CN110313916A - 一种糖尿病足患者足底压力特征识别方法 - Google Patents
一种糖尿病足患者足底压力特征识别方法 Download PDFInfo
- Publication number
- CN110313916A CN110313916A CN201910644488.4A CN201910644488A CN110313916A CN 110313916 A CN110313916 A CN 110313916A CN 201910644488 A CN201910644488 A CN 201910644488A CN 110313916 A CN110313916 A CN 110313916A
- Authority
- CN
- China
- Prior art keywords
- pressure
- plantar
- whole bottom
- plantar pressure
- neural network
- 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.)
- Pending
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
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Dentistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种糖尿病足患者足底压力特征识别方法,其包括以下步骤:(1)对预先获取的被检测者的裸足足底压力分布图像进行数据预处理,得到预处理后的裸足足底压力分布图像;(2)采用HOG方法从预处理后的裸足足底压力分布图像中进行图像特征提取,得到裸足足底压力分布图的特征参数;(3)构建BP神经网络预测模型,并根据被检测者的裸足足底压力分布图的特征参数,得到被检测者的足底压力预测结果;(4)将得到的足底压力预测结果与正常人足底压力数据进行分析与处理,得到被检测者的足底压力分布识别结果。本发明可以广泛应用于糖尿病足患者足底压力特征识别领域。
Description
技术领域
本发明属于模式识别领域,涉及一种足底压力图像的识别方法,特别是涉及一种糖尿病足患者足底压力特征识别方法。
背景技术
随着时代的发展,人们不仅对于鞋类的舒适性提出了更高的要求,同时也提出了功能性要求,与此同时,由于人们对于足部保健的重视程度提升,基于足底压力的鞋垫类产品的设计及舒适性评价开始出现,尤其对于高强度作业的特殊职业人群,舒适的足底压力将很大程度减缓疲劳。同时,鞋垫类产品的压力舒适性研究也是现代社会消费和发展现状的需求。
目前,人们对自身健康状况越来越关注,越来越多的人希望可以通过快捷手段对疾病进行及早检测。研究发现,糖尿病患者的年龄段逐渐扩大,年轻群体的患病率逐渐提升。从临床角度来说,糖尿病患者的足部痛觉、压力觉、温度觉和本体感觉消失,而且由于蛋白质的糖化引起的足畸形,步态异常导致足的生物机械负荷改变,从而引发足底压力增加。通过足底压力测定来识别糖尿病足患者是未来的一个重要发展方向,然而,现有的对于足底压力特征的分析研究过程过于繁琐,而且先前研究主要集中于糖尿病足的检测且大多为有创检测,检测结果准确性较低。
发明内容
针对上述问题,本发明的目的是提供一种糖尿病足患者足底压力特征识别方法,通过HOG(方向梯度直方图)方法进行特征提取糖尿病患者的裸足足底压力分布的特征参数作为客观预测指标,结合BP神经网络方法,对糖尿病足患者的足底压力特征机芯识别。
为实现上述目的,本发明采取以下技术方案:一种糖尿病足患者足底压力特征识别方法,其包括以下步骤:
(1)对预先获取的被检测者的裸足足底压力分布图像进行数据预处理,得到预处理后的裸足足底压力分布图像;
(2)采用HOG方法从预处理后的裸足足底压力分布图像中进行图像特征提取,得到裸足足底压力分布图的特征参数;
(3)构建BP神经网络预测模型,并根据被检测者的裸足足底压力分布图的特征参数,得到被检测者的足底压力预测结果;
(4)将得到的足底压力预测结果与正常人足底压力数据进行分析与处理,得到被检测者的足底压力分布识别结果。
进一步的,所述步骤(1)中,对被测试者的裸足足底压力分布图像进行采集时,采集的足底压力特征区域包括:第一趾骨区域、其他趾骨区域、第一跖趾关节区域、二三跖趾关节区域、四五跖趾关节区域、脚掌内侧区域、脚掌外侧区域、足跟骨区域。
进一步的,所述步骤(1)中,对获取的裸足足底压力分布图像进行数据预处理时,包括提取关键帧、区域划分以及去噪三个方面:所述提取关键帧是指从采集的动态足底压力数据中选择步态符合预设平稳度的预设帧数作为关键帧;所述区域划分是指根据不同的足底压力特征区域对采集的足底压力数据进行区域划分;所述去噪是指对获得的足底压力分布图像进行整体去噪和局部去噪,整体去噪根据预设整体去噪阈值对所有足底压力分布图像数据进行去噪,局部去噪是指根据预设足跟部阈值对整体去噪后的足跟骨区域压力数据进行局部去噪。
进一步的,所述步骤(2)中,采用HOG方法从预处理后的裸足足底压力分布图像中进行图像特征提取的方法包括以下步骤:
(2.1)将不同步态相位的足底压力图像叠加,获取裸足足底压力图像的峰值,计算公式为:
P(x,y)=max({Q(x,y,i):i=1,2,3,4,5,6}),
式中,P(x,y)为压力峰值点的压力值,Q(x,y,i)代表第i个步态相位的足底压力图像;x,y为压力点的位置;
(2.2)计算每个压力点沿x,y轴方向的变化梯度,计算公式为:
Cx=f(x+1,y,i)-f(x,y,i),
Cy=f(x,y+1,i)-f(x,y,i),
式中,Cx和Cy为压力点沿x,y轴方向的变化梯度;
(2.3)根据每个压力点沿x,y轴方向的变化梯度,计算每个压力点沿x,y轴方向的总变化幅度,计算公式为:
式中,为压力点的总变化幅度;
(2.4)根据每个压力点沿x,y轴方向的变化梯度,计算各压力点的方向角:
式中,ψ为压力点的方向角;
(2.5)根据各压力点的总变化幅度和方向角,将裸足足底压力分布图像划分为若干K*K的cell单元,且各cell单元不能重叠;在每个cell单元内划分相同的9个方向,以9个方向的等距离角度区间作为横轴,梯度大小作为纵轴,计算出各个cell单元的梯度直方图,得到每个cell单元的9个维特征值;
(2.6)将相邻的4个cell单元组合成为一个Block块,串联4个cell单元的9维特征值,获得本Block块的36维特征值,然后对此Block块的特征值hk进行归一化:
式中,hk每个cell单元的特征值;γ为归一化常数;
(2.7)将所有Block块的特征值串联起来,从而得到裸足足底压力图像的HOG特征值。
进一步的,所述步骤(3)中,根据待检测者的裸足足底压力分布图的特征参数构建BP神经网络预测模型,得到待检测者的足底压力预测值的方法为:
(3.1)构建BP神经网络预测模型;
(3.2)将被检测者的裸足足底压力分布图的特征参数输入构建的BP神经网络预测模型,得到被检测者的裸足足底压力预测结果。
进一步的,所述步骤(3.1)中,构建BP神经网络预测模型的方法为:
以被检测者的裸足足底压力特征参数为输入层,以被检测者的足底压力预测结果为输出层,构建含一个隐含层的BP神经网络模型;其中,输入层的节点个数由裸足足底压力特征参数决定;隐含层的节点个数由模型训练结果确定;输出层节点个数为1;
进一步的,所述步骤(3.1)中,构建的BP神经网络预测模型为:
式中,di为神经网络模型预测结果输出;W1,W2分别为输入层至隐含层以及隐含层至输出层的连接权数系数矩阵;b1和b2分别为输入层至隐含层和隐含层至输出层的偏置矩阵;xi为被检测者的裸足足底压力特征参数;f(·)为Sigmoid函数。
进一步的,所述步骤(4)中,将得到的足底压力预测结果与正常人足底压力数据进行分析与处理,得到被检测者的足底压力分布识别结果的方法,包括以下步骤:
(4.1)对得到的BP神经网络预测模型的足底压力预测值进行样本方差检验;
(4.2)将BP神经网络模型所得到的足底压力预测值与实验采集的正常人足底压力实际值拟合程度的比较采用最大绝对误差M1与相对均方误差M2作为预测效果测评指标;
(4.3)将M1和M2作为评价指标与标准数据表进行比较,得到被检测者的足底压力识别结果。
进一步的,所述步骤(4.1)中,根据BP神经网络预测模型所得的足底压力预测值数据进行样本方差检验的公式为:
式中,σ2为样本方差,X为输出层数据,x为平均值,n为样本数量。
进一步的,所述步骤(4.2)中,最大绝对误差M1与相对均方误差M2的计算公式为:
式中,正常人BP神经网络输出结果。
本发明由于采取以上技术方案,其具有以下优点:1、本发明采用分布在压力鞋垫上六个特征区域的六个压力传感器进行足底压力检测,对足底压力检测为无创快速检测,检测方便快捷,且测量精度大大提高。2、本发明采用绝对误差与相对均方误差作业评测指标,消除实验过程中误差,识别结果准确性高。3、本发明在进行评测指标计算时,首先对神经网络预测模型的输出层输出层数据进行样本方差校验,以检验数据的可使用性,进一步提高了识别结果的准确性。因此,本发明可以广泛应用于糖尿病足患者足底压力特征识别领域。
附图说明
图1为本发明的糖尿病足患者足底压力特征识别方法流程图;
图2为本发明足底压力分布图;
图3为本发明步态相位图示意图;
图4为本发明总压力曲线簇;
图5为本发明HOG提取总压力曲线特征点;
图6为本发明BP神经网络模型结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供一种糖尿病足患者足底压力特征识别方法,包括以下步骤:
(1)如图2、图3所示,对预先获取的被检测者的裸足足底压力分布图像进行数据预处理,得到预处理后的裸足足底压力分布图像;
(2)如图4、图5所示,采用HOG方法从预处理后的裸足足底压力分布图像中进行图像特征提取,得到裸足足底压力分布图的特征参数;
(3)如图6所示,根据待检测者的裸足足底压力分布图的特征参数构建BP神经网络预测模型,得到被检测者的足底压力预测结果;
(4)将得到的足底压力预测结果与正常人足底压力数据进行分析与处理,得到被检测者的足底压力分布识别结果。
进一步地,上述步骤(1)中,被测试者的裸足足底压力分布图像采用足底压力采集系统采集,该足底压力采集系统包括上位机系统、鞋垫采集装置和电源装置。其中,鞋垫采集装置包括一鞋垫以及分别安装在该鞋垫上六个特征区域的压力传感器。各压力传感器分别用于采集待测试者裸足足底压力的动态数值和静态数值(动态数值对应的是行走过程中的足底压力,静态数值是待检测人静止时的足底压力数据)并实时无线发送到上位机,上位机系统输出裸足足底压力分布图像,其中每帧图像像素点相同;电源装置用于为上位机系统和鞋垫采集装置供电。研究发现人体足底主要受力区域可以划分为8个区域,即第一趾骨区域(A1)、其他趾骨区域(A2)、第一跖趾关节区域(A3)、二三跖趾关节区域(A4)、四五跖趾关节区域(AS)、脚掌内侧区域(A6)、脚掌外侧区域(A7)、足跟骨区域(A8)。本发明经过大量实验验证,将压力传感器分别安装在第一趾骨区域(A1),第一跖趾关节区域(A3)、三四跖趾关节交界处(A4-AS)、脚掌外侧区域(A7)足跟骨区域(A8)6个位置上时,这些区域压力信息特征较为明显,且重复性与稳定性较好。其中,压力传感器的采集频率为100Hz。
进一步地,上述步骤(1)中,对获取的裸足足底压力分布图像进行数据预处理,包括提取关键帧、区域划分以及去噪三个方面。
其中,提取关键帧是指为了保证足迹的完整性和足底压力变化的稳定性,从采集的动态足底压力数据中选择步态比较平稳的预设帧数作为关键帧,步态平稳度和预设帧数均可根据实际需要进行调整,本发明中确定的预设帧数为150。
区域划分是指本发明根据六个足底压力特征区域对于采集数值进行分区域划分,便于数据降维。
去躁是指对获得的足底压力分布图像进行整体去噪和局部去噪,整体去噪是指根据预设整体去噪阈值对所有足底压力分布图像数据进行去噪,局部去噪是指根据预设足跟部阈值对整体去噪后的足跟骨区域压力数据进行局部去噪。本发明中整体去噪阈值和足跟部阈值分别设为5kPa和10kPa。
进一步地,上述步骤(2)中,采用HOG方法从预处理后的裸足足底压力分布图像中进行图像特征提取的方法包括以下步骤:
(2.1)如图4所示,将不同步态相位的裸足足底压力分布图像进行叠加,获取裸足足底压力分布图像的峰值,计算公式为:
P(x,y)=max({Q(x,y,i):i=1,2,3,4,5,6}) (1)
式(1)中,P(x,y)为压力峰值点的压力值,Q(x,y,i)代表第i个步态相位的足底压力图像;x,y为压力点的位置。
(2.2)计算每个压力点沿x,y轴方向的变化梯度,计算公式为:
Cx=f(x+1,y,i)-f(x,y,i) (2)
Cy=f(x,y+1,i)-f(x,y,i) (3)
式(2)和(3)中,Cx和Cy为压力点沿x,y轴方向的变化梯度。
(2.3)根据每个压力点沿x,y轴方向的变化梯度,计算各压力点沿x,y轴方向的总变化幅度,计算公式为:
式(4)中,为压力点的总变化幅度。
(2.4)根据每个压力点沿x,y轴方向的变化梯度,计算各压力点的方向角。
式(5)中,ψ为压力点的方向角。
(2.5)根据各压力点的总变化幅度和方向角,将裸足足底压力分布图像划分为若干K*K的cell单元(其中,K根据实际需要进行选择,本发明采用8*8=64个像素为一个cell单元),各cell单元不能重叠。在每个cell单元内划分相同的9个方向,以9个方向的等距离角度区间作为横轴,梯度大小作为纵轴,计算出各个cell单元的梯度直方图,得到每个cell单元的9个维特征值。
(2.6)将相邻的4个cell单元组合成为一个Block块,串联4个cell单元的9个维特征值,获得该Block块的36维特征值,并对此Block块的特征值hk进行归一化:
式(6)中,hk为每个计算单元的特征值;γ为归一化常数,避免零运算。
(2.7)将所有Block块的特征值串联起来,得到裸足足底压力分布图像的HOG特征值,其中block之间可以重叠。
进一步地,上述步骤(3)中,根据待检测者的裸足足底压力分布图的特征参数构建BP神经网络预测模型,得到待检测者的足底压力预测结果的方法为:
(3.1)构建BP神经网络预测模型。
具体的构建方法为:以被检测者的裸足足底压力HOG特征提取值为输入层,以被检测者的足底压力预测结果为输出层,构建含一个隐含层的BP神经网络模型;其中,输入层的节点个数由裸足足底压力特征参数决定;隐含层的节点个数由模型训练结果进行择优选取;输出层节点个数为1。
假设BP神经网络预测模型中输入层到隐含层之间的连接权值系数及偏置分别为Wik,Bik,隐含层到输出层之间的连接权值系数及偏置分别为Wk1,Bk1,其中(i=1,2,3,4,5,6,k=1,2,…,s),则对于输入层的任意节点o至隐含层的任意节点j的输出为:
doj=f(xiwoj+boj) (7)
式中,f(·)为Sigmoid函数,即
输出层输出的结果为:
式中,di为神经网络模型预测结果输出;W1,W2分别为输入层至隐含层以及隐含层至输出层的连接权数系数矩阵;b1和b2分别为输入层至隐含层和隐含层至输出层的偏置矩阵;xi为被检测者的裸足足底压力特征参数。
(3.2)将待检测者的裸足足底压力分布图的特征参数输入到构建的BP神经网络预测模型,得到待检测者的足底压力预测结果。
进一步地,上述步骤(4)中,将得到的足底压力预测结果与正常人足底压力数据进行分析与处理,得到被检测者的足底压力分布识别结果的方法,包括以下步骤:
(4.1)对得到的BP神经网络预测模型的足底压力预测结果进行样本方差检验,选取显著性水平位0.05:无显著性差异则认为该预测模型可用。
根据BP神经网络预测模型所得的足底压力预测值数据进行样本方差检验的公式为:
式(10)中,σ2为样本方差,X为输出层数据,x为平均值,n为样本数量。
(4.2)将BP神经网络模型所得到的足底压力预测值与实验采集的正常人的足底压力实际值拟合程度的比较采用最大绝对误差M1与相对均方误差M2作为预测效果测评指标。
其中,最大绝对误差M1与相对均方误差M2的计算公式为:
式中,正常人BP神经网络输出结果。
(4.3)将M1和M2作为评价指标与标准数据表进行比较,得到被检测者的足底压力识别结果。其中,标准数据表是通过模型预测、总结的可证数据,作为核对标准数据。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (10)
1.一种糖尿病足患者足底压力特征识别方法,其特征在于包括以下步骤:
(1)对预先获取的被检测者的裸足足底压力分布图像进行数据预处理,得到预处理后的裸足足底压力分布图像;
(2)采用HOG方法从预处理后的裸足足底压力分布图像中进行图像特征提取,得到裸足足底压力分布图的特征参数;
(3)构建BP神经网络预测模型,并根据被检测者的裸足足底压力分布图的特征参数,得到被检测者的足底压力预测结果;
(4)将得到的足底压力预测结果与正常人足底压力数据进行分析与处理,得到被检测者的足底压力分布识别结果。
2.如权利要求1所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(1)中,对被测试者的裸足足底压力分布图像进行采集时,采集的足底压力特征区域包括:第一趾骨区域、其他趾骨区域、第一跖趾关节区域、二三跖趾关节区域、四五跖趾关节区域、脚掌内侧区域、脚掌外侧区域、足跟骨区域。
3.如权利要求2所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(1)中,对获取的裸足足底压力分布图像进行数据预处理时,包括提取关键帧、区域划分以及去噪三个方面:
所述提取关键帧是指从采集的动态足底压力数据中选择步态符合预设平稳度的预设帧数作为关键帧;
所述区域划分是指根据不同的足底压力特征区域对采集的足底压力数据进行区域划分;
所述去噪是指对获得的足底压力分布图像进行整体去噪和局部去噪,整体去噪根据预设整体去噪阈值对所有足底压力分布图像数据进行去噪,局部去噪是指根据预设足跟部阈值对整体去噪后的足跟骨区域压力数据进行局部去噪。
4.如权利要求1所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(2)中,采用HOG方法从预处理后的裸足足底压力分布图像中进行图像特征提取的方法包括以下步骤:
(2.1)将不同步态相位的足底压力图像叠加,获取裸足足底压力图像的峰值,计算公式为:
P(x,y)=max({Q(x,y,i):i=1,2,3,4,5,6}),
式中,P(x,y)为压力峰值点的压力值,Q(x,y,i)代表第i个步态相位的足底压力图像;x,y为压力点的位置;
(2.2)计算每个压力点沿x,y轴方向的变化梯度,计算公式为:
Cx=f(x+1,y,i)-f(x,y,i),
Cy=f(x,y+1,i)-f(x,y,i),
式中,Cx和Cy为压力点沿x,y轴方向的变化梯度;
(2.3)根据每个压力点沿x,y轴方向的变化梯度,计算每个压力点沿x,y轴方向的总变化幅度,计算公式为:
式中,为压力点的总变化幅度;
(2.4)根据每个压力点沿x,y轴方向的变化梯度,计算各压力点的方向角:
式中,ψ为压力点的方向角;
(2.5)根据各压力点的总变化幅度和方向角,将裸足足底压力分布图像划分为若干K*K的cell单元,且各cell单元不能重叠;在每个cell单元内划分相同的9个方向,以9个方向的等距离角度区间作为横轴,梯度大小作为纵轴,计算出各个cell单元的梯度直方图,得到每个cell单元的9个维特征值;
(2.6)将相邻的4个cell单元组合成为一个Block块,串联4个cell单元的9维特征值,获得本Block块的36维特征值,然后对此Block块的特征值hk进行归一化:
式中,hk每个cell单元的特征值;γ为归一化常数;
(2.7)将所有Block块的特征值串联起来,从而得到裸足足底压力图像的HOG特征值。
5.如权利要求1所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(3)中,根据待检测者的裸足足底压力分布图的特征参数构建BP神经网络预测模型,得到待检测者的足底压力预测值的方法为:
(3.1)构建BP神经网络预测模型;
(3.2)将被检测者的裸足足底压力分布图的特征参数输入构建的BP神经网络预测模型,得到被检测者的裸足足底压力预测结果。
6.如权利要求5所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(3.1)中,构建BP神经网络预测模型的方法为:
以被检测者的裸足足底压力特征参数为输入层,以被检测者的足底压力预测结果为输出层,构建含一个隐含层的BP神经网络模型;其中,输入层的节点个数由裸足足底压力特征参数决定;隐含层的节点个数由模型训练结果确定;输出层节点个数为1。
7.如权利要求5所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(3.1)中,构建的BP神经网络预测模型为:
式中,di为神经网络模型预测结果输出;W1,W2分别为输入层至隐含层以及隐含层至输出层的连接权数系数矩阵;b1和b2分别为输入层至隐含层和隐含层至输出层的偏置矩阵;xi为被检测者的裸足足底压力特征参数;f(·)为Sigmoid函数。
8.如权利要求1所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(4)中,将得到的足底压力预测结果与正常人足底压力数据进行分析与处理,得到被检测者的足底压力分布识别结果的方法,包括以下步骤:
(4.1)对得到的BP神经网络预测模型的足底压力预测值进行样本方差检验;
(4.2)将BP神经网络模型所得到的足底压力预测值与实验采集的正常人足底压力实际值拟合程度的比较采用最大绝对误差M1与相对均方误差M2作为预测效果测评指标;
(4.3)将M1和M2作为评价指标与标准数据表进行比较,得到被检测者的足底压力识别结果。
9.如权利要求8所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(4.1)中,根据BP神经网络预测模型所得的足底压力预测值数据进行样本方差检验的公式为:
式中,σ2为样本方差,X为输出层数据,x为平均值,n为样本数量。
10.如权利要求8所述的一种糖尿病足患者足底压力特征识别方法,其特征在于:所述步骤(4.2)中,最大绝对误差M1与相对均方误差M2的计算公式为:
式中,正常人BP神经网络输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644488.4A CN110313916A (zh) | 2019-07-17 | 2019-07-17 | 一种糖尿病足患者足底压力特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644488.4A CN110313916A (zh) | 2019-07-17 | 2019-07-17 | 一种糖尿病足患者足底压力特征识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110313916A true CN110313916A (zh) | 2019-10-11 |
Family
ID=68123811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910644488.4A Pending CN110313916A (zh) | 2019-07-17 | 2019-07-17 | 一种糖尿病足患者足底压力特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110313916A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127446A (zh) * | 2019-12-26 | 2020-05-08 | 中国科学院合肥物质科学研究院 | 一种面向步态分析的足底压力图像分区方法 |
CN111265188A (zh) * | 2020-01-21 | 2020-06-12 | 温州医科大学 | 一种基于局部微循环的糖尿病足风险评估装置及方法 |
CN111329484A (zh) * | 2020-02-24 | 2020-06-26 | 华南理工大学 | 基于足底压力信息时空域特征的糖尿病足风险预警装置 |
CN111407232A (zh) * | 2020-03-31 | 2020-07-14 | 湖北民族大学 | 基于足底压力分布的足部运动特征提取方法及系统 |
CN111507209A (zh) * | 2020-03-31 | 2020-08-07 | 湖北民族大学 | 基于足底压力分布的步态识别方法及系统 |
CN117421692A (zh) * | 2023-12-18 | 2024-01-19 | 深圳火眼智能有限公司 | 垃圾投放站的垃圾违规投放识别方法、装置、设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105030248A (zh) * | 2015-07-28 | 2015-11-11 | 芜湖科创生产力促进中心有限责任公司 | 一种糖尿病并发症足部溃疡监控系统 |
CN105534526A (zh) * | 2015-12-16 | 2016-05-04 | 哈尔滨工业大学深圳研究生院 | 一种测量足底压力的方法 |
CN106821332A (zh) * | 2017-03-21 | 2017-06-13 | 中山大学附属第医院 | 一种多功能糖尿病足检测仪 |
CN107095670A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶员反应时间预测方法 |
CN108062608A (zh) * | 2018-01-25 | 2018-05-22 | 武汉理工大学 | 计及环境因素的配电开关设备可靠性评估方法 |
CN108241849A (zh) * | 2017-08-28 | 2018-07-03 | 北方工业大学 | 基于视频的人体交互动作识别方法 |
DE102018100201A1 (de) * | 2017-01-10 | 2018-07-12 | automation & software Günther Tausch GmbH | Schuhsohle für ein Biofeedback-System zum Beeinflussen und/oder zum Üben einer Stand- und/oder Gangart, Biofeedback-System und Verfahren zum Kalibrieren eines Biofeedback-Systems |
CN109100059A (zh) * | 2018-08-02 | 2018-12-28 | 贵州大学 | 一种用于糖尿病患者足底压力测试的柔性压力传感器 |
-
2019
- 2019-07-17 CN CN201910644488.4A patent/CN110313916A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105030248A (zh) * | 2015-07-28 | 2015-11-11 | 芜湖科创生产力促进中心有限责任公司 | 一种糖尿病并发症足部溃疡监控系统 |
CN105534526A (zh) * | 2015-12-16 | 2016-05-04 | 哈尔滨工业大学深圳研究生院 | 一种测量足底压力的方法 |
DE102018100201A1 (de) * | 2017-01-10 | 2018-07-12 | automation & software Günther Tausch GmbH | Schuhsohle für ein Biofeedback-System zum Beeinflussen und/oder zum Üben einer Stand- und/oder Gangart, Biofeedback-System und Verfahren zum Kalibrieren eines Biofeedback-Systems |
CN106821332A (zh) * | 2017-03-21 | 2017-06-13 | 中山大学附属第医院 | 一种多功能糖尿病足检测仪 |
CN107095670A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶员反应时间预测方法 |
CN108241849A (zh) * | 2017-08-28 | 2018-07-03 | 北方工业大学 | 基于视频的人体交互动作识别方法 |
CN108062608A (zh) * | 2018-01-25 | 2018-05-22 | 武汉理工大学 | 计及环境因素的配电开关设备可靠性评估方法 |
CN109100059A (zh) * | 2018-08-02 | 2018-12-28 | 贵州大学 | 一种用于糖尿病患者足底压力测试的柔性压力传感器 |
Non-Patent Citations (1)
Title |
---|
夏懿 等: "基于足底压力分布时空HOG特征的步态识别方法", 《模式识别与人工智能》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127446A (zh) * | 2019-12-26 | 2020-05-08 | 中国科学院合肥物质科学研究院 | 一种面向步态分析的足底压力图像分区方法 |
CN111127446B (zh) * | 2019-12-26 | 2023-04-07 | 中国科学院合肥物质科学研究院 | 一种面向步态分析的足底压力图像分区方法 |
CN111265188A (zh) * | 2020-01-21 | 2020-06-12 | 温州医科大学 | 一种基于局部微循环的糖尿病足风险评估装置及方法 |
CN111329484A (zh) * | 2020-02-24 | 2020-06-26 | 华南理工大学 | 基于足底压力信息时空域特征的糖尿病足风险预警装置 |
CN111407232A (zh) * | 2020-03-31 | 2020-07-14 | 湖北民族大学 | 基于足底压力分布的足部运动特征提取方法及系统 |
CN111507209A (zh) * | 2020-03-31 | 2020-08-07 | 湖北民族大学 | 基于足底压力分布的步态识别方法及系统 |
CN117421692A (zh) * | 2023-12-18 | 2024-01-19 | 深圳火眼智能有限公司 | 垃圾投放站的垃圾违规投放识别方法、装置、设备 |
CN117421692B (zh) * | 2023-12-18 | 2024-04-09 | 深圳火眼智能有限公司 | 垃圾投放站的垃圾违规投放识别方法、装置、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110313916A (zh) | 一种糖尿病足患者足底压力特征识别方法 | |
Zulkifli et al. | A state-of-the-art review of foot pressure | |
Johnson et al. | Predicting athlete ground reaction forces and moments from motion capture | |
CN104008398B (zh) | 一种基于多传感器信息融合的步态分类方法 | |
JP7235260B2 (ja) | 歩行・足部評価システム、端末装置、歩行・足部評価方法、及び歩行・足部評価プログラム | |
CN102184539B (zh) | 基于图像处理技术的平面足迹检测分析系统及其方法 | |
CN104434128B (zh) | 一种基于足底压力分布信息的左右脚动态识别方法 | |
US20120253233A1 (en) | Algorithm for quantitative standing balance assessment | |
Mann et al. | Reliability and validity of pressure and temporal parameters recorded using a pressure-sensitive insole during running | |
Li et al. | Plantar pressure image fusion for comfort fusion in diabetes mellitus using an improved fuzzy hidden Markov model | |
Ostadabbas et al. | A knowledge-based modeling for plantar pressure image reconstruction | |
JP7153495B2 (ja) | 足状態分析方法 | |
Neji et al. | Plantar type identification using piezoelectric pressure sensors | |
CN113456060B (zh) | 一种运动功能特征参数的提取装置 | |
Steinmetzer et al. | Clustering of human gait with parkinson's disease by using dynamic time warping | |
Periyasamy et al. | Foot pressure distribution variation in pre-obese and non-obese adult subject while standing | |
Wang et al. | Assessment of gait characteristics in total knee arthroplasty patients using a hierarchical partial least squares method | |
US11253172B2 (en) | Locogram software: tool for analysing gait exercises | |
CN113658707A (zh) | 一种足内翻角度检测建模方法及系统 | |
Chen et al. | Evaluation on diabetic plantar pressure data-set employing auto-segmentation technologies | |
Guiotto et al. | Machine learning approach to diabetic foot risk classification with biomechanics data | |
Su et al. | Automatic footprint detection approach for the calculation of arch index and plantar pressure in a flat rubber pad | |
Liang et al. | Elderly fall risk prediction with plantar center of force using convlstm algorithm | |
Rodrigo et al. | Application of Kohonen maps to kinetic analysis of human gait | |
TW202027680A (zh) | 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |