CN109567812A - 基于智能鞋垫的步态分析系统 - Google Patents

基于智能鞋垫的步态分析系统 Download PDF

Info

Publication number
CN109567812A
CN109567812A CN201710903910.4A CN201710903910A CN109567812A CN 109567812 A CN109567812 A CN 109567812A CN 201710903910 A CN201710903910 A CN 201710903910A CN 109567812 A CN109567812 A CN 109567812A
Authority
CN
China
Prior art keywords
gait
module
image
trace
gait analysis
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
Application number
CN201710903910.4A
Other languages
English (en)
Other versions
CN109567812B (zh
Inventor
张吉昌
董波
郭宝珠
于昕晔
陈伟卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DALIAN EVERSPRY SCI & TECH Co Ltd
Original Assignee
DALIAN EVERSPRY SCI & TECH Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by DALIAN EVERSPRY SCI & TECH Co Ltd filed Critical DALIAN EVERSPRY SCI & TECH Co Ltd
Priority to CN201710903910.4A priority Critical patent/CN109567812B/zh
Publication of CN109567812A publication Critical patent/CN109567812A/zh
Application granted granted Critical
Publication of CN109567812B publication Critical patent/CN109567812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6804—Garments; Clothes
    • A61B5/6807—Footwear
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Abstract

本发明公开了一种基于智能鞋垫的步态分析系统，包括数据采集系统，步态分析系统和步态健康云端；所述数据采集系统集成在智能鞋垫中；所述步态分析系统，包括步态分析APP，该步态分析APP与智能鞋垫进行信息传输；步态分析APP实时将步态数据上传至步态健康云端进行存储，所述步态健康云端用于形成个人步态分析档案。本申请使用户可以随时掌握自己的步态状况，根据步态状况用户可以及时的调整生活习惯，使生活更加健康，且该个人步态分析档案可供医生诊断参考。

Description

基于智能鞋垫的步态分析系统
技术领域
本发明涉及一种步态分析系统，具体说是一种基于智能鞋垫的步态分析系统。
背景技术
步态是人体结构与功能、运动调节系统、行为及心理活动在行走时的外在表现，但是，其中某个系统或某些方面的功能障碍，都可引起步态异常。据调查显示，50％-60％的轻运动人群由于运动过程中步态不正确而患有不同程度的膝盖伤；发育期行走姿态异常直接影响儿童成长阶段骨骼腿部甚至脊柱发育；步态异常具有对某些疾病提示意义，如糖尿病足、下肢关节炎、下肢肌无力。通过步态分析可以实现对某些疾病的预防以及辅助性治疗。
步态分析是固体力学在生物系统的典型范例。步态判断与分析，是一门高尖端的专业医疗学科，目前尚处于科研级，监测设备门槛高，专业度也极高，人们享用设备的成本也相当高，例如德国的Proxomed、美国的Biodex等步态测试设备。目前尚没有消费级步态监测产品，能通过个体数据指导健康运动及临床辅助诊疗的产品。因此，提供一种方便，快捷，精准的步态分析方法，为医生、运动教练、用户自己提供客观的步态分析依据及康复治疗、矫正或运动改善后的效果评估，已经刻不容缓。
发明内容
本申请提供了一种基于智能鞋垫的步态分析系统，通过该系统架构，将智能鞋垫，APP，健康云，有机结合一体，为智能鞋垫领域整体发展提供一个方向。
为实现上述目的，本申请的技术方案是：一种基于智能鞋垫的步态分析系统，包括数据采集系统，步态分析系统和步态健康云端；所述数据采集系统集成在智能鞋垫中；所述步态分析系统，包括步态分析APP，该步态分析APP与智能鞋垫进行信息传输；步态分析APP实时将步态数据上传至步态健康云端进行存储，所述步态健康云端用于形成个人步态分析档案。
进一步的，数据采集系统，包括无线充电模块，即在智能鞋垫内部加装一个线圈，通过电磁感应产生电流。
进一步的，所述数据采集系统，还包括薄膜压力传感器、加速度传感器、信号调理模块、信号采集模块、中央处理系统和信号发射模块；所述薄膜压力传感器、信号调理模块、信号采集模块、信号发射模块、无线充电模块均与中央处理系统信号相连，信号调理模块还与加速度传感器信号连接。
进一步的，所述步态分析APP，包括数据接收模块、云端交互模块、步态分析模块和显示模块；
所述数据接收模块，与智能鞋垫通讯，接收来自智能鞋垫所采集的数据，并将数据传输给步态分析模块和云端交互模块；
所述云端交互模块，是将本地数据上传到步态健康云端的个人步态分析档案中；
所述步态分析模块，包括步态时相分析模块、步态特征识别模块、行走姿态判定模块；
所述显示模块，将分析后的结果显示到APP中，还能根据足迹压力数据生成满足不同需求的伪彩图。
进一步的，所述步态时相分析模块内设置有执行程序，将数据接收模块获取的数据进行分析，获得关键的特征图；具体是，将一个完整的步态分为8个阶段，这8个阶段包含7个不同的特征，把一个步幅中的7个特征图提取出来。
更进一步的，所述步态时相分析模块，还包括数据准备模块，该模块采集到的数据为一组具有时序关系的足迹灰度图像；在该足迹灰度图像中将8个阶段关键点的图像提取出来，并把7个不同的特征分别定义为r1～r7，其中r1～r6的步态在足迹灰度图像上具有明显的特征，通过足迹时序图像对其进行提取；而r7步态由于其处于悬空状态，足底并未触地，因此其足迹图像为0；用测量加速度的方法对其r7步态特征图进行提取；
通过人工标定的方法将部分足迹时序中属于r1～r6的图像标定出来，作为训练样本集；并将r1～r6步态进行One-hot编码，其编码如下r1＝[1,0,0,0,0,0,0]，r2＝[0,1,0,0,0,0,0]；以此类推r6＝[0,0,0,0,0,1,0]，将不属于r1～r6中的图像定义为r*。
更进一步的，所述步态时相分析模块内的执行程序具体如下：
S1：将步态时序图像中第t个图像作为输入input
S2：搜索ri步态特征图像
S2.1：创建一个长度为2的列表List
S2.2：将input加入到List列表中
S2.3：计算列表List中图像的差分Res＝List[top]-List[bottom]
S2.4：将差分图像Res输入到CNN卷积网络中，获得判定标签Label
S2.5：如果Label＝＝ri，返回List[top]并转至S3
S2.6：将第t+1个图像设置为input并转至S2.2
S3：如果ri＝＝r6结束算法
S4：i＝i+1，转至S2；
其中，t表示图像在步态时序图中的位置；ri表示第i种步态特征，i＝1～6；CNN代表卷积神经网络；List[top]和List[bottom]代表列表List两端的元素；Label表示r1～r6步态的One-hot标签。
作为更进一步的，步态特征识别模块，分别对落足、支撑和起步阶段特征归类；落足阶段特征在r1和r4的图像中提取；支撑阶段特征在r6的图像中提取；起步阶段特征在r3和r5的图像特征中提取；
其中r1和r4的图像中能提取到踏痕，磕痕，擦痕，推痕，跄痕，压痕的特征；在r6的图像中能提取压痕，迫痕，坐痕，拧痕的特征；在r3和r5的图像中能提取蹬痕，挑痕和扫痕的特征，通过人工标记的方式，在成趟足迹序列图像中将属于以上几类的图像人工添加标签并制作成数据集，然后训练基于CNN网络的分类器。
作为更进一步的，行走姿态判定模块根据步态特征判人的行走姿态，具体为：
步态特征 行走姿态
蹬痕，踏痕， 躯干直立，前后摆臂
蹬痕重，有挑痕，扫痕 躯干前倾，前后摆臂
有挑痕，踏痕，迫痕 躯干直立，向后甩臂
磕痕，坐痕，挑痕，迫痕 躯干后仰，向后甩臂
跄痕，迫痕， 躯干前倾，向后甩臂
作为更进一步的，步态健康云端实时保存数据采集系统采集到的数据和步态分析APP分析的结果，形成完整的个人步态分析档案；以供后续生成健康报告使用，或者通过医疗接口供医生诊断参考。
本发明的有益效果是：本发明将数据采集系统、步态分析系统和步态健康云端单个模块集成到一起，通过采集到的数据分析用户的步态，使用户可以随时掌握自己的步态状况；云端存储的个人步态分析档案，以供后续生成健康报告使用，或者通过医疗接口供医生诊断参考。根据步态状况用户可以及时的调整生活习惯，使生活更加健康。
附图说明
本发明共有附图5幅：
图1为数据采集系统的结构框图；
图2为步态分析APP架构图；
图3为步态特征图；
图4为步态时相特征提取方法流程图；
图5为足底压力伪彩图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
实施例1
本实施例提供一种基于智能鞋垫的步态分析系统，包括数据采集系统，步态分析系统和步态健康云端；所述数据采集系统集成在智能鞋垫中；所述步态分析系统，包括步态分析APP，该步态分析APP与智能鞋垫进行信息传输；步态分析APP实时将步态数据上传至步态健康云端进行存储，所述步态健康云端用于形成个人步态分析档案。以下将分别对每个子系统做详细介绍：
1.数据采集系统
数据采集系统都集成在智能鞋垫中，该系统包括无线充电模块、薄膜压力传感器，加速度传感器模块，信号调理模块，信号采集模块，中央处理系统，信号发射模块组成；
1)加速度传感器
加速度传感器能够测量，人体在走路时脚步所产生加速度的大小。在步态分析中，加速度是十分重要的动态参数。对于计算人体行走能量消耗具有十分重要作用。此外，对于剧烈运动情况比如打篮球等，监测加速度可以有效的保护用户的脚腕，避免受伤。在本产品选用ADXL335模块来监测步态加速度。
2)薄膜压力传感器
薄膜压力传感器使用eTouch SS-GFC薄膜压电传感器。通过中央处理系统不断扫频的方式实时监测人体步态压力信号。本申请将一个完整的步态分为八个阶段，为了能够通过压力图像提取到一个步态的8个阶段，将数据采集的扫频频率设定为50Hz。
3)无线充电模块
当前的智能硬件充电方法都需要与外界留有接口。智能鞋垫长期处于封闭环境中，工作环境复杂。长期收到冲击，汗液腐蚀等因素影响。此外，智能鞋垫还需要定期的刷洗。因此当前市场上智能硬件常用的充电方法并不适用于智能鞋垫。在本产品中使用无线充电方法解决了这一问题。无线充电模块不需要外部接口，只需要在智能鞋垫内部加装一个线圈，通过电磁感应产生电流，即可完成充电。采用这种充电方式，可将充电系统密封在鞋垫内部，即使反复冲洗也不会受到损坏。
4)信号发射模块
由于智能鞋垫时刻处于复杂的运动状态中，而且需要在全封闭的环境内工作。其与外界通讯方式必须采用无线通讯。因此加入了信号发射模块。而且由于智能鞋垫在体积和厚度上都有限制，这就导致的无线发射模块必须“小”且“薄”。本实施例采用2.4g无线发射模块JF24D-TX。
2.步态分析系统
1)数据接收模块
数据接收模块与智能鞋垫通讯，接收来自智能鞋垫所采集的数据；并将数据传输给步态分析模块和云端交互模块；数据接收模块采用蓝牙方式与智能鞋垫通讯，每秒采集50次压力传感器的信息。
2)云端交换模块
因为步态分析必须建立在大数据的基础上，而本地存储资源和计算资源有限。必须通过云端交互模块将数据上传到云端，以供全面详细的步态分析。云端交互模块主要功能是将本地数据上传到云端的个人步态分析档案中；
3)步态分析模块
(1)步态时相分析
步态分析模块的主要作用是将数据接收模块获取的数据进行分析，获得关键的特征图。将一个完整的步态分为八个阶段如图3所示。这8个阶段包含7个不同的特征。步态分析模块通过“步态分析算法”可将一个步幅中的7个特征图提取出来，这样既能够有效的提取人类的步态特征，又能够有效的减少数据传输量。
a.数据准备模块
该模块采集到的数据为一组具有时序关系的足迹灰度图像；将上述7个不同的特征分别定义为r1～r7，其中r1～r6的步态在足迹灰度图像上具有明显的特征，可以通过足迹时序图像对其进行提取。而r7步态由于其尚处于悬空状态，足底并未触地，因此其足迹图像为0。不能通过足迹图像进行提取，拟采用测量加速度的方法对其r7步态特征图进行提取。并对其进行One-hot编码r1＝[1,0,0,0,0,0,0]，r2＝[0,1,0,0,0,0,0]，以此类推r7＝[0,0,0,0,0,0,1]。
r1～r7的数据特征十分明显，例如r1表示右足接地，其图像特征为只包含右足足跟部分足迹。r2特征为只包含左足足趾部分足迹，r1～r7足迹特征图像如表1所示：
r1：右足接地 只有右足足跟
r2：左足趾离地 只有左足趾
r3：右足跟离地 只有右足前足掌
r4：左足接地 只有左足足跟
r5：右足趾离地 只有右足足趾
r6：左右足互换 右足全部足迹
r7：右足胫骨垂直 足迹图像为零，通过加速度判断
基于表1中所描述的特征，通过人工标定的方法将部分足迹时序中属于r1～r6的图像标定出来，作为训练样本集。将r1～r6步态进行One-hot编码，将不属于r1～r6中的图像定义为r*。则编码如下r1＝[1,0,0,0,0,0,0]，r2＝[0,1,0,0,0,0,0]；以此类推r6＝[0,0,0,0,0,1,0]。
b.步态分析算法设计思路
i.首先要训练一个卷积神经网络，该网络的输入为足迹图像。将步态时序图中任意一张图像输入到该网络中，即可判断该图是否属于r1～r6中的某一种步态，或者不属于任意一种步态.
ii.由于步态特征图像的产生是按照一定次序产生的，因此在提取步态图像特征时应按照r1～r6依次进行.
iii.由于将要提取的步态特征图都处于临界状态(足跟刚触地或足尖刚离地)，即当前图像的上一个图像为0，或者下一个图像为0。因此采用计算两个连续图像的差分来进行步态特征提取。
c.上述算法具体为：
S1：将步态时序图像中第t个图像作为输入input
S2：搜索ri步态特征图像
S2.1：创建一个长度为2的列表List
S2.2：将input加入到List列表中
S2.3：计算列表List中图像的差分Res＝List[top]-List[bottom]
S2.4：将差分图像Res输入到CNN卷积网络中，获得判定标签Label
S2.5：如果Label＝＝ri，返回List[top]并转至S3
S2.6：将第t+1个图像设置为input并转至S2.2
S3：如果ri＝＝r6结束算法
S4：i＝i+1，转至S2。
具体流程如图4所示，对其进行符号说明
i.Begin表示算法开始，End表示算法结束。
ii.Return表示返回算法输出值。
iii.t表示图像在步态时序图中的位置。
iv.ri表示第i种步态特征，i＝1～6。
v.List.add()表示将图像加入队列顶部，并将尾部元素弹出。
vi.CNN代表卷积神经网络。
vii.Label表示r1～r6步态的One-hot标签
(2)步态特征识别
对落足，支撑和起步阶段特征分别归类，步态各阶段特征如表3所示。落足阶段特征可以根据时相分析中r1和r4的图像中提取；支撑阶段特征根据时相分析中r6图像中提取；起步阶段特征根据时相分析中r3和r5图像特征中提取。
表3步态时相特征表
通过表3可以将步态不同阶段特征进一步归类为不同的步态特征。其中r1和r4可以提取到踏痕，磕痕，擦痕，推痕，跄痕，压痕等特征。在r6中可提取压痕，迫痕，坐痕，拧痕等特征。在r3和r5中可提取蹬痕，挑痕和扫痕等特征。通过人工标记的方式，在成趟足迹序列图像中将属于以上几类的图像人工添加标签并制作成数据集。然后通过训练基于CNN网络的分类器。这样通过步态的时相特征提取和步态特征分类可以挖掘到人在行走时：落足、支撑和起步阶段都产生了哪些痕迹。
(3)基于步态特征行走姿态判定
步态特征与人的行走姿势有很大关系，因此在步态特征提取的基础上可以根据步态特征判用户的行走姿态。将行走姿态为以下几类如表4所示：
表4行走姿态—步态特征关系表
该模块首先通过智能鞋垫不断的采集压力传感器的信号，获得步态成趟时序图像。之后通过步态时相分析在成趟足迹图像中采集到8个关键阶段7个特征图像r1～r7。之后将时相分析中提取到的特征图分为起足、支撑、落足三个阶段。每个阶段又会产生相应的特征如表3所示。基于表3的基础上，基于深度学习中的Alexnet对时相分析特征图进行特征聚类，一共归结为12中特征痕迹。最后在特征聚类基础上通过查表的方式，来判定行走者的步行姿态，如表4所示。
4)显示模块
用于将分析后的结果显示到APP中，可根据足迹压力数据生成满足不同需求的伪彩图，如图5所示。此外有关足迹的特征参数，如步频，步长，步宽等也会显示。
3.步态健康云端
将通过数据采集系统采集到的数据和步态分析APP分析的结果，实时保存，形成完整的个人步态分析档案，为了以后生成健康报告使用，或者通过医疗接口供医生诊断参考。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.基于智能鞋垫的步态分析系统，其特征在于，包括数据采集系统，步态分析系统和步态健康云端；所述数据采集系统集成在智能鞋垫中；所述步态分析系统，包括步态分析APP，该步态分析APP与智能鞋垫进行信息传输；步态分析APP实时将步态数据上传至步态健康云端进行存储，所述步态健康云端用于形成个人步态分析档案。
2.根据权利要求1所述基于智能鞋垫的步态分析系统，其特征在于，数据采集系统，包括无线充电模块，即在智能鞋垫内部加装一个线圈，通过电磁感应产生电流。
3.根据权利要求1或2所述基于智能鞋垫的步态分析系统，其特征在于，所述数据采集系统，还包括薄膜压力传感器、加速度传感器、信号调理模块、信号采集模块、中央处理系统和信号发射模块；所述薄膜压力传感器、信号调理模块、信号采集模块、信号发射模块、无线充电模块均与中央处理系统信号相连，信号调理模块还与加速度传感器信号连接。
4.根据权利要求1所述基于智能鞋垫的步态分析系统，其特征在于，所述步态分析APP，包括数据接收模块、云端交互模块、步态分析模块和显示模块；
所述数据接收模块，与智能鞋垫通讯，接收来自智能鞋垫所采集的数据，并将数据传输给步态分析模块和云端交互模块；
所述云端交互模块，是将本地数据上传到步态健康云端的个人步态分析档案中；
所述步态分析模块，包括步态时相分析模块、步态特征识别模块、行走姿态判定模块；
所述显示模块，将分析后的结果显示到APP中，还能根据足迹压力数据生成满足不同需求的伪彩图。
5.根据权利要求4所述基于智能鞋垫的步态分析系统，其特征在于，所述步态时相分析模块内设置有执行程序，将数据接收模块获取的数据进行分析，获得关键的特征图；具体是，将一个完整的步态分为8个阶段，这8个阶段包含7个不同的特征，把一个步幅中的7个特征图提取出来。
6.根据权利要求5所述基于智能鞋垫的步态分析系统，其特征在于，所述步态时相分析模块，还包括数据准备模块，该模块采集到的数据为一组具有时序关系的足迹灰度图像；在该足迹灰度图像中将8个阶段关键点的图像提取出来，并把7个不同的特征分别定义为r1～r7，其中r1～r6的步态在足迹灰度图像上具有明显的特征，通过足迹时序图像对其进行提取；而r7步态由于其处于悬空状态，足底并未触地，因此其足迹图像为0；用测量加速度的方法对其r7步态特征图进行提取；
通过人工标定的方法将部分足迹时序中属于r1～r6的图像标定出来，作为训练样本集；并将r1～r6步态进行One-hot编码，其编码如下r1＝[1,0,0,0,0,0,0]，r2＝[0,1,0,0,0,0,0]；以此类推r6＝[0,0,0,0,0,1,0]，将不属于r1～r6中的图像定义为r*。
7.根据权利要求5所述基于智能鞋垫的步态分析系统，其特征在于，所述步态时相分析模块内的执行程序具体如下：
S1：将步态时序图像中第t个图像作为输入input
S2：搜索ri步态特征图像
S2.1：创建一个长度为2的列表List；
S2.2：将input加入到List列表中；
S2.3：计算列表List中图像的差分Res＝List[top]-List[bottom]；
S2.4：将差分图像Res输入到CNN卷积网络中，获得判定标签Label；
S2.5：如果Label＝＝ri，返回List[top]并转至S3；
S2.6：将第t+1个图像设置为input并转至S2.2；
S3：如果ri＝＝r6结束算法；
S4：i＝i+1，转至S2；
其中，t表示图像在步态时序图中的位置；ri表示第i种步态特征，i＝1～6；CNN代表卷积神经网络；List[top]和List[bottom]代表列表List两端的元素；Label表示r1～r6步态的One-hot标签。
8.根据权利要求4所述基于智能鞋垫的步态分析系统，其特征在于，步态特征识别模块，分别对落足、支撑和起步阶段特征归类；落足阶段特征在r1和r4的图像中提取；支撑阶段特征在r6的图像中提取；起步阶段特征在r3和r5的图像特征中提取；
其中r1和r4的图像中能提取到踏痕，磕痕，擦痕，推痕，跄痕，压痕的特征；在r6的图像中能提取压痕，迫痕，坐痕，拧痕的特征；在r3和r5的图像中能提取蹬痕，挑痕和扫痕的特征，通过人工标记的方式，在成趟足迹序列图像中将属于以上几类的图像人工添加标签并制作成数据集，然后训练基于CNN网络的分类器。
9.根据权利要求8所述基于智能鞋垫的步态分析系统，其特征在于，行走姿态判定模块根据步态特征判人的行走姿态，具体为：
步态特征 行走姿态 蹬痕，踏痕， 躯干直立，前后摆臂 蹬痕重，有挑痕，扫痕 躯干前倾，前后摆臂 有挑痕，踏痕，迫痕 躯干直立，向后甩臂 磕痕，坐痕，挑痕，迫痕 躯干后仰，向后甩臂 跄痕，迫痕， 躯干前倾，向后甩臂
10.根据权利要求1所述基于智能鞋垫的步态分析系统，其特征在于，步态健康云端实时保存数据采集系统采集到的数据和步态分析APP分析的结果，形成完整的个人步态分析档案，以供后续生成健康报告使用，或者通过医疗接口供医生诊断参考。
CN201710903910.4A 2017-09-29 2017-09-29 基于智能鞋垫的步态分析系统 Active CN109567812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710903910.4A CN109567812B (zh) 2017-09-29 2017-09-29 基于智能鞋垫的步态分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710903910.4A CN109567812B (zh) 2017-09-29 2017-09-29 基于智能鞋垫的步态分析系统

Publications (2)

Publication Number Publication Date
CN109567812A true CN109567812A (zh) 2019-04-05
CN109567812B CN109567812B (zh) 2021-11-26

Family

ID=65914624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710903910.4A Active CN109567812B (zh) 2017-09-29 2017-09-29 基于智能鞋垫的步态分析系统

Country Status (1)

Country Link
CN (1) CN109567812B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110367989A (zh) * 2019-07-31 2019-10-25 深圳职业技术学院 用于外骨骼足底压力采集的传感器结构
CN110390298A (zh) * 2019-07-23 2019-10-29 曲彦隆 一种步态模拟预测系统及模拟预测方法
WO2020223944A1 (zh) * 2019-05-09 2020-11-12 深圳大学 生理机能评估系统和方法
CN111920418A (zh) * 2020-07-14 2020-11-13 浙江万物智联科技有限公司 一种用于日常步态分析和管理的可穿戴智能鞋及使用方法
CN113768471A (zh) * 2021-10-13 2021-12-10 山东大学 一种基于步态分析的帕金森疾病辅助诊断系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101417682A (zh) * 2008-12-02 2009-04-29 中国海洋大学 前后向自平衡式电动独轮车
CN202553940U (zh) * 2012-03-02 2012-11-28 应放天 一种步态分析装置
CN103142236A (zh) * 2013-03-28 2013-06-12 武汉大学 一种测定行走步态的智能鞋垫及方法
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
CN104082905A (zh) * 2014-06-18 2014-10-08 南京纳联信息科技有限公司 多功能智能鞋垫及步态相似性检测方法
WO2015069781A1 (en) * 2013-11-05 2015-05-14 The Board Of Regents Of The Nevada System Of Higher Education On Behalf Of The University Of Nevada, Actuated foot orthotic with sensors
US20160088284A1 (en) * 2010-06-08 2016-03-24 Styku, Inc. Method and system for determining biometrics from body surface imaging technology
CN105631195A (zh) * 2015-12-18 2016-06-01 合肥工业大学 一种可穿戴式多信息融合的步态分析系统及其方法
US20160292491A1 (en) * 2015-04-06 2016-10-06 Identification International, Inc. Systems and methods for capturing images using a pressure sensitive membrane
CN106333692A (zh) * 2016-11-15 2017-01-18 上海市共进通信技术有限公司 检测人体步态周期和步长的腿部或足部穿戴装置及其方法
US20170055917A1 (en) * 2015-08-28 2017-03-02 Erik E. Stone Systems for automatic assessment of fall risk
CN106725507A (zh) * 2016-12-12 2017-05-31 浙江大学 一种可穿戴人体绊倒检测系统及检测方法
CN106861166A (zh) * 2017-02-23 2017-06-20 佛山市量脑科技有限公司 一种运动智能鞋垫
CN106901745A (zh) * 2017-01-09 2017-06-30 湖北慧沃生物科技有限责任公司 患者步态分析诊断系统
CN107122711A (zh) * 2017-03-20 2017-09-01 东华大学 一种基于角度径向变换和质心的夜视视频步态识别方法
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

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101417682A (zh) * 2008-12-02 2009-04-29 中国海洋大学 前后向自平衡式电动独轮车
US20160088284A1 (en) * 2010-06-08 2016-03-24 Styku, Inc. Method and system for determining biometrics from body surface imaging technology
CN202553940U (zh) * 2012-03-02 2012-11-28 应放天 一种步态分析装置
CN103142236A (zh) * 2013-03-28 2013-06-12 武汉大学 一种测定行走步态的智能鞋垫及方法
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
WO2015069781A1 (en) * 2013-11-05 2015-05-14 The Board Of Regents Of The Nevada System Of Higher Education On Behalf Of The University Of Nevada, Actuated foot orthotic with sensors
CN104082905A (zh) * 2014-06-18 2014-10-08 南京纳联信息科技有限公司 多功能智能鞋垫及步态相似性检测方法
US20160292491A1 (en) * 2015-04-06 2016-10-06 Identification International, Inc. Systems and methods for capturing images using a pressure sensitive membrane
US20170055917A1 (en) * 2015-08-28 2017-03-02 Erik E. Stone Systems for automatic assessment of fall risk
CN105631195A (zh) * 2015-12-18 2016-06-01 合肥工业大学 一种可穿戴式多信息融合的步态分析系统及其方法
CN106333692A (zh) * 2016-11-15 2017-01-18 上海市共进通信技术有限公司 检测人体步态周期和步长的腿部或足部穿戴装置及其方法
CN106725507A (zh) * 2016-12-12 2017-05-31 浙江大学 一种可穿戴人体绊倒检测系统及检测方法
CN106901745A (zh) * 2017-01-09 2017-06-30 湖北慧沃生物科技有限责任公司 患者步态分析诊断系统
CN106861166A (zh) * 2017-02-23 2017-06-20 佛山市量脑科技有限公司 一种运动智能鞋垫
CN107122711A (zh) * 2017-03-20 2017-09-01 东华大学 一种基于角度径向变换和质心的夜视视频步态识别方法
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020223944A1 (zh) * 2019-05-09 2020-11-12 深圳大学 生理机能评估系统和方法
CN110390298A (zh) * 2019-07-23 2019-10-29 曲彦隆 一种步态模拟预测系统及模拟预测方法
CN110390298B (zh) * 2019-07-23 2022-01-11 曲彦隆 一种步态模拟预测系统及模拟预测方法
CN110367989A (zh) * 2019-07-31 2019-10-25 深圳职业技术学院 用于外骨骼足底压力采集的传感器结构
CN111920418A (zh) * 2020-07-14 2020-11-13 浙江万物智联科技有限公司 一种用于日常步态分析和管理的可穿戴智能鞋及使用方法
CN113768471A (zh) * 2021-10-13 2021-12-10 山东大学 一种基于步态分析的帕金森疾病辅助诊断系统
CN113768471B (zh) * 2021-10-13 2023-09-22 山东大学 一种基于步态分析的帕金森疾病辅助诊断系统

Also Published As

Publication number Publication date
CN109567812B (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN109567812A (zh) 基于智能鞋垫的步态分析系统
CN106166071B (zh) 一种步态参数的采集方法及设备
US20200261023A1 (en) Ascertaining, Reporting, and Influencing Physical Attributes And Performance Factors of Athletes
JP4825456B2 (ja) 筋活動推定システム
CN110464357B (zh) 一种康复过程质量监测方法及系统
CN106539587A (zh) 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法
Wild et al. Differences in step characteristics and linear kinematics between rugby players and sprinters during initial sprint acceleration
CA2794245A1 (en) Systems and methods for measuring balance and track motion in mammals
CN109794042A (zh) 一种基于云平台的人体步态与下肢协调性康复训练平台
CN108814617A (zh) 冻结步态识别方法和装置及步态检测仪
CN113066260B (zh) 一种基于日常行为分析的帕金森症预警系统
CN107536613A (zh) 机器人及其人体下肢步态识别装置和方法
CN114343620A (zh) 目标步态体态评估方法、装置、设备及介质
CN110910984A (zh) 一种体育运动员状态调整信息处理系统及方法
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
Karaharju-Huisnan et al. Gait symmetry quantification during treadmill walking
CN109470502A (zh) 一种基于多传感器的外骨骼舒适度评价装置及评价方法
CN109589094A (zh) 一种走姿异常数据监测模型的构建方法及走姿矫正鞋
CN115334964A (zh) 用于生成关于对象的肌肉骨骼恢复的信息的设备、系统和方法
CN113230640A (zh) 一种自行车运动员运动分析系统及其方法
CN115644858B (zh) 基于多传感器数据融合技术的穿戴式智能化步态分析仪
Aminian et al. Motion analysis in clinical practice using ambulatory accelerometry
CN210077662U (zh) 一种柔性步态监测装置
CN110215202A (zh) 基于步态非线性特征的心电rr间隔预测关联方法
CN110801230A (zh) 一种针对下肢骨折康复效果的评价方法

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