CN106061383A

CN106061383A - 用于监测身体的动态活动质量的方法和装置

Info

Publication number: CN106061383A
Application number: CN201480062945.4A
Authority: CN
Inventors: 丹尼尔·M·朗奇; 安德烈·J·朗奇; 埃德加·查理; 胡文正; 迈克尔·帕纳希欧; 穆罕默德·欧麦尔
Original assignee: Poly (australia) Pte Ltd
Current assignee: Poly (australia) Pte Ltd
Priority date: 2013-09-19
Filing date: 2014-09-19
Publication date: 2016-10-26
Also published as: WO2015039176A1; EP3046471A4; CA2924835A1; US20160249833A1; EP3046471A1; AU2014324081A1

Abstract

本发明公开了一种对与脊椎哺乳动物的身体或身体部位的动态活动的质量相关联的指标和/或指标组合进行监测、测量和/或估计的装置。该装置包括至少一个惯性传感器，其用于相对于第一参考系来测量能表明动态活动的质量的加速度数据和/或转动数据，并提供该加速度数据和/或转动数据。该装置还包括适于存储加速度数据和/或转动数据的存储装置和处理器，该处理器适于处理加速度数据和/或转动数据以便评估与动态活动的质量相关联的一个或多个生物力学指标，其中所述生物力学指标与所述数据相关联。该处理器配置为执行用于评估与动态活动质量相关联的一个或多个生物力学指标的至少一个算法。本发明还公开了一种用于对与脊椎哺乳动物的身体或身体部位的动态活动的质量相关联的指标和/或指标组合进行监测、测量和/或估计的方法。

Description

用于监测身体的动态活动质量的方法和装置

相关申请的交叉引用

本发明涉及下述转让给本申请人的专利申请，其全部内容通过引用并入本文中。

于2013年7月24日提交的名称为“用于测量反作用力的方法和装置”的申请PCT/AU2013/000814。

于2013年11月8日提交的名称为“用于监测肢体偏差的方法和装置”的申请PCT/AU2013/001295。

于2014年4月14日提交的名称为“用于监测身体的动态状态的方法及装置”的申请PCT/AU2014/000426。

技术领域

本发明涉及一种用于对与脊椎哺乳动物的身体或身体部位的动态活动的质量相关联的指标进行监测、诊断、测量和/或提供反馈的方法和装置。

背景技术

下面，本发明将参考与动态活动(例如步行和/或跑步)的质量有关的生物力学指标测量来进行具体描述。尽管如此，应当理解的是，本发明并不限于对此类动态活动的测量。

不同技能水平的运动员，从业余到专业，都有必要即时且方便地了解到关于他们跑姿的信息。那些有关生物力学参数的客观信息，例如地面接触时间、膝盖偏差、步幅长度等，可同时用于改善表现和预防受伤。

现有的用于报告类似的生物力学测量的系统要么以实验室为基础，要么需要通过视频、红外信号或其它非全动态式手段来直接观察受试者。本发明的装置配置为提供了完全动态式、个性化且易于使用的跑步质量测量系统。该系统可供个人、业余及专业运动员使用。

本发明的方法和装置可以监测和/或估计与身体或身体部位的动态活动相关的多个生物力学指标和/或参数和/或指标的各种组合。可被监测的、与例如步行和/或跑步这种动态活动的质量相关联的生物力学指标的示例包括：空中时间，速度，垂直、内侧-外侧(meido-lateral)速度和前-后(anterior-posterior)速度，位移，距离，步幅长度，步幅速率，膝盖高度，膝盖偏差，地面接触时，脚击地类型，最小脚趾间隙，改变身体或身体部位的加速度和/或角速率，三维(3D)垂直、水平、旋转力，力的计时，以及施加到身体或身体部位上和/或由身体或身体部位所经受的冲击和振动。

这里，对以现有技术给出的专利文献或其他主题的引用不视为是承认：截止到本文的任何公开内容或权利要求的优先权日，该文献或主题在澳大利亚或其他地区是公知的，或者其中所含的信息在澳大利亚或其他地区属于公知常识的一部分。在本说明书中包含此类有关现有技术的讨论是用于根据本发明人的知识和经验对本发明的上下文进行阐述。

在本文的说明书和权利要求书中，词语“包括”或“包含”以及这些词的变型，例如“具有”、“含有”和“设有”或“有”，并不意味着排除其他添加项、部件、整数或步骤。

发明内容

根据本发明的一个方面，提供了用于对与脊椎哺乳动物的身体或身体部位的动态活动的质量相关联的指标和/或指标组合进行监测、测量和/或估计的方法和装置，所述装置包括：

至少一个惯性传感器，其用于相对于第一参考系来测量能表明所述动态活动的质量的加速度数据和/或转动数据，并提供所述加速度数据和/或转动数据；

存储装置，其适于存储所述加速度数据和/或转动数据；和

处理器，其适于处理所述加速度数据和/或转动数据，以便评估与所述动态活动的质量相关联的一个或多个生物力学指标，其中所述生物力学指标与所述数据相关联。

所述装置可任选地包括磁场传感器，其用于测量围绕身体或身体部位的磁场并提供能表明磁场的数据。待监测的动态活动可包括步行和/或跑步。

所述处理器可配置为执行用于评估与动态活动质量相关联的一个或多个生物力学指标的至少一个算法。所述至少一个算法适于基于由所述数据的小波变换所检测到的信号的特征，来评估所述/每个生物力学指标。

小波变换适于检测由至少一个惯性传感器测得的信号在时域上的局部特征。所述局部特征可以包括该信号的与已知事件(例如，脚跟击地、脚趾离地和/或膝盖偏差)相关的特定波峰、波谷和/或斜率。

小波变换可适于将信号分解成与局部特征相关联的近似分解量和细节分解量，它们是母代小波的经过偏移和/或缩放的版本。

为了提供对局部特征的稳健、实时检测，本发明可以包括基于小波式算法。该算法依赖于指定给被监测活动的信号的典型频带。

与动态活动的质量相关联的生物力学指标可以包括：空中时间；速度；垂直、内侧-外侧及前-后速度；位移；距离；步幅长度；步幅速率；膝盖高度；膝盖偏差；地面接触时间；脚击地类型；最小脚趾间隙；身体或身体部位变化的加速度和/或角速率；3D垂直、水平、旋转力；对力的计时以及施加到身体或身体部位和/或由身体或身体部位所经受的冲击和振动。生物力学指标可用于为动态活动的质量提供评分系统。优选地，两个或多个生物力学指标可以组合使用，以提供对脊椎哺乳动物的身体或身体部位的动态活动的质量的评分或测量。

所述指标或每个指标或者与动态活动的质量相关联的相关评分系统可参照优选的范围值或阈值来进行评估。跑步事件的质量的一个测量项可以包括与已知的、暗含的或理想范围或阈值有关的生物力学指标的状态。指标的变化超过这些范围或阈值之外时预示存在可能涉及到受伤或其他问题的潜在生物力学情况，或者预示跑步时的整体表现下降。

在本实施例的背景下，针对最优跑步而言的地面接触时间的优选范围是180-200毫秒。步幅速率在基本上每分钟170-190步为最优，优选为每分钟180步为最优。当步幅长度与腿长度的比率大体处于2.6至2.9的范围时，步幅长度为最优的。当绝对对称指数(ASI)大体处于±10％之间时，GRF为最优的，其中所述绝对对称指数计算左(GRF L)腿和右(GRF R)腿力量之间的不对称性水平。ASI定义为100*(GRF L-GRF R)/(GRF L+GRF R)/2。此外，冲刺或慢跑过程中每次脚落地的GRF累积可以针对单次跑步运动中的跑步者提供权威评分，或者针对一段时期内跟踪的不同跑步运动提供权威评分。例如，针对慢跑训练的‘总负荷’测量可以通过采集慢跑时段中的每次跨步的GRF并对它们求和的方式来计算。

所述至少一个惯性传感器可包括加速度计。加速度计可适于沿着一个或多个正交轴线来测量加速度。所述至少一个惯性传感器可以包括陀螺仪和/或磁力计。本发明可以通过使用两个例如加速度计的惯性传感器来评估与身体部位相关联的指标。本发明不需要使用附加传感器(例如陀螺仪和/或磁力计)来将传感器测量值转换到全局参考系。

哺乳动物的身体可以包括例如胫骨的下肢，并且所述至少一个惯性传感器可以包括适于放置在每个胫骨上的无线加速度传感器。

所述至少一个惯性传感器可以包括用于将模拟数据转换成数字域的模数(A/D)转换器。A/D转换器可配置为在存储数据之前先将来自无线加速度传感器的模拟输出转换成数字数据。所述装置可以包括用于向所监测受试者提供反馈的机构。

例如陀螺仪或磁力计的附加传感器可用于针对与跑步活动相关联的事件来提供身体部位的角位移，例如当腿步接触地面时的膝盖偏差或膝盖的移动范围。

所述算法可适于在一段时间内对转动数据和/或磁场数据进行积分，以提供角位移。所述算法可适于在一段时间内对数据进行积分，以提供角位移(θ)。

待监测事件呈现在进行身体活动和/或运动的过程中，这包括例如步行、跑步和/或短跑、原地跳跃、落地、下蹲和/或跳跃等活动和/或运动。一些活动可包括包含腿在内的所关注肢体的动作。其他例如打网球游戏的活动可包括包含手臂在内的所关注肢体的动作。

根据本发明的又一方面，提供了用于对与脊椎哺乳动物的身体或身体部位的动态活动的质量相关联的指标和/或指标组合进行监测、测量和/或估计的方法，所述方法包括：

使用至少一个惯性传感器来相对于第一参考系测量能表明所述动态活动的质量的加速度数据和/或转动数据，并提供所述加速度数据和/或转动数据；

将所述加速度数据和/或转动数据存储在存储装置中；以及

通过处理器来处理所述加速度数据和/或转动数据，以便评估与所述动态活动的质量相关联的一个或多个生物力学指标，其中所述生物力学指标与所述数据相关联。

附图说明

图1(a)至1(g)示出了跑步事件的示例以及胫骨的相关加速度数据；

图2示出了胫骨内侧部位上的传感器的放置位置；

图3示出了根据本发明的装置的一种形式；

图4a示出了用以突出对传感器数据进行从传感器系B到系C的转换的胫骨横截面；

图4b示出了对传感器数据进行从系C到全局系O的转换；

图5示出了用于获得对跑步质量的测量的数据处理算法的流程图；

图6示出了用于检测跑步事件特征的基于小波式算法的流程图；

图7示出了加速度信号和四个子代小波；

图8(a)至8(d)示出了来自四个不同受试者的短跑数据示例以及检测到的步态事件；

图9示出了同步化的加速度计和测力板针对由传感器测得的“脚趾离地”事件的数据绘制的延迟δ；

图10示出了针对取自六个受试者的数据而绘制的延迟δ与速度的散点图以及线型最优拟合；

图11示出了随着时间测得的奔跑着的受试者的地面接触时间的示例；

图12示出了在矢状面和内侧-外侧平面上的膝盖偏差的角度测量以及相关联的胫骨加速度数据的示例；

图13示出了针对取自三个受试者的数据而绘制的膝盖高度与峰值加速度的散点图；

图14(a)和14(b)示出了针对某受试者的左、右膝盖的平均高度以及针对同一受试者的膝盖高度不对称指数；

图15(a)和15(b)示出了针对三个受试者的最大加速度斜率的散点图以及最大分级(binned)加速度斜率的散点图；

图16示出了通过传感器和GPS测得的速度曲线图；

图17示出了在跑步期间一个受试者的步幅长度；和

图18示出了在平足事件中加速度与速度的散点图。

具体实施方式

本发明的优选实施例包括适于放置在一个或两个下肢上(例如在每个胫骨上)的一个或多个无线惯性传感器。在一些实施例中，该一个或多个传感器可以通过安装到脚踝上而与下肢相关联或相结合，或者与例如鞋底的鞋类产品相结合。在奔跑的步态周期中，该传感器可连续测量作用于下肢的惯性力。与跑步质量相关联的指标，例如地面接触时间和/或膝关节偏差，可以根据从来自传感器信号的过去数据和/或具体特征中推导出的模型来计算。具体特征可以包括由放置在下肢(例如在胫骨)上的惯性传感器测得的加速度信号的波峰、波谷和/或斜率。这些具体特征可以与例如脚跟击地或脚趾离地的已知步态事件物理相关。

通过分析检测到的步态事件，按照它们的幅值、左右脚之间的相对差、计时和/或持续时间来表示，可以客观地测量跑步质量。例如，地面接触时间可定义为脚跟击地步态事件与脚趾离地步态事件之间的时间，而膝部偏差可定义为在脚击地时刻与脚趾离地时刻之间膝盖角度的幅值。

下面，本发明的优选实施例将着重描述跑步活动。跑步活动可分成两个基本阶段：即站立期和迈步期。站立期发生在脚与地面接触时，而迈步期发生在脚处于空中时。跑步的特点在于以下事实：在跑步周期的某个时刻，两脚会同时处于空中。

图1(a)至1(g)示出来自一个以21千米每小时跑行的受试者的步态事件视频快照。图1(a)至1(g)示出的步态事件分别为单脚击地(FS)、脚放平(FF)、身体对齐(BA)、脚趾离地(TO)、对侧脚击地(OFS)、最大膝盖高度(MKH)以及最小脚趾间隙(MTC)。

在跑步期间由放置在受试者胫骨上的惯性传感器监测到的加速度信号可以模拟成具有与上述各步态事件有关的可变时间事件的类周期性(quasi-perodic)随机过程。对于在步行或跑步期间提供与受验者步态模式的不同特征有关的实时信息而言，自动且可靠的检测出步态事件是至关重要的。例如，该信息可用来推导地面接触时间、地面反作用力或膝盖高度。因此，可以将反馈提供给受试者，以使得受试者可以根据目标和经验调整他或她的技术或训练。

特征检测

可以在时域中通过一组子波来唯一地识别跑步事件。在时域中，小波变换可以检测出不同频率的局部特征。小波变换可以将时域信号分解转换成“母代”小波的偏移和缩放版本，或者分解成近似分解量和/或细节分解量。

跑步质量

在跑步中，因为接触时间直接关系到在前-后平面中产生的功率大小，因此接触时间可以提供对跑步质量的测量。在相对低的接触时间下，跑步者可能需要施加更多的功率来向前推进他/她的腿。因此，接触时间可认为是与跑步的代谢消耗成反比。

现有的检测接触时间的方法是基于对跑步者直接且经常性的主观观察或者是通过更复杂的光学装置。其结果是，此类方法在设置方面和执行测试所在的周围环境方面带有高度限制。与此相反，本发明的方法由于其完全动态且具有客观性，因此可以消除这些限制。本发明的方法不会被步态多变性和/或跑步速度所影响，其对于广大的跑步者群体来说是稳健的。将惯性传感器放置在胫骨上之后，跑步者可以自由地选择设置，是要在跑步机上还是在室外跑步。与仅允许捕获并分析有限几个步骤的当前技术不同，通过本发明的各方面，还可以为许多个连续步骤收集数据样本。

膝盖向内(外翻)或向外(内翻)角度是在跑步运动员中以及其它运动中已知的下肢受伤(例如外胫夹)的预兆。因此，除了接触时间以外，跑步者存在外翻或内翻倾向以及外翻或内翻的程度是跑步质量的有用指标。为了实时地提供信息，自动报告跑步过程中的外翻或内翻还需要额外的信息，例如在每次脚击地的瞬间的膝盖位置。

装置

可将根据本发明的装置放置在诸如图2所示的胫骨内侧部位的身体部位上，以实现监测的3D动态。如图3中所示，装置可包括一个或多个惯性传感器，例如加速度计、陀螺仪和/或磁力仪。装置可包括配置成执行一个或多个算法的数字处理引擎。算法可考虑的变量诸如是传感器在活动期间相对于不同基准系的运动。

参照图2，根据本发明的装置的一种形式包括沿着人类受试者12的左、右腿部的胫骨轴线或与之成一条直线地设置的传感器10,11。传感器10,11设置在受试者12的腿部上，由此使得传感器10,11的基准系由轴线x,y,z限定，其中轴线x,z位于图2的正视图平面中，并且轴线x,y位于图2的侧视图平面中。例如，可将外翻或内翻的测量定义为绕y轴的转动。

每个传感器10,11可包括转动传感器(例如，一维、二维或三维陀螺仪)以测量角速度，并任选地包括一维、二维或三维加速度计来测量加速度，和/或磁传感器(例如，磁力计)来测量磁场。双腿上的正向轴线可以指向上或指向下，由此使得可至少在垂直方向上测量胫骨加速度。

参照图3，每个传感器10,11包括用于分别测量加速度、角位移和磁场数据的传感器元件24,25,26和24’,25’,26’。分别利用模数转换器(ADC)27,28,29和27’,28’,29’将从传感器元件24,25,26和24’,25’,26’获得的数据由模拟格式转换为数字格式。可将数据保存在数字存储器30和30’中，用于暂时性分析和/或存储。由中央处理单元(CPU)31和31’来执行对数据流的协调以及对来自传感器元件24,25,26和24’,25’,26’的信号的处理。可经由无线发射器32,32’将经由传感器元件24,25,26和24’,25’,26’测量的数据发送给基站，其中基站包括远程接收器33和微处理器34。微处理器34与远程接收器33相关联，并且包括用于处理数据的数字处理引擎。

数字存储器30,30’可包括例如闪存、存储卡、记忆棒等用于存储数字数据的结构。存储器结构可以是可移动的，以便于将数据下载到诸如PC或其他数字处理引擎的远程处理装置中。

数字存储器30,30’可从传感器元件24,25,26和24’,25’,26’接收数据。每个传感器元件24,25,26和24’,25’,26’可包括或关联有各自的模数转换器(AD转换器)27,28,29和27’,28’,29’。每个AD转换器27,28,29和27’,28’,29’和存储器30,30’可直接与传感器元件24,25,26和24’,25’,26’相关联，例如分别放置在与传感器元件24,25,26和24’,25’,26’相同的PCB上。备选地，传感器元件24,25,26和24’,25’,26’可向发射器32,32’输出模拟数据，并且一个或多个AD转换器可以与远程接收器33和/或微处理器相关联。一个或多个AD转换器可在将数据存储到数字存储器(例如，如上所述的数字存储器)之前先将模拟数据转换成数字格式或转换到数字域。在一些实施例中，微处理器34可实时地处理数据，从而向所监测的受试者12提供生物反馈。

与微处理器34相关联的数字处理引擎可包括对陀螺仪数据进行滤波和积分并将来自传感器元件的加速度转换到全局系视角的算法。在如图4a和图4b所示地从各个传感器10和11的基准系进行数据变换之后，数字处理引擎可通过该算法来执行计算，以调整肢骨角度(例如针对人类胫骨而言是45°)。可以对变换后的陀螺仪数据进行滤波和积分，以获得关于膝盖偏差状态的信息。数字处理引擎还可运行算法，以基于一个生物力学指标或生物力学指标的组合来提供随时间变化的分数或测量值。

图4a示出了受试者12左腿的横截面的上下剖视图，并且传感器10设置在胫骨36的表面35上。介于胫骨36的表面35与前向屈曲平面之间的角度定义为Ф。角度Ф在平均意义上大约为45度，但可能基于该平均值左右变化几度。表面35可为传感器10的附接提供相对稳定的平台。因此，传感器10的基准系(B)相对于胫骨36的机械轴线的基准系(C)转动了角度Ф的幅度。前向屈曲和侧向屈曲分别定义为围绕轴线Z和Y的转动。

由于通过传感器10的测量值是在基准系B中得出的，因此必须将它们变换到胫骨基准系C中。下面的公式可用于这种变换：

Cy＝By*cos(Ф)+Bz*sin(Ф) (1)

Cz＝By*sin(Ф)-Bz*cos(Ф) (2)

其中，By,Bz表示传感器基准系B中的y分量和z分量，Cy和Cz表示胫骨基准系C中的y分量和z分量，并且Ф表示胫骨21上的传感器10与前向屈曲平面之间的角度。

上述公式(1)和(2)可使用于基准系B中由传感器10所获得的矢量变换陀螺仪信号{^Bω_x,^Bω_Y和^Bω_Z}以及任选地用于加速度计信号{^Ba_x,^Ba_Y和^Ba_Z}，也可使用于分别在机械或胫骨基准系C中的陀螺仪信号{^Cω_x,^Cω_Y,^Cω_Z}和加速度计信号{^Ca_x,^Ca_Y,^Ca_Z}。

在矢量变换之后，可使用以下公式对表示角速度的陀螺仪信号{^Cω_x,^Cω_Y和^Cω_Z}在一段时间t(其表示诸如蹲、跳行和/或奔跑等活动的持续时间)内进行积分，以提供经积分的角位移(θ)：

θ = {&Integral;}_{0}^{t} ω \cdot d t - - - (3)

随着跑步者活动膝部，测量相对于机械或胫骨基准系(C)的诸如内侧/外侧偏差的运动。然而，要针对测试器的视觉基准系(也称为前平面或观察者平面)对该值进行变换，以提供更直观的结果。

当跑步者跳起和落地时，腿部可能会围绕x轴转动。因此，如果不对围绕x轴的转动进行补偿的话，那么侧向屈曲的视觉印象会改变。由于这种影响使用在侧向屈曲平面关于前平面(θ_z)的投影中，因此该影响以公式7来表示。

图4a还示出了侧向屈曲角度(θ_Z)连同扭曲更新一起在前平面或观察者平面上的投影。为了将侧向屈曲角度(θ_Z)投射到前平面或观察者平面上，腿部可视为是刚性杆且踝关节为固定节点。杆的长度可归一化为1。在θ_X平面上的角位移(仅由θ_Y和θ_Z造成)可由下式确定：

θ_x0＝atan(sin(θ_Z)/tan(θ_Y)) (4)

可以将实际扭曲运动θ_x0加到角位移θ_X上，以确定所得的角位移θ_Xresultant：

θx_resultant＝θ_x+θ_x0 (5)

一个目标是要确定A、B和C项，从而计算θ_zAdjusted。为此，θ_Z在θ_X上的投影将得出A：

A＝sin(θZ)/sin(θx0)*sin(θx) (6)

θ_X在θ_Y上的投影将得出B：

B＝sin(θ_Z)/sin(θ_x0)*cos(θ_x) (7)

假定杆的长度为1，计算C：

C＝sqrt(1-B²) (8)

最后，计算A和C的asin以获得漂移调整后的θ_Z并将其投射到前平面上作为θ_ZAdjusted：

θ_ZAdjusted＝asin(A/C) (9)

与微处理器34相关联的数字处理引擎可以包括基于小波式算法，以用于根据来自传感器10,11的数据来评估跑步事件，并提供关于跑步质量的信息。在一些实施例中，基于小波式算法可以包括中央处理单元(CPU)31和31’，中央处理单元对来自传感器元件24,25,26和24’,25’,26’的信号执行初步处理。

该算法基于多分辨率分析，可以使用小波变换来提取传感器信号的特征。所提取的特征可以对照用于测量跑步质量的已知标准(例如测力板、光学跟踪系统等)来被校准或关联。可以参照与从已知标准中获取的生物力学指标相关联的隐含性或理想化的阈值或范围来对跑步质量进行评估，生物力学指标例如接触时间、空中时间、膝盖偏差、膝盖高度、步幅速率，步幅长度、速度、距离、脚击地类型和最小脚趾间隙。

算法

数据流和步态事件检测

图5示出了具有与跑步质量测量相关的关联性输出57的信息处理流程图。将传感器信号50输入到特征检测算法51中。特征检测算法51基于多分辨率分析，使用小波变换来提取信号50的特征。算法51搜寻那些本身特定针对跑步事件的频带。频带的成因是由于基于受试者步态多变性和不同速度的传感器信号的变化。下表1示出了各频带的范围以及与各频道相关的关联性步态事件。

事件	类型	族群	阶	等级	比例	伪频率(Hz)
							FS-IPA-FF复合	CWT	多贝西	5	-	21	23.7
OFS&MKH	SWT	多贝西	1	7	-	-
							TO	CWT	多贝西	3	-	20	20.0

表1

根据图5的算法51提取的特征可以与使用已知的“黄金标准”(例如测力板和/或光学跟踪系统)凭经验从跑步事件中获得的指标进行关联。可以推导到出这些相关性52的模型，以估计与跑步事件(例如接触时间(53)、膝盖角度(54)、步幅速率(55)和步幅长度(56))的质量有关的指标。

如本文所讨论的，一种对跑步事件的质量的测量可以包括上述每个与已知的隐含或理想范围或阈值有关的指标的状态。在本实施例的背景下，估计接触时间53针对最优跑步运动而言的优选范围基本上为180-200ms。步幅速率55最优是在大致每分钟170-190步，优选为每分钟180步。步幅长度则是当步幅长度与腿长度的比率大致处于2.6至2.9的范围内时为最优。GRFS是当绝对对称指数(ASI，其计算的是左腿(GRF L)与右腿(GRF R)上的力量之间的不对称水平)处于大致±10％之间时最优。ASI定义为100*(GRF L-GRF R)/(GRF L+GRF R)/2。

图6描绘了算法的的流程图，其中包括方框61至77、84-89以及94-95。在方框61中，从放置在受试者12的胫骨上的传感器10,11中收集原始加速度计数据。

方框62以高达500Hz来上采样数据，以获得更大分辨率的传感器信号。

方框63使用多贝西小波族的1阶7级静态小波变换(SWT)来分解传感器信号的一部分。方框63使用各个滤波器组来生成近似分解量和细节分解量。近似分解量可用于寻找跑步周期的低频率区域(参照图7中的子代小波79)，该区域对应于中间迈步期并且出现在对侧脚击地(OFS)事件附近。另一方面，细节分解量可以检测传感器信号(以图7中的“×”标记示出)的波峰和波谷，并且可用于检测出很可能发生脚击地的区域(对应于信号的高频部分)。

方框64检测近似分解量的波峰(参照图7中以箭头4标记的点)，波峰代表来自那个频带的最高能量。注意，在图7中，SWT-Db1的子代小波79是负数。

方框65检测对应于对侧脚击地(OFS)的最近波谷(参照方框67)。

方框66检测对应于最大膝盖高度(MKH)的最近波峰(参照方框68)。

方框69估计OFS与MKH之间的加速度或斜率。

方框70使用多贝西小波族的5阶、比例21的连续小波变换(CWT)来分解传感器信号的一部分，以检测FS与IPA之间的中点(参照图7中以箭头1标记的点)。

方框71检测FS与IPA之间中点的最近波峰，该波峰对应于图7中以矩形标记的点FS(参照方框72)。

方框84检测IPA之后的后续最近波峰，该波峰对应于图7中以圆圈标记的点FF(参照方框85)。

在站立期期间，方框73使用多贝西小波族的3阶、比例20的连续小波变换(CWT)来分解传感器信号的一部分。算法在由方框75计算出的、根据加速度信号斜率变化的窗口内搜索该分解量的波峰(参照图7中以箭头3标记的点)。

一旦在该窗口中找到CWT的波峰，方框74则检测传感器信号中对应于脚趾离地(TO)事件的最近波峰(参照方框76)。

可以使用在步态事件瞬间的加速度值(方框67,68,85,72和76)和步态事件各自的模型(参照“跑步指标”部分)来估计跑步指标。GRF(86)和脚击地类型(87)可以利用脚放平事件(85)来得知。接触时间(77)可以利用脚击地事件(72)和脚趾离地事件(76)来进行估计。膝盖高度(94)可以利用方框68来得知。速度(88)可以利用加速度率(69)来估计。距离(89)和步幅长度(95)是速度的推导式。

图7示出了将加速度信号78和四个子代小波79,80,81,82用于检测跑步事件的示例。小波79对应于多贝西小波族的1阶、7级静态小波变换(SWT)。小波79可用于寻找与跑步周期的中间迈步期相对于的低频率区域。

小波80对应于多贝西小波族的5阶、比例21的连续小波变换(CWT)。小波80可用于检测FS与IPA之间的中点(参照以箭头1标记的点)。

图8(a)至8(d)示出了分别来自受试者1至4检测的短跑数据和检测到的事件。检测到的事件FS、IPA、FF、BA、TO、OFS和MKH分别以如图例83所示的符号来标记。例如，FS以小矩形来标记。正如可观察到的那样，由于受试者的步态多变性和可变速度导致的幅值变化以及非静态信号与算法无关，尽管有变化，算法还是可以可靠地检测到事件。

跑步指标

地面接触的时间

地面接触的时间(t_c)测量站立期过程中的时间花费。具体地，接触时间可以定义为：在步态周期内，在连续同侧脚击地(FS)事件与脚趾离地(TO)事件之间逝去的时间，即：

t_C＝t_TO-t_FS (10)

其中，t_FS和t_TO分别代表脚击地事件和脚趾离地事件发生时的瞬间。

该算法可以针对跑步的每个步态周期来计算T_FS和t_TO。然而，因为由皮肤伪影、传感器10,11处理数据所花费的时间以及鞋与地形的缓冲作用等引起的延迟，使得接触时间并不总能通过两两取差值的方式而轻易产生。为了补偿后续这些延迟，使用测力板的数据来与从传感器10,11导出的接触时间进行比较。

这在图9中加以图示，图9示出了由传感器10,11给出的胫骨加速度90的轨迹以及由测力板给出的垂直地面反作用力91的轨迹。根据图6的方框65来寻找两条轨迹上的FS，而TO则可在加速度计数据(TO₂)上(即，0.57s标记处的局部峰值)以及在测力板数据(TO₁)上目测找到。TO₂与TO₁之间的差定义了总体延迟δ。

图10显示了根据六个受试者数据的延迟与速度倒数的散点图。采用了该散点图的中值以便过滤掉噪声结果，并且示出了线性最优拟合100。-0.86的相关性表明：速度越快，延迟越小。因此，由下式给出针对总体延迟和经补偿的接触时间t’_C的计算：

δ＝37.2+356.4/速度 (11)

t’_C＝t_TO-t_FS-δ (12)

其中，速度以千米/小时为单位来测量，δ以毫秒为单位来测量。

图11示出了在1千米跑步过程中分别针对受试者的右腿和左腿的地面接触时间(CT)的轨迹110,111。可以观察到，受试者的右腿(轨迹110)保持在地面上的时间长于左腿(轨迹111)。随着受试者的跑步，接触时间从180ms增加到220ms。

膝盖偏差

在跑步事件中自动报告外翻或内翻测量需要知道每个脚击地瞬间的膝盖位置信息。在本发明上下文中，例如陀螺仪的附加传感器可用于推导膝盖偏差和/或膝盖运动范围(ROM)。陀螺仪数据{gx,gy,gz}可通过传感器10,11采集、滤波以避免数据走样、缓冲以及无线发送到基站(33,34)。

由于传感器10,11放置在胫骨36表面35上，因此需要45度角(θ)补偿，以便针对左、右两腿将陀螺信号从传感器坐标系B变换到内侧-外侧平面和矢状面坐标系C：

GyroY＝gy.cos(θ)+gz.sin(θ) (13)

GyroZ＝gy.sin(θ)+gz.cos(θ) (14)

经变换的陀螺仪数据GyroY和GyroZ针对时间进行积分。初始角度g_y0和g_z0设置为零，因为膝盖偏差是相对于重力来测量的：

int G y r o Y = {&Integral;}_{0}^{t} G y r o Y (t) . d t + . g_{y 0} - - - (15)

int G y r o Z = {&Integral;}_{0}^{t} G y r o Z (t) . d t + . g_{z 0} - - - (16)

由于从温度变化和高斯白噪声(WGN)产生的累积误差，使得积分信号会随机漂移。因此，可以对intGyroY和intGyroZ进行高通滤波(HPF)，以消除这些误差。由于跑步和步行是循环式应用，因此可以在不牺牲膝盖偏差信息完整性的情况下滤除高频分量。所采用的滤波器可以是4阶、截止频率为0.1Hz的IIR(无限脉冲响应)巴特沃斯滤波器，这是因为更低阶的滤波器则需要达到所需的通带。

滤波器的模型可定义为：

\begin{matrix} y [n] = \frac{1}{a 0} (b 0. x [n] + b 1. x [n - 1] + ... b P . x [n - P] - a 1. y [n - 1] + a 2. y [n - 2] + \\ ... a Q . y [n - Q]]) \end{matrix} - - - (17)

其中，P＝Q＝4中，x[n]和y[n]分别为时刻n处的输入和输出信号。在这个应用中，x[n]对应于样本n的intGyroY和intGyroZ，而y[n]则是intGyroY和intGyroZ的经滤波形式。

图12通过轨迹120(intGyroY)描绘了内侧-外侧平面中的膝盖偏差示例，其中α_Normal和α_Valgus表示在脚击地和脚趾离地之间内侧-外侧平面中的膝盖差异。可以观察到，当膝盖偏差正常时，α_Valgus是负数，而α_Normal为正数。

图12还通过轨迹121(intGyroZ)示出了矢状面中的角测量，其中最大正值对应于本示例中由虚竖线之一显示的FS瞬间，并且还通过轨迹122示出了胫骨加速度。

膝盖高度

跑步事件中对两腿最大膝盖高度的自动报告通过由传感器10,11得到的加速度计数据来测量。如图1(f)所示，根据经验，峰值加速度与相距地面的距离相关联。图13的散点图描绘了具有三个受试者数据的线性模型。可以由下式来执行估计：

膝盖高度＝0.047*峰值_acc+0.056+Cal_膝盖高度 (18)

其中，“Cal_膝盖高度”是受试者站立时以米为单位测得的膝盖高度，“峰值_acc”以g’s为单位，并且“膝盖高度”是以米为单位测得的最终高度。图14(a)中示出膝盖高度测量的一个示例，其中，受试者跑了11千米。对于跑步的前半部分(1500-3500秒)，左膝盖(140)和右膝盖(141)的曲线显示出良好的对称性(均值0.5％)，相比之下，下半部分平均有7％的不对称性(参见图14(b)的曲线142)。这表明，在跑步末段受试者的体能快速下降。

速度

速度是要测量在对侧脚击地与最大膝盖高度之间的最大加速率(MAR)。在物理上，这代表迈步期中腿的“踢”动作。加速率可计算为：

MAR＝(acc_MKH-acc_OFS)/(n_MKH-n_OFS) (19)

其中，acc_MKH和acc_OFS表示在MKH事件和OFS事件下的加速度，并且n_MKH和n_OFS表示这两个事件下的样本。图15(a)示出了来自三个受试者的MAR散点图，并且图15(b)示出了该散点图具有(分级)中值的版本。最优拟合模型可以通过下式给出：

速度＝9.35*MAR+4.69 (20)

图16描绘了针对一个手腕佩戴GPS单元的受试者一次性跑步24千米时通过传感器10,11测得的速度轨迹(160)以及通过GPS测得的速度轨迹(161)。两条轨迹160,161之间的最大速度误差0.5千米/小时，并且两个系统之间具有良好的相关性。

步幅长度

步幅长度(SL)计算为：

D = {&Integral;}_{0}^{t} S p e e d (t) . d t - - - (21)

SL＝D/N，其中D是以米为单位测得的总距离，N是阶段中的步幅总数，并且SL是以米为单位测得的步幅长度。图17示出针对一个跑行24千米的受试者的SL曲线(170)。可以观察到，该受试者步幅不足(SL<2.8*LL)，其中LL＝0.95m为腿的长度。

脚击地类型

脚击地类型与保持良好体能以及预防受伤有关。后脚跟型跑步者显示出要比前脚掌型跑步者施加在脚踝上的载荷少，但是，前脚掌型跑步者施加在膝盖上的载荷则较少。因此，如果跑步者具有有关膝盖的病史，那么他/她可以改变成更趋于前脚掌击地类型。相反，例如具有跟腱问题的前脚掌型跑步者应当变为后脚跟击地类型，以避免脚踝负载。图18显示了在脚放平(FF)事件(参见图1b)中的加速度与通过定时闸测得的速度之间的散点图。在非线性分隔线的左侧，五个受试者进行前脚掌式跑步，而在右侧，所有受试者进行脚心(MF)和后脚跟(HF)式跑步状态。受试者1-5和事件(FF、MF、HF)分别标记有如列表180所示的相应符号。例如，受试者1(MF)标记有小圆圈。分隔线的公式为：

Acc_Div＝0.01*speed²-0.35 (22)

其中，speed以千米/小时为单位，Acc_Div以g’s为单位。

地面反作用力

一种用于测量地面反作用力的方法和装置公布在本文提及的、申请人同时待审的PCT申请AU2013/000814中。在该申请中显示，当考虑到受试者12的速度变化(6千米/小时-26千米/小时)和身体质量变化时，加速度数据与反作用力之间的相关分量基本上为非线性。因此指出，可以根据下式来将加速度数据与峰值地面反作用力相关联：

GRF_Peak(acc,M)＝a(m)*[log₂(acc+b)]+c(m) (23)

其中：

“a”表示对数函数的斜率，并且其通常是受试者12身体质量m的线性函数；

“b”为固定系数(通常设置为1)，用于补偿小于0g的加速度；

“c”表示与对数函数相关联的偏移量，并且其通常是受试者12身体质量m的线性函数；

a(m)＝4.66*m-76.60；和

c(m)＝24.98*m-566.8

可以假设这两个系数a(m)和c(m)与受试者12的身体质量m基本上呈线性函数。最初，对于每个受试者12而言，峰值地面反作用力与峰值加速度之间的线性关系可以估计出来。对于每个等式(每个受试者一个等式)而言，可以将增益和偏移量建模成为每个受试者的身体质量的函数。结果发现，当执行这种建模时，与个体增益以及偏移量(二者均与身体质量高度相关)大致呈线性近似使得在估计地面反作用力时误差降低。

最后，应当理解，在不脱离本发明的精神或范围的情况下，可以对上文所描述的各部分的构造及布置引入各种变型、修改和/或附加项。

Claims

1.一种用于监测、测量和/或估计与脊椎哺乳动物的身体或身体部位的动态活动的质量相关联的指标的装置，所述装置包括：

至少一个惯性传感器，其用于相对于第一参考系来测量能表明动态活动的所述质量的加速度数据和/或转动数据，并提供所述加速度数据和/或转动数据；

存储装置，其适于存储所述加速度数据和/或转动数据；和

处理器，其适于处理所述加速度数据和/或转动数据，以评估与所述动态活动的质量相关联的一个或多个生物力学指标，其中所述生物力学指标与所述数据相互关联。

2.根据权利要求1所述的装置，包括磁场传感器，其用于测量围绕所述身体或身体部位的磁场并且提供能指示所述磁场的数据。

3.根据权利要求1或2所述的装置，其中，所述动态活动包括步行和/或跑步。

4.根据权利要求1至3中任一项所述的装置，其中，所述处理器配置为执行用于评估与所述动态活动的质量相关联的所述一个或多个生物力学指标的至少一个算法。

5.根据权利要求4所述的装置，其中，所述至少一个算法适于基于由所述数据的小波变换所检测到的信号的特征，来评估所述生物力学指标或每个生物力学指标。

6.根据权利要求5所述的装置，其中，所述小波变换适于检测由所述至少一个惯性传感器测得的信号在时域上的局部特征。

7.根据权利要求6所述的装置，其中，所述局部特征包括该信号的与已知事件相关的特定波峰、波谷和/或斜率，所述已知事件例如是脚跟击地、脚趾离地和/或膝盖偏差。

8.根据权利要求5至7中任一项所述的装置，其中，所述小波变换适于将所述信号分解成与所述局部特征相关联的近似分解量和细节分解量。

9.根据权利要求8所述的装置，其中，所述近似分解量用于定位所述动态活动的低频区域。

10.根据权利要求8或9所述的装置，其中，所述细节分解量用于检测所述信号中的波峰和波谷。

11.根据上述权利要求中任一项所述的装置，其中，与所述动态活动的质量相关联的所述生物力学指标包括：空中时间；速度；垂直、内侧-外侧及前-后速度；位移；距离；步幅长度；步幅速率；膝盖高度；膝盖偏差；地面接触时间；脚击地类型；最小脚趾间隙；身体或身体部位变化的加速度和/或角速率；3D垂直、水平、旋转力；对力的计时；以及施加到身体或身体部位和/或由身体或身体部位所经受的冲击和振动。

12.根据上述权利要求中任一项所述的装置，其中，所述生物力学指标用于提供针对所述动态活动的质量的评分系统。

13.根据权利要求12所述的装置，其中，将两个或多个生物力学指标组合使用，以对脊椎哺乳动物的身体或身体部位的动态活动的所述质量提供评分或测量。

14.根据上述权利要求中任一项所述的装置，其中，参照优选的范围值或阈值来评估与所述动态活动的质量相关联的所述/每个生物力学指标。

15.根据上述权利要求中任一项所述的装置，其中，所述至少一个惯性传感器包括加速度计。

16.根据权利要求15所述的装置，其中，所述加速度计适于沿一个或多个正交轴线测量加速度。

17.根据上述权利要求中任一项所述的装置，其中，所述至少一个惯性传感器包括陀螺仪和/或磁力计。

18.根据上述权利要求中任一项所述的装置，其中，所述哺乳动物的所述身体包括胫骨，并且所述至少一个惯性传感器包括适于放置在每个胫骨上的无线加速度传感器。

19.根据上述权利要求中任一项所述的装置，其中，所述至少一个惯性传感器包括用于将模拟数据转换成数字域的模数A/D转换器。

20.根据权利要求19所述的装置，其中，所述数模A/D转换器配置为在存储所述数据之前先将来自所述至少一个惯性传感器的模拟输出转换成数字数据。

21.根据上述权利要求中任一项所述的装置，包括用于向所监测的受试者提供反馈的机构。

22.根据上述权利要求中任一项所述的装置，其中，所述算法适于将所述数据从所述第一参考系转换到所述身体部位进行运动所在的第二参考系。

23.根据上述权利要求中任一项所述的装置，其中，所述至少一个惯性传感器包括转动传感器。

24.根据权利要求23所述的装置，其中，所述转动传感器包括适于测量围绕一个或多个正交轴线的转动的陀螺仪。

25.根据上述权利要求中任一项所述的装置，其中，所述算法适于在一段时间内对转动数据进行积分，以提供角位移(θ)。

26.一种用于监测、测量和/或估计与脊椎哺乳动物的身体或身体部位的动态活动的质量相关联的指标的方法，所述方法包括：

使用至少一个惯性传感器来相对于第一参考系测量能表明动态活动的所述质量的加速度数据和/或转动数据，并提供所述加速度数据和/或转动数据；

将所述加速度数据和/或转动数据存储在存储装置中；以及

通过处理器来处理所述加速度数据和/或转动数据，以评估与所述动态活动的质量相关联的一个或多个生物力学指标，其中所述生物力学指标与所述数据相互关联。

27.根据权利要求26所述的方法，包括使用磁场传感器来测量围绕所述身体或身体部位的磁场并提供能指示所述磁场的数据。

28.根据权利要求26或27所述的方法，其中，所述动态活动包括步行和/或跑步。

29.根据权利要求26至28中任一项所述的方法，其中，所述处理器配置为执行用于评估与所述动态活动的质量相关联的所述一个或多个生物力学指标的至少一个算法。

30.根据权利要求29所述的方法，其中，所述至少一个算法适于基于由所述数据的小波变换所检测到的信号的特征，来评估所述生物力学指标或每个生物力学指标。

31.根据权利要求30所述的方法，其中，所述小波变换适于检测由所述至少一个惯性传感器测得的信号在时域上的局部特征。

32.根据权利要求31所述的方法，其中，所述局部特征包括该信号的与已知事件相关的特定波峰、波谷和/或斜率，所述已知事件例如是脚跟击地、脚趾离地和/或膝盖偏差。

33.根据权利要求31或32所述的方法，其中，所述小波变换适于将所述信号分解成与所述局部特征相关联的近似分解量和细节分解量。

34.根据权利要求33所述的方法，其中，所述近似分解量用于定位所述动态活动的低频区域。

35.根据权利要求33或34所述的方法，其中，所述细节分解量用于检测所述信号中的波峰和波谷。

36.根据权利要求26至35中任一项所述方法，其中，与所述动态活动的质量相关联的所述/每个生物力学指标包括：空中时间；速度；垂直、内侧-外侧及前-后速度；位移；距离；步幅长度；步幅速率；膝盖高度；膝盖偏差；地面接触时间；脚击地类型；最小脚趾间隙；身体或身体部位变化的加速度和/或角速率；3D垂直、水平、旋转力；对力的计时；以及施加到身体或身体部位和/或由身体或身体部位所经受的冲击和振动。

37.根据权利要求24至36中任一项所述的方法，其中，所述生物力学指标用于提供针对所述动态活动的质量的评分系统。

38.根据权利要求37所述的方法，其中，将两个或多个生物力学指标组合使用，以对脊椎哺乳动物的身体或身体部位的动态活动的所述质量提供评分或测量。

39.根据权利要求26至38中任一项所述的方法，其中，参照优选的范围值或阈值来评估与所述动态活动的质量相关联的所述/每个生物力学指标。

40.根据权利要求26至39中任一项所述的方法，其中，所述至少一个惯性传感器包括加速度计。

41.根据权利要求40所述的方法，其中，所述加速度计适于沿一个或多个正交轴线测量加速度。

42.根据权利要求26至41中任一项所述的方法，其中，所述至少一个惯性传感器包括陀螺仪和/或磁力计。

43.根据权利要求26至42中任一项所述的方法，其中，所述哺乳动物的所述身体包括胫骨，并且所述至少一个惯性传感器包括适于放置在每个胫骨上的无线加速度传感器。

44.根据权利要求26至43中任一项所述的方法，其中，所述至少一个惯性传感器包括用于将模拟数据转换成数字域的模数A/D转换器。

45.根据权利要求44所述的方法，其中，所述数模A/D转换器配置为在存储所述数据之前先将来自所述至少一个惯性传感器的模拟输出转换成数字数据。

46.根据权利要求26至45中任一项所述的方法，包括用于向所监测的受试者提供反馈的机构。

47.根据权利要求26至46中任一项所述的方法，其中，所述算法适于将所述数据从所述第一参考系转换到所述身体部位进行运动所在的第二参考系。

48.根据权利要求26至47中任一项所述的方法，其中，所述至少一个惯性传感器包括转动传感器。

49.根据权利要求48所述的方法，其中，所述转动传感器包括适于测量围绕一个或多个正交轴线的转动的陀螺仪。

50.根据权利要求26至49中任一项所述的方法，其中，所述算法适于在一段时间内对所述转动数据进行积分，以提供角位移(θ)。