CN108244744B - 一种运动状态识别的方法、鞋底及鞋 - Google Patents
一种运动状态识别的方法、鞋底及鞋 Download PDFInfo
- Publication number
- CN108244744B CN108244744B CN201611244394.0A CN201611244394A CN108244744B CN 108244744 B CN108244744 B CN 108244744B CN 201611244394 A CN201611244394 A CN 201611244394A CN 108244744 B CN108244744 B CN 108244744B
- Authority
- CN
- China
- Prior art keywords
- user
- motion
- gait
- state
- motion state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A43—FOOTWEAR
- A43B—CHARACTERISTIC FEATURES OF FOOTWEAR; PARTS OF FOOTWEAR
- A43B3/00—Footwear characterised by the shape or the use
- A43B3/34—Footwear characterised by the shape or the use with electrical or electronic arrangements
-
- A—HUMAN NECESSITIES
- A43—FOOTWEAR
- A43B—CHARACTERISTIC FEATURES OF FOOTWEAR; PARTS OF FOOTWEAR
- A43B13/00—Soles; Sole-and-heel integral units
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种运动状态识别的方法、鞋底及鞋,涉及智能穿戴技术领域,解决现有运动状态识别的方法受到摄像头等硬件条件的限制,无法在室外进行长期的步态监测的问题。该方法包括:采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据;根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动变化信息;根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态。本发明的方案根据多个维度多个方向的运动相关数据,能够准确确定用户的运动状态,仅需利用鞋底上设置的传感器,无需使用摄像头等,能够实现在室外进行长期的步态监测。
Description
技术领域
本发明涉及智能穿戴技术领域,特别涉及一种运动状态识别的方法、鞋底及鞋。
背景技术
人体运动姿态的识别在运动分析、跌倒预警、疾病预防、康复治疗、身份识别等领域有着重要的作用。人体足底的压力及压强会随着人体足部结构出现功能障碍或出现病变,并随着人体的运动状态的变化发生改变。
通过对人体足底压力及压强在静止状态或运动过程的分布研究,能够发现步态的动力性及运动性特征。业界已有的人体运动姿态的识别方法,包括间接法和直接法两种:
间接法:通过在人体待测部位贴上红外标记点,红外摄像头发出并接收由红外标记点反射回来的红外线信号,确定人体各关节的运动和人体的位置。直接法:步行实验通道上铺设测足开关和电阻网格,计算机通过得到的地面反作用力和人体运动位置坐标等信息计算出步行过程中,人体的质心运动、能量消耗、运动位置、关节受力情况等。
不论直接法还是间接法,都受到摄像头等硬件条件的限制,无法在室外进行长期的步态监测,进行跌倒预警等实时告警,以及结合长期日常行为习惯数据进行糖尿病足、脑卒中、儿童八字脚、帕金森的预警和康复治疗等。
发明内容
本发明要解决的技术问题是提供一种运动状态识别的方法、鞋底及鞋,解决现有运动状态识别的方法受到摄像头等硬件条件的限制,无法在室外进行长期的步态监测的问题。
为解决上述技术问题,本发明的实施例提供一种运动状态识别的方法,包括:
采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据;
根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动变化信息;
根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态。
其中,所述运动相关数据包括加速度数据和角速度数据;
所述根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动数据变化信息的步骤包括:
根据所述加速度数据,获取所述预设多个维度中每个维度方向上的加速度变化信息;
根据所述角速度数据,获取所述预设多个维度中每个维度方向上的角速度变化信息。
其中,所述根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态的步骤包括:
根据所述预设多个维度中每个维度方向上的加速度变化信息,确定所述用户不是静止状态时,根据所述预设多个维度中每个维度方向上的加速度变化信息,判断用户的运动状态属于循环运动状态或者非循环运动状态。
其中,所述根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态的步骤还包括:
若用户的运动状态属于循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
若用户的运动状态属于非循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
其中,所述根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步的步骤包括:
根据所述预设多个维度中每个维度方向上的加速度变化信息以及加速度向量模型,获取第一加速度向量模数据;
根据所述预设多个维度中每个维度方向上的角速度变化信息以及角速度向量模型,获取第一角速度向量模数据;
根据所述第一加速度向量模数据、所述第一角速度向量模数据以及上楼梯、下楼梯、平地行走和跑步分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
所述根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒的步骤包括:
根据所述预设多个维度中每个维度方向上的加速度变化信息以及所述加速度向量模型,获取第二加速度向量模数据;
根据所述预设多个维度中每个维度方向上的角速度变化信息以及所述角速度向量模型,获取第二角速度向量模数据;
根据所述第二加速度向量模数据、所述第二角速度向量模数据以及坐下、蹲下、起立、跳跃和跌倒分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
其中,所述根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态之后,还包括:
根据所述运动相关数据以及预先训练出的步态偏离模型,确定所述用户的步态偏离正常样本人群的程度;
若所述用户的步态偏离正常样本人群的程度大于预设阈值,则根据所述用户的步态偏离正常样本人群的程度和所述运动相关数据,判断所述用户的运动状态属于正常态或者病态,否则,判断所述用户的运动状态属于正常态。
其中,所述运动相关数据包括用户鞋底n个区域的N类参数值,n和N均为大于或等于1的整数;
所述根据所述运动相关数据以及预先训练出的步态偏离模型,确定所述用户的步态偏离正常样本人群的程度的步骤包括:
采用如下公式确定所述用户的步态偏离正常样本人群的程度x:
其中,所述根据所述用户的步态偏离正常样本人群的程度和所述运动相关数据,判断所述用户的运动状态属于正常态或者病态的步骤包括:
根据预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值,确定所述用户的运动状态在每种病态下分别对应的权重集合和病态阈值;其中所述权重集合包括N类参数中每类参数对应的权重值和x对应的权重值;
根据所述运动相关数据、所述x和所述用户的运动状态在每种病态下分别对应的权重集合进行加权计算,得到每种病态下的加权值;
将每种病态下的加权值与对应的病态阈值进行比较,若至少一种加权值大于所述病态阈值,则确定所述用户的运动状态属于病态,否则,确定所述用户的运动状态属于正常态。
其中,所述根据所述用户的步态偏离正常样本人群的程度和所述运动相关数据,判断所述用户的运动状态属于正常态或者病态之前,还包括:
获取样本人群鞋底在所述预设多个维度中每个维度方向上的运动相关数据;
根据所述样本人群的运动相关数据,提取步态时域特征和步态频域特征;
对所述步态时域特征和所述步态频域特征进行融合处理,得到融合后的所述样本人群的步态特征集;
采用SVM算法对所述样本人群的步态特征集按照不同的运动状态下的正常态和病态进行分类,并确定每种运动状态在每种病态下分别对应的权重集合和病态阈值。
其中,所述根据所述样本人群的运动相关数据,提取步态时域特征和步态频域特征的步骤包括:
根据所述样本人群的运动相关数据,获取每类参数在所述预设多个维度中每个维度方向上的变化曲线;
采用差分算法获取每类参数的变化曲线的关键点;
提取所述关键点处的参数值、驱动冲量和制动冲量,并根据所述关键点处的参数值、驱动冲量和制动冲量,获得所述步态时域特征;
根据关键点,采用线性插值法对每类参数的变化曲线进行波形对齐;
采用小波包分解算法从波形对齐后的变化曲线中提取所述步态频域特征。
其中,所述若所述用户的步态偏离正常样本人群的程度大于预设阈值,则根据所述用户的步态偏离正常样本人群的程度和所述运动相关数据,判断所述用户的运动状态属于正常态或者病态,否则,判断所述用户的运动状态属于正常态之后,还包括:
对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证;
根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
其中,所述对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证的步骤包括:
根据所述运动相关数据以及更新后的步态偏离模型,重新确定所述用户的步态偏离正常样本人群的程度;所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型;
若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值,则根据重新确定的所述用户的步态偏离正常样本人群的程度和所述运动相关数据,重新判断所述用户的运动状态属于正常态或者病态;
根据重新判断的判断结果对上一次的判断结果进行验证。
其中,所述采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据之后,还包括:
采用小波变换阈值法对所述运动相关数据进行去噪处理。
其中,所述预设多个维度包括沿鞋底长度方向的第一维度、沿鞋底宽度方向的第二维度和垂直于鞋底所在平面的第三维度。
为解决上述技术问题,本发明的实施例还提供一种鞋底,包括:
采集模块,用于采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据;
第一获取模块,用于根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动变化信息;
第一确定模块,用于根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态。
其中,所述运动相关数据包括加速度数据和角速度数据;
所述第一获取模块包括:
第一获取子模块,用于根据所述加速度数据,获取所述预设多个维度中每个维度方向上的加速度变化信息;
第二获取子模块,用于根据所述角速度数据,获取所述预设多个维度中每个维度方向上的角速度变化信息。
其中,所述第一确定模块包括:
第一确定子模块,用于根据所述预设多个维度中每个维度方向上的加速度变化信息,确定所述用户不是静止状态时,根据所述预设多个维度中每个维度方向上的加速度变化信息,判断用户的运动状态属于循环运动状态或者非循环运动状态。
其中,所述第一确定模块还包括:
第二确定子模块,用于若用户的运动状态属于循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
第三确定子模块,用于若用户的运动状态属于非循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
其中,所述第二确定子模块包括:
第一获取单元,用于根据所述预设多个维度中每个维度方向上的加速度变化信息以及加速度向量模型,获取第一加速度向量模数据;
第二获取单元,用于根据所述预设多个维度中每个维度方向上的角速度变化信息以及角速度向量模型,获取第一角速度向量模数据;
第一判断单元,用于根据所述第一加速度向量模数据、所述第一角速度向量模数据以及上楼梯、下楼梯、平地行走和跑步分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
所述第三确定子模块包括:
第三获取单元,用于根据所述预设多个维度中每个维度方向上的加速度变化信息以及所述加速度向量模型,获取第二加速度向量模数据;
第四获取单元,用于根据所述预设多个维度中每个维度方向上的角速度变化信息以及所述角速度向量模型,获取第二角速度向量模数据;
第二判断单元,用于根据所述第二加速度向量模数据、所述第二角速度向量模数据以及坐下、蹲下、起立、跳跃和跌倒分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
其中,还包括:
第二确定模块,用于根据所述运动相关数据以及预先训练出的步态偏离模型,确定所述用户的步态偏离正常样本人群的程度;
判断模块,用于若所述用户的步态偏离正常样本人群的程度大于预设阈值,则根据所述用户的步态偏离正常样本人群的程度和所述运动相关数据,判断所述用户的运动状态属于正常态或者病态,否则,判断所述用户的运动状态属于正常态。
其中,所述运动相关数据包括用户鞋底n个区域的N类参数值,n和N均为大于或等于1的整数;
所述第二确定模块包括:
第四确定子模块,用于采用如下公式确定所述用户的步态偏离正常样本人群的程度x:
其中,所述判断模块包括:
第五确定子模块,用于根据预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值,确定所述用户的运动状态在每种病态下分别对应的权重集合和病态阈值;其中所述权重集合包括N类参数中每类参数对应的权重值和x对应的权重值;
加权子模块,用于根据所述运动相关数据、所述x和所述用户的运动状态在每种病态下分别对应的权重集合进行加权计算,得到每种病态下的加权值;
第六确定子模块,用于将每种病态下的加权值与对应的病态阈值进行比较,若至少一种加权值大于所述病态阈值,则确定所述用户的运动状态属于病态,否则,确定所述用户的运动状态属于正常态。
其中,还包括:
第二获取模块,用于获取样本人群鞋底在所述预设多个维度中每个维度方向上的运动相关数据;
提取模块,用于根据所述样本人群的运动相关数据,提取步态时域特征和步态频域特征;
融合模块,用于对所述步态时域特征和所述步态频域特征进行融合处理,得到融合后的所述样本人群的步态特征集;
第三确定模块,用于采用SVM算法对所述样本人群的步态特征集按照不同的运动状态下的正常态和病态进行分类,并确定每种运动状态在每种病态下分别对应的权重集合和病态阈值。
其中,所述提取模块包括:
第三获取子模块,用于根据所述样本人群的运动相关数据,获取每类参数在所述预设多个维度中每个维度方向上的变化曲线;
第四获取子模块,用于采用差分算法获取每类参数的变化曲线的关键点;
第一提取子模块,用于提取所述关键点处的参数值、驱动冲量和制动冲量,并根据所述关键点处的参数值、驱动冲量和制动冲量,获得所述步态时域特征;
波形对齐模块,用于根据关键点,采用线性插值法对每类参数的变化曲线进行波形对齐;
第二提取子模块,用于采用小波包分解算法从波形对齐后的变化曲线中提取所述步态频域特征。
其中,还包括:
验证模块,用于对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证;
优化模块,用于根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
其中,所述验证模块包括:
第七确定子模块,用于根据所述运动相关数据以及更新后的步态偏离模型,重新确定所述用户的步态偏离正常样本人群的程度;所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型;
判断子模块,用于若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值,则根据重新确定的所述用户的步态偏离正常样本人群的程度和所述运动相关数据,重新判断所述用户的运动状态属于正常态或者病态;
验证子模块,用于根据重新判断的判断结果对上一次的判断结果进行验证。
其中,还包括:
去噪模块,用于采用小波变换阈值法对所述运动相关数据进行去噪处理。
其中,所述预设多个维度包括沿鞋底长度方向的第一维度、沿鞋底宽度方向的第二维度和垂直于鞋底所在平面的第三维度。
为解决上述技术问题,本发明的实施例还提供一种鞋,包括:如上任一项所述的鞋底。
本发明的上述技术方案的有益效果如下:
本发明实施例的运动状态识别的方法,首先采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据;然后根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动变化信息;最后根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态。这样,根据多个维度多个方向的运动相关数据,能够准确确定用户的运动状态,仅需利用鞋底上设置的传感器,无需使用摄像头等,能够实现在室外进行长期的步态监测。解决了现有运动状态识别的方法受到摄像头等硬件条件的限制,无法在室外进行长期的步态监测的问题。
附图说明
图1为本发明运动状态识别的方法流程图;
图2为本发明鞋底区域划分的结构示意图;
图3为本发明鞋底的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
第一实施例
如图1所示,本发明实施例的一种运动状态识别的方法,包括:
步骤101,采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据;
步骤102,根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动变化信息;
步骤103,根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态。
本发明实施例的运动状态识别的方法,根据多个维度多个方向的运动相关数据,能够准确确定用户的运动状态,仅需利用鞋底上设置的传感器,无需使用摄像头等,能够实现在室外进行长期的步态监测。解决了现有运动状态识别的方法受到摄像头等硬件条件的限制,无法在室外进行长期的步态监测的问题。
可选的,如图2所示,鞋底5个区域(MFF、LFF、MMF、LMF、HEEL)均匀分布着压力监测发电一体化的软传感技术,由弹性敏感元件、位移敏感元件、发电模组组成,弹性敏感元件的作用是使被测压力作用于某个面积上并转换为位移或应变的基于惠斯通电桥压阻式应变电信号。
上述步骤101采集的运动相关数据可以包括用户左右鞋底MFF、LFF、LMF、HEEL四个区域在多个维度中每个维度方向上的压力数据、每个压力数据占总压力的比重、加速度数据、角速度数据和对应的时间数据。
可选的,所述运动相关数据包括加速度数据和角速度数据;
上述步骤102的步骤包括:
步骤1021,根据所述加速度数据,获取所述预设多个维度中每个维度方向上的加速度变化信息;
步骤1022,根据所述角速度数据,获取所述预设多个维度中每个维度方向上的角速度变化信息。
进一步的,上述步骤103的步骤包括:
步骤1031,根据所述预设多个维度中每个维度方向上的加速度变化信息,确定所述用户不是静止状态时,根据所述预设多个维度中每个维度方向上的加速度变化信息,判断用户的运动状态属于循环运动状态或者非循环运动状态。
此时,使用加速度数据能很好的区分人体行为的静止状态和运动状态,并能够很好的区分循环运动状态和非循环运动状态。
可选的,所述预设多个维度包括沿鞋底长度方向的第一维度x、沿鞋底宽度方向的第二维度y和垂直于鞋底所在平面的第三维度z。
上述步骤101可利用鞋底上的三轴加速度传感器,按照例如76Hz、88Hz、100Hz、105Hz、120Hz或者150Hz的采样频率(人行走的频率一般在110步/分钟(1.8Hz),跑步时的频率不会超过5Hz,选择上述任一种采样频率均可以在准确地反应加速度变化和系统效率、能耗等方面取得较好的平衡效果),采集上述第一维度x、第二维度y和第三维度z中每个维度两个方向的加速度数据。
一般加速度不为零时就可以确定用户不是静止状态。另外,根据加速度变化信息对轨迹的峰值出现的频率进行统计。一般用户在水平运动中,垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中,由于重心向上单只脚触地,垂直方向加速度是呈正向增加的趋势,之后继续向前,重心下移两脚触底,加速度相反。水平加速度在收脚时减小,在迈步时增加。我们可以看到在步行运动中,垂直和前进产生的加速度与时间大致为一个正弦曲线,而且在某点有一个峰值,其中垂直方向的加速度变化最大。
按照上述方式对多种循环运动进行统计,可以确定循环运动状态在某个维度方向上的加速度成周期性变化,因此上述步骤1031可以根据这一规律区分循环运动状态和非循环运动状态。
单纯使用加速度数据能很好的区分人体行为的循环运动状态和非循环运动状态。但对于相似的运动行为就比较难于区分,可以结合角速度数据进行区分。
可选的,上述步骤103的步骤还包括:
步骤1032,若用户的运动状态属于循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
步骤1033,若用户的运动状态属于非循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
此时,结合加速度数据和角速度数据,能够对相似的运动进行细化区分。
其中,上述步骤101可利用鞋底上的陀螺仪采集角速度数据。
可选的,上述步骤1032的步骤包括:
步骤10321,根据所述预设多个维度中每个维度方向上的加速度变化信息以及加速度向量模型,获取第一加速度向量模数据;
步骤10322,步骤根据所述预设多个维度中每个维度方向上的角速度变化信息以及角速度向量模型,获取第一角速度向量模数据;
步骤10323,根据所述第一加速度向量模数据、所述第一角速度向量模数据以及上楼梯、下楼梯、平地行走和跑步分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步。
此时,结合角速度和角速度,并利用信息阈值法,能够很好地区分循环运动状态的不同运动环节。
上述步骤1033的步骤包括:
步骤10331,根据所述预设多个维度中每个维度方向上的加速度变化信息以及所述加速度向量模型,获取第二加速度向量模数据;
步骤10332,根据所述预设多个维度中每个维度方向上的角速度变化信息以及所述角速度向量模型,获取第二角速度向量模数据;
步骤10333,根据所述第二加速度向量模数据、所述第二角速度向量模数据以及坐下、蹲下、起立、跳跃和跌倒分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
此时,结合角速度和角速度,并利用信息阈值法,能够很好地区分非循环运动状态的不同运动环节。且通过识别跌倒运动,能够进行跌倒预警。
其中,加速度向量模型如下公式所示:
角速度向量模型如下公式所示:
其中,ax,ay,az分别为加速度传感器x、y、z三轴方向输出的加速度数据。ωx,ωy,ωz分别为陀螺仪x、y、z三轴方向输出的角速度数据。
下面以跌倒检测为例进一步说明如下:
跌倒具有较大的加速度峰值和角速度峰值的特征,这是因为摔倒过程中会以较快速度和低势物体碰撞,因此产生的加速度峰值和角速度峰值比日常活动中步行、上楼梯等大多数一般过程要大。由于人体运动行为过程具有复杂性和随机性,单纯使用加速度信息判断人体摔倒行为的发生会带来很大的误判。所以本发明实施例使用SVMA及SVMW相结合的信息阈值法,可以准确区分跌倒与产生SVM峰值较小的低强度运动。
具体的,跌倒对应的加速度信号向量模阈值可取SVMAT=20m/s2,角速度信号向量模阈值可取SVMWT=4rad/s。
在确定出用户的运动状态之后,可进一步判断用户的运动状态是否属于正常态。上面已经提到运动相关数据可以包括压力数据,使用压力数据能够区别病态和正常态,但结合运动状态进行判定的效果更好。
例如,通过医学文件和实验证明:对正常人与类风湿性关节炎跖痛病人进行了比较发现,静态站立时,两组人前足的最大压力分布未发现明显差异,但是在行走时,病足在趾骨离开地面前的最大压力大多都集中在前足外侧,正常足在趾骨离开地面前的最大压力大多都集中在前足中部;糖尿病人的足底触地加压期时间比正常人明显增长,而其前足的触地时间较正常人来的短,触地过程却是一个快速的过渡过程。
可选的,上述步骤103之后,还包括:
步骤104,根据所述运动相关数据以及预先训练出的步态偏离模型,确定所述用户的步态偏离正常样本人群的程度。
步骤105,若所述用户的步态偏离正常样本人群的程度大于预设阈值,则根据所述用户的步态偏离正常样本人群的程度和所述运动相关数据,判断所述用户的运动状态属于正常态或者病态,否则,判断所述用户的运动状态属于正常态。
本发明实施例中进行持续的大数据训练细分计算量非常大,以其中足底压力数据为例,采样率100Hz,每个足底采集3000个点的6个方向压力值,每秒每人原始数据量为360万个,数据挖掘即360万维度以上,相应给后面的数据处理带来巨大的运算量。
为了降低数据处理的计算量,本发明实施例中首先通过步骤104对数据进行降维。步骤105只对用户的步态偏离正常样本人群的程度大于预设阈值的数据进行病态区分,从而降低计算量,提高计算效率。
另外,本发明实施例中还可以将原问题转化为对偶问题处理,以进一步降低复杂度。
可选的,所述运动相关数据包括用户鞋底n个区域的N类参数值,n和N均为大于或等于1的整数;
上述步骤104的步骤包括:
采用如下公式确定所述用户的步态偏离正常样本人群的程度x:
具体的,上述n个区域可包括如图2所示的MFF、LFF、LMF、HEEL四个区域,上述N类参数值如可包括加速度、角速度、压力值等。
其中,上述样本人群理论上为正常人群。此时,通过确定用户步态偏离正常人群的程度,能够将正常用户筛选出去,只对存在病态可能的用户进一步区分。
可选的,上述步骤105的步骤包括:
步骤1051,根据预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值,确定所述用户的运动状态在每种病态下分别对应的权重集合和病态阈值;其中所述权重集合包括N类参数中每类参数对应的权重值和x对应的权重值;
步骤1052,根据所述运动相关数据、所述x和所述用户的运动状态在每种病态下分别对应的权重集合进行加权计算,得到每种病态下的加权值;
步骤1053,将每种病态下的加权值与对应的病态阈值进行比较,若至少一种加权值大于所述病态阈值,则确定所述用户的运动状态属于病态,否则,确定所述用户的运动状态属于正常态。
这里,通过对不同运动状态在不同病态下的表现进行分析,能够确定不同运动状态在不同病态下的参数的权重值。例如正常人站立和行走时,左、右足底压力峰值压力分布基本相同;而糖尿病患者及临界者,关节活动度变小导致前足/后足压力明显增大,且压力分布不均衡。因此在站立和行走状态下,糖尿病对应的压力值的权重大。
此时,通过对用户的运动状态进行病态判别,能够进行糖尿病足、脑卒中、儿童八字脚、帕金森等各种疾病的预警,并实现辅助康复治疗等。
可选的,上述步骤105之前,还包括:
步骤106,获取样本人群鞋底在所述预设多个维度中每个维度方向上的运动相关数据;
步骤107,根据所述样本人群的运动相关数据,提取步态时域特征和步态频域特征;
步骤108,对所述步态时域特征和所述步态频域特征进行融合处理,得到融合后的所述样本人群的步态特征集;
步骤109,采用SVM算法对所述样本人群的步态特征集按照不同的运动状态下的正常态和病态进行分类,并确定每种运动状态在每种病态下分别对应的权重集合和病态阈值。
这里,可利用SVM分类器对步态样本(步态特征集)分类。假定数据库中已经注册了M类(M为大于或等于1的整数)步态样本,将新的步态样本输入SVM分类器训练,根据输入值判定新的步态样本属于M类中的哪一类,如果超出了M类的范围,则作为新的类别M+1类,然后更新分类器。
其中,可将病态人群的步态样本进行重点计算,如分别提取左右脚同一点、同一脚四个区域的压力值1000组,然后提取步态时域特征和步态频域特征,以根据病态人群的步态特征准确确定权重集合。
可选的,上述步骤108的步骤包括:
根据所述样本人群的运动相关数据,获取每类参数在所述预设多个维度中每个维度方向上的变化曲线;采用差分算法获取每类参数的变化曲线的关键点;提取所述关键点处的参数值、驱动冲量和制动冲量,并根据所述关键点处的参数值、驱动冲量和制动冲量,获得所述步态时域特征;根据关键点,采用线性插值法对每类参数的变化曲线进行波形对齐;采用小波包分解算法从波形对齐后的变化曲线中提取所述步态频域特征。
下面以压力参数为例进一步说明如下:
鞋底各区域作用力与运动步态相关,时频可表征步态周期性、变化率和加速度等整体特征,频域可表征谱特性等细节特征。可采用小波包分解、差分算法分别从鞋底四个区域三个维度的压力数据中提取频域、时域特征,从而利用SVM算法识别运动状态以及正常态和病态。
关于时域特征提取:可采用一阶差分算法检测前后方向(x轴)、垂直方向(z轴)曲线的波峰点和波谷点,作为作用力曲线的关键点,并将垂直方向曲线的波谷点作为作用力曲线的参考点;然后以垂直方向曲线的关键点的压力值、压力值出现的时相、相邻关键点作用力变化率和冲量(包括驱动冲量和制动冲量)、对应的前后方向曲线上的关键点处的压力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)表征全程的步态时域特征。
关于频域特征提取:可将作用力先按垂直方向曲线上的关键点将作用力波形对齐,以提高频域特征对比性和分类能力。具体先用线性插值算法将作用力维数归一化到同一值,通过一阶差分算法搜索出归一化后作用力垂直方向力曲线上的波谷点,将波谷点作为关键点进行参照,然后用线性插值法将作用力中的左右方向(y轴)、前后方向和垂直方向曲线波形对齐,得到对齐后的作用力。再用L层小波包分解算法从作用力中提取出全程的步态频域特征。
可选的,上述步骤109可先用模糊C均值法从提取的步态频域特征的多个小波包中挑选最小最优小波包集合,再用模糊C均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数,得到最小最优步态频域特征子集,再与步态时域特征组合,得到融合后的步态特征集。
可选的,上述步骤105之后,还包括:
步骤110,对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证;
步骤111,根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
此时,随着样本量的增加,SVM分类器能够自适应不断优化完善,提高算法的执行效率。
具体的,上述步骤110的步骤包括:
步骤1101,根据所述运动相关数据以及更新后的步态偏离模型,重新确定所述用户的步态偏离正常样本人群的程度;所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型;
步骤1102,若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值,则根据重新确定的所述用户的步态偏离正常样本人群的程度和所述运动相关数据,重新判断所述用户的运动状态属于正常态或者病态;
步骤1103,根据重新判断的判断结果对上一次的判断结果进行验证。
其中,SVM分类器可针对未发现异常的样本人群进行抽样计算。在查找异常样本时,可能由于其中某个区域标准差偏大,另一个区域标准差偏小,正好相抵等情况,导致未发现异常,故再次进行随机抽样验证。每次输入新的样本,根据交叉验证法原理,计算SVM分类器识别率。
对异常未发现的样本的特征值,使用SVM分类器适应度函数,为SVM分类器对样本划分正确率。通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程,从而即使不使用并行计算机,也能提高算法的执行效率。
进一步的,上述步骤101之后,还包括:
步骤112,采用小波变换阈值法对所述运动相关数据进行去噪处理。
这里,采集过程中电路中的电磁干扰是主要的干扰源,电磁干扰为高频噪声;而人体运动主要是在50Hz以内的低频信号,本发明实施例选用离散小波变换阈值法,具有带通滤波功能,计算速度快。具体可以给检测加上阈值和步频判断来过滤,也就是说相邻两步的时间间隔至少大于0.11、0.14、0.17、0.2、0.23、0.27秒,过滤高频噪声,可以在准确地反应加速度变化和系统效率、能耗等方面取得最好平衡效果。
另外,可对采集到四个区域的压力数据,进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作,将四个区域的压力时域信号离散化,将多种频率成分的混合信号分解到不同频段,然后根据各种子信号在频域上的不同特征按频带处理;接着,基于矩阵的非监督算法被用来去除噪声和保留最具代表的信息。最后,利用监督算法进一步提高分辨能力。获取信噪比高的步态数据。
本发明实施例的运动状态识别的方法,根据多个维度多个方向的运动相关数据,能够准确确定用户的运动状态,仅需利用鞋底上设置的传感器,无需使用摄像头等,能够实现在室外进行长期的步态监测。解决了现有运动状态识别的方法受到摄像头等硬件条件的限制,无法在室外进行长期的步态监测的问题。且能够实现跌倒预警,并进行糖尿病足、脑卒中、儿童八字脚、帕金森等疾病的预警。且本发明实施例的方法基于鞋底各区域的传感数据进行运动状态的识别,相较于手环等在采集上更加方便。
本发明实施例的运动状态识别的方法,采用了硬阈值法进行三个步骤的去噪、采用时域频域相结合进行特征提取、采用模糊C均值法选择最小最优步态频域与时域特征融合、SVM建模、模型进行自适应完善等一体化闭环流程的运动状态识别方法,具有兼顾整体特征和局部特征的有机融合、算法随着样本量增加能不断自我改进等优点。
本发明实施例的运动状态识别的方法,采用特征识别算法,针对传统求解二次规划问题的算法运算时间长、效率低等特点,将对偶寻优问题分解为若干子问题,采用循环迭代策略,并将块算法和固定工作样本集相结合。先将工作样本集固定在一定的限度内,剔除工作样本中的非支持向量,然后依据训练结果将剩余样本中不符合条件的样本和训练结果中的支持向量合并成为一个新的工作样本集,迭代过程使用合适的换入换出策略,将一部分剩余样本与工作样本集中的样本进行交换,然后继续训练,如此重复训练直到获得最优结果。这样做的方式既使用到了固定工作样本集方法计算速度快的特点,又避免了其当向量的个数超出工作样本集的规模,算法仅优化支持向量中的一部分的存在范围局限性的问题。
本发明实施例的运动状态识别的方法,识别建模方法与传统的遗传优化算法相比,利用参变量集的某种编码而不是直接作用在参变量集上,从一个点的群体开始搜索而不是从单个点开始搜索,提高了并行处理效率。采用比高法的适应值,利用概率转移规则,而非确定性规则,无须导数或其他辅助信息,避免了过早收敛的问题,使得在比较出不同运动模式基础上,还能够自动进行细分有病无病等不同状态。也是目前检索到的专利中所不具备的。
第二实施例
如图3所示,本发明的实施例还提供一种鞋底,包括:
采集模块301,用于采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据;
第一获取模块302,用于根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动变化信息;
第一确定模块303,用于根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态。
本发明实施例的鞋底,根据多个维度多个方向的运动相关数据,能够准确确定用户的运动状态,仅需利用鞋底上设置的传感器,无需使用摄像头等,能够实现在室外进行长期的步态监测。解决了现有运动状态识别的方法受到摄像头等硬件条件的限制,无法在室外进行长期的步态监测的问题。
可选的,所述运动相关数据包括加速度数据和角速度数据;
所述第一获取模块302包括:
第一获取子模块,用于根据所述加速度数据,获取所述预设多个维度中每个维度方向上的加速度变化信息;
第二获取子模块,用于根据所述角速度数据,获取所述预设多个维度中每个维度方向上的角速度变化信息。
可选的,所述第一确定模块303包括:
第一确定子模块,用于根据所述预设多个维度中每个维度方向上的加速度变化信息,确定所述用户不是静止状态时,根据所述预设多个维度中每个维度方向上的加速度变化信息,判断用户的运动状态属于循环运动状态或者非循环运动状态。
可选的,所述第一确定模块303还包括:
第二确定子模块,用于若用户的运动状态属于循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
第三确定子模块,用于若用户的运动状态属于非循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
可选的,所述第二确定子模块包括:
第一获取单元,用于根据所述预设多个维度中每个维度方向上的加速度变化信息以及加速度向量模型,获取第一加速度向量模数据;
第二获取单元,用于根据所述预设多个维度中每个维度方向上的角速度变化信息以及角速度向量模型,获取第一角速度向量模数据;
第一判断单元,用于根据所述第一加速度向量模数据、所述第一角速度向量模数据以及上楼梯、下楼梯、平地行走和跑步分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
所述第三确定子模块包括:
第三获取单元,用于根据所述预设多个维度中每个维度方向上的加速度变化信息以及所述加速度向量模型,获取第二加速度向量模数据;
第四获取单元,用于根据所述预设多个维度中每个维度方向上的角速度变化信息以及所述角速度向量模型,获取第二角速度向量模数据;
第二判断单元,用于根据所述第二加速度向量模数据、所述第二角速度向量模数据以及坐下、蹲下、起立、跳跃和跌倒分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
可选的,还包括:
第二确定模块,用于根据所述运动相关数据以及预先训练出的步态偏离模型,确定所述用户的步态偏离正常样本人群的程度;
判断模块,用于若所述用户的步态偏离正常样本人群的程度大于预设阈值,则根据所述用户的步态偏离正常样本人群的程度和所述运动相关数据,判断所述用户的运动状态属于正常态或者病态,否则,判断所述用户的运动状态属于正常态。
可选的,所述运动相关数据包括用户鞋底n个区域的N类参数值,n和N均为大于或等于1的整数;
所述第二确定模块包括:
第四确定子模块,用于采用如下公式确定所述用户的步态偏离正常样本人群的程度x:
可选的,所述判断模块包括:
第五确定子模块,用于根据预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值,确定所述用户的运动状态在每种病态下分别对应的权重集合和病态阈值;其中所述权重集合包括N类参数中每类参数对应的权重值和x对应的权重值;
加权子模块,用于根据所述运动相关数据、所述x和所述用户的运动状态在每种病态下分别对应的权重集合进行加权计算,得到每种病态下的加权值;
第六确定子模块,用于将每种病态下的加权值与对应的病态阈值进行比较,若至少一种加权值大于所述病态阈值,则确定所述用户的运动状态属于病态,否则,确定所述用户的运动状态属于正常态。
可选的,还包括:
第二获取模块,用于获取样本人群鞋底在所述预设多个维度中每个维度方向上的运动相关数据;
提取模块,用于根据所述样本人群的运动相关数据,提取步态时域特征和步态频域特征;
融合模块,用于对所述步态时域特征和所述步态频域特征进行融合处理,得到融合后的所述样本人群的步态特征集;
第三确定模块,用于采用SVM算法对所述样本人群的步态特征集按照不同的运动状态下的正常态和病态进行分类,并确定每种运动状态在每种病态下分别对应的权重集合和病态阈值。
可选的,所述提取模块包括:
第三获取子模块,用于根据所述样本人群的运动相关数据,获取每类参数在所述预设多个维度中每个维度方向上的变化曲线;
第四获取子模块,用于采用差分算法获取每类参数的变化曲线的关键点;
第一提取子模块,用于提取所述关键点处的参数值、驱动冲量和制动冲量,并根据所述关键点处的参数值、驱动冲量和制动冲量,获得所述步态时域特征;
波形对齐模块,用于根据关键点,采用线性插值法对每类参数的变化曲线进行波形对齐;
第二提取子模块,用于采用小波包分解算法从波形对齐后的变化曲线中提取所述步态频域特征。
可选的,还包括:
验证模块,用于对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证;
优化模块,用于根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
可选的,所述验证模块包括:
第七确定子模块,用于根据所述运动相关数据以及更新后的步态偏离模型,重新确定所述用户的步态偏离正常样本人群的程度;所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型;
判断子模块,用于若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值,则根据重新确定的所述用户的步态偏离正常样本人群的程度和所述运动相关数据,重新判断所述用户的运动状态属于正常态或者病态;
验证子模块,用于根据重新判断的判断结果对上一次的判断结果进行验证。
可选的,还包括:
去噪模块,用于采用小波变换阈值法对所述运动相关数据进行去噪处理。
可选的,所述预设多个维度包括沿鞋底长度方向的第一维度、沿鞋底宽度方向的第二维度和垂直于鞋底所在平面的第三维度。
本发明实施例的鞋底,根据多个维度多个方向的运动相关数据,能够准确确定用户的运动状态,仅需利用鞋底上设置的传感器,无需使用摄像头等,能够实现在室外进行长期的步态监测。解决了现有运动状态识别的方法受到摄像头等硬件条件的限制,无法在室外进行长期的步态监测的问题。
需要说明的是,上述运动状态识别的方法实施例中所有实现方式均适用于该鞋底的实施例中,也能达到同样的技术效果。
第三实施例
由于本发明实施例的鞋底应用于鞋,因此,本发明实施例还提供了一种鞋,包括:如上述实施例中所述的鞋底。
其中,上述鞋底的所述实现实施例均适用于该鞋的实施例中,也能达到相同的技术效果。
在本发明的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例中,模块可以用软件实现,以便由各种类型的处理器执行。举例来说,一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块,举例来说,其可以被构建为对象、过程或函数。尽管如此,所标识模块的可执行代码无需物理地位于一起,而是可以包括存储在不同位里上的不同的指令,当这些指令逻辑上结合在一起时,其构成模块并且实现该模块的规定目的。
实际上,可执行代码模块可以是单条指令或者是许多条指令,并且甚至可以分布在多个不同的代码段上,分布在不同程序当中,以及跨越多个存储器设备分布。同样地,操作数据可以在模块内被识别,并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集,或者可以分布在不同位置上(包括在不同存储设备上),并且至少部分地可以仅作为电子信号存在于系统或网络上。
在模块可以利用软件实现时,考虑到现有硬件工艺的水平,所以可以以软件实现的模块,在不考虑成本的情况下,本领域技术人员都可以搭建对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
以上所述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,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (21)
1.一种运动状态识别的方法,其特征在于,包括:
采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据,所述运动相关数据包括加速度数据和角速度数据,这包括用户鞋底n个区域的N类参数值,n和N均为大于或等于1的整数;
根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动变化信息,包括:根据所述加速度数据,获取所述预设多个维度中每个维度方向上的加速度变化信息;根据所述角速度数据,获取所述预设多个维度中每个维度方向上的角速度变化信息;
根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态;
根据所述运动相关数据以及预先训练出的步态多参数标准差融合后的偏离模型数据进行降维,根据偏离模型来确定所述用户的步态偏离正常样本人群的程度x;若所述用户的步态偏离正常样本人群的程度大于预设阈值,才根据所述用户的步态偏离正常样本人群的程度和所有运动相关数据进行病态区分,以降低计算量;
获取样本人群鞋底在所述预设多个维度中每个维度方向上的运动相关数据;根据所述样本人群的运动相关数据,提取步态时域特征和步态频域特征;对所述步态时域特征和所述步态频域特征进行融合处理,得到融合后的所述样本人群的步态特征集;采用SVM算法对所述样本人群的步态特征集按照不同的运动状态下的正常态和病态进行分类,并确定每种运动状态在每种病态下分别对应的权重集合和病态阈值;
若所述用户的步态偏离正常样本人群的程度大于预设阈值,则根据所述用户的步态偏离正常样本人群的程度和所有运动相关数据,判断所述用户的运动状态属于正常态或者病态,包括:根据预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值,确定所述用户的运动状态在每种病态下分别对应的权重集合和病态阈值;其中所述权重集合包括用户鞋底n个区域的N类参数中每类参数对应的权重值和用户的步态偏离正常样本人群的程度x对应的权重值;根据所述运动相关数据、所述x和所述用户的运动状态在每种病态下分别对应的权重集合进行加权计算,得到每种病态下的加权值;将每种病态下的加权值与对应的病态阈值进行比较,若至少一种加权值大于所述病态阈值,则确定所述用户的运动状态属于病态,否则,确定所述用户的运动状态属于正常态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态的步骤包括:
根据所述预设多个维度中每个维度方向上的加速度变化信息,确定所述用户不是静止状态时,根据所述预设多个维度中每个维度方向上的加速度变化信息,判断用户的运动状态属于循环运动状态或者非循环运动状态。
3.根据权利要求2所述的方法,其特征在于,所述根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态的步骤还包括:
若用户的运动状态属于循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
若用户的运动状态属于非循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步的步骤包括:
根据所述预设多个维度中每个维度方向上的加速度变化信息以及加速度向量模型,获取第一加速度向量模数据;
根据所述预设多个维度中每个维度方向上的角速度变化信息以及角速度向量模型,获取第一角速度向量模数据;
根据所述第一加速度向量模数据、所述第一角速度向量模数据以及上楼梯、下楼梯、平地行走和跑步分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
所述根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒的步骤包括:
根据所述预设多个维度中每个维度方向上的加速度变化信息以及所述加速度向量模型,获取第二加速度向量模数据;
根据所述预设多个维度中每个维度方向上的角速度变化信息以及所述角速度向量模型,获取第二角速度向量模数据;
根据所述第二加速度向量模数据、所述第二角速度向量模数据以及坐下、蹲下、起立、跳跃和跌倒分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
6.根据权利要求1所述的方法,其特征在于,所述根据所述样本人群的运动相关数据,提取步态时域特征和步态频域特征的步骤包括:
根据所述样本人群的运动相关数据,获取每类参数在所述预设多个维度中每个维度方向上的变化曲线;
采用差分算法获取每类参数的变化曲线的关键点;
提取所述关键点处的参数值、驱动冲量和制动冲量,并根据所述关键点处的参数值、驱动冲量和制动冲量,获得所述步态时域特征;
根据关键点,采用线性插值法对每类参数的变化曲线进行波形对齐;
采用小波包分解算法从波形对齐后的变化曲线中提取所述步态频域特征。
7.根据权利要求6所述的方法,其特征在于,所述若所述用户的步态偏离正常样本人群的程度大于预设阈值,则根据所述用户的步态偏离正常样本人群的程度和所有运动相关数据,判断所述用户的运动状态属于正常态或者病态,否则,判断所述用户的运动状态属于正常态之后,还包括:
对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证;
根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
8.根据权利要求7所述的方法,其特征在于,所述对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证的步骤包括:
根据所述运动相关数据以及更新后的步态偏离模型,重新确定所述用户的步态偏离正常样本人群的程度;所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型;
若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值,则根据重新确定的所述用户的步态偏离正常样本人群的程度和所有运动相关数据,重新判断所述用户的运动状态属于正常态或者病态;
根据重新判断的判断结果对上一次的判断结果进行验证。
9.根据权利要求1所述的方法,其特征在于,所述采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据之后,还包括:
采用小波变换阈值法对所述运动相关数据进行去噪处理。
10.根据权利要求1所述的方法,其特征在于,所述预设多个维度包括沿鞋底长度方向的第一维度、沿鞋底宽度方向的第二维度和垂直于鞋底所在平面的第三维度。
11.一种鞋底,其特征在于,包括:
采集模块,用于采集用户鞋底在预设多个维度中每个维度方向上的运动相关数据,所述运动相关数据包括加速度数据和角速度数据,这包括用户鞋底n个区域的N类参数值,n和N均为大于或等于1的整数;
第一获取模块,用于根据所述运动相关数据,获取所述预设多个维度中每个维度方向上的运动变化信息;
第一确定模块,用于根据所述预设多个维度中每个维度方向上的运动变化信息,确定用户的运动状态;
所述第一获取模块包括:
第一获取子模块,用于根据所述加速度数据,获取所述预设多个维度中每个维度方向上的加速度变化信息;
第二获取子模块,用于根据所述角速度数据,获取所述预设多个维度中每个维度方向上的角速度变化信息;
第二确定模块,用于根据所述运动相关数据以及预先训练出的步态偏离模型,确定所述用户的步态偏离正常样本人群的程度x;其中,根据所述运动相关数据以及预先训练出的步态多参数标准差融合后的偏离模型数据进行降维,根据偏离模型来确定所述用户的步态偏离正常样本人群的程度x;若所述用户的步态偏离正常样本人群的程度大于预设阈值,才根据所述用户的步态偏离正常样本人群的程度和所有运动相关数据进行病态区分,以降低计算量;
第二获取模块,用于获取样本人群鞋底在所述预设多个维度中每个维度方向上的运动相关数据;
提取模块,用于根据所述样本人群的运动相关数据,提取步态时域特征和步态频域特征;
融合模块,用于对所述步态时域特征和所述步态频域特征进行融合处理,得到融合后的所述样本人群的步态特征集;
第三确定模块,用于采用SVM算法对所述样本人群的步态特征集按照不同的运动状态下的正常态和病态进行分类,并确定每种运动状态在每种病态下分别对应的权重集合和病态阈值;
判断模块,用于若所述用户的步态偏离正常样本人群的程度大于预设阈值,则根据所述用户的步态偏离正常样本人群的程度和所有运动相关数据,判断所述用户的运动状态属于正常态或者病态,否则,判断所述用户的运动状态属于正常态;判断模块包括:
第五确定子模块,用于根据预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值,确定所述用户的运动状态在每种病态下分别对应的权重集合和病态阈值;其中所述权重集合包括用户鞋底n个区域的N类参数中每类参数对应的权重值和用户的步态偏离正常样本人群的程度x对应的权重值;
加权子模块,用于根据所述运动相关数据、所述x和所述用户的运动状态在每种病态下分别对应的权重集合进行加权计算,得到每种病态下的加权值;
第六确定子模块,用于将每种病态下的加权值与对应的病态阈值进行比较,若至少一种加权值大于所述病态阈值,则确定所述用户的运动状态属于病态,否则,确定所述用户的运动状态属于正常态。
12.根据权利要求11所述的鞋底,其特征在于,所述第一确定模块包括:
第一确定子模块,用于根据所述预设多个维度中每个维度方向上的加速度变化信息,确定所述用户不是静止状态时,根据所述预设多个维度中每个维度方向上的加速度变化信息,判断用户的运动状态属于循环运动状态或者非循环运动状态。
13.根据权利要求12所述的鞋底,其特征在于,所述第一确定模块还包括:
第二确定子模块,用于若用户的运动状态属于循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
第三确定子模块,用于若用户的运动状态属于非循环运动状态,则根据所述预设多个维度中每个维度方向上的加速度变化信息和角速度变化信息,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
14.根据权利要求13所述的鞋底,其特征在于,所述第二确定子模块包括:
第一获取单元,用于根据所述预设多个维度中每个维度方向上的加速度变化信息以及加速度向量模型,获取第一加速度向量模数据;
第二获取单元,用于根据所述预设多个维度中每个维度方向上的角速度变化信息以及角速度向量模型,获取第一角速度向量模数据;
第一判断单元,用于根据所述第一加速度向量模数据、所述第一角速度向量模数据以及上楼梯、下楼梯、平地行走和跑步分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于上楼梯、下楼梯、平地行走或者跑步;
所述第三确定子模块包括:
第三获取单元,用于根据所述预设多个维度中每个维度方向上的加速度变化信息以及所述加速度向量模型,获取第二加速度向量模数据;
第四获取单元,用于根据所述预设多个维度中每个维度方向上的角速度变化信息以及所述角速度向量模型,获取第二角速度向量模数据;
第二判断单元,用于根据所述第二加速度向量模数据、所述第二角速度向量模数据以及坐下、蹲下、起立、跳跃和跌倒分别对应的加速度向量模阈值和角速度向量模阈值,判断用户的运动状态属于坐下、蹲下、起立、跳跃或者跌倒。
16.根据权利要求11所述的鞋底,其特征在于,所述提取模块包括:
第三获取子模块,用于根据所述样本人群的运动相关数据,获取每类参数在所述预设多个维度中每个维度方向上的变化曲线;
第四获取子模块,用于采用差分算法获取每类参数的变化曲线的关键点;
第一提取子模块,用于提取所述关键点处的参数值、驱动冲量和制动冲量,并根据所述关键点处的参数值、驱动冲量和制动冲量,获得所述步态时域特征;
波形对齐模块,用于根据关键点,采用线性插值法对每类参数的变化曲线进行波形对齐;
第二提取子模块,用于采用小波包分解算法从波形对齐后的变化曲线中提取所述步态频域特征。
17.根据权利要求11所述的鞋底,其特征在于,还包括:
验证模块,用于对判断所述用户的运动状态属于正常态或者病态的判断结果进行验证;
优化模块,用于根据验证结果对预先通过SVM算法确定的每种运动状态在每种病态下分别对应的权重集合和病态阈值进行优化。
18.根据权利要求17所述的鞋底,其特征在于,所述验证模块包括:
第七确定子模块,用于根据所述运动相关数据以及更新后的步态偏离模型,重新确定所述用户的步态偏离正常样本人群的程度;所述更新后的步态偏离模型为根据重新筛选的属于正常态的样本人群的数据得到的模型;
判断子模块,用于若重新确定的所述用户的步态偏离正常样本人群的程度大于所述预设阈值,则根据重新确定的所述用户的步态偏离正常样本人群的程度和所有运动相关数据,重新判断所述用户的运动状态属于正常态或者病态;
验证子模块,用于根据重新判断的判断结果对上一次的判断结果进行验证。
19.根据权利要求11所述的鞋底,其特征在于,还包括:
去噪模块,用于采用小波变换阈值法对所述运动相关数据进行去噪处理。
20.根据权利要求11所述的鞋底,其特征在于,所述预设多个维度包括沿鞋底长度方向的第一维度、沿鞋底宽度方向的第二维度和垂直于鞋底所在平面的第三维度。
21.一种鞋,其特征在于,包括:如权利要求11-权利要求20任一项所述的鞋底。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611244394.0A CN108244744B (zh) | 2016-12-29 | 2016-12-29 | 一种运动状态识别的方法、鞋底及鞋 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611244394.0A CN108244744B (zh) | 2016-12-29 | 2016-12-29 | 一种运动状态识别的方法、鞋底及鞋 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108244744A CN108244744A (zh) | 2018-07-06 |
CN108244744B true CN108244744B (zh) | 2021-06-08 |
Family
ID=62720779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611244394.0A Active CN108244744B (zh) | 2016-12-29 | 2016-12-29 | 一种运动状态识别的方法、鞋底及鞋 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108244744B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109381191A (zh) * | 2018-09-10 | 2019-02-26 | 南京航空航天大学 | 基于智能鞋进行人体运动行为判断的系统及方法 |
CN109241926A (zh) * | 2018-09-19 | 2019-01-18 | 重庆信络威科技有限公司 | 一种基于小波分析的驾驶行为识别方法 |
CN109316190B (zh) * | 2018-09-25 | 2022-03-01 | 快快利华(北京)网络科技有限公司 | 一种分析用户足底压力类型的系统和方法 |
CN111144166A (zh) * | 2018-11-02 | 2020-05-12 | 银河水滴科技(北京)有限公司 | 一种异常人群信息库建立方法、系统及存储介质 |
CN109325479B (zh) * | 2018-11-28 | 2020-10-16 | 清华大学 | 步伐检测方法及装置 |
CN109829439B (zh) * | 2019-02-02 | 2020-12-29 | 京东方科技集团股份有限公司 | 一种对头部运动轨迹预测值的校准方法及装置 |
CN110075505B (zh) * | 2019-03-14 | 2021-07-06 | 安徽应力环保科技有限公司 | 一种降低腿部承载力的上下台阶方法 |
CN111915840B (zh) * | 2019-05-09 | 2021-12-21 | 阿尔卑斯通信器件技术(上海)有限公司 | 跌倒检测装置及跌倒检测方法 |
CN110455284B (zh) * | 2019-07-03 | 2021-01-01 | 中国人民解放军战略支援部队信息工程大学 | 一种基于mems-imu的行人运动模式识别方法及装置 |
CN110327054A (zh) * | 2019-07-17 | 2019-10-15 | 袁兴光 | 一种基于加速度和角速度传感器的步态分析方法及装置 |
CN110420028B (zh) * | 2019-07-29 | 2021-02-09 | 浙江大学 | 一种基于多级姿态识别分类模型的心电图防误判方法 |
CN110595500B (zh) * | 2019-07-30 | 2021-08-10 | 福建省万物智联科技有限公司 | 一种计步准确的方法及智能鞋 |
CN110443315B (zh) * | 2019-08-08 | 2022-12-02 | 吉林大学 | 室内环境下基于加权融合的老人跌倒检测方法 |
CN111044072A (zh) * | 2019-12-31 | 2020-04-21 | 重庆金康特智能穿戴技术研究院有限公司 | 基于智能穿戴设备的人体运动状态判断方法和计步方法 |
CN112712672A (zh) * | 2020-12-23 | 2021-04-27 | 杭州奥美健康科技有限公司 | 智能学习型老人跌倒检测报警方法、装置和应用 |
CN113768495B (zh) * | 2021-08-06 | 2023-03-31 | 同济大学 | 一种集成行走步态、环境信息感知及反馈功能的智能终端 |
CN113693589B (zh) * | 2021-08-31 | 2023-10-20 | 平安科技(深圳)有限公司 | 慢性疾病预警方法、装置、计算机设备及存储介质 |
CN113935329B (zh) * | 2021-10-13 | 2022-12-13 | 昆明理工大学 | 基于自适应特征识别与去噪的非对称文本匹配方法 |
CN115127581B (zh) * | 2022-04-18 | 2024-08-23 | 广东小天才科技有限公司 | 跑步数据监测方法、装置、终端设备及存储介质 |
CN116746910B (zh) * | 2023-06-15 | 2024-05-28 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049741A (zh) * | 2012-12-21 | 2013-04-17 | 中国科学院合肥物质科学研究院 | 基于足地作用力的步态特征提取方法及步态识别系统 |
CN105310696A (zh) * | 2015-11-06 | 2016-02-10 | 中国科学院计算技术研究所 | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 |
CN205214383U (zh) * | 2015-10-30 | 2016-05-11 | 安德润普科技开发(深圳)有限公司 | 一种智能步态监测鞋垫 |
WO2016178523A1 (en) * | 2015-05-07 | 2016-11-10 | Samsung Electronics Co., Ltd. | Method of providing information according to gait posture and electronic device for same |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8628485B2 (en) * | 2010-08-06 | 2014-01-14 | Covenant Ministries Of Benevolence Inc. | Gait analysis system and methods |
KR102009711B1 (ko) * | 2011-02-07 | 2019-08-12 | 뉴우바란스아스레틱스인코포레이팃드 | 운동 동작 모니터링 시스템 및 그 방법 |
CN103961109B (zh) * | 2014-05-05 | 2016-02-24 | 北京航空航天大学 | 基于加速度信号和角速度信号的人体姿态检测装置 |
CN104082905B (zh) * | 2014-06-18 | 2016-02-17 | 杭州华亭科技有限公司 | 多功能智能鞋垫及步态相似性检测方法 |
CN104490398B (zh) * | 2014-12-11 | 2017-12-22 | 江门市新会区六度软件有限公司 | 一种新型脚步运动监测系统 |
CN106037749A (zh) * | 2016-05-18 | 2016-10-26 | 武汉大学 | 一种基于智能手机和可穿戴式设备的老年人跌倒监测方法 |
-
2016
- 2016-12-29 CN CN201611244394.0A patent/CN108244744B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049741A (zh) * | 2012-12-21 | 2013-04-17 | 中国科学院合肥物质科学研究院 | 基于足地作用力的步态特征提取方法及步态识别系统 |
WO2016178523A1 (en) * | 2015-05-07 | 2016-11-10 | Samsung Electronics Co., Ltd. | Method of providing information according to gait posture and electronic device for same |
CN205214383U (zh) * | 2015-10-30 | 2016-05-11 | 安德润普科技开发(深圳)有限公司 | 一种智能步态监测鞋垫 |
CN105310696A (zh) * | 2015-11-06 | 2016-02-10 | 中国科学院计算技术研究所 | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108244744A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108244744B (zh) | 一种运动状态识别的方法、鞋底及鞋 | |
CN108831527B (zh) | 一种用户运动状态检测方法、装置及可穿戴设备 | |
Feng et al. | A Random Forest-based ensemble method for activity recognition | |
Joshi et al. | An automatic non-invasive method for Parkinson's disease classification | |
Xia et al. | A dual-modal attention-enhanced deep learning network for quantification of Parkinson’s disease characteristics | |
CN109805935A (zh) | 一种基于人工智能分层分级运动识别方法的智能腰带 | |
CN110169774B (zh) | 一种基于区块链的运动状态识别系统及方法 | |
KR20190105867A (ko) | 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법 | |
CN108836337A (zh) | 一种通过足部运动状态进行个性化足型健康检测的方法 | |
CN108514421A (zh) | 提升混合现实与日常健康监测的方法 | |
García-de-Villa et al. | Simultaneous exercise recognition and evaluation in prescribed routines: Approach to virtual coaches | |
Rastegari et al. | A bag-of-words feature engineering approach for assessing health conditions using accelerometer data | |
Zhen et al. | Hybrid Deep‐Learning Framework Based on Gaussian Fusion of Multiple Spatiotemporal Networks for Walking Gait Phase Recognition | |
Kong et al. | Design of computer interactive system for sports training based on artificial intelligence and improved support vector | |
D’arco et al. | Application of smart insoles for recognition of activities of daily living: a systematic review | |
Xiang et al. | Foot pronation prediction with inertial sensors during running: a preliminary application of data-driven approaches | |
Liang et al. | Elderly fall risk prediction with plantar center of force using convlstm algorithm | |
KR102302234B1 (ko) | 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법 | |
US20230329587A1 (en) | System And Method For Assessing Neuro Muscular Disorder By Generating Biomarkers From The Analysis Of Gait | |
Sikandar et al. | Evaluating the difference in walk patterns among normal-weight and overweight/obese individuals in real-world surfaces using statistical analysis and deep learning methods with inertial measurement unit data | |
Manap et al. | Parkinsonian gait motor impairment detection using decision tree | |
Wu et al. | [Retracted] Gait Recognition Based on the Plantar Pressure Data of Ice and Snow Athletes | |
Lim et al. | GAIT ANALYSIS AND CLASSIFICATION ON SUBJECTS WITH PARKINSON’ S DISEASE | |
Vieira et al. | Dynamic human gait VGRF reference profile generation via extreme learning machine | |
Young et al. | Bespoke fuzzy logic design to automate a better understanding of running gait analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |