CN110893100A - 基于足底压力传感器监测体态变化的装置和方法 - Google Patents
基于足底压力传感器监测体态变化的装置和方法 Download PDFInfo
- Publication number
- CN110893100A CN110893100A CN201911296024.5A CN201911296024A CN110893100A CN 110893100 A CN110893100 A CN 110893100A CN 201911296024 A CN201911296024 A CN 201911296024A CN 110893100 A CN110893100 A CN 110893100A
- Authority
- CN
- China
- Prior art keywords
- model
- user
- posture
- data
- module
- 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
- 230000008859 change Effects 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013508 migration Methods 0.000 claims abstract description 11
- 230000005012 migration Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 27
- 230000005021 gait Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013526 transfer learning Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 206010034719 Personality change Diseases 0.000 claims 1
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract 1
- 230000036544 posture Effects 0.000 description 120
- 230000006870 function Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 1
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 1
- 206010040007 Sense of oppression Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000004575 stone Substances 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
- A61B5/1036—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
- A61B5/103—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于足底压力传感器监测体态变化的装置和方法，涉及计算机技术领域，针对用户体态调整提醒存在滞后性的问题，提供了以下技术方案，包括数据采集模块、数据处理模块、模型构建模块、模型训练模块、模型更新模块和更新策略优化模块，通过实时采集用户在不同行为下的体态数据，利用主成分分析、聚类分析、机器学习方法等一系列研究手段，经过抽象建模，构建健康人群体态模型；并通过DNN模型迁移算法，对不同用户实现模型迁移；同时针对用户体态发展变化等特点，面向AIoT，基于模型一致性检验理论，考虑兼顾用户体验与模型整体表现的模型更新策略，制定出符合用户要求及体征的美化方案，达到为用户提供当前状态下体态信息的目的。
Description
技术领域
本发明涉及计算机技术领域，更具体地说，它涉及一种基于足底压力传感器监测体态变化的装置和方法。
背景技术
弯腰驼背是困扰很多人的外观难题，除此以外还有走路外八字、内八字、斜肩站、二郎腿等诸多不良姿势影响着人们的体态美观。尽管用户自身知道体态优美的重要性，却因“忘记”，难以持续保持挺拔的身姿。目前纠正体态的常见工具为具有矫正功能的塑身衣、背部固定器、矫正鞋，主要有以下弊端：
(1)用户穿着或佩戴塑形衣或固定器舒适度欠佳，对身体有明显的压迫感；
(2)夏天穿着塑身衣有明显的闷热感；
(3)缺乏用户主观配合，体态美化功能不明显；
(4)矫正鞋为统一设计，不能因人而异，部分矫正鞋厂家提出请用户定期将鞋子送回服务点进行鞋底磨损分析，进而提醒用户应该如何注意体态调整，这种“事后”分析的方法往往难以取得显著的效果。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于足底压力传感器监测体态变化的装置和方法，具有为用户提供当前状态下体态信息的优点。
为实现上述目的，本发明提供了如下技术方案：
基于足底压力传感器监测体态变化的装置，包括以下模块：
数据采集模块，其通过足底压力传感器实时采集用户体态的原始数据样本；
数据处理模块，其用于对原始数据样本进行滤波和去噪处理以得到用户体态数据；
模型构建模块，其用于对用户体态数据提取特征并构建用户体态模型；
模型训练模块，其用于利用用户体态数据对已构建的用户体态模型进行训练；
模型更新模块，其用于通过模型迁移不断对用户体态模型进行更新，构建用户个性化体态模型并将其存储至云端或边缘端；
更新策略优化模块，其用于通过用户体态数据的一致性检验对模型更新模块中的用户体态模型的更新决策进行优化。
采用上述技术方案，数据采集模块通过足底压力传感器实时采集与用户体态相关的数据信息作为原始数据样本，将原始数据样本传送至数据处理模块，在数据处理模块内对样本进行滤波和去噪等处理，得到用户体态数据，该用户体态数据作为数据集传输至模型构建模块，模型构建模块利用用户体态数据构建用户体态模型，模型构建模块将其所构建的用户体态模型输出至模型训练模块，在模型训练模块内利用来自数据处理模块的用户体态数据对用户体态模型进行持续地训练，利用迁移学习对用户体态模型进行更新，得到用户个性化体态模型，装置内的更新策略模块对用户体态模型的更新策略进行优化，通过模型一致性检验针对用户体态数据实时校对模型准确性，当用户体态信息数据发生变化，持续偏离原始模型时，向模型训练模块发送指令信息，重新采集体态数据信息，利用迁移学习对模型进行快速更新。一致性检验的优势在于对体态监测结果的可靠性提供评估和保障，用户个性化体态模型的容错区间可以由体态训练师与用户同时制定，兼顾体态矫正的有效性和用户训练的舒适度。
足底压力的大小和分布能够有效地反映人体体态的变化，从而获取人体的某些生理或病理信息，即通过足底压力传感器能够获取到反应用户体态变化的数据，根据通过装置内各个模块的处理抽取出数据中所反馈的当前用户体态的信息，结合AIoT(ArtificialIntelligence&Internet of Things，AIoT)技术，将体态模型存储在云端、边缘端，实时采集用户体态信息，为综合分析体态变化过程提供支持，使用户通过本装置能够迅速得到当下个人的体态信息，并根据当下体态信息做出调整。
优选的，所述足底压力传感器为集成点阵式压力分布传感器，所述足底压力传感器包括多个感应点，多个所述感应点的直径为5mm，在水平方向或竖直方向上相邻感应点之间的距离均为7mm。
采用上述技术方案，通过设置密集的点阵式感应点，提高采集人体站、坐、行走时的原始数据样本数量，使得采集到的数据能够准确地反映当下用户的体态信息，提高后续建模的准确性。
优选的，所述数据处理模块还包括有人体步态周期分析模块，所述人体步态周期分析模块用于对原始数据样本进行单步分割。
采用上述技术方案，从人体步态周期分析，一个步态周期称为一个跨步，是指从一侧足跟着地到同侧腿足跟再次着地所经历的时间。一个跨步包括两个阶段：双腿支撑相和单腿支撑相。对于某一条腿来说，一个完整的步态周期包括支撑相和摆动相。人体在平地行走时，各周期大致有如下关系：
Dsz＝0.248Dci+0.143
Dz＝0.752Dci-0.143
Ddz＝0.752Dci-0.143
其中：Dci为一个步态周期；Dsz为单脚支撑期；Ddz为双脚支撑期；Dz为一个步行周期中某一条腿的支撑期。利用步态周期对采集到的原始数据样本进行单步分割，采集左/右脚支撑相的压力特征，利用主成分分析方法进行特征降维。
优选的，所述更新策略优化模块内设置有在线的一致性检验模型，所述一致性检验模型用于对用户体态数据和当下的用户体态模型进行对比评估后，向模型训练模块输入是否以所述用户体态数据对当下的用户体态模型进行优化的决策。
采用上述技术方案，当用户体态信息数据发生变化，持续偏离原始模型时，需要重新采集用户体态的原始数据样本，利用迁移学习对当下的用户体态模型进行快速更新。在线的一致性检验模型是指：当对单一体态评价完成后，该体态信息和它的体态标签作为新的样本加入到原有样本集中生成新样本集，然后基于新样本集对下一个对象进行评价。在预测的过程中，样本集在不断更新。当用户体态持续变化，累计的用户体态数据将使当下的用户体态模型的错误比例大于预设的显著性水平数值时，则说明当下的用户体态模型需要优化更新。
优选的，所述模型构建模块包括通过深度神经网络DNN算法构建的用户体态模型。
采用上述技术方案，在模型构建模块内预先设置基于深度神经网络DNN算法的模型框架，将数据处理模块中的用户体态数据代入框架中，从而得到用户体态模型。
基于足底压力传感器监测体态变化的方法，包括以下步骤：
步骤(1)：以足底压力传感器作为数据采集模块获取用户体态信息的原始数据样本；
步骤(2)：在数据处理模块内对原始数据样本进行滤波和去噪，并进行步态分析处理得到用户体态数据；
步骤(3)：基于用户体态数据建立用户体态模型；
步骤(4)：通过迁移算法，优化用户体态模型，从而完成用户个性化体态模型的构建；
步骤(5)：将实时传输的用户体态数据同步传输至更新策略优化模块进行一致性检验，并根据检验结果做出用户个性化体态模型更新的决策；
步骤(6)：根据更新策略优化模块的指令，通过迁移学习更新用户个性化体态模型，并进行综合判断分析。
优选的，所述步骤(2)中经数据处理模块处理后得到的用户体态数据包括用户在不同行为下的足底压力数值、压力数值的变化曲线、受力时间，以及三维压力分布中心变化轨迹。
优选的，所述步骤(3)中通过深度神经网络算法框架对用户体态数据构建用户体态模型。
优选的，所述步骤(4)中采用对源和目标任务模型之间共享权值联合优化的学习框架，利用基于目标数据集的性能度量矩阵的强化学习模块实现对共享权值的计算，保证自适应输出每个源数据集中特征的权值。
综上所述，本发明具有以下优点：
(1)通过足底压力传感器作为监测体态的数据采集模块，足底压力传感器为可穿戴的智能传感器设备，降低了场地设备对体态监测的限制，将体态美化融入用户的日常行为活动；
(2)通过在本发明装置联接AIoT平台，可获取用户当前的体态并作为用户日常体态数据进行记录，为用户提供完备的体态数据变化参考；
(3)面对体态模型训练的高样本量、高时间成本问题，首次利用迁移学习算法(例如共享权值联合优化学习框架L2TL)。基于用户体态数据集自适应地推断域相似度，从而达到减少深度神经网络对数据样本量的高需求，缩短数据样本采集与用户体态模型训练的时间。为体态模型的准确率和实时性提供了保障。
附图说明
图1为本发明基于足底压力传感器监测体态变化的装置的结构示意图。
图2为人体足底压力图。
图3为人体步态周期图。
图4本发明基于足底压力传感器监测体态变化的方法中L2TL试验处理架构图。
具体实施方式
下面通过具体实施方式进一步详细说明：
一种基于足底压力传感器监测体态变化的装置，如图1所示，包括数据采集模块、数据处理模块、模型构建模块、模型训练模块、模型更新模块和更新策略优化模块。数据采集模块通过足底压力传感器实时采集用户体态的原始数据样本；数据采集模块的输出端联接数据处理模块的输入端，数据处理模块对原始数据样本进行滤波和去噪处理以得到用户体态数据，在此过程中得到的用户体态数据包括用户在不同行为下的足底压力数值、压力数值的变化曲线、受力时间，以及三维压力分布中心变化轨迹；模型构建模块对来自数据处理模块的用户体态数据进行特征提取，并构建用户体态模型；模型训练模块内利用实时传输的用户体态数据对已构建的用户体态模型进行训练；模型更新模块通过模型迁移对用户体态模型进行更新，构建用户个性化体态模型；模型训练模块还与更新策略优化模块联接，更新策略优化模块用于通过用户体态数据的一致性检验对模型更新模块中的用户体态模型的更新决策进行优化。
基于足底压力传感器监测体态变化的方法包括以下步骤：
步骤(1)利用足底压力传感器采集用户体态信息；
根据足底压力的大小和分布能够有效地反映人体体态的变化，从而获取人体的某些生理或病理信息，足底压力传感器设置为集成点阵式压力分布传感器，足底压力传感器包括多个感应点，每个感应点的直径均为5mm，在水平方向或竖直方向上相邻感应点之间的圆心距均为7mm，连续采集人体站、坐、行走时的压力信息，足底动力学信息是运动的内在力学成因，足底动力学信息与人体的足部生理结构及行走方式具有高度的关联性，数据采集模块通过足底压力传感器采集不同行为下的原始数据样本。
步骤(2)对采集数据进行去噪、滤波、聚类、分割等处理；
当用户在盲道、碎石路、泥泞或者草地等特殊路况行走时，此时足底压力传感器采集到的原始数据样本往往不具有普遍性的代表价值，因此需要通过数据处理模块对采集得到的原始数据样本进行滤波和去噪，降低足底压力传感器的数据采集过程中外界噪声的干扰。
在数据处理模块内对原始数据样本进行分割与特征降维。首先，从足底压力负担分析，人体站立时足底各处的压力分布如图2所示，颜色越深代表该区域的受力越大，即人体站立时足底各处的压力分布不同，标准体态与偏差体态的足部受力点不同。其次，从人体步态周期分析，步态周期如图3所示，一个步态周期称为一个跨步，是指从一侧腿足跟着地到同侧腿足跟再次着地所经历的时间。一个跨步包括两个阶段：双腿支撑相和单腿支撑相；对于某一条腿来说，一个完整的步态周期包括支撑相和摆动相。人体在平地行走时，各周期的基本关系如下：
Dsz＝0.248Dci+0.143
Dz＝0.752Dci-0.143
Ddz＝0.752Dci-0.143
其中，Dci为一个步态周期；Dsz为单脚支撑期；Ddz为双脚支撑期；Dz为一个步行周期中某一条腿的支撑期。利用步态周期对原始数据样本进行单步分割，采集左/右脚支撑相的压力特征，利用主成分分析方法进行特征降维。
步骤(3)利用DNN算法对标准体态与用户体态建模；
经数据处理模块处理得到的用户体态数据包括步频、步速、步长(左/右)、步宽、足底压力分布时空特征等，在模型构建模块内利用深度神经网络对体态特征建模，形成用户体态模型。
步骤(4)通过如共享权值联合优化的学习框架等迁移学习算法实现用户个性化体态模型迁移；
如图4所示，为降低重复训练用户体态模型所需要的高数据样本量与高时间成本，在模型训练模块内采用对源和目标任务模型之间共享权值联合优化的学习框架(Learningto Transfer Learn，L2TL)(迁移学习算法)，其中关于共享权值的计算是利用基于目标数据集的性能度量矩阵的强化学习模块(Reinforcement Learning，RL)实现，保证自适应输出每个源数据集中特征的权值。L2TL基于用户体态(目标)数据集自适应的推断域相似度，从而达到减少深度神经网络对数据样本量的高需求，缩短数据样本采集与用户体态模型训练的时长。
L2TL的目标是自适应学习权值分配，提出了一个优化源域及目标域共享权值的框架。
预训练目标函数如下：
其中，L为目标函数，由对应源域的目标函数LS和对应目标域的目标函数LT组成。与仅在源域中优化损失函数的DATL(即基于目标数据集的重要权值域自适应迁移学习方法)不同，L2TL的预训练通过同时在源域和目标域内的联合优化来实现。DS和DT分别表示给定的源(标准体态数据)和目标数据集(目标用户体态数据)，BS和BT分别表示源和目标批量大小，αs[i]和αt[i]分别表示第i轮迭代时的源域、目标域尺度参数，
为控制源域和目标域在优化过程中比重的权值参数，fS和fT分别表示利用神经网络求得的源和目标编码函数。整个目标函数的训练参数为Ω、ζS和ζT。为了最大程度地受益于源数据集，应当在源域和目标域内共享尽可能多的训练参数。基于预训练目标函数，T2TL的学习目标是从保持目标验证数据集中推广到未知样本中，并最大化下面的评估指标：
其中R是目标性能指标，例如用于分类的top-1准确度或曲线下面积(AUC)等指标项。Ω和ζT为预训练优化得到的参数。在微调过程中，首先考虑样本权值λ(x，y)＝1的Ns步源数据集的优化，然后考虑使用预训练权值的目标数据集优化：
第一步，使用基于梯度下降的优化方法优化损失函数，从而得出学习编码器Ω的权值以及分类器权值ζS和ζT：
在这个阶段，神经网络模型是固定的，通过对动作采样以确定各个权值。
第二步，优化策略权值
该策略权值基于上一阶段中计算得到的编码器权值(Ω、ζS、ζT)的目标验证集上的评估度量R最大化：
这一步处理利用策略模型求出
和α以实现奖励优化，是一个强化学习RL问题。
第三步，模型更新，完成用户个性化体态模型的构建。
步骤(5)利用模型一致性检验针对用户体态数据实时校对用户个性化体态模型的准确性；
本系统进一步对用户体态模型的更新策略进行优化。通过模型一致性检验(Conformal Prediction，CP)针对用户体态数据实时校对用户个性化体态模型的准确性。当用户体态数据发生变化，持续偏离原始模型时，重新采集用户的体态数据信息，利用迁移学习对当下的用户体态模型进行快速更新。一致性检验的优势在于对体态监测的可靠性提供评估和保障，用户个性化体态模型的容错区间可以由体态训练师与用户同时制定，兼顾体态矫正的有效性和用户训练的舒适度。
对于简单预测器，任何有限的样本序列(x1,y1),...,(xn-1,yn-1)和一个新的对象xn。
预测结果：
一致性检验包含显著性水平(Significance Level)参数ε，即置信度为1-ε，反映了对预测结果的信任程度，任何有限的样本序列(x1,y1),...,(xn-1,yn-1)和一个新的对象xn，一致性检验器输出标签空间Y的一个子集：
该子集满足：
对于任意εl＞ε2。这意味着对于不同的显著性水平ε，预测的区域是标签空间Y的嵌套子集。通过改变ε的值，可以调节体态偏差容忍度的大小。
由于体态监测属于实时的数据采集，一致性检验的在线模式(Online Mode)下，具有较好的有效性。一致性检验的在线模式是指：当我们对单一体态评价完成后，该体态信息和它的体态标签作为新的样本加入到原有样本集中生成新样本集，然后基于新样本集对下一个对象进行评价。在预测的过程中，样本集在不断更新。当用户体态持续变化，累计的用户体态数据将使当下的用户体态模型的错误比例大于预设的显著性水平水平ε时，则说明当下的用户体态模型需要优化更新。
用户体态数据随时间t增长持续更新变化(n1,n2,…,nt)，当错误预测比例超过预设显著性水平ε时，面向AIoT对云端、边缘端用户体态模型利用迁移学习方法进行模型调整。
步骤(6)通过迁移学习对用户发展的体态数据进行模型快速更新，然后进行综合判断分析。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.基于足底压力传感器监测体态变化的装置，其特征在于，包括以下模块：
数据采集模块，其通过足底压力传感器实时采集用户体态的原始数据样本；
数据处理模块，其用于对原始数据样本进行滤波和去噪处理以得到用户体态数据；
模型构建模块，其用于对用户体态数据提取特征并构建用户体态模型；
模型训练模块，其用于利用用户体态数据对已构建的用户体态模型进行训练；
模型更新模块，其用于通过模型迁移不断对用户体态模型进行更新，构建用户个性化体态模型并将其存储至云端或边缘端；
更新策略优化模块，其用于通过用户体态数据的一致性检验对模型更新模块中的用户体态模型的更新决策进行优化。
2.根据权利要求1所述的基于足底压力传感器监测体态变化的装置，其特征在于，所述足底压力传感器为集成点阵式压力分布传感器，所述足底压力传感器包括多个感应点，多个所述感应点的直径为5mm，在水平方向或竖直方向上相邻感应点之间的距离均为7mm。
3.根据权利要求1所述的基于足底压力传感器监测体态变化的装置，其特征在于，所述数据处理模块还包括有人体步态周期分析模块，所述人体步态周期分析模块用于对原始数据样本进行单步分割。
4.根据权利要求1所述的基于足底压力传感器监测体态变化的装置，其特征在于，所述更新策略优化模块内设置有在线的一致性检验模型，所述一致性检验模型用于对用户体态数据和当下的用户体态模型进行对比评估后，向模型训练模块输入是否以所述用户体态数据对当下的用户体态模型进行优化的决策。
5.根据权利要求1所述的基于足底压力传感器监测体态变化的装置，其特征在于，所述模型构建模块包括通过深度神经网络DNN算法构建的用户体态模型。
6.基于足底压力传感器监测体态变化的方法，其特征在于，包括以下步骤：
步骤(1)：以足底压力传感器作为数据采集模块获取用户体态信息的原始数据样本；
步骤(2)：在数据处理模块内对原始数据样本进行滤波和去噪，并进行步态分析处理得到用户体态数据；
步骤(3)：基于用户体态数据建立用户体态模型；
步骤(4)：通过迁移算法，优化用户体态模型，从而完成用户个性化体态模型的构建；
步骤(5)：将实时传输的用户体态数据同步传输至更新策略优化模块进行一致性检验，并根据检验结果做出用户个性化体态模型更新的决策；
步骤(6)：根据更新策略优化模块的指令，通过迁移学习更新用户个性化体态模型，并进行综合判断分析。
7.根据权利要求6所述的基于足底压力传感器监测体态变化的方法，其特征在于，所述步骤(2)中经数据处理模块处理后得到的用户体态数据包括用户在不同行为下的足底压力数值、压力数值的变化曲线、受力时间，以及三维压力分布中心变化轨迹。
8.根据权利要求6所述的基于足底压力传感器监测体态变化的方法，其特征在于，所述步骤(3)中通过深度神经网络算法框架对用户体态数据构建用户体态模型。
9.根据权利要求6所述的基于足底压力传感器监测体态变化的方法，其特征在于，所述步骤(4)中采用对源和目标任务模型之间共享权值联合优化的学习框架，利用基于目标数据集的性能度量矩阵的强化学习模块实现对共享权值的计算，保证自适应输出每个源数据集中特征的权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911296024.5A CN110893100A (zh) | 2019-12-16 | 2019-12-16 | 基于足底压力传感器监测体态变化的装置和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911296024.5A CN110893100A (zh) | 2019-12-16 | 2019-12-16 | 基于足底压力传感器监测体态变化的装置和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110893100A true CN110893100A (zh) | 2020-03-20 |
Family
ID=69787154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911296024.5A Pending CN110893100A (zh) | 2019-12-16 | 2019-12-16 | 基于足底压力传感器监测体态变化的装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110893100A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111388988A (zh) * | 2020-04-23 | 2020-07-10 | 广东轻工职业技术学院 | 智能体态监测系统 |
| CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
| CN113367684A (zh) * | 2021-06-08 | 2021-09-10 | 广东轻工职业技术学院 | 一种主动牵引驱动脚部动作的规正鞋垫选型专用装置 |
| CN114343620A (zh) * | 2022-01-13 | 2022-04-15 | 北京理工大学重庆创新中心 | 目标步态体态评估方法、装置、设备及介质 |
| CN115998286A (zh) * | 2023-02-06 | 2023-04-25 | 中国民用航空飞行学院 | 一种获取上交叉体态检测数据的系统、设备和方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103330565A (zh) * | 2013-04-16 | 2013-10-02 | 北京航空航天大学 | 基于足底压力分布变化的人体步态识别装置 |
| CN106934416A (zh) * | 2017-02-23 | 2017-07-07 | 广州讯动网络科技有限公司 | 一种基于大数据的模型匹配方法 |
| CN108022248A (zh) * | 2016-11-03 | 2018-05-11 | 北京航空航天大学 | 一种基于视觉采集设备的下肢步态康复评估系统 |
| CN108836337A (zh) * | 2018-05-04 | 2018-11-20 | 福建省莆田市双驰智能信息技术有限公司 | 一种通过足部运动状态进行个性化足型健康检测的方法 |
| US20180333587A1 (en) * | 2016-04-22 | 2018-11-22 | Newton Howard | Brain-machine interface (bmi) |
| CN108985278A (zh) * | 2018-08-24 | 2018-12-11 | 广东工业大学 | 一种基于svm的步态功能评估模型的构建方法 |
| CN109350071A (zh) * | 2018-11-08 | 2019-02-19 | 华东师范大学 | 一种基于人工智能计算的柔性步态监测方法 |
| CN109871817A (zh) * | 2019-02-27 | 2019-06-11 | 河北工业大学 | 基于足底压力和自适应集成学习的行走状态识别方法 |
| CN110236550A (zh) * | 2019-05-30 | 2019-09-17 | 清华大学 | 一种基于多模态深度学习的人体步态预测装置 |
| US20190298193A1 (en) * | 2016-02-03 | 2019-10-03 | Angilytics Inc. | Low pressure actuation blood pressure monitoring |
| CN110558936A (zh) * | 2019-08-09 | 2019-12-13 | 南昌大学 | 一种老年人平衡能力风险评估方法 |
-
2019
- 2019-12-16 CN CN201911296024.5A patent/CN110893100A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103330565A (zh) * | 2013-04-16 | 2013-10-02 | 北京航空航天大学 | 基于足底压力分布变化的人体步态识别装置 |
| US20190298193A1 (en) * | 2016-02-03 | 2019-10-03 | Angilytics Inc. | Low pressure actuation blood pressure monitoring |
| US20180333587A1 (en) * | 2016-04-22 | 2018-11-22 | Newton Howard | Brain-machine interface (bmi) |
| CN108022248A (zh) * | 2016-11-03 | 2018-05-11 | 北京航空航天大学 | 一种基于视觉采集设备的下肢步态康复评估系统 |
| CN106934416A (zh) * | 2017-02-23 | 2017-07-07 | 广州讯动网络科技有限公司 | 一种基于大数据的模型匹配方法 |
| CN108836337A (zh) * | 2018-05-04 | 2018-11-20 | 福建省莆田市双驰智能信息技术有限公司 | 一种通过足部运动状态进行个性化足型健康检测的方法 |
| CN108985278A (zh) * | 2018-08-24 | 2018-12-11 | 广东工业大学 | 一种基于svm的步态功能评估模型的构建方法 |
| CN109350071A (zh) * | 2018-11-08 | 2019-02-19 | 华东师范大学 | 一种基于人工智能计算的柔性步态监测方法 |
| CN109871817A (zh) * | 2019-02-27 | 2019-06-11 | 河北工业大学 | 基于足底压力和自适应集成学习的行走状态识别方法 |
| CN110236550A (zh) * | 2019-05-30 | 2019-09-17 | 清华大学 | 一种基于多模态深度学习的人体步态预测装置 |
| CN110558936A (zh) * | 2019-08-09 | 2019-12-13 | 南昌大学 | 一种老年人平衡能力风险评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| LINCHAO ZHU 等: "Learning to Transfer Learn", ARXIV:1908.11406V1, pages 3 - 5 * |
| ZHAN WANG 等: "Conformal Prediction Based on K-Nearest Neighbors for Discrimination of Ginsengs by a Home-Made Electronic Nose", SENSORS, pages 2 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111388988A (zh) * | 2020-04-23 | 2020-07-10 | 广东轻工职业技术学院 | 智能体态监测系统 |
| CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
| CN113367684A (zh) * | 2021-06-08 | 2021-09-10 | 广东轻工职业技术学院 | 一种主动牵引驱动脚部动作的规正鞋垫选型专用装置 |
| CN113367684B (zh) * | 2021-06-08 | 2024-05-14 | 广东轻工职业技术学院 | 一种主动牵引驱动脚部动作的规正鞋垫选型专用装置 |
| CN114343620A (zh) * | 2022-01-13 | 2022-04-15 | 北京理工大学重庆创新中心 | 目标步态体态评估方法、装置、设备及介质 |
| CN115998286A (zh) * | 2023-02-06 | 2023-04-25 | 中国民用航空飞行学院 | 一种获取上交叉体态检测数据的系统、设备和方法 |
| CN115998286B (zh) * | 2023-02-06 | 2023-10-24 | 中国民用航空飞行学院 | 一种获取上交叉体态检测数据的系统、设备和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110893100A (zh) | 基于足底压力传感器监测体态变化的装置和方法 | |
| CN108345846A (zh) | 一种基于卷积神经网络的人体行为识别方法及识别系统 | |
| CN109567313B (zh) | 一种具有生物特征识别功能的智能鞋垫 | |
| CN110956139B (zh) | 一种基于时间序列回归预测的人体运动动作分析方法 | |
| CN109784412A (zh) | 用于步态分类的基于深度学习的多传感器信号融合方法 | |
| CN107890166A (zh) | 一种基于足底压力姿态识别的智能鞋垫 | |
| CN110956141B (zh) | 一种基于局部识别的人体连续动作快速分析方法 | |
| Hossain et al. | Deepbbwae-net: A cnn-rnn based deep superlearner for estimating lower extremity sagittal plane joint kinematics using shoe-mounted imu sensors in daily living | |
| CN111798439A (zh) | 线上线下融合的医疗影像质量判读方法、系统及存储介质 | |
| CN109260566A (zh) | 使用投影技术增强睡眠技术 | |
| WO2023226186A1 (zh) | 神经网络训练方法、人体运动识别方法及设备、存储介质 | |
| CN109767836A (zh) | 一种医学诊断人工智能系统、装置及其自我学习方法 | |
| López-Nava et al. | Estimation of temporal gait parameters using Bayesian models on acceleration signals | |
| CN112101235B (zh) | 一种基于老年人行为特征的老年人行为识别检测方法 | |
| CN111178288A (zh) | 基于局部误差逐层训练的人体姿态识别方法和装置 | |
| CN113780223A (zh) | 假肢的步态识别方法、装置及存储介质 | |
| CN109583272B (zh) | 一种能够获取人体生活状态的足迹系统 | |
| CN117216644A (zh) | 基于电数字数据处理的人体姿态识别方法及装置 | |
| CN109243562A (zh) | 一种基于Elman神经网络和遗传算法的形象气质提升方法 | |
| CN114155952A (zh) | 一种老年人群老年痴呆病患病辅助分析系统 | |
| CN113255462A (zh) | 步态评分方法、系统、计算机程序产品及可读存储介质 | |
| CN115147768B (zh) | 一种跌倒风险评估方法及系统 | |
| CN117031971B (zh) | 基于智能镜的智能家具设备调节方法、装置、设备及介质 | |
| CN111144167A (zh) | 一种步态信息识别优化方法、系统及存储介质 | |
| CN112818942A (zh) | 一种车辆行驶过程中行人动作识别方法和系统 |
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: 20200320 |