CN109528212A - 一种异常步态识别设备及方法 - Google Patents
一种异常步态识别设备及方法 Download PDFInfo
- Publication number
- CN109528212A CN109528212A CN201811639435.5A CN201811639435A CN109528212A CN 109528212 A CN109528212 A CN 109528212A CN 201811639435 A CN201811639435 A CN 201811639435A CN 109528212 A CN109528212 A CN 109528212A
- Authority
- CN
- China
- Prior art keywords
- gait
- foot
- data acquisition
- diaphragm
- acquisition equipment
- 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.)
- Granted
Links
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
Abstract
本发明涉及一种异常步态识别设备及方法，属于步态分析技术领域，所述异常步态识别设备包括：左脚智能鞋、右脚智能鞋、左小腿数据采集设备、右小腿数据采集设备、左大腿数据采集设备、右大腿数据采集设备、躯干数据采集设备、接数据接收器、云服务器，通过采集相关数据信息，建立异常步态模型，利用采集的相关数据进行计算并与异常步态模型标准进行对比，对异常步态的发生进行判断。
Description
技术领域
本发明属于步态分析技术领域，尤其涉及一种异常步态识别设备及方法。
背景技术
目前对于异常步态的识别很多是基于视频检测技术的，该技术的能够达到一定的精度，但是一般都存在价格高昂、使用繁琐等限制。基于惯性传感器的异常步态检测属于新兴领域，不但检测精度高，而且还具有检测方便、功耗低、经济成本低等优点。
如中国专利申请号为：CN201310282004.9的专利公布了一种步态分析方法及步态分析系统。一种步态分析方法由步态分析系统实施，步态分析系统包括感测单元、处理单元以及储存单元，处理单元分别与感测单元及储存单元电性连接，储存单元储存复数运算程序，步态分析方法包括：由感测单元感测步态并输出感测信号，其中步态周期包含站立期、推蹬期、摆动期及触地期；由处理单元依据感测信号得到向量振幅信号及振幅累积信号；依据向量振幅信号、振幅累积信号辨识站立期、推蹬期、摆动期及触地期，推蹬期、摆动期及触地期依据动态阈值来决定；以及依据站立期、推蹬期、摆动期及触地期对步态进行分类。本发明还公开一种步态分析系统。但是该发明所述的步态分析系统只采集脚部信息，缺少整个腿部运动信号数据，同时不能对步态异常进行检测。
发明内容
本发明的目的是针对现有技术的不足，提供一种异常步态识别设备及方法，用于有效检测异常步态。
所述异常步态识别设备，包括：左脚智能鞋、右脚智能鞋、左小腿数据采集设备、右小腿数据采集设备、左大腿数据采集设备、右大腿数据采集设备、躯干数据采集设备、接数据接收器、云服务器；其中，左脚智能鞋包括左脚IMU模块、左脚压力传感器、左脚MCU模块，左脚IMU模块、左脚压力传感器分别通过信号线连接左脚MCU模块；右脚智能鞋包括右脚IMU模块、右脚压力传感器、右脚MCU模块，右脚IMU模块、右脚压力传感器分别通过信号线连接右脚MCU模块；左小腿数据采集设备包括通过信号线连接的左小腿IMU模块和左小腿MCU模块，右小腿数据采集设备包括通过信号线连接的右小腿IMU模块和右小腿MCU模块；左大腿数据采集设备包括通过信号线连接的左大腿IMU模块和左大腿MCU模块，右大腿数据采集设备包括通过信号线连接的右大腿IMU模块和右大腿MCU模块；躯干数据采集设备包括躯干IMU模块、蓝牙模块、躯干MCU模块，躯干IMU模块、蓝牙模块分别通过信号线连接躯干MCU模块；左脚MCU模块、左小腿MCU模块、左大腿MCU模块、躯干MCU模块通过信号线依次连接，右脚MCU模块、右小腿MCU模块、右大腿MCU模块、躯干MCU模块通过信号线依次连接；躯干MCU模块通过蓝牙模块无线连接数据接收器，数据接收器又通过上位机软件模块连接云服务器。
进一步地，左脚智能鞋、右脚智能鞋、左小腿数据采集设备、右小腿数据采集设备、左大腿数据采集设备、右大腿数据采集设备均通过蓝牙连接躯干MCU模块。
进一步地，左小腿数据采集设备、右小腿数据采集设备、左大腿数据采集设备、右大腿数据采集设备、躯干数据采集设备均设置有固定装置。
进一步地，固定装置包括尼龙带，尼龙带通过卡扣连接。
进一步地，躯干数据采集设备的蓝牙模块采用4g通信模块替换，并通过4g通信模块替换连接云服务器。
一种异常步态识别方法，包括如下步骤：
步骤1.1，分别通过左脚智能鞋、右脚智能鞋收集脚部在整个步行周期中的三轴角速度原始数据、三轴加速度原始数据以及双脚压力原始数据；
步骤1.2，分别时通过左小腿数据采集设备、右小腿数据采集设备收集小腿部分在整个步行周期中的三轴角速度原始数据、三轴加速度原始数据；
步骤1.3，分别通过左大腿数据采集设备、右大腿数据采集设备收集整个步行周期中的三轴角速度原始数据、三轴加速度原始数据；
步骤1.4，通过躯干数据采集设备收集躯干部分在整个步行周期中的三轴角速度数据、加三轴加速度原始数据；
步骤2，数据传输：
步骤2.1，通过躯干数据采集设备中的蓝牙模块将步骤1中的参数信息发送至数据接收器；
步骤2.2，数据接收器通过串口传输到上位机软件模块；
步骤2.3，上位机软件模块通过互联网将步骤1中的参数信息发送至云服务器；
步骤3，异常步态分析：
步骤3.1，建立了异常步态识别模型，异常步态包括：冻结步态、慌张步态、划圈步态、内翻步态、外翻步态、足下垂步态、长短腿步态；
步骤3.1.1，建立冻结步态模型：运用傅里叶变换对左脚智能鞋、右脚智能鞋采集的行走方向三轴加速度原始数据进行频谱分析，正常行走频域的幅值在0.8以内，发生冻结步态时在3～8HZ的频率范围内有超过0.8的幅值产生，则判断是冻结步态发生；
步骤3.1.2，建立慌张步态模型：根据步骤1中的双脚压力原始数据，计算左脚的压力中心坐标COP_X和右脚的压力中心坐标COP_Y的分布，
COP_X＝∑FiXi/∑Fi
COP_Y＝∑FiYi/∑Fi
其中，Fi为各个压力点的压力值，(Xi，Yi)为每个压力点距离原点的坐标，根据慌张步态特点，压力中心一般分布在脚掌，当COP_X和COP_Y满足50％以上都位于脚掌区域，则判断是慌张步态；
步骤3.1.3，建立划圈步态模型：利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据，按照步态周期划分，脚尖离地时开始积分三轴角速度中的Z轴角速度，当脚跟着地时停止积分，此时得到一个积分角度，也就是外旋角度，当外旋角度大于30度的时候判断是有划圈步态发生；
步骤3.1.4，建立足内、外翻步态模型：
(1)利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据、三轴加速度原始数据，实时计算行走过程中的翻转角度，翻转角度结合加速度和角速度的特性，采用一阶互补滤波，翻转角度具体算法如下：
angle1＝K1*angle_m+(1-K1)*(angle1+gyro_m*dt)；
angle_m＝accx/accz；
其中，K1为固定值，取K1＝0.1，其中gyro_m为y轴角速度，accx、accz分别为x轴加速度、z轴加速度；
(2)当翻转角度出现大于30度的时候判断为发生足内翻，小于-30度判断为是发生足外翻；
步骤3.1.5，建立足下垂步态模型：
(1)利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据、三轴加速度原始数据，计算脚底模块的俯仰角度foot_pitch，计算方法如下：
foot_pitch＝K1*angle_foot_pitch+(1-K1)*(angle1+gyro_foot_pitch*dt)；
取K1＝0.1，angle_foot_pitch和gyro_foot_pitch分别为加速度计算的角度以及角速度，angle1为翻转角度；
(2)利用左小腿数据采集设备、右小腿数据采集设备采集的三轴角速度原始数据、三轴加速度原始数据，计算小腿模块的俯仰角度crus_pitch，计算方法如下：
crus_pitch＝K1*angle_crus_pitch+(1-K1)*(angle1+gyro_crus_pitch*dt)；
取K1＝0.1，angle_crus_pitch和gyro_crus_pitch分别为加速度计算的角度以及角速度，angle1为翻转角度；
(3)计算踝关节的关节活动度曲线的跖屈角度angle＝crus_pitch-foot_pitch；
(4)当关节活动度曲线中的跖屈角度大于20度时，判断为是足下垂步态发生；
步骤3.1.6，建立长短腿步态模型：
(1)提取左脚智能鞋、右脚智能鞋采集的步态参数：跨步时间、步幅长度；
(2)跨步时间：取左脚智能鞋的y轴加速度曲线相邻两个波峰的时间间隔为左脚跨步时间，取右脚智能鞋的y轴加速度曲线相邻两个波峰的时间间隔为右脚跨步时间；
(3)步幅长度：将左脚智能鞋的y轴加速度曲线相邻两个波峰之间的加速度做二次积分得到左脚步幅长度，将右脚智能鞋的y轴加速度曲线相邻两个波峰之间的加速度做二次积分得到右脚步幅长度，公式如下：
L＝∫∫ay(t)dt
(4)比较左右脚步态参数的对称性：L＝左脚步态参数/右脚步态参数；
(5)当L<0.8或者L>1.2判断为是长短腿步态发生；
步骤4，对比步骤1中所采集的使用者的步态信息并结合步骤3中的公式进行运算，分别与步骤3中的冻结步态模型、慌张步态模型、划圈步态模型、内翻步态模型、外翻步态模型、足下垂步态模型、长短腿步态模型对比，判断异常步态。
进一步地，步骤3.1.6中，左脚步态参数采用左脚跨步时间或左脚步幅长度，右脚步态参数采用右脚跨步时间或右脚步幅长度。
本发明的有益效果是：
1.本发明所述异常步态识别设备分为左右两侧独立系统，左脚MCU模块、左小腿MCU模块、左大腿MCU模块、躯干IMU模块通过信号线依次连接，右脚MCU模块、右小腿MCU模块、右大腿MCU模块、躯干IMU模块通过信号线依次连接，数据统一由躯干MCU模块处理发送，所得到的数据更精确。
2.本发明所述异常步态识别设备将采集到的数据通过蓝牙模块发送至数据接收器，数据接收器通过互联网发送至云服务器，由云服务器处理，可靠性更强。
3.本发明能获取除脚底意外的小腿步态参数、大腿步态参数、躯干步态参数，为全面的步态研究提供数据基础。
4.本发明能快速有效的识别出测试者的异常步态问题，有助于测试者发现并及时矫正步态相关问题。
附图说明
图1为本发明所述异常步态识别设备的结构示意图；
图2为本发明所述异常步态识别设备的安装状态示意图；
图中：1-左脚智能鞋、11-左脚压力传感器、12-左脚IMU模块、13-左脚MCU模块，2-右脚智能鞋、21-右脚压力传感器、22-右脚IMU模块、23-右脚MCU模块，3-左小腿数据采集设备、31-左小腿IMU模块、32-左小腿MCU模块，4-右小腿数据采集设备、41-右小腿IMU模块、42-右小腿MCU模块，5-左大腿数据采集设备、51-左大腿IMU模块、52-左大腿MCU模块，6-右大腿数据采集设备、61-右大腿IMU模块、62-右大腿MCU模块，7-躯干数据采集设备、71-躯干IMU模块、72-躯干MCU模块、73-蓝牙模块，8-数据接收器、9-云服务器。
具体实施方式
下面结合说明书附图对本发明做进一步说明。
如图1所示，所述异常步态识别设备，包括：左脚智能鞋1、右脚智能鞋2、左小腿数据采集设备3、右小腿数据采集设备4、左大腿数据采集设备5、右大腿数据采集设备6、躯干数据采集设备7、接数据接收器8、云服务器9；其中，左脚智能鞋1包括左脚压力传感器11、左脚IMU模块12、左脚MCU模块13，左脚IMU模块12、左脚压力传感器11分别通过信号线连接左脚MCU模块13；右脚智能鞋2包括右脚压力传感器21、右脚IMU模块22、右脚MCU模块23，右脚IMU模块22、右脚压力传感器21分别通过信号线连接右脚MCU模块23；左小腿数据采集设备3包括通过信号线连接的左小腿IMU模块31和左小腿MCU模块32，右小腿数据采集设备4包括通过信号线连接的右小腿IMU模块41和右小腿MCU模块42；左大腿数据采集设备5包括通过信号线连接的左大腿IMU模块51和左大腿MCU模块52，右大腿数据采集设备6包括通过信号线连接的右大腿IMU模块61和右大腿MCU模块62；躯干数据采集设备7包括躯干IMU模块71、蓝牙模块73、躯干MCU模块72，躯干IMU模块71、蓝牙模块73分别通过信号线连接躯干MCU模块72；左脚MCU模块13、左小腿MCU模块32、左大腿MCU模块52、躯干MCU模块72通过信号线依次连接，右脚MCU模块23、右小腿MCU模块42、右大腿MCU模块62、躯干MCU模块72通过信号线依次连接；躯干MCU模块72通过蓝牙模块73无线连接数据接收器8，数据接收器8又通过上位机软件模块(图中未示出)连接云服务器9。
进一步地，左脚智能鞋1、右脚智能鞋2、左小腿数据采集设备3、右小腿数据采集设备4、左大腿数据采集设备5、右大腿数据采集设备6均通过蓝牙连接躯干MCU模块72。
进一步地，左小腿数据采集设备3、右小腿数据采集设备4、左大腿数据采集设备5、右大腿数据采集设备6、躯干数据采集设备7均设置有固定装置(图中未示出)。
进一步地，固定装置包括尼龙带(图中未示出)，尼龙带通过卡扣(图中未示出)连接。
进一步地，躯干数据采集设备7的蓝牙模块73采用4g通信模块(图中未示出)替换，并通过4g通信模块替换连接云服务器9。
所述异常步态识别方法，包括如下步骤：
步骤1.1，分别通过左脚智能鞋1、右脚智能鞋2收集脚部在整个步行周期中的三轴角速度原始数据、三轴加速度原始数据以及双脚压力原始数据；
步骤1.2，分别时通过左小腿数据采集设备3、右小腿数据采集设备4收集小腿部分在整个步行周期中的三轴角速度原始数据、三轴加速度原始数据；
步骤1.3，分别通过左大腿数据采集设备5、右大腿数据采集设备6收集整个步行周期中的三轴角速度原始数据、三轴加速度原始数据；
步骤1.4，通过躯干数据采集设备7收集躯干部分在整个步行周期中的三轴角速度数据、加三轴加速度原始数据；
步骤2，数据传输：
步骤2.1，通过躯干数据采集设备7中的蓝牙模块73将步骤1中的参数信息发送至数据接收器8；
步骤2.2，数据接收器8通过串口传输到上位机软件模块；
步骤2.3，上位机软件模块通过互联网将步骤1中的参数信息发送至云服务器9；
步骤3，异常步态分析：
步骤3.1，建立了异常步态识别模型，异常步态包括：冻结步态、慌张步态、划圈步态、内翻步态、外翻步态、足下垂步态、长短腿步态；
步骤3.1.1，建立冻结步态模型：运用傅里叶变换对左脚智能鞋1、右脚智能鞋2采集的行走方向三轴加速度原始数据进行频谱分析，正常行走频域的幅值在0.8以内，发生冻结步态时在3～8HZ的频率范围内有超过0.8的幅值产生，则判断是冻结步态发生；
步骤3.1.2，建立慌张步态模型：根据步骤1中的双脚压力原始数据，计算左脚的压力中心坐标COP_X和右脚的压力中心坐标COP_Y的分布，
COP_X＝∑FiXi/∑Fi
COP_Y＝∑FiYi/∑Fi
其中，Fi为各个压力点的压力值，(Xi，Yi)为每个压力点距离原点的坐标，根据慌张步态特点，压力中心一般分布在脚掌，当COP_X和COP_Y满足50％以上都位于脚掌区域，则判断是慌张步态；
步骤3.1.3，建立划圈步态模型：利用左脚智能鞋1、右脚智能鞋2采集的三轴角速度原始数据，按照步态周期划分，脚尖离地时开始积分三轴角速度中的Z轴角速度，当脚跟着地时停止积分，此时得到一个积分角度，也就是外旋角度，当外旋角度大于30度的时候判断是有划圈步态发生；
步骤3.1.4，建立足内、外翻步态模型：
(1)利用左脚智能鞋1、右脚智能鞋2采集的三轴角速度原始数据、三轴加速度原始数据，实时计算行走过程中的翻转角度，翻转角度结合加速度和角速度的特性，采用一阶互补滤波，翻转角度具体算法如下：
angle1＝K1*angle_m+(1-K1)*(angle1+gyro_m*dt)；
angle_m＝accx/accz；
其中，K1为固定值，取K1＝0.1，其中gyro_m为y轴角速度，accx、accz分别为x轴加速度、z轴加速度；
(2)当翻转角度出现大于30度的时候判断为发生足内翻，小于-30度判断为是发生足外翻；
步骤3.1.5，建立足下垂步态模型：
(5)利用左脚智能鞋1、右脚智能鞋2采集的三轴角速度原始数据、三轴加速度原始数据，计算脚底的俯仰角度foot_pitch，计算方法如下：
foot_pitch＝K1*angle_foot_pitch+(1-K1)*(angle1+gyro_foot_pitch*dt)；
取K1＝0.1，angle_foot_pitch和gyro_foot_pitch分别为加速度计算的角度以及角速度，angle1为翻转角度；
(6)利用左小腿数据采集设备3、右小腿数据采集设备4采集的三轴角速度原始数据、三轴加速度原始数据，计算小腿的俯仰角度crus_pitch，计算方法如下：
crus_pitch＝K1*angle_crus_pitch+(1-K1)*(angle1+gyro_crus_pitch*dt)；
取K1＝0.1，angle_crus_pitch和gyro_crus_pitch分别为加速度计算的角度以及角速度，angle1为翻转角度；
(7)计算踝关节的关节活动度曲线的跖屈角度angle＝crus_pitch-foot_pitch；
(8)当关节活动度曲线中的跖屈角度大于20度时，判断为是足下垂步态发生；
步骤3.1.6，建立长短腿步态模型：
(1)提取左脚智能鞋1、右脚智能鞋2采集的步态参数：跨步时间、步幅长度；
(2)跨步时间：取左脚智能鞋1的y轴加速度曲线相邻两个波峰的时间间隔为左脚跨步时间，取右脚智能鞋2的y轴加速度曲线相邻两个波峰的时间间隔为右脚跨步时间；
(3)步幅长度：将左脚智能鞋1的y轴加速度曲线相邻两个波峰之间的加速度做二次积分得到左脚步幅长度，将右脚智能鞋2的y轴加速度曲线相邻两个波峰之间的加速度做二次积分得到右脚步幅长度，公式如下：
L＝∫∫ay(t)dt
(4)比较左右脚步态参数的对称性：L＝左脚步态参数/右脚步态参数；
(5)当L<0.8或者L>1.2判断为是长短腿步态发生；
步骤4，对比步骤1中所采集的使用者的步态信息并结合步骤3中的公式进行运算，分别与步骤3中的冻结步态模型、慌张步态模型、划圈步态模型、内翻步态模型、外翻步态模型、足下垂步态模型、长短腿步态模型对比，判断异常步态。
进一步地，步骤3.1.6中，左脚步态参数采用左脚跨步时间或左脚步幅长度，右脚步态参数采用右脚跨步时间或右脚步幅长度。
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)
1.一种异常步态识别设备，其特征在于，包括：左脚智能鞋、右脚智能鞋、左小腿数据采集设备、右小腿数据采集设备、左大腿数据采集设备、右大腿数据采集设备、躯干数据采集设备、接数据接收器、云服务器；其中，左脚智能鞋包括左脚IMU模块、左脚压力传感器、左脚MCU模块，左脚IMU模块、左脚压力传感器分别通过信号线连接左脚MCU模块；右脚智能鞋包括右脚IMU模块、右脚压力传感器、右脚MCU模块，右脚IMU模块、右脚压力传感器分别通过信号线连接右脚MCU模块；左小腿数据采集设备包括通过信号线连接的左小腿IMU模块和左小腿MCU模块，右小腿数据采集设备包括通过信号线连接的右小腿IMU模块和右小腿MCU模块；左大腿数据采集设备包括通过信号线连接的左大腿IMU模块和左大腿MCU模块，右大腿数据采集设备包括通过信号线连接的右大腿IMU模块和右大腿MCU模块；躯干数据采集设备包括躯干IMU模块、蓝牙模块、躯干MCU模块，躯干IMU模块、蓝牙模块分别通过信号线连接躯干MCU模块；左脚MCU模块、左小腿MCU模块、左大腿MCU模块、躯干MCU模块通过信号线依次连接，右脚MCU模块、右小腿MCU模块、右大腿MCU模块、躯干MCU模块通过信号线依次连接；躯干MCU模块通过蓝牙模块无线连接数据接收器，数据接收器又通过上位机软件模块连接云服务器。
2.根据权利要求1所述的一种异常步态识别设备，其特征在于，所述左脚智能鞋、右脚智能鞋、左小腿数据采集设备、右小腿数据采集设备、左大腿数据采集设备、右大腿数据采集设备均通过蓝牙连接躯干MCU模块。
3.根据权利要求1所述的一种异常步态识别设备，其特征在于，所述左小腿数据采集设备、右小腿数据采集设备、左大腿数据采集设备、右大腿数据采集设备、躯干数据采集设备均设置有固定装置。
4.根据权利要求3所述的一种异常步态识别设备，其特征在于，所述固定装置包括尼龙带，尼龙带通过卡扣连接。
5.根据权利要求1所述的一种异常步态识别设备，其特征在于，所述躯干数据采集设备的蓝牙模块采用4g通信模块替换，并通过4g通信模块替换连接云服务器。
6.采用权利要求1所述一种异常步态识别设备的一种异常步态识别方法，其特征在于，包括如下步骤：
步骤1.1，分别通过左脚智能鞋、右脚智能鞋收集脚部在整个步行周期中的三轴角速度原始数据、三轴加速度原始数据以及双脚压力原始数据；
步骤1.2，分别时通过左小腿数据采集设备、右小腿数据采集设备收集小腿部分在整个步行周期中的三轴角速度原始数据、三轴加速度原始数据；
步骤1.3，分别通过左大腿数据采集设备、右大腿数据采集设备收集整个步行周期中的三轴角速度原始数据、三轴加速度原始数据；
步骤1.4，通过躯干数据采集设备收集躯干部分在整个步行周期中的三轴角速度数据、加三轴加速度原始数据；
步骤2，数据传输：
步骤2.1，通过躯干数据采集设备中的蓝牙模块将步骤1中的参数信息发送至数据接收器；
步骤2.2，数据接收器通过串口传输到上位机软件模块；
步骤2.3，上位机软件模块通过互联网将步骤1中的参数信息发送至云服务器；
步骤3，异常步态分析：
步骤3.1，建立了异常步态识别模型，异常步态包括：冻结步态、慌张步态、划圈步态、内翻步态、外翻步态、足下垂步态、长短腿步态；
步骤3.1.1，建立冻结步态模型：运用傅里叶变换对左脚智能鞋、右脚智能鞋采集的行走方向三轴加速度原始数据进行频谱分析，正常行走频域的幅值在0.8以内，发生冻结步态时在3～8HZ的频率范围内有超过0.8的幅值产生，则判断是冻结步态发生；
步骤3.1.2，建立慌张步态模型：根据步骤1中的双脚压力原始数据，计算左脚的压力中心坐标COP_X和右脚的压力中心坐标COP_Y的分布，
COP_X＝∑FiXi/∑Fi
COP_Y＝∑FiYi/∑Fi
其中，Fi为各个压力点的压力值，(Xi，Yi)为每个压力点距离原点的坐标，根据慌张步态特点，压力中心一般分布在脚掌，当COP_X和COP_Y满足50％以上都位于脚掌区域，则判断是慌张步态；
步骤3.1.3，建立划圈步态模型：利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据，按照步态周期划分，脚尖离地时开始积分三轴角速度中的Z轴角速度，当脚跟着地时停止积分，此时得到一个积分角度，也就是外旋角度，当外旋角度大于30度的时候判断是有划圈步态发生；
步骤3.1.4，建立足内、外翻步态模型：
(1)利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据、三轴加速度原始数据，实时计算行走过程中的翻转角度，翻转角度结合加速度和角速度的特性，采用一阶互补滤波，翻转角度具体算法如下：
angle1＝K1*angle_m+(1-K1)*(angle1+gyro_m*dt)；
angle_m＝accx/accz；
其中，K1为固定值，取K1＝0.1，其中gyro_m为y轴角速度，accx、accz分别为x轴加速度、z轴加速度；
(2)当翻转角度出现大于30度的时候判断为发生足内翻，小于-30度判断为是发生足外翻；
步骤3.1.5，建立足下垂步态模型：
(1)利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据、三轴加速度原始数据，计算脚底模块的俯仰角度foot_pitch，计算方法如下：
foot_pitch＝K1*angle_foot_pitch+(1-K1)*(angle1+gyro_foot_pitch*dt)；
取K1＝0.1，angle_foot_pitch和gyro_foot_pitch分别为加速度计算的角度以及角速度，angle1为翻转角度；
(2)利用左小腿数据采集设备、右小腿数据采集设备采集的三轴角速度原始数据、三轴加速度原始数据，计算小腿模块的俯仰角度crus_pitch，计算方法如下：
crus_pitch＝K1*angle_crus_pitch+(1-K1)*(angle1+gyro_crus_pitch*dt)；
取K1＝0.1，angle_crus_pitch和gyro_crus_pitch分别为加速度计算的角度以及角速度，angle1为翻转角度；
(3)计算踝关节的关节活动度曲线的跖屈角度angle＝crus_pitch-foot_pitch；
(4)当关节活动度曲线中的跖屈角度大于20度时，判断为是足下垂步态发生；
步骤3.1.6，建立长短腿步态模型：
(1)提取左脚智能鞋、右脚智能鞋采集的步态参数：跨步时间、步幅长度；
(2)跨步时间：取左脚智能鞋的y轴加速度曲线相邻两个波峰的时间间隔为左脚跨步时间，取右脚智能鞋的y轴加速度曲线相邻两个波峰的时间间隔为右脚跨步时间；
(3)步幅长度：将左脚智能鞋的y轴加速度曲线相邻两个波峰之间的加速度做二次积分得到左脚步幅长度，将右脚智能鞋的y轴加速度曲线相邻两个波峰之间的加速度做二次积分得到右脚步幅长度，公式如下：
L＝∫∫ay(t)dt
(4)比较左右脚步态参数的对称性：L＝左脚步态参数/右脚步态参数；
(5)当L<0.8或者L>1.2判断为是长短腿步态发生；
步骤4，对比步骤1中所采集的使用者的步态信息并结合步骤3中的公式进行运算，分别与步骤3中的冻结步态模型、慌张步态模型、划圈步态模型、内翻步态模型、外翻步态模型、足下垂步态模型、长短腿步态模型对比，判断异常步态。
7.根据权利要求7所述的一种异常步态识别方法，其特征在于，所述步骤3.1.6中，左脚步态参数采用左脚跨步时间或左脚步幅长度，右脚步态参数采用右脚跨步时间或右脚步幅长度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639435.5A CN109528212B (zh) | 2018-12-29 | 2018-12-29 | 一种异常步态识别设备及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639435.5A CN109528212B (zh) | 2018-12-29 | 2018-12-29 | 一种异常步态识别设备及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109528212A true CN109528212A (zh) | 2019-03-29 |
| CN109528212B CN109528212B (zh) | 2023-09-19 |
Family
ID=65831366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811639435.5A Active CN109528212B (zh) | 2018-12-29 | 2018-12-29 | 一种异常步态识别设备及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109528212B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110558990A (zh) * | 2019-07-30 | 2019-12-13 | 福建省万物智联科技有限公司 | 一种步态分析方法及装置 |
| CN110558991A (zh) * | 2019-07-30 | 2019-12-13 | 福建省万物智联科技有限公司 | 一种步态分析方法 |
| CN110638457A (zh) * | 2019-08-26 | 2020-01-03 | 广东省人民医院(广东省医学科学院) | 帕金森病患者冻结步态监测方法及监测设备 |
| CN112043555A (zh) * | 2019-06-07 | 2020-12-08 | 丰田自动车株式会社 | 步行训练系统、显示方法以及计算机可读介质 |
| CN112704491A (zh) * | 2020-12-28 | 2021-04-27 | 华南理工大学 | 基于姿态传感器和动捕模板数据的下肢步态预测方法 |
| CN112869732A (zh) * | 2019-11-29 | 2021-06-01 | 宝成工业股份有限公司 | 分析步态的方法及其装置 |
| CN113057627A (zh) * | 2021-03-18 | 2021-07-02 | 华南理工大学 | 基于弱足cop特征的步态特征提取方法及跌倒风险判别系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101548925A (zh) * | 2009-05-05 | 2009-10-07 | 浙江大学 | 一种带踝关节角度自矫正功能的步态相位检测装置 |
| US20140018705A1 (en) * | 2012-07-06 | 2014-01-16 | National Cheng Kung University | Gait analysis method and gait analysis system |
| US20160324445A1 (en) * | 2015-05-07 | 2016-11-10 | Samsung Electronics Co., Ltd. | Method of providing information according to gait posture and electronic device for same |
| CN106175778A (zh) * | 2016-07-04 | 2016-12-07 | 中国科学院计算技术研究所 | 一种建立步态数据集的方法及步态分析方法 |
| CN106377837A (zh) * | 2016-09-19 | 2017-02-08 | 天津大学 | 基于步态识别的功能性肌肉电刺激助行装置及控制方法 |
| US20170238846A1 (en) * | 2016-02-19 | 2017-08-24 | Xerox Corporation | Computer vision system for ambient long-term gait assessment |
| CN107137089A (zh) * | 2017-04-07 | 2017-09-08 | 浙江大学 | 一种穿戴式传感鞋系统及步态评估方法 |
| CN108030497A (zh) * | 2018-01-16 | 2018-05-15 | 大连乾函科技有限公司 | 一种基于imu惯性传感器的步态分析装置及其方法 |
| CN108095729A (zh) * | 2018-01-24 | 2018-06-01 | 深圳市臻络科技有限公司 | 一种冻结步态识别方法和装置 |
| CN108309304A (zh) * | 2017-12-26 | 2018-07-24 | 上海交通大学医学院附属第九人民医院 | 一种生成冻结步态智能监测系统的方法 |
| WO2018164157A1 (ja) * | 2017-03-08 | 2018-09-13 | 国立大学法人お茶の水女子大学 | 歩行・足部評価方法、歩行・足部評価プログラムおよび歩行・足部評価装置 |
| CN108814617A (zh) * | 2018-04-26 | 2018-11-16 | 深圳市臻络科技有限公司 | 冻结步态识别方法和装置及步态检测仪 |
-
2018
- 2018-12-29 CN CN201811639435.5A patent/CN109528212B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101548925A (zh) * | 2009-05-05 | 2009-10-07 | 浙江大学 | 一种带踝关节角度自矫正功能的步态相位检测装置 |
| US20140018705A1 (en) * | 2012-07-06 | 2014-01-16 | National Cheng Kung University | Gait analysis method and gait analysis system |
| US20160324445A1 (en) * | 2015-05-07 | 2016-11-10 | Samsung Electronics Co., Ltd. | Method of providing information according to gait posture and electronic device for same |
| US20170238846A1 (en) * | 2016-02-19 | 2017-08-24 | Xerox Corporation | Computer vision system for ambient long-term gait assessment |
| CN106175778A (zh) * | 2016-07-04 | 2016-12-07 | 中国科学院计算技术研究所 | 一种建立步态数据集的方法及步态分析方法 |
| CN106377837A (zh) * | 2016-09-19 | 2017-02-08 | 天津大学 | 基于步态识别的功能性肌肉电刺激助行装置及控制方法 |
| WO2018164157A1 (ja) * | 2017-03-08 | 2018-09-13 | 国立大学法人お茶の水女子大学 | 歩行・足部評価方法、歩行・足部評価プログラムおよび歩行・足部評価装置 |
| CN107137089A (zh) * | 2017-04-07 | 2017-09-08 | 浙江大学 | 一种穿戴式传感鞋系统及步态评估方法 |
| CN108309304A (zh) * | 2017-12-26 | 2018-07-24 | 上海交通大学医学院附属第九人民医院 | 一种生成冻结步态智能监测系统的方法 |
| CN108030497A (zh) * | 2018-01-16 | 2018-05-15 | 大连乾函科技有限公司 | 一种基于imu惯性传感器的步态分析装置及其方法 |
| CN108095729A (zh) * | 2018-01-24 | 2018-06-01 | 深圳市臻络科技有限公司 | 一种冻结步态识别方法和装置 |
| CN108814617A (zh) * | 2018-04-26 | 2018-11-16 | 深圳市臻络科技有限公司 | 冻结步态识别方法和装置及步态检测仪 |
Non-Patent Citations (3)
| Title |
|---|
| STEBBINS J , 等: "Gait compensations caused by foot deformity in cerebral palsy", 《GAIT ＆ POSTURE》 * |
| 丁园; 崔桂云: "帕金森病伴冻结步态的研究进展", 《中国实用神经疾病杂志》 * |
| 陶帅; 吕泽平; 田秋娇，等: "步态检测设备联合量表评估认知功能和跌倒风险的应用初探", 《中国老年保健医学》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112043555A (zh) * | 2019-06-07 | 2020-12-08 | 丰田自动车株式会社 | 步行训练系统、显示方法以及计算机可读介质 |
| CN112043555B (zh) * | 2019-06-07 | 2022-10-18 | 丰田自动车株式会社 | 步行训练系统、显示方法以及计算机可读介质 |
| CN110558990A (zh) * | 2019-07-30 | 2019-12-13 | 福建省万物智联科技有限公司 | 一种步态分析方法及装置 |
| CN110558991A (zh) * | 2019-07-30 | 2019-12-13 | 福建省万物智联科技有限公司 | 一种步态分析方法 |
| CN110558991B (zh) * | 2019-07-30 | 2022-05-20 | 福建省万物智联科技有限公司 | 一种步态分析方法 |
| CN110638457A (zh) * | 2019-08-26 | 2020-01-03 | 广东省人民医院(广东省医学科学院) | 帕金森病患者冻结步态监测方法及监测设备 |
| CN110638457B (zh) * | 2019-08-26 | 2023-02-21 | 广东省人民医院(广东省医学科学院) | 帕金森病患者冻结步态监测方法及监测设备 |
| CN112869732A (zh) * | 2019-11-29 | 2021-06-01 | 宝成工业股份有限公司 | 分析步态的方法及其装置 |
| CN112704491A (zh) * | 2020-12-28 | 2021-04-27 | 华南理工大学 | 基于姿态传感器和动捕模板数据的下肢步态预测方法 |
| CN113057627A (zh) * | 2021-03-18 | 2021-07-02 | 华南理工大学 | 基于弱足cop特征的步态特征提取方法及跌倒风险判别系统 |
| CN113057627B (zh) * | 2021-03-18 | 2022-04-26 | 华南理工大学 | 基于弱足cop特征的步态特征提取方法及跌倒风险判别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109528212B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109528212A (zh) | 一种异常步态识别设备及方法 | |
| CN104323780B (zh) | 基于支持向量机的行人步态分类系统及方法 | |
| CN102824177B (zh) | 一种三维人体步态定量分析系统和方法 | |
| CN105214296B (zh) | 一种获得运动信息的方法 | |
| CN104135911B (zh) | 多轴线活动监测装置中的活动分类 | |
| CN106767888A (zh) | 一种基于波峰波谷检测的计步算法 | |
| CN105877757A (zh) | 多传感器集成的人体运动姿态捕获与识别装置 | |
| CN105030260A (zh) | 运动状态判断方法及脚部穿戴物 | |
| CN108334827B (zh) | 一种基于智能鞋的步态身份认证方法及智能鞋 | |
| CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
| CN106210269A (zh) | 一种基于智能手机的人体动作识别系统及方法 | |
| CN105635946A (zh) | 穿戴终端基于省电模式输出数据的系统及方法 | |
| CN106510658A (zh) | 一种基于手环的人体情绪判断方法 | |
| CN109381191A (zh) | 基于智能鞋进行人体运动行为判断的系统及方法 | |
| CN107146378A (zh) | 一种人体跌倒判定方法及装置 | |
| CN111603750A (zh) | 基于边缘计算的动作捕捉识别评估系统及方法 | |
| CN107303181A (zh) | 一种基于六轴传感器的脚步运动识别方法 | |
| CN107561970A (zh) | 一种双足支撑区域判别的控制系统及方法 | |
| CN107239147A (zh) | 一种基于可穿戴设备的人体情境感知方法、装置及系统 | |
| CN112487902B (zh) | 面向外骨骼的基于tcn-hmm的步态相位分类方法 | |
| CN109830086A (zh) | 一种基于单片机的老年人在行走状态下的摔倒检测系统 | |
| CN105561566A (zh) | 儿童运动陪伴时间统计系统及方法 | |
| Wu et al. | Fall detection monitoring system based on mems sensor | |
| Fu et al. | Ping pong motion recognition based on smart watch | |
| CN203274756U (zh) | 无线计步装置 |
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 |