CN108836344B - 步长步频估算方法和装置及步态检测仪 - Google Patents
步长步频估算方法和装置及步态检测仪 Download PDFInfo
- Publication number
- CN108836344B CN108836344B CN201810388411.0A CN201810388411A CN108836344B CN 108836344 B CN108836344 B CN 108836344B CN 201810388411 A CN201810388411 A CN 201810388411A CN 108836344 B CN108836344 B CN 108836344B
- Authority
- CN
- China
- Prior art keywords
- original
- frequency
- state information
- original step
- length
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 238000004891 communication Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 abstract description 25
- 238000004364 calculation method Methods 0.000 description 27
- 210000002683 foot Anatomy 0.000 description 15
- 230000001133 acceleration Effects 0.000 description 14
- 210000000689 upper leg Anatomy 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 206010017577 Gait disturbance Diseases 0.000 description 6
- 244000309466 calf Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229920005560 fluorosilicone rubber Polymers 0.000 description 1
- 210000004744 fore-foot Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例涉及步态分析技术领域，公开了一种步长步频估算方法和装置及步态检测仪。其中，该方法包括：接收第一步态信息及第二步态信息；根据所述第一步态信息，确定第一原始步频及第一原始步长；根据所述第二步态信息，确定第二原始步频及第二原始步长；将所述第一原始步频与所述第二原始步频进行数据融合，以得到最终步频；将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。通过该方法，可有效减少误差，提高人体步行过程中计算步长和步频的精度。
Description
技术领域
本发明实施例涉及步态分析技术领域，尤其涉及一种步长步频估算方法和装置及步态检测仪。
背景技术
步行是人类基本的活动方式之一，人体步态是指人体步行过程中所有的动作、所表现的姿态及行为特征，对于人体步态检测及分析对各个领域均具有显著的意义，如体育运动、生物识别、康复治疗以及健康诊断等领域。比如，在体育运动方面，步态分析可以用于识别运动员的动作的规范性，从而帮助运动员校正动作及提高个人水平；在生物识别方面，步态分析可以通过人的走路方式来识别人的身份；在康复治疗方面，步态分析可以用于监测被测者下肢运动能力恢复情况；在健康诊断方面，步态分析可以判断是否患病以及区分患者的症状等。其中，在步态分析中，步长、步频是描述人体步态的重要参数。
在实现本申请的过程中，发明人发现相关技术存在以下技术问题：通过现有的计算步长和步频方法所述得到的步长和步频存在较大误差，计算精度低。
发明内容
本发明的主要目的在于提供一种步长步频估算方法和装置及步态检测仪，以达到减少误差，提高人体步行过程中计算步长和步频精度的效果。
本发明实施例公开了如下技术方案：
为解决上述技术问题，本发明实施例提供了一种步长步频估算方法，所述方法包括：
接收第一步态信息及第二步态信息；
根据所述第一步态信息，确定第一原始步频及第一原始步长；
根据所述第二步态信息，确定第二原始步频及第二原始步长；
将所述第一原始步频与所述第二原始步频进行数据融合，以得到最终步频；
将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
在一些实施例中，所述将所述第一原始步频与所述第二原始步频进行数据融合，包括：
根据第一比例因子，将所述第一原始步频与所述第二原始步频进行自适应比例因子融合。
在一些实施例中，所述第一比例因子由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定。
在一些实施例中，所述将所述第一原始步长与所述第二原始步长进行数据融合，包括：
根据第二比例因子，将所述第一原始步长与所述第二原始步长进行自适应比例因子融合，其中，所述第二比例因子由所述最终步频确定。
在一些实施例中，所述接收第一步态信息及第二步态信息，包括：
接收来自惯性传感器发送的所述第一步态信息，以及接收来自压力传感器发送的所述第二步态信息。
为解决上述技术问题，本发明实施例还提供了一种步长步频估算装置，所述装置包括：
接收模块，用于接收第一步态信息及第二步态信息；
第一确定模块，用于根据所述第一步态信息，确定第一原始步频及第一原始步长；
第二确定模块，用于根据所述第二步态信息，确定第二原始步频及第二原始步长；
第三确定模块，用于将所述第一原始步频与所述第二原始步频进行数据融合，以得到最终步频；
第四确定模块，用于将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
在一些实施例中，所述第三确定模块具体用于：根据第一比例因子，将所述第一原始步频与所述第二原始步频进行自适应比例因子融合，，以得到最终步频。
在一些实施例中，所述第一比例因子由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定。
在一些实施例中，所述第四确定模块具体用于：根据第二比例因子，将所述第一原始步长与所述第二原始步长进行自适应比例因子融合，以得到最终步长，其中，所述第二比例因子由所述最终步频确定。
在一些实施例中，接收模块具体用于：接收来自惯性传感器发送的所述第一步态信息，以及接收来自压力传感器发送的所述第二步态信息。
为解决上述技术问题，本发明实施例还提供了一种步态检测仪，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
接收所述第一步态信息及所述第二步态信息；
根据所述第一步态信息，确定第一原始步频及第一原始步长；
根据所述第二步态信息，确定第二原始步频及第二原始步长；
将所述第一原始步频与所述第二原始步频进行数据融合，以得到最终步频；
将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
在一些实施例中，所述至少一个处理器执行将所述第一原始步频与所述第二原始步频进行数据融合，包括：
根据第一比例因子，将所述第一原始步频与所述第二原始步频进行自适应比例因子融合，其中，所述第一比例因子由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定。
在一些实施例中，所述至少一个处理器执行将所述第一原始步长与所述第二原始步长进行数据融合，包括：
根据第二比例因子，将所述第一原始步长与所述第二原始步长进行自适应比例因子融合，其中，所述第二比例因子由所述最终步频确定。
在一些实施例中，所述步态检测仪还包括：至少一个惯性传感器、至少一个压力传感器及通信模块，所述至少一个处理器通过所述通信模块分别与所述至少一个惯性传感器及所述至少一个压力传感器进行通信；
所述至少一个惯性传感器用于采集第一步态信息，并将所述第一步态信息通过所述通信模块发送至所述至少一个处理器；
所述至少一个压力传感器用于采集第二步态信息，并将所述第二步态信息通过所述通信模块发送至所述至少一个处理器。
为解决上述技术问题，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上所述的步长步频估算方法。
为解决上述技术问题，本发明实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的步长步频估算方法。
本发明实施例的步长步频估算方法，通过将所述第一原始步频与所述第二原始步频进行数据融合以得到最终步频，以及将所述第一原始步长与所述第二原始步长进行数据融合以得到最终步长，从而有效的减少误差，提高人体步行过程中计算步长和步频精度，进而为制备医疗诊断设备、康复设备提供可靠的数据依据，也可以为步态评估、判断步态是否为异常步态等提供准确的数据依据。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明实施例提供的一种步长步频估算方法的应用环境示意图；
图2是本发明实施例提供的一种步长步频估算方法的流程示意图；
图3是本发明实施例提供的一种步长步频估算装置示意图；
图4是本发明实施例提供的步态检测仪的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1，为本发明实施例提供的一种步长步频估算方法的应用环境示意图。该步长步频估算方法可以应用到各种步态检测设备上，包括但不限于：步态检测仪、步态分析仪等。现以步态检测仪为例进行说明。如图1所示，步态检测仪100包括至少一个惯性传感器10、至少一个压力传感器20、通信模块30、至少一个处理器40以及存储器50。
其中，所述至少一个处理器40与所述存储器50连接，并且，所述至少一个处理器40与通信模块30连接，所述至少一个处理器40通过所述通信模块30分别与所述至少一个惯性传感器10及至少一个压力传感器20进行通信。其中，上述连接均可以为通信连接，以便相互之间进行数据、信息等传输。
所述至少一个惯性传感器10用于采集第一步态信息，并将所述第一步态信息通过所述通信模块30发送至所述至少一个处理器40。其中，所述第一步态信息是指通过至少一个惯性传感器10采集得到的，可用于分析获得用户的步态特征的信息。在本发明实施例中，所述至少一个惯性传感器10可以包括4个九轴惯性传感器，具体的，可以为“加速度计+陀螺仪+电子罗盘”的组合方式。在用户步行过程中，4个九轴惯性传感器分别安装于用户的左大腿、右大腿、左小腿以及右小腿上，以便采集第一步态信息。例如，在用户步行过程中，4个九轴惯性传感器可以采集得到小腿或大腿的重力传感值等信息。
所述至少一个压力传感器20用于采集第二步态信息，并将所述第二步态信息通过所述通信模块30发送至所述至少一个处理器40。其中，所述第二步态信息是指通过至少一个压力传感器20采集得到的，可用于分析获得用户的步态特征的信息。在本发明实施例中，所述至少一个压力传感器20可以包括2个压力传感器，具体的，该压力传感器可以为压电传感器或薄膜压力传感器(Force Sensing Resistor，FSR)等。在用户步行过程中，2个压力传感器分别安装于用户的左脚后跟以及右脚后跟上，以便采集第二步态信息。例如，2个FSR，分别嵌入到用户的左右鞋垫内，以便采集得到步行过程中脚的前掌和后跟处的压力、脚从抬起到落地的时间等信息。
所述通信模块30用于实现所述至少一个处理器40与所述至少一个惯性传感器10及所述至少一个压力传感器20之间的数据、信号传输。具体的，第一步态信息和第二步态信息通过所述通信模块30发送给所述至少一个处理器40。所述通信模块20可以为无线通信模块，如蓝牙模块、红外模块、WiFi模块等。
所述至少一个处理器40通过所述通信模块30分别接收来自所述至少一个惯性传感器10发送第一步态信息，以及来自所述至少一个压力传感器20发送的第二步态信息。所述至少一个处理器40与所述存储器50连接。其中，所述存储器50存储有可被所述至少一个处理器40执行的指令，所述指令被所述至少一个处理器40执行，以使所述至少一个处理器40能够根据所述第一步态信息，确定第一原始步频及第一原始步长，以及根据所述第二步态信息，确定第二原始步频及第二原始步长。然后，所述至少一个处理器40还能将所述第一原始步频与所述第二原始步频进行数据融合，以得到最终步频，以及将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。该最终步频便是通过本步长步频估算方法确定的用户步行过程中的步频，该最终步长便是通过本步长步频估算方法确定的用户步行过程中的步长。
其中，所述至少一个处理器40可以为具有一定逻辑处理、运算能力的芯片，如单片机、微控制单元(Microcontroller Unit；MCU)等。
所述步态检测仪100还可以包括电源模块60，所述电源模块60与所述所述至少一个惯性传感器10及至少一个压力传感器20电性连接，用于为所述至少一个惯性传感器10及至少一个压力传感器20供电。
可以理解的是，上述对于步态检测仪100各组成部分的命名仅是出于标识的目的，并不应理解为对本发明的实施例的限制，并且，至少一个惯性传感器10及至少一个压力传感器20的数量的设置仅是出于示意性的目的，并不应理解为对本发明的实施例的限制。在一些其它实施例中，也可以为其它数量，只要能完成第一步态信息或第二步态信息的采集即可。
对于现有技术中，对于估算步长步频的方法，由于现有步态信息采集设备本身的限制，通过各种步态信息采集设备采集到的数据信息会存在较大误差，若使用该数据信息来确定步行过程中的步频、步长等，会造成得到的步频、步长与实际的步频、步长之间有很大的偏差，计算精度低。并且，对于有帕金森等疾病的患者的步态检测相对于正常的步态检测的偏差会更大。
例如，对于步频的确定，由于惯性传感器由于传感器本身限制，在高频时会带来高频干扰，为了抑制噪声，需要进行滤波等操作，进而引入时间延迟等问题，造成步频计算误差大、精度低。类似的，由于压力传感器灵敏度低，对于未明显抬起脚的情况(如出现异常步态常等情况)计算误差大，计算精度低。而对于步长的确定，其与步频有关，若步频计算误差大、精度低，必将导致步长计算误差大、精度低。具体的，采用惯性传感器采集信息时，由于需要根据惯性传感器采集到的信息得到加速度，通过加速度计算绝对角度，步频越小，步长计算越准确。采用压力传感器采集信息时，虽然相对于惯性传感器来说其计算步频的精确度有一定的提高，但是对通过惯性传感器得到的加速度进行积分的方式来确定步长，由于存在误差的双重积分，累计误差越大。若步频计算误差大、精度低，必将导致步长计算误差大、精度低。
因此，基于上述问题，本发明的主要目的在于提供一种步长步频估算方法和装置及步态检测仪，通过将所述第一原始步频与所述第二原始步频进行数据融合以得到最终步频，以及将所述第一原始步长与所述第二原始步长进行数据融合以得到最终步长，从而有效的减少误差，提高人体步行过程中计算步长和步频精度，进而为制备医疗诊断设备、康复设备提供可靠的数据依据，也可以为步态评估、判断步态是否为异常步态等提供准确的数据依据。
下面结合附图，对本发明实施例作进一步阐述。
实施例1：
本发明实施例为本发明提供的一种步长步频估算方法的实施例。如图2为本发明实施例提供的一种步长步频估算方法的流程示意图。所述步长步频估算方法可用于确定人体步行过程中的步长和步频。所述步长步频估算方法可由任何合适类型的，具有一定逻辑运算能力，能够实现步长步频估算功能的步态检测设备执行，如步态检测仪等。具体的，可由步态检测仪的处理器执行。下面以步态检测仪的处理器为例进行具体说明。
请参阅图2，所述步长步频估算方法包括：
201：接收第一步态信息及第二步态信息。
其中，第一步态信息可以为通过惯性传感器采集得到的步态数据或信息，如在用户步行过程中，惯性传感器采集用户下肢的加速度信息、角速度信息等。第二步态信息可以为通过压力传感器采集得到的步态数据或信息，如在用户步行过程中，压力传感器采集用户脚的前掌和后跟处的压力、脚从抬起到落地的时间等信息。
步态检测仪的处理器可以接收来自惯性传感器发送的第一步态信息，以及接收来自压力传感器发送的第二步态信息。
具体的，惯性传感器将第一步态信息发送至步态检测仪的处理器后，以便步态检测仪的处理器可以通过该第一步态信息分析得到能够描述步行特征的第一参数，该第一参数包括但不限于：第一原始步行周期、第一原始步速、第一原始步长、第一原始步频等。压力传感器将第二步态信息发送至步态检测仪的处理器后，以便步态检测仪的处理器可以通过该第二步态信息分析得到能够描述步行特征的第二参数，这些参数包括但不限于：第二原始步行周期、第二原始步速、第二原始步长、第二原始步频等。
202：根据所述第一步态信息，确定第一原始步频及第一原始步长。
步态检测仪的处理器可以根据所述第一步态信息，确定第一原始步频F1及第一原始步长L1。
其中，步频是指单位时间内所走的步数，例如，每分钟所走的步数。该参数是描述步行特征中的重要参数。第一原始步频F1为基于第一步态信息确定的原始的步频。步态检测仪的处理器可以基于惯性传感器采集的第一步态信息来确定第一原始步频F1。具体的，根据第一步态信息，得到加速度信息，由加速度信息计算大腿和小腿的倾斜角度，从而确定步态周期的起始时间及结束时间，进而通过惯性传感器的采样频率及采样点数，得到第一原始步频F1。具体的，可以通过以下公式得到第一原始步频F1：
其中，F1为第一原始步频；f为惯性传感器的采样频率；n为一个步态周期内的采样点数，该步态周期是基于加速度信息计算大腿和小腿的倾斜角度来确定的。
步长是指用户步行过程中，两脚相邻着地点之间的距离。第一原始步长L1为基于第一步态信息确定的原始的步长。步态检测仪的处理器可以基于惯性传感器采集的第一步态信息，再根据用户的大腿及小腿的长度，通过人体运动学计算大腿及小腿的在每一步的倾斜角度，进而计算第一原始步长L1。
203：根据所述第二步态信息，确定第二原始步频及第二原始步长。
步态检测仪的处理器可以根据所述第二步态信息，确定第二原始步频F2及第二原始步长L2。
其中，第二原始步频F2为基于第二步态信息确定的原始的步频。步态检测仪的处理器可以通过压力传感器采集得到的压力参数，从而确定脚抬起和脚落地的时间点，也即脚从抬起到落地的时间，进而得到第二原始步频F2。
第二原始步长L2为基于第二步态信息确定的原始的步长。步态检测仪的处理器可以通过压力传感器采集的第二步态信息得到用户在步行过程的加速度，对加速度一次积分得到步速，再将步速进行一次积分，以得到第二原始步长L2。
204：将所述第一原始步频与所述第二原始步频进行数据融合，以得到最终步频。
其中，最终步频F为根据该步长步频估算方法确定的最终的步频。步态检测仪的处理器将所述第一原始步频F1与所述第二原始步频F2进行数据融合，以得到最终步频F，包括：
根据第一比例因子a1，将所述第一原始步频F1与所述第二原始步频F2进行自适应比例因子融合，从而得到最终步频F。
具体的，可以根据以下公式将所述第一原始步频F1与所述第二原始步频F2进行自适应比例因子融合：
F＝a1*F1+(1-a1)*F2
其中，F为最终步频；F1为第一原始步频；F2为第二原始步频；a1为第一比例因子。该第一比例因子a1由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定。该预设时间可以是根据需要自定义设定，或者预先配置于步态检测仪的处理器中。
由于惯性传感器由于传感器本身限制，在高频时会带来高频干扰，为了抑制噪声，需要进行滤波等操作，进而引入时间延迟等问题，造成步频计算误差大、精度低。类似的，由于压力传感器灵敏度低，对于未明显抬起脚的情况(如出现异常步态常等情况)计算误差大，计算精度低。通过将所述第一原始步频F1与所述第二原始步频F2进行数据融合以得到最终步频F，可以有效的减少误差，提高人体步行过程中计算步频精度，进而为制备医疗诊断器具、康复器具提供可靠依据，也可以帮助医生为判断步态表现、制定康复治疗方案提供准确依据。
205：将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
其中，最终步长L为根据该步长步频估算方法确定的最终的步长。步态检测仪的处理器将所述第一原始步长L1与所述第二原始步长L2进行数据融合，以得到最终步长L，包括：
根据第二比例因子，将所述第一原始步长与所述第二原始步长进行自适应比例因子融合，从而得到最终步长L。
具体的，可以根据以下公式将所述第一原始步长L1与所述第二原始步长L2进行自适应比例因子融合：
L＝a2*L1+(1-a2)*L2
其中，L为最终步长；L1为第一原始步长；L2为第二原始步长；a2为第二比例因子。该第二比例因子a2由所述最终步频F确定。
对于步长的确定，其与步频有关，若步频计算误差大、精度低，必将导致步长计算误差大、精度低。通过将所述第一原始步长L1与所述第二原始步长L2进行数据融合以得到最终步长L，可以有效的减少误差，提高人体步行过程中计算步长精度，进而为制备医疗诊断器具、康复器具提供可靠依据，也可以帮助医生为判断步态表现、制定康复治疗方案提供准确依据。
需要说明的是，本领域普通技术人员，根据本发明实施例的描述可以理解，在不同实施例中，在不矛盾的情况下，所述步骤201-1205可以有不同的执行顺序，如先执行所述步骤203再执行所述步骤202，或者，所述步骤202与所述步骤203同时进行执行等。
本发明实施例通过将所述第一原始步频与所述第二原始步频进行数据融合以得到最终步频，以及将所述第一原始步长与所述第二原始步长进行数据融合以得到最终步长，从而有效的减少误差，提高人体步行过程中计算步长和步频精度，进而为制备医疗诊断设备、康复设备提供可靠的数据依据，也可以为步态评估、判断步态是否为异常步态等提供准确的数据依据。
实施例2：
本发明实施例为本发明提供的一种步长步频估算装置的实施例。如图3为本发明实施例提供的一种步长步频估算装置示意图。其中，所述步长步频估算装置300可用于确定人体步行过程中的步长和步频。所述步长步频估算装置300可配置于任何合适类型的，具有一定逻辑运算能力的处理器中，如配置于步态检测仪的处理器中。
参照图3，所述步长步频估算装置300包括：
接收模块301，用于接收第一步态信息及第二步态信息。
接收模块301接收第一步态信息及第二步态信息包括：接收来自惯性传感器发送的第一步态信息，以及接收来自压力传感器发送的第二步态信息。
具体的，惯性传感器将第一步态信息发送至接收模块301后，以便接收模块301可以通过该第一步态信息分析得到能够描述步行特征的第一参数，该第一参数包括但不限于：第一原始步行周期、第一原始步速、第一原始步长、第一原始步频等。压力传感器将第二步态信息发送至接收模块301后，以便接收模块301可以通过该第二步态信息分析得到能够描述步行特征的第二参数，这些参数包括但不限于：第二原始步行周期、第二原始步速、第二原始步长、第二原始步频等。
第一确定模块302，用于根据所述第一步态信息，确定第一原始步频及第一原始步长。
第一确定模块302可以基于惯性传感器采集的第一步态信息来确定第一原始步频F1。具体的，根据第一步态信息，得到加速度信息，由加速度信息计算大腿和小腿的倾斜角度，从而确定步态周期的起始时间及结束时间，进而通过惯性传感器的采样频率及采样点数，得到第一原始步频F1。具体的，第一确定模块302可以通过以下公式得到第一原始步频F1：
其中，F1为第一原始步频；f为惯性传感器的采样频率；n为一个步态周期内的采样点数，该步态周期是基于加速度信息计算大腿和小腿的倾斜角度来确定的。
第一确定模块302可以基于惯性传感器采集的第一步态信息，再根据用户的大腿及小腿的长度，通过人体运动学计算大腿及小腿的在每一步的倾斜角度，进而计算第一原始步长L1。
第二确定模块303，用于根据所述第二步态信息，确定第二原始步频及第二原始步长。
第二确定模块303可以根据所述第二步态信息，确定第二原始步频F2及第二原始步长L2。具体的，第二确定模块303可以通过压力传感器采集得到的压力参数，从而确定脚抬起和脚落地的时间点，也即脚从抬起到落地的时间，进而得到第二原始步频F2。并且，第二确定模块303可以通过压力传感器采集的第二步态信息得到用户在步行过程的加速度，对加速度一次积分得到步速，再将步速进行一次积分，以得到第二原始步长L2。
第三确定模块304，用于将所述第一原始步频与所述第二原始步频进行数据融合，以得到最终步频。
第三确定模块304具体用于：根据第一比例因子a1，将所述第一原始步频F1与所述第二原始步频F2进行自适应比例因子融合，从而得到最终步频F。
具体的，可以根据以下公式将所述第一原始步频F1与所述第二原始步频F2进行自适应比例因子融合：
F＝a1*F1+(1-a1)*F2
其中，F为最终步频；F1为第一原始步频；F2为第二原始步频；a1为第一比例因子。该第一比例因子a1由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定。该预设时间可以是根据需要自定义设定，或者预先配置于步态检测仪的处理器中。
由于惯性传感器由于传感器本身限制，在高频时会带来高频干扰，为了抑制噪声，需要进行滤波等操作，进而引入时间延迟等问题，造成步频计算误差大、精度低。类似的，由于压力传感器灵敏度低，对于未明显抬起脚的情况(如出现异常步态等情况)计算误差大，计算精度低。通过将所述第一原始步频F1与所述第二原始步频F2进行数据融合以得到最终步频F，可以有效的减少误差，提高人体步行过程中计算步频精度，进而为制备医疗诊断器具、康复器具提供可靠依据，也可以帮助医生为判断步态表现、制定康复治疗方案提供准确依据。
第四确定模块305，用于将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
第四确定模块305具体用于：根据第二比例因子a2，将所述第一原始步长L1与所述第二原始步长L2进行自适应比例因子融合，从而得到最终步长L。
具体的，可以根据以下公式将所述第一原始步长L1与所述第二原始步长L2进行自适应比例因子融合：
L＝a2*L1+(1-a2)*L2
其中，L为最终步长；L1为第一原始步长；L2为第二原始步长；a2为第二比例因子。该第二比例因子a2由所述最终步频F确定。
对于步长的确定，其与步频有关，若步频计算误差大、精度低，必将导致步长计算误差大、精度低。通过将所述第一原始步长L1与所述第二原始步长L2进行数据融合以得到最终步长L，可以有效的减少误差，提高人体步行过程中计算步长精度，进而为制备医疗诊断器具、康复器具提供可靠依据，也可以帮助医生为判断步态表现、制定康复治疗方案提供准确依据。
需要说明的是，在本发明实施例中，所述步长步频估算装置300可执行本发明实施例所提供的步长步频估算方法，具备执行方法相应的功能模块和有益效果。未在步长步频估算装置300的实施例中详尽描述的技术细节，可参见本发明实施例所提供的步长步频估算方法。
实施例3：
图4是本发明实施例提供的步态检测仪硬件结构示意图。如图4所示，所述步态检测仪400包括：
一个或多个处理器401以及存储器402，图4中以一个处理器401为例。
处理器401和存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。
存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的步长步频估算方法对应的程序指令/模块(例如，附图3所示的接收模块301、第一确定模块302、第二确定模块303、第三确定模块304以及第四确定模块305)。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块，从而执行步态检测仪400的各种功能应用以及数据处理，即实现所述方法实施例的步长步频估算方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据步态检测仪400使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至步态检测仪400。所述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个指令/模块存储在所述存储器402中，当所述指令被所述一个或者多个处理器401执行时，以使所述至少一个处理器能够执行：
接收所述第一步态信息及所述第二步态信息；
根据所述第一步态信息，确定第一原始步频及第一原始步长；
根据所述第二步态信息，确定第二原始步频及第二原始步长；
将所述第一原始步频与所述第二原始步频进行数据融合，以得到最终步频；
将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
其中，所述至少一个处理器401执行将所述第一原始步频与所述第二原始步频进行数据融合，包括：
根据第一比例因子，将所述第一原始步频与所述第二原始步频进行自适应比例因子融合，其中，所述第一比例因子由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定。
所述至少一个处理器401执行将所述第一原始步长与所述第二原始步长进行数据融合，包括：
根据第二比例因子，将所述第一原始步长与所述第二原始步长进行自适应比例因子融合，其中，所述第二比例因子由所述最终步频确定。
在本发明实施例中，所述步态检测仪400还包括：至少一个惯性传感器、至少一个压力传感器及通信模块，所述至少一个处理器通过所述通信模块分别与所述至少一个惯性传感器及所述至少一个压力传感器进行通信。
其中，所述至少一个惯性传感器用于采集第一步态信息，并将所述第一步态信息通过所述通信模块发送至所述至少一个处理器401，以便所述至少一个处理器401根据所述第一步态信息，确定第一原始步频及第一原始步长。所述至少一个压力传感器用于采集第二步态信息，并将所述第二步态信息通过所述通信模块发送至所述至少一个处理器401，以便于所述至少一个处理器401根据所述第二步态信息，确定第二原始步频及第二原始步长。
所述步态检测仪400可执行本发明实施例1所提供的步长步频估算方法，具备执行方法相应的功能模块和有益效果。未在步态检测仪实施例中详尽描述的技术细节，可参见本发明实施例1所提供的步长步频估算方法。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上所述的步长步频估算方法。例如，执行以上描述的图2中的方法步骤201至步骤205，实现图3中的模块301-305的功能。
本发明实施例提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的步长步频估算方法。例如，执行以上描述的图2中的方法步骤201至步骤205，实现图3中的模块301-305的功能。
需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述，本领域普通技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现所述实施例方法中的全部或部分流程是可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如所述各方法的实施例的流程。其中，所述的存储介质可为只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种步长步频估算方法，其特征在于，所述方法包括：
接收第一步态信息及第二步态信息；
根据所述第一步态信息，确定第一原始步频及第一原始步长；
根据所述第二步态信息，确定第二原始步频及第二原始步长；
根据第一比例因子，将所述第一原始步频与所述第二原始步频进行自适应比例因子融合，以得到最终步频,其中，所述第一比例因子由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定；
将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一原始步长与所述第二原始步长进行数据融合，包括：
根据第二比例因子，将所述第一原始步长与所述第二原始步长进行自适应比例因子融合，其中，所述第二比例因子由所述最终步频确定。
3.根据权利要求1或2所述的方法，其特征在于，所述接收第一步态信息及第二步态信息，包括：
接收来自惯性传感器发送的所述第一步态信息，以及接收来自压力传感器发送的所述第二步态信息。
4.一种步长步频估算装置，其特征在于，所述装置包括：
接收模块，用于接收第一步态信息及第二步态信息；
第一确定模块，用于根据所述第一步态信息，确定第一原始步频及第一原始步长；
第二确定模块，用于根据所述第二步态信息，确定第二原始步频及第二原始步长；
第三确定模块，用于根据第一比例因子，将所述第一原始步频与所述第二原始步频进行自适应比例因子融合，以得到最终步频，其中，所述第一比例因子由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定；
第四确定模块，用于将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
5.一种步态检测仪，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：
接收第一步态信息及第二步态信息；
根据所述第一步态信息，确定第一原始步频及第一原始步长；
根据所述第二步态信息，确定第二原始步频及第二原始步长；
根据第一比例因子，将所述第一原始步频与所述第二原始步频进行自适应比例因子融合，以得到最终步频,其中，所述第一比例因子由预设时间段内的第一原始步频的平均值和方差以及第二原始步频的平均值和方差确定；
将所述第一原始步长与所述第二原始步长进行数据融合，以得到最终步长。
6.根据权利要求5所述的步态检测仪，其特征在于，所述至少一个处理器执行将所述第一原始步长与所述第二原始步长进行数据融合，包括：
根据第二比例因子，将所述第一原始步长与所述第二原始步长进行自适应比例因子融合，其中，所述第二比例因子由所述最终步频确定。
7.根据权利要求5或6所述的步态检测仪，其特征在于，所述步态检测仪还包括：至少一个惯性传感器、至少一个压力传感器及通信模块，所述至少一个处理器通过所述通信模块分别与所述至少一个惯性传感器及所述至少一个压力传感器进行通信；
所述至少一个惯性传感器用于采集第一步态信息，并将所述第一步态信息通过所述通信模块发送至所述至少一个处理器；
所述至少一个压力传感器用于采集第二步态信息，并将所述第二步态信息通过所述通信模块发送至所述至少一个处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810388411.0A CN108836344B (zh) | 2018-04-26 | 2018-04-26 | 步长步频估算方法和装置及步态检测仪 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810388411.0A CN108836344B (zh) | 2018-04-26 | 2018-04-26 | 步长步频估算方法和装置及步态检测仪 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108836344A CN108836344A (zh) | 2018-11-20 |
| CN108836344B true CN108836344B (zh) | 2020-12-15 |
Family
ID=64212348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810388411.0A Active CN108836344B (zh) | 2018-04-26 | 2018-04-26 | 步长步频估算方法和装置及步态检测仪 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108836344B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109718528B (zh) * | 2018-11-28 | 2021-06-04 | 浙江骏炜健电子科技有限责任公司 | 基于运动特征参数的身份识别方法和系统 |
| CN109730686A (zh) * | 2019-01-14 | 2019-05-10 | 清华大学 | 基于传感器阵列的步态检测分析仪 |
| CN110263514B (zh) * | 2019-01-31 | 2022-03-15 | 南京邮电大学 | 一种物联网可穿戴设备中基于人体行为的身份识别方法 |
| CN111242079B (zh) * | 2020-01-20 | 2023-10-27 | 深圳市丞辉威世智能科技有限公司 | 步态检测融合方法、装置、设备及可读存储介质 |
| CN112057080B (zh) * | 2020-08-10 | 2021-07-02 | 华中科技大学 | 一种基于分阶段特征提取的冻结步态检测系统 |
| CN113723544A (zh) * | 2021-09-02 | 2021-11-30 | 北京卡路里信息技术有限公司 | 运动步数的处理方法、装置和系统，及存储介质和处理器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102824177A (zh) * | 2012-07-25 | 2012-12-19 | 王哲龙 | 一种三维人体步态定量分析系统和方法 |
| CN103743435A (zh) * | 2013-12-23 | 2014-04-23 | 广西科技大学 | 一种多传感器数据融合方法 |
| CN105403228A (zh) * | 2015-12-18 | 2016-03-16 | 北京朗动科技有限公司 | 一种运动距离的确定方法和装置 |
| CN107048570A (zh) * | 2017-04-12 | 2017-08-18 | 佛山市量脑科技有限公司 | 一种智能鞋垫的数据分析处理方法 |
| CN107595318A (zh) * | 2017-09-21 | 2018-01-19 | 中国科学院长春光学精密机械与物理研究所 | 一种无创血糖浓度检测方法及设备 |
-
2018
- 2018-04-26 CN CN201810388411.0A patent/CN108836344B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102824177A (zh) * | 2012-07-25 | 2012-12-19 | 王哲龙 | 一种三维人体步态定量分析系统和方法 |
| CN103743435A (zh) * | 2013-12-23 | 2014-04-23 | 广西科技大学 | 一种多传感器数据融合方法 |
| CN105403228A (zh) * | 2015-12-18 | 2016-03-16 | 北京朗动科技有限公司 | 一种运动距离的确定方法和装置 |
| CN107048570A (zh) * | 2017-04-12 | 2017-08-18 | 佛山市量脑科技有限公司 | 一种智能鞋垫的数据分析处理方法 |
| CN107595318A (zh) * | 2017-09-21 | 2018-01-19 | 中国科学院长春光学精密机械与物理研究所 | 一种无创血糖浓度检测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108836344A (zh) | 2018-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108836344B (zh) | 步长步频估算方法和装置及步态检测仪 | |
| JP6183906B2 (ja) | 歩容推定装置とそのプログラム、転倒危険度算出装置とそのプログラム | |
| Qi et al. | Assessment of foot trajectory for human gait phase detection using wireless ultrasonic sensor network | |
| Gouwanda et al. | A low cost alternative to monitor human gait temporal parameters–wearable wireless gyroscope | |
| EP3451867B1 (en) | Instrumented orthotic | |
| US9943251B2 (en) | Stretch sensor device | |
| CN108814617A (zh) | 冻结步态识别方法和装置及步态检测仪 | |
| EP3808268B1 (en) | System and method for shoulder proprioceptive analysis | |
| Jarchi et al. | Validation of the e-AR sensor for gait event detection using the parotec foot insole with application to post-operative recovery monitoring | |
| US12064012B2 (en) | Multi-modal sensor fusion platform | |
| Kumar et al. | Towards a portable human gait analysis & monitoring system | |
| CN112107290B (zh) | 预测对象的多个步态周期的kam的系统、方法和软件应用程序 | |
| EP3847961B1 (en) | Walking state determination program, walking state determination method, and information processing device | |
| CN110693501A (zh) | 一种基于多传感器融合的行走步态无线检测系统 | |
| Leite et al. | Gait rehabilitation monitor | |
| Shanthini et al. | Interpretation of Gait Supervising Mechanism Using Sensor Integrated Makeshift and Analysing Pattern by K-Means Clustering Algorithm | |
| KR101174729B1 (ko) | 유비쿼터스 헬스케어 장치 및 이를 구비한 다기능 신발 | |
| Ershadi et al. | GAIToe: Gait Analysis Utilizing an IMU for Toe Walking Detection and Intervention | |
| Wang et al. | A New Hidden Markov Model Algorithm to Detect Human Gait Phase Based on Information Fusion Combining Inertial with Plantar Pressure. | |
| US20170199969A1 (en) | System and method for monitoring gross motor behavior | |
| JP6486200B2 (ja) | 移動運動解析装置及びシステム並びにプログラム | |
| JP7480852B2 (ja) | 計算装置、歩容計測システム、計算方法、およびプログラム | |
| Wu et al. | An intelligent in-shoe system for real-time gait monitoring and analysis | |
| EP3915473B1 (en) | Information processing program, information processing method, and information processing system | |
| Liu et al. | Shoe-integrated sensors in physical rehabilitation |
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 |