个该压力传感器采集的压力值，n为该压力传感器的个数。

可选地，该参数获取单元303用于通过以下步骤执行根据该压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数：通过以下公式将该压力值中心点的纵坐标序列划分成N个纵坐标区间，其中，

$N=\frac{(p_h-p_l)\sqrt[3]{m}}{2*IQR}$

其中，N为该纵坐标区间的个数，p_h为该纵坐标序列中的最大值，p_l为该纵坐标序列中的最小值，m为该纵坐标序列的样本总数，IQR为四分位距；

获取每个该纵坐标区间内的样本个数与该纵坐标序列的样本总数的比值，并根据该比值通过双峰分布概率模型进行拟合得到特征参数。

可选地，该双峰分布概率模型为：

$\left\{\begin{array}{c}f\left(x\right)=\frac{\mathrm{\α}}{\sqrt{2}{\mathrm{\σ}}_1}exp\[{\frac{-(x-{\mathrm{\μ}}_1)}{2{{\mathrm{\σ}}_1}^2}}^2\]+\frac{(1-\mathrm{\α})}{\sqrt{2}{\mathrm{\σ}}_2}\exp \[{\frac{-(x-{\mathrm{\μ}}_2)}{2{{\mathrm{\σ}}_2}^2}}^2\]\\ 0\≤\mathrm{\α}\≤1\end{array}\right\}$

其中，μ₁，σ₁和μ₂，σ₂分别为两个正态分布概率密度函数的期望和标准差，α为混合系数，该特征参数包括μ₁、σ₁、μ₂和σ₂以及α。

采用采用上述基于步态数据的特征参数获取装置，该装置通过压力传感器获取步态数据，并通过统计学模型对该步态数据进行处理，实现更加细致的对步态数据进行分析，能够细粒度的根据足底压力的步态数据获取对应的特征参数。

所属本领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的基于步态数据的特征参数获取装置的具体工作过程和描述，可以参考前述方法实施例中的对应过程，在此不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于步态数据的特征参数获取方法，其特征在于，包括：

在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，所述步态数据包括所述压力传感器的坐标和通过所述压力传感器采集到的压力值；

对每个所述压力传感器采集的所述压力值进行处理得到目标压力值，并根据所述目标压力值和所述压力传感器的坐标得到压力值中心点的坐标，并生成所述压力值中心点的纵坐标序列；

根据所述压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数，并输出所述特征参数。

2.根据权利要求1所述的方法，其特征在于，所述对每个所述压力传感器采集的所述压力值进行处理得到目标压力值包括：

从所述压力值中去除从采集起始时刻起的第二预设时间内采集的压力值以及所述足部处于空中摆动状态且压力值不为0的压力值，得到所述目标压力值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述目标压力值和所述压力传感器的坐标得到压力值中心点的坐标包括：

通过以下公式得到所述压力值中心点的坐标：

$X=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{X}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i},Y=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{Y}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i}$

其中，X为所述压力值中心点的横坐标，Y为所述压力值中心点的纵坐标，X_i为第i个所述压力传感器的横坐标，Y_i第i个所述压力传感器的纵坐标，P_i为第i个所述压力传感器采集的压力值，n为所述压力传感器的个数。

4.根据权利要求1所述的方法，其特征在于，所述根据所述压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数包括：

通过以下公式将所述压力值中心点的纵坐标序列划分成N个纵坐标区间，其中，

$N=\frac{(p_h-p_l)\sqrt[3]{m}}{2*IQR}$

其中，N为所述纵坐标区间的个数，p_h为所述纵坐标序列中的最大值，p_l为所述纵坐标序列中的最小值，m为所述纵坐标序列的样本总数，IQR为四分位距；

获取每个所述纵坐标区间内的样本个数与所述纵坐标序列的样本总数的比值，并根据所述比值通过双峰分布概率模型进行拟合得到特征参数。

5.根据权利要求4任一项所述的方法，其特征在于，所述双峰分布概率模型为：

$\left\{\begin{array}{c}f\left(x\right)=\frac{\mathrm{\α}}{\sqrt{2}{\mathrm{\σ}}_1}\exp \[{\frac{-(x-{\mathrm{\μ}}_1)}{2{{\mathrm{\σ}}_1}^2}}^2\]+\frac{(1-\mathrm{\α})}{\sqrt{2}{\mathrm{\σ}}_2}\exp \[{\frac{-(x-{\mathrm{\μ}}_2)}{2{{\mathrm{\σ}}_2}^2}}^2\]\\ 0\≤\mathrm{\α}\≤1\end{array}\right\}$

其中，μ₁，σ₁和μ₂，σ₂分别为两个正态分布概率密度函数的期望和标准差，α为混合系数，所述特征参数包括μ₁、σ₁、μ₂和σ₂以及α。

6.一种基于步态数据的特征参数获取装置，其特征在于，包括：

采集单元，用于在第一预设时间内通过压力传感器采集检测对象在行走过程中足部的步态数据；其中，所述步态数据包括所述压力传感器的坐标和通过所述压力传感器采集到的压力值；

处理单元，用于对每个所述压力传感器采集的所述压力值进行处理得到目标压力值，并根据所述目标压力值和所述压力传感器的坐标得到压力值中心点的坐标，并生成所述压力值中心点的纵坐标序列；

参数获取单元，用于根据所述压力值中心点的纵坐标序列通过双峰分布概率模型得到特征参数，并输出所述特征参数。

7.根据权利要求6所述的装置，其特征在于，所述处理单元用于通过以下步骤执行对每个所述压力传感器采集的所述压力值进行处理得到目标压力值：

从所述压力值中去除从采集起始时刻起的第二预设时间内采集的压力值以及所述足部处于空中摆动状态且压力值不为0的压力值，得到所述目标压力值。

8.根据权利要求7所述的装置，其特征在于，所述处理单元用于根据所述目标压力值和所述压力传感器的坐标得到压力值中心点的坐标：

通过以下公式得到所述压力值中心点的坐标：

$X=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{X}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i},Y=\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_i{Y}_i}{\underset{i=1}{\overset{n}{\Σ}}{P}_i}$

其中，X为所述压力值中心点的横坐标，Y为所述压力值中心点的纵坐标，X_i为第i个所述压力传感器的横坐标，Y_i第i个所述压力传感器的纵坐标，P_i为第i个所述压力传感器采集的压力值，n为所述压力传感器的个数。

9.根据权利要求7所述的装置，其特征在于，所述参数获取单元用于通过以下步骤执行根据所述压力值中心点的纵坐标序列通过双峰分布概率模型进行拟合得到特征参数：

通过以下公式将所述压力值中心点的纵坐标序列划分成N个纵坐标区间，其中，

$N=\frac{(p_h-p_l)\sqrt[3]{m}}{2*IQR}$

其中，N为所述纵坐标区间的个数，p_h为所述纵坐标序列中的最大值，p_l为所述纵坐标序列中的最小值，m为所述纵坐标序列的样本总数，IQR为四分位距；

获取每个所述纵坐标区间内的样本个数与所述纵坐标序列的样本总数的比值，并根据所述比值通过双峰分布概率模型进行拟合得到特征参数。

10.根据权利要求9所述的装置，其特征在于，所述双峰分布概率模型为：

$\left\{\begin{array}{c}f\left(x\right)=\frac{\mathrm{\α}}{\sqrt{2}{\mathrm{\σ}}_1}\exp \[{\frac{-(x-{\mathrm{\μ}}_1)}{2{{\mathrm{\σ}}_1}^2}}^2\]+\frac{(1-\mathrm{\α})}{\sqrt{2}{\mathrm{\σ}}_2}\exp \[{\frac{-(x-{\mathrm{\μ}}_2)}{2{{\mathrm{\σ}}_2}^2}}^2\]\\ 0\≤\mathrm{\α}\≤1\end{array}\right\}$

其中，μ₁，σ₁和μ₂，σ₂分别为两个正态分布概率密度函数的期望和标准差，α为混合系数，所述特征参数包括μ₁、σ₁、μ₂和σ₂以及α。