CN109316190B - 一种分析用户足底压力类型的系统和方法 - Google Patents

Abstract

本发明公开本发明一种分析用户足底压力类型的系统，本发明一种分析用户足底压力类型的系统，其包括采集处理足底压力的两个数据采集处理模块，其还包括与两个所述数据采集处理模块无线连接的数据分析应用模块，所述数据分析应用模块用于对两个所述数据采集处理模块采集的足底数据分析用户具体运动类型，并给出健康运动建议；还公开一种分析用户足底压力类型的方法，该分析足底压力类型方法利用该分析足底压力类型系统，根据用户双脚足底数据对用户运动类型和足底发力方式进行分析判断，能较真实的反应用户的足底发力方式，并给出健康建议。

Description

一种分析用户足底压力类型的系统和方法

技术领域

本发明属于智能设备领域，特别涉及一种分析用户足底压力类型的系统和方法。

背景技术

当前的足底压力测量方案多是在鞋底上划分为几个固定形状的区域，例如脚趾、足跟和足中等几个区域，通过压力传感器进行压力检测，传输给上位机计算得出足底压力模型。

目前应用最广泛的是在鞋底上分区域进行压力采集，例如一篇申请号为201510769001.7，名称为一种足底压力监测器的专利，该专利通过左右脚压力感应单元分别测量一段时间内使用者在跑步过程中左右脚足底压力，控制单元将左右脚足底压力对时间积分得到冲量，通过蓝牙通信单元与手机进行无线通信，上传计算结果并提示使用者调整跑步姿势，这种测量压力的方法缺点是采集的足底压力数据少，不能反映全脚的足底压力实际情况。

另外申请号为201510946361.X，名称为一种测量足底压力的方法的专利，通过前期更多触点的压力检测建立模型，然后产品中通过较少的压力触点来实时监测和估计受力状态，该方法虽然减少了足底压力信息监测的成本，但检测的足底压力也不能反映实际足底压力情况。

以上的专利方案中，对足底压力的测量不仅没有反映使用者足底压力实际情况，也没有对使用者的运动类型进行分析。

发明内容

有鉴于此，本发明的主要目的在于提供一种分析用户足底压力类型的系统和方法，通过采用整片高分辨率压力传感器采集能反映双脚足底实际压力的全部压力数据，同时对用户的运动类型进行分析。

本发明一种分析用户足底压力类型的系统，一种分析用户足底压力类型的系统，其包括采集处理足底数据的两个数据采集处理模块，其还包括与两个所述数据采集处理模块无线连接的数据分析应用模块，所述数据分析应用模块用于利用两个所述数据采集处理模块采集的所述足底数据分析用户具体运动类型，

每个所述数据采集处理模块包括：

惯性姿态传感器，用于采集足部空间三个方向上的加速度和姿态数据；

整片高分辨率压力传感器，用于采集足底压力数据；

数据传输和时钟同步单元，将所述惯性姿态传感器和所述整片高分辨率压力传感器采集的足底数据、主控单元分析的用户运动类型传给所述数据应用分析模块，两个所述数据传输和时钟同步单元之间保持时间同步，并互传所述惯性姿态传感器和所述整片高分辨率压力传感器采集的足底数据；

数据记录和动作模型库，用于存储动作模型、保存所述惯性姿态传感器和所述整片高分辨率压力传感器采集的足底数据和所述设备主控制中心和数据分析单元分析的所述用户运动类型；

所述主控单元，与所述惯性姿态传感器、所述整片高分辨率压力传感器、所述数据传输和时钟同步单元以及所述数据记录和动作模型库连接，用于根据所述动作模型对所述惯性姿态传感器和所述整片高分辨率压力传感器采集的足底数据分析，确定所述用户运动类型。

由上，通过整片高分辨率压力传感器采集足够多的能反映足底实际压力的压力数据，第一、二数据采集处理模块之间时钟同步和数据相互传输，保证了采集足底数据的时间一致性，并对用户运动类型分析判断后，对用户足底发力方式进行了分析，结合用户足底发力方式给出健康运动建议。

一种利用以上所述的系统分析用户足底压力类型的方法，该方法包括以下步骤：

步骤a1，数据分析应用模块通过通信方式，将用户的个人基本信息发送到第一、二数据采集处理模块的数据传输和时钟同步单元；

步骤a2，数据传输和时钟同步单元分别将用户个人基本信息转发给与之相连的主控单元；

步骤a3，同步所述第一、二数据采集处理模块之间的时钟；

步骤a4，所述两个主控单元按照默认时间周期和默认采样频率开始采集足底数据；

步骤a5，所述两个主控单元分别将采集的足底数据存储到所述数据记录和动作模型库单元；

步骤a6，所述第一、二数据采集处理模块的数据传输和时钟同步单元相互向对方传输采集的足底数据，并通过各自的主控单元将该足底数据传给数据记录和动作模型库单元；

步骤a7，所述两个主控单元从数据记录和动作模型库单元调取其保存的双脚足底数据和动作模型来分析判断用户运动类型和足底发力方式；

步骤a8，根据当前判断出的用户运动类型调整采样周期和采样频率后继续采集足底数据；

步骤a9，重复步骤a5至a8，直至采集结束。

由上，根据以上步骤首先按照默认的采样频率和采样周期采集足底数据，并利用双脚足底数据对用户的运动类型和足底发力方式做出分析判断，然后根据当前分析出的运动类型调整采样频率和采样周期继续采集足底数据，继续对用户的运动类型和足底发力方式做出分析判断，重复以上调整采样频率和采样周期来采集数据并做出分析的步骤，直到采样结束，完成对用户运动类型和运动健康的检测。

较佳的，步骤a7包括

步骤a71，从所述数据记录和动作模型库单元中调取保存的加速度姿态数据和动作模型来判断用户是静止还是运动；

步骤a72，如果用户是运动的，判断用户运动类型。

较佳的，步骤a71中判断用户是静止还是运动的判断公式为

或/和

其中accx[i]、accy[i]和accz[i]分别为采集的一只脚上的一个采集周期内的第i次的X向、Y向、Z向加速度，n为一个采集周期内采集加速度的次数，δ是一个采集周期内一只脚上的运动总量的阈值，σ是一个采集周期内n次采集中一次采集的用户一只脚上的空间三个方向上的加速度总和门限值，k为一个采集周期内n次测量每次三个加速度总和大于σ的次数阈值，

count((accx[i]+accy[i]+accz[i])＞σ)是当一次测量一只脚上的空间三个方向上的加速度总和大于σ时计数一次；

分别为采集的一只脚上的一个采集周期内的第i次的X向、Y向、Z向加速度向量，

为三个方向上的加速度合成向量的模，γ为加速度合成向量模阈值，m为设定的加速度合成向量的模大于加速度合成向量模阈值γ的次数。

由上，通过上面的公式可以判断用户是静止还是持续运动，便于进一步分析用户的运动类型。

较佳的，步骤a72中判断用户运动类型的方法包括：

将用户的一个周期内的一只脚上的X、Y、Z三个方向上的加速度和X、Y、Z三个方向上的角速度代入向量机svm预测公式来判断用户运动类型，所述向量机svm预测公式为：

r＝F(accx[m],accy[m],accz[m],gyrox[m],gyroy[m],gyroz[m])

其中accx[m]、accy[m]、accz[m]分别为第m次测量的一只脚上的 X、Y、Z三个方向上的加速度，gyrox[m]、gyroy[m]、gyroz[m]分别为第m次测量的一只脚上的X、Y、Z三个方向上的角速度。

由上，根据向量机预测公式，将采集的惯性姿态传感器采集的数据带入上面的预测公式，可以分析出用户的运动类型。

较佳的，步骤a72中判断用户运动类型的方法还包括用加速度曲线判断用户运动类型的方法，

该方法通过三角寻峰算法算出T秒内单脚上X、Y、Z三个方向中的一个方向上的足底加速度曲线中出现的所有波形的波峰和波谷高度差值H、所有波形的波峰和波谷高度差值H的平均值H_e、所有波峰的时间值peak_i；利用以上计算所得值或数组来判断用户运动类型。

由上，通过计算出加速度曲线上所有波形的波峰和波谷高度差值H、所有波形的波峰和波谷高度差值H的平均值H_e、所有波峰的时间值peak_i，然后利用这些值或数组和判断逻辑判断用户运动类型。

较佳的，用所述加速度曲线判断用户运动类型的方法中，其中判断跑步的方法包括：

步骤1，将T秒内足底加速度曲线中出现的相邻波峰时间值 peak_i相减得到的数组做相邻值的再相减，得到新的差值数组，如果该新的差值数组内有大于设定的加速度增幅阈值的，则认为运动不够均匀，当前用户不是在跑步；

步骤2，如果该新的差值数组内没有大于设定的所述加速度增幅阈值的，则用户运动够均匀，将T秒内相邻波峰时间值peak_i相减得到的各个值相加求平均，得到波峰时间差值平均值，如果该波峰时间差值平均值在经验阈值区间内以及所述波峰和波谷高度差值H的平均值H_e大于设定的压力加速度变化阈值H_diff，认为用户运动幅度够大，满足跑步数据要求，判定用户在跑步。

较佳的，步骤a72中判断用户运动类型的方法还包括用足底压力数据来判断用户运动类型，

该方法分别用下面的公式对左脚和右脚的每帧的全部单元的足底压力值加权求和，分别得到左、右脚的足底压力值的一维数组 p[t]_left和p[t]_right，

其中，m是帧数，n是单元数，pressure[i][k]为第i帧第k单元上的足底压力值，pressure_deg ree为加权值；

并通过三角寻峰算法分别计算所述两个一维数组的每个波形的波峰和波谷高度差值H数组、左脚波峰时间值peak_i_left数组、左脚波谷时间值valley_i_left数组、右脚波峰时间值peak_i_right数组、右脚波谷时间值valley_i_right数组，以及T秒内左、右脚波峰波谷高度差值H的平均值H_e_left、H_e_right；

利用以上计算所得值或数组来判断用户运动类型。

较佳的，用所述足底压力值判断用户运动类型的方法中，判断跑步的方法包括：

步骤1，将T秒内的相邻左脚波峰时间值peak_i_left相减得到的数组，做相邻值的再相减，得到新的差值数组，如果该差值数组内有大于设定的压力波峰差值阈值pace_time_diff的，则认为运动不够均匀，当前用户不是在跑步；

步骤2，如果该差值数组内没有大于压力波峰差值阈值 pace_time_diff的，则说明用户运动够均匀，且T秒内左脚每个波峰时间值peak_i_left减去与之同步的右脚波谷时间值valley_i_right，得到的数据相加求平均值，如果该平均值小于设定的压力变化阈值，说明两只脚交替着地，则是在跑步。

较佳的，步骤a7中在步骤a72之后还包括步骤a73，通过足底压力判断用户足底发力类型，

该判断用户足底发力类型的方法是：分别采集两只脚上左、中、右三个部位足底压力，如果一只脚的左部位的足底压力大于右部位的足底压力，说明左脚足内翻或右脚足外翻，反之为左脚足外翻或右脚足内翻。

由上，根据足底发力判断方法判断出用户的运动发力方式是否正确，如果用户运动发力方式不正确，可以给出用户正确的发力方式，进而改善健康。

附图说明

图1是本发明一种分析用户足底压力类型系统的结构示意图；

图2是本发明一种分析用户足底压力类型的方法的流程图；

图3是本发明同步第一、二数据采集处理模块之间的时钟的方法流程图；

图4是本发明按照默认采样频率和默认采样周期采集足底数据的流程图；

图5是本发明主控单元根据这个周期内的加速度姿态数据和足底压力数据判断用户运动类型和足底发力方式的流程图；

图6是本发明根据当前判断的运动状态调整采样周期和采样频率后继续采集数据的流程图。

具体实施方式

本申请是在嵌入式设备上，采用高分辨率压力传感器和惯性姿态传感器对用户足底压力和双脚姿态进行数据采集，采集数据时左右脚之间的设备进行高精度的时间同步，记录用户静态、动态的左右脚压力分布数据，以及运动中的重心切换过程数据，结合记录的数据，利用动作模型库的判断规则判断用户运动类型和足底发力方式，向数据分析应用模块发送分析结果，为用户提供准确的健康建议。

图1示出了一种分析用户足底压力类型系统的结构示意图，该系统包括：采集足底数据的并进行分析判断用户运动类型和足底发力方式的第一数据采集处理模块1和第二数据采集处理模块2，数据分析应用模块3用于输入用户基本信息，深入分析用户的运动类型，为用户提出健康运动意见，并展示用户的运动分析结果，其与第一、二数据采集处理模块无线连接，其中足底数据包括足底压力数据、足底加速度数据和足底姿态数据；第一、二数据采集处理模块均包括惯性姿态传感器、整片高分辨率压力传感器(以下称压力传感器)、与惯性姿态传感器和压力传感器通过数据线连接的设备主控制中心和数据分析单元(以下简称主控单元)、分别与主控单元通过数据线相连接的数据记录和动作模型库以及数据传输和时钟同步单元。

惯性姿态传感器

惯性姿态传感器用于采集用户静止和运动过程中在空间三个维度上的加速度、角速度和已经对应的融合算法之后的姿态数据，作为判断当前运动类型的关键判断条件之一，并把采集到的数据传给主控单元。

整片高分辨率压力传感器

整片高分辨率压力传感器(以下简称压力传感器)测量地面对整个足底的压力，测量时将整个足底平面分为64个细小网格进行高分辨率的测量，可以连续实时采集用户足底与地面接触的面积上的压力数据，该压力数据是判断当前用户足底压力类型和运动特点的另一关键判断条件之一，压力传感器把采集到的足底压力数据传给主控单元。

设备主控制中心和数据分析单元

主控单元接收通过数据传输和时钟同步单元传输的用户个人基本信息，该用户个人基本信息是数据分析应用模块3发送来的，另外还接收数据传输和时钟同步单元传输的时钟同步信息，接收惯性姿态传感器采集的姿态数据和压力传感器采集的压力数据，并把这些数据传到数据记录和动作模型库里进行储存，进行数据分析时，主控单元读取数据记录和动作模型库里保存的运动类型判断公式、姿态数据和压力数据，根据姿态数据、压力数据，结合运动类型判断公式来判断按照高频或低频频率继续采集数据，同时对采集的数据按照判断规则进行判断，判断用户的运动习惯和运动特征，以及特定动作场景下的运动判断结果，并把上述分析判断的结果传到数据记录和动作模型库里进行保存。

数据记录和动作模型库

数据记录和动作模型库用于存储主控单元传输的用户个人基本信息、用加速度姿态数据和足底压力数据判断典型运动场景的判断规则、主控单元传输过来的采集到的用户运动中的惯性姿态传感器和足底压力数据，以及主控单元分析的用户典型运动类型和运动习惯。

保存的惯性姿态传感器分析模型：根据空间x、y、z 3个方向上的加速度、角速度和姿态数据进行分析，根据总体运动量是否达到设定的运动/静止分界阈值来判断用户是静止还是运动，其次分析运动类型是做下肢运动、走路还是奔跑等；

保存的压力传感器分析模型：主要是足底面积模型，根据足底的各个面积受到的压力来判断双脚是向正常内旋，足外翻，足内翻等。

数据传输和时钟同步单元

数据传输和时钟同步单元从网络侧的数据分析应用模块接收手机端输入的用户个人基本信息：体重、身高、年龄和跟足底压力与步态有关的数据信息，并将这些信息通过数据传输和时钟同步单元传给主控单元，同时将采集的姿态数据、足底压力数据和分析的运动类型和运动特点通过无线通信方式发送给数据分析应用模块3；同时第一、二数据采集处理模块的两个数据传输和时钟同步单元之间也通过无线通信方式按照时间戳策略同步时钟，保证左、右脚数据采集处理模块按照同一个时钟进行工作，保证采集数据的同时性，同时相互传输短时间内采集的数据。

数据分析应用模块

数据分析应用模块3设置在手机终端或者个人电脑上，通过无线连接方式(Wi-Fi、BLE、ZigBee等2.4G方式)与嵌入式设备的两个数据采集和处理单元连接，将用户的身高、腿长、年龄等个人信息发送给两个数据传输和时钟同步单元，同时接收第一、二数据采集处理模块采集到的数据和分析结果，并利用采集数据进行详细分析用户的具体运动类型，给出详细的健康运动建议。

一种分析用户足底压力类型的方法

一种分析用户足底压力类型的方法，该方法中主控单元定期(默认周期定时器T1为3秒)采集左右脚上的压力传感器的压力数据和惯性姿态传感器的加速度姿态数据，作为判断压力类型的历史数据储备，并分别存入与两个压力传感器相连的数据记录和动作模型库单元。经过一个设定的运动判断周期，主控单元将根据这个周期内的加速度姿态数据和压力数据，来判断当前用户运动状态为静止还是跑步，如果用户运动状态是跑步，并分析跑步运动状态下的发力方式是否健康，最后调整计时器的数据采样频率F1(一次/秒)和数据采集周期T1，进行下一个周期的数据采集。

如果用户的运动状态被判断为静止且足底为未受力的低价值状态，则会将定时器的采样周期从默认采样周期T1设置为一个更长的采样周期T2(一般为5秒)，同时采样频率按照一个更慢的采样频率F2(一次/秒)来采集数据，减少无用数据的采集和记录，降低功耗和数据负担。

在主控单元进行分析时，将走路、跳跃和负重运动等有规律的运动状态都归为跑步，在数据分析应用模块里进行详细分析，确定用户的具体运动状态。

如果用户的运动状态为跑步这样的规律性高价值运动状态，会将计时周期定时器调整为更短的采样周期T3，以及更快的采样频率 F3，加快数据采集，保证有足够的加速度姿态数据用于分析和判断用户的步态以及用户运动习惯。

此处对于用户运动状态的判断原则是：判断惯性姿态传感器的三个方向的加速度数据和姿态数据，以及压力传感器的压力数据是否规律性变化。采集的加速度姿态数据和足底压力数据两个判断因素中有一个满足判断条件就会激发运动状态的切换，比如数据从规律性变化到不规律性变化，从一种规律性变化到另一种规律性变化，从而引起采集频率和采集周期的改变。

具体实现流程如图2所示，具体步骤为：

步骤a1，数据分析应用模块通过2.4G近场通信方式，将用户的姓名、性别、身高、体重等个人基本信息分别发送到第一、二数据采集处理模块的数据传输和时钟同步单元；

步骤a2，第一、二数据采集处理模块的数据传输和时钟同步单元分别将用户个人基本信息转发给与之相连的主控单元；

步骤a3，同步第一、二数据采集处理模块之间的时钟，包括如下步骤，如图3所示：

步骤a31，两个主控单元收到用户个人基本信息后，第一数据采集处理模块的主控单元向与其相连的数据传输和时钟同步单元发起时间同步请求，同步第一、二数据采集处理模块之间的时钟，让两个模块的时钟保持强一致；

步骤a32，第一数据采集处理模块的数据传输和时钟同步单元接收到时间同步请求后向第二数据采集处理模块的数据传输和时钟同步单元发起时间同步请求；

步骤a33，第二数据采集处理模块的数据传输和时钟同步单元处理时间后按照返回时间同步时钟信息；

步骤a34，第一数据采集处理模块的数据传输和时钟同步单元将第二数据采集处理模块的数据传输和时钟同步单元返回的时间同步信息反馈给与之相连的主控单元。

步骤a4，第一、二数据采集处理模块的主控单元按照默认时间周期T1和默认采样频率F1开始采集加速度姿态数据和压力数据，具体包括以下步骤，如图4所示；

步骤a41，第一、二数据采集处理模块的主控单元按照默认时间周期T1和采样频率F1开始采集加速度姿态数据；

步骤a42，第一、二数据采集处理模块的惯性姿态传感器将当前的三组加速度数据和三组姿态数据分别反馈给与之相连的主控单元；

步骤a43，第一、二数据采集处理模块的主控单元按照默认时间周期T1和采样频率F1分别开始采集足部足底压力数据；

步骤a44，第一、二数据采集处理模块的压力传感器将采集到的当前足底压力数据反馈给与之相连的主控单元。

步骤a5，第一、二数据采集处理模块的主控单元分别将采集的加速度姿态数据和足底压力数据存储到与之相连的数据记录和动作模型库单元；

步骤a6，第一、二数据采集处理模块的数据传输和时钟同步单元相互向对方传输采集的足底压力数据和加速度姿态数据，并通过各自的主控单元将足底数据传给数据记录和动作模型库单元；

步骤a7，第一、二数据采集处理模块的主控单元从各自的数据记录和动作模型库单元调取采集的双脚足底数据和动作模型来判断用户运动类型和足底发力方式，具体包括以下步骤，如图5所示；

步骤a71，首先判断用户是静止还是运动；

判断用户运动是否有周期性变化来判断用户是否在做规律性运动，如果用户当前并未运动，并且足底压力小于设定经验值，将采用更长的时间周期T2(一般为5秒)和更小的采样频率F2(一般为一次/秒)，来降低系统功耗和数据负荷；如果当前用户正在周期性运动，且当前数据属于高价值加速度姿态数据，需要将采用更短的时间周期T3(3秒)和更高的采样频率F3(10次/秒)，采集足够多的加速度姿态数据，来准确判断用户数据特点。

其中判断用户是静止还是运动的判断公式如下：

其中accx[i]、accy[i]和accz[i]分别为采集的一只脚上的一个采集周期内的第i次的X向、Y向、Z向加速度，n为采集周期内采集加速度的次数，δ是一个采集周期内一只脚上的运动总量的阈值，如果该采集周期内运动总量超过该阈值，则说明用户不再静止；σ是采集周期内其中一次采集的用户一只脚上的X、Y、Z三个方向上的加速度总和门限值，

count((accx[i]+accy[i]+accz[i])＞σ)是当一次测量一只脚上的X、Y、 Z三个方向上的加速度总和大于σ时计数一次，

σ是采集周期内其中一次采集的用户一只脚上的X、Y、Z三个方向上的加速度总和门限值，k为一个采集周期内n次测量每次三个加速度总和大于σ的次数阈值；

如果用户在一瞬间的运动加速度变化程度大于该门限值σ，说明用户极有可能是在运动，如果用户在一个采集周期内(n次测量)加速度变化程度大于门限值σ的次数大于k(k<n)次，说明用户是在持续运动，两个判断条件同时成立，则说明用户在运动状态中。

另外还可以用下面的公式来判断用户是否处于运动状态

或/和

分别为采集的一只脚上的一个采集周期内的第i次的X向、Y向、Z向加速度向量，

为三个方向上的加速度合成向量的模，γ为加速度合成向量模阈值，m为设定的加速度合成向量的模大于加速度合成向量模阈值γ的次数。

当一个采集周期内每一次采集的三个方向上的accx[i]、accy[i] 和accz[i]合成向量模大于加速度合成向量模阈值γ的次数大于设定的门限值m时，可以判断用户为运动状态。

以上两种判断用户运动状态的公式可以同时应用，也可以单独应用。

步骤a72，判断用户运动类型；

如果用户在运动过程中，则需要根据这段时间内，用户的加速度数据、角速度数据或者足底压力数据来判断用户的运动类型。

用户运动类型判断，根据机器学习的svm支持向量机技术，将用户做典型运动(如跑步、走路、轮滑、踢球射门，跨栏等典型动作)中的数千份包括3个维度上的加速度和3个维度陀螺仪的原始数据作为训练集，进行支持向量机的训练后，形成预测公式(1)，将本周期内的加速度姿态数据带入到预测公式(1)中，既可以判断出当前用户是在进行哪种运动。

r＝F(accx[m],accy[m],accz[m],gyrox[m],gyroy[m],gyroz[m]) (1)

其中accx[m]、accy[m]、accz[m]分别为第m次测量的一只脚上的X、 Y、Z三个方向上的加速度，gyrox[m]、gyroy[m]、gyroz[m]分别为第m 次测量的一只脚上的X、Y、Z三个方向上的角速度。

其中根据加速度曲线判断用户跑步的方法：

第一步，通过三角寻峰算法算出T秒内单脚上X、Y、Z三个方向中的一个方向上的足底加速度曲线中出现的所有相邻波峰和波谷高度差值H、所有相邻波峰和波谷高度差值H的平均值H_e(加速度变化幅度)、出现的所有波峰的时间值peak_i，以上三者均形成数组。

第二步，将T秒内足底加速度曲线中出现的相邻波峰时间值 peak_i相减得到的数组，做相邻值的再相减，得到新的差值数组，如果该数组内有大于设定阈值pace_time_diff的，则认为运动不够均匀，当前用户不是在跑步；

第三步，如果该数组内没有大于阈值pace_time_diff的，则用户运动够均匀，将T秒内相邻波峰时间值peak_i相减得到的各个值相加求平均，得到波峰增值平均值peak_i_e，当波峰增值平均值 peak_i_e在经验阈值区间[0.3,1.5]秒内以及加速度变化幅度H_e大于设定的加速度变化阈值H_diff时，认为用户运动幅度够大，加速度数据满足跑步数据要求，判定用户在跑步。

该用加速度曲线判断用户跑步的方法也可以用来判断其他经典动作，如走路、轮滑、踢球射门和跨栏。

根据足底压力数据判断用户跑步的方法：

第一步，分别用公式(2)对左、右脚的每帧的全部单元的足底压力值加权求和，得到左、右脚的一个足底压力值的一维数组 p[t]_left和p[t]_right，

其中，m是帧数，n是单元数，pressure[i][k]为第i帧第k单元上的压力值，pressure_degree为加权值；

第二步，通过三角寻峰算法分别计算这两个数组的每个波形的波峰和波谷高度差值H，以及左脚波峰时间值peak_i_left数组,左脚波谷时间值valley_i_left数组，右脚波峰时间值peak_i_right数组,右脚波谷时间值valley_i_right数组，以及T秒内左、右脚波峰波谷高度差值H的平均值H_e_left、H_e_right；

第三步，将T秒内的相邻左脚波峰时间值peak_i_left相减得到的数组，做相邻值的再相减，得到新的差值数组，如果该数组内有大于阈值pace_time_diff的，则认为运动不够均匀，当前用户不是在跑步；

第四步，如果该数组内没有大于阈值pace_time_diff的，则说明用户运动够均匀，且T秒内左脚每个波峰时间值peak_i_left减去与之同步的右脚波谷时间值valley_i_right，得到的数据相加求平均值，如果该平均值小于设定的压力变化阈值，说明两只脚交替着地，则是在跑步；否则认为是在走路。

该用足底压力数据判断用户跑步的方法也可以用来判断其他经典动作，如走路、轮滑、踢球射门和跨栏。

步骤a73，通过足底压力判断用户足底发力类型

采集左脚左、中、右三个部位足底压力N维向量数组： pressure[0]、pressure[1]、pressure[2]；采集右脚左、中、右三个部位足底压力N维向量数组：pressure[M-2]、pressure[M-1]、pressure[M]，如果左脚左部位的足底压力pressure[0]大于左脚右部位的足底压力，说明左脚足内翻，反之，左脚足外翻；如果左脚足底三个N维向量的和:

大于右脚足底三个N维向量加和:

则左右脚发力不均衡。

右脚的判断规则和左脚相同，用户不管是足内翻、足外翻或者左右脚发力不平衡，都是错误的发力方式，时间久了容易对用户造成运动损伤。

步骤a8，根据当前判断的运动状态调整采样周期和采样频率后继续采集数据，具体包括以下步骤，如图6所示；

步骤a81，第一、二数据采集处理模块的主控单元以更慢的采样频率F2采集更少的加速度姿态数据或以更快的采样频率F3采集更多的加速度姿态数据；

步骤a82，第一、二数据采集处理模块的惯性姿态传感器分别将采集到的加速度姿态数据传给与之相连的主控单元；

步骤a83，第一、二数据采集处理模块的主控单元以更慢的采样频率F2采集更少的足底压力数据或以更快的采样频率F3采集更多的足底压力数据；

步骤a84，第一、二数据采集处理模块的压力传感器将采集到的压力数据传给与之相连的主控单元；

步骤a9，重复步骤a5至a8，直至采集结束。

总之，开始采集数据前，先同步第一、二数据采集处理模块之间的时钟，使第一、二数据采集处理模块的时钟同步，然后按照默认的采样周期和采样频率采集加速度姿态数据和压力数据，第一、二数据采集处理模块之间共享短时间内采集的数据，利用采集的数据进行分析运动类型和足底发力类型，并将分析结果和采集数据传送到数据分析应用模块进行深入详细的分析，分析用户的具体运动类型，并给出详细的健康运动建议。

本专利通过网状触点采集足底每个点的受力情况，可以更全面的捕捉用户的足底数据，避免因为传感器简单分区，或者较少传感点去估计导致的分析错误；同时本专利通过数据传输和时钟同步单元同步两个数据采集处理模块的时钟，相互传输各自采集的足底数据，保证主控单元分析判断用户运动类型时，分析的是两只脚上同时产生的足底数据，这样能反映用户的实际运动状态；本专利利用整片高分辨率压力传感器和惯性姿态传感器。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种利用分析用户足底压力类型的系统分析用户足底压力类型的方法，其特征在于：

所述分析用户足底压力类型的系统，其包括采集处理足底数据的两个数据采集处理模块，其还包括与两个所述数据采集处理模块无线连接的数据分析应用模块，所述数据分析应用模块用于利用两个所述数据采集处理模块采集的所述足底数据分析用户具体运动类型，

每个所述数据采集处理模块包括：

惯性姿态传感器，用于采集足部空间三个方向上的加速度和姿态数据；

整片高分辨率压力传感器，用于分区域采集足底各个位置压力数据；

数据传输和时钟同步单元，将所述惯性姿态传感器和所述整片高分辨率压力传感器采集的足底数据、主控单元分析的用户运动类型传给所述数据应用分析模块，两个所述数据传输和时钟同步单元之间保持时间同步，并互传所述惯性姿态传感器和所述整片高分辨率压力传感器采集的足底数据；

数据记录和动作模型库，用于存储动作模型、保存所述惯性姿态传感器和所述整片高分辨率压力传感器采集的足底数据和所述主控单元分析的用户运动类型；

所述主控单元，与所述惯性姿态传感器、所述整片高分辨率压力传感器、所述数据传输和时钟同步单元以及所述数据记录和动作模型库连接，用于根据所述动作模型对所述惯性姿态传感器和所述整片高分辨率压力传感器采集的足底数据分析，确定所述用户运动类型；

所述方法包括以下步骤：

步骤a1，数据分析应用模块通过通信方式，将用户个人基本信息发送到第一、二数据采集处理模块的数据传输和时钟同步单元；

步骤a2，所述数据传输和时钟同步单元分别将所述用户个人基本信息转发给与之相连的主控单元；

步骤a3，同步所述第一、二数据采集处理模块之间的时钟；

步骤a4，两个所述主控单元按照默认时间周期和默认采样频率开始采集足底数据；

步骤a5，所述两个主控单元分别将采集的足底数据和所述用户个人基本信息传送到数据记录和动作模型库单元；

步骤a6，所述第一、二数据采集处理模块的数据传输和时钟同步单元相互向对方传输各自采集的足底数据并通过各自的主控单元将该足底数据传给各自的数据记录和动作模型库单元；

步骤a7，所述两个主控单元调取所述数据记录和动作模型库单元保存的双脚足底数据和动作模型来判断用户运动类型；

步骤a8，根据当前判断出的用户运动类型调整采样周期和采样频率后继续采集足底数据；

步骤a9，重复步骤a5至a8，直至采集结束；

所述步骤a7包括：

步骤a71，从所述数据记录和动作模型库单元中调取保存的加速度姿态数据和动作模型来判断用户是静止还是运动；

步骤a71中判断用户是静止还是运动的判断公式为

或/和

其中accx[i]、accy[i]和accz[i]分别为采集的一只脚上的一个采集周期内的第i次的X向、Y向、Z向加速度，n为一个采集周期内采集加速度的次数，δ是一个采集周期内一只脚上的运动总量的阈值，σ是一个采集周期内n次采集中一次采集的用户一只脚上的空间三个方向上的加速度总和门限值，k为一个采集周期内n次测量每次三个加速度总和大于σ的次数阈值，

count((accx[i]+accy[i]+accz[i])＞σ)是当一次测量一只脚上的空间三个方向上的加速度总和大于σ时计数一次；

分别为采集的一只脚上的一个采集周期内的第i次的X向、Y向、Z向加速度向量，

为三个方向上的加速度合成向量的模，γ为加速度合成向量模阈值，m为设定的加速度合成向量的模大于加速度合成向量模阈值γ的次数；

步骤a72，如果用户是运动的，判断用户运动类型；

所述步骤a72中判断用户运动类型的方法还包括用加速度曲线判断用户运动类型的方法：

该方法通过三角寻峰算法算出T秒内单脚上X、Y、Z三个方向中的一个方向上的足底加速度曲线中出现的所有波形的波峰和波谷高度差值H、所有波形的波峰和波谷高度差值H的平均值H_e、所有波峰的时间值peak_i；利用以上计算所得值或数组来判断用户运动类型；

用所述加速度曲线判断用户运动类型的方法中，其中判断跑步的方法包括：

步骤1，将T秒内足底加速度曲线中出现的相邻波峰时间值peak_i相减得到的数组做相邻值的再相减，得到新的差值数组，如果该新的差值数组内有大于设定的加速度增幅阈值的，则认为运动不够均匀，当前用户不是在跑步；

步骤2，如果该新的差值数组内没有大于设定的所述加速度增幅阈值的，则用户运动够均匀，将T秒内相邻波峰时间值peak_i相减得到的各个值相加求平均，得到波峰时间差值平均值，如果该波峰时间差值平均值在经验阈值区间内以及所述波峰和波谷高度差值H的平均值H_e大于设定的压力加速度变化阈值H_diff，认为用户运动幅度够大，满足跑步数据要求，判定用户在跑步。

2.根据权利要求1所述的分析用户足底压力类型的方法，其特征在于，步骤a72中判断用户运动类型的方法包括：

将用户的一个周期内的一只脚上的X、Y、Z三个方向上的加速度和X、Y、Z三个方向上的角速度代入向量机svm预测公式来判断用户运动类型，所述向量机svm预测公式为：

r＝F(accx[m],accy[m],accz[m],gyrox[m],gyroy[m],gyroz[m])其中accx[m]、accy[m]、accz[m]分别为第m次测量的一只脚上的X、Y、Z三个方向上的加速度，gyrox[m]、gyroy[m]、gyroz[m]分别为第m次测量的一只脚上的X、Y、Z三个方向上的角速度。

3.根据权利要求1所述的分析用户足底压力类型的方法，其特征在于，步骤a72中判断用户运动类型的方法还包括用足底压力数据来判断用户运动类型，

该方法分别用下面的公式对左脚和右脚的每帧的全部单元的足底压力值加权求和，分别得到左、右脚的足底压力值的一维数组p[t]_left和p[t]_right，

其中，m是帧数，n是单元数，pressure[i][k] 为第i帧第k单元上的足底压力值，pressure_degree为加权值；

并通过三角寻峰算法分别计算所述两个一维数组的每个波形的波峰和波谷高度差值H数组、左脚波峰时间值peak_i_left数组、左脚波谷时间值valley_i_left数组、右脚波峰时间值peak_i_right数组、右脚波谷时间值valley_i_right数组，以及T秒内左、右脚波峰波谷高度差值H的平均值H_e_left、H_e_right；

利用以上计算所得值或数组来判断用户运动类型。

4.根据权利要求3所述的分析用户足底压力类型的方法，其特征在于，用所述足底压力值判断用户运动类型的方法中，判断跑步的方法包括：

步骤1，将T秒内的相邻左脚波峰时间值peak_i_left相减得到的数组，做相邻值的再相减，得到新的差值数组，如果该差值数组内有大于设定的压力波峰差值阈值pace_time_diff的，则认为运动不够均匀，当前用户不是在跑步；

步骤2，如果该差值数组内没有大于压力波峰差值阈值pace_time_diff的，则说明用户运动够均匀，且T秒内左脚每个波峰时间值peak_i_left减去与之同步的右脚波谷时间值valley_i_right，得到的数据相加求平均值，如果该平均值小于设定的压力变化阈值，说明两只脚交替着地，则是在跑步。

5.根据权利要求1所述的分析用户足底压力类型的方法，其特征在于，步骤a7中在步骤a72之后还包括步骤a73，通过足底压力判断用户足底发力类型，

该判断用户足底发力类型的方法是：分别采集两只脚上左、中、右三个部位足底压力，如果一只脚的左部位的足底压力大于右部位的足底压力，说明左脚足内翻或右脚足外翻，反之为左脚足外翻或右脚足内翻。

Images