CN111329484A - 基于足底压力信息时空域特征的糖尿病足风险预警装置 - Google Patents
基于足底压力信息时空域特征的糖尿病足风险预警装置 Download PDFInfo
- Publication number
- CN111329484A CN111329484A CN202010111882.4A CN202010111882A CN111329484A CN 111329484 A CN111329484 A CN 111329484A CN 202010111882 A CN202010111882 A CN 202010111882A CN 111329484 A CN111329484 A CN 111329484A
- Authority
- CN
- China
- Prior art keywords
- pressure
- plantar pressure
- characteristic
- data
- plantar
- 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
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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Dentistry (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明为可穿戴设备的步态分析技术,涉及基于足底压力信息时空域特征的糖尿病足风险预警装置,包括可穿戴鞋系统、数据处理单元、运动学特征提取单元和预测模型;可穿戴鞋系统包括数据采集单元,采集受试者的动态足底压力数据;数据处理单元获取连续一段时间内的足底压力数据,将其切分为一个个步态周期内的足底压力信号;运动学特征提取单元从切分后的足底压力信号中进行运动学特征提取,获取数据标签对集;将数据标签对集分成训练集与测试集,构建、训练预测模型;向训练好的预测模型中输入测试者足底压力分布的特征参数,得到受试者是否步态异常的结果。本发明充分利用了足底多个特征区域的压力信息,及时地预警受试者是否步态异常。
Description
技术领域
本发明属于模式识别领域,为可穿戴设备的步态分析技术,具体涉及基于足底压力信息时空域特征的糖尿病足风险预警装置。
背景技术
进入21世纪以来,人类社会飞速进步,生活质量也迅速提高,人们也越来越关注自身的健康。双脚是身体必不可少的重要组成部分,人的日常生活离不开一双健康的脚。影响人正常行走步态的原因有很多,糖尿病、帕金森病患者、脑瘫、肥胖、足部溃疡和轻度偏瘫等疾病都会导致足部结构变化,从而影响人的正常行走并影响人的生活。糖尿病患者致残致死的很大一部分原因是由于糖尿病足溃疡和坏疽引起的糖尿病并发症。
随机计算机的发展,步态分析与计算机结合起来了。目前主流的步态识别方法主要包括基于视频及图像处理的计算机视觉系统、基于可穿戴鞋系统。前者所用设备价格昂贵,操作笨重;而基于可穿戴鞋系统的足底压力测定作为一种简单易用的检测方法,是未来判定糖尿病足的一个重要发展方向,可以测试静态以及动态足底状态,用于走、跑等不同运动形态类型分析。然而,现有基于可穿戴鞋系统的步态识别系统大都只负责日常监测,提供各数字指标,存在对足底压力信息利用的不足,无法预警受试者是否存在糖尿病足高危风险。
发明内容
为了解决现有技术所存在的问题,本发明提供基于足底压力信息时空域特征的糖尿病足风险预警装置,充分利用了足底多个特征区域的压力信息,及时地预警受试者是否步态异常。
本发明通过以下技术方案来实现:基于足底压力信息时空域特征的糖尿病足风险预警装置,包括依次连接的可穿戴鞋系统、数据处理单元、运动学特征提取单元和预测模型;
可穿戴鞋系统包括压力监测鞋垫和数据采集单元,数据采集单元包括多个设置在压力监测鞋垫的压力传感器;各压力传感器分别用于实时采集受试者的动态足底压力数据,并传输到数据处理单元中;
数据处理单元获取连续一段时间内的足底压力数据,并对获取的连续一段时间的足底压力数据进行处理,切分为一个个步态周期内的足底压力信号;
运动学特征提取单元从切分后的足底压力信号中进行运动学特征提取,得到足底压力分布的特征参数,并根据是否为糖尿病足患者打上标签,形成数据标签对集;
将数据标签对集分成训练集与测试集,通过训练集构建线性预测模型,利用测试集评估预测模型的效果;向训练好的预测模型中输入测试者足底压力分布的特征参数,得到受试者是否步态异常的结果。
在优选的实施例中,多个压力传感器分布在压力监测鞋垫的八个特征区域,其位置分别在于:第一跖骨关节位置、第二跖骨与第三跖骨之间关节位置、第四跖骨与第五跖骨之间关节位置、脚中间内侧、脚中间外侧、脚跟位置内侧、脚跟位置外侧、大拇指位置。
在优选的实施例中,所述数据处理单元通过多个压力传感器获取左右脚足底八个不同特征区域在连续一段时间内的足底压力数据,将获取的左右脚足底八个不同特征区域的足底压力信号叠加在一起,得到连续一段时间内各特征区域的足底压力信号的总压力值;并按照一个步态周期足底压力曲线的形状找到左右脚每个特征区域的足底压力信号的一个步态周期的切分点,用于切分所有特征区域的足底压力信号,一个步态周期内的左右脚不同特征区域信号为一个样本。
本发明由于采取了以上技术方案,与现有技术相比,具有以下优点:
1、本发明采用分布在智能鞋垫上八个特征区域的八个压力传感器进行足底压力信号采集,使得受试者的足底压力数据能够连续平滑地得到,方便快捷。
2、本发明涉及的处理算法简便,可实现实时的数据分析,并能及时地预警受试者是否步态异常。
3、本发明所提取的特征参数可以有效地评估糖尿病足患者的足底压力情况,可以有效地用于活动状态的评估,广泛适用于糖尿病足患者步态识别领域;评估、识别结果作为中间数据,亦可为相关疾病的诊断、治疗和康复提供数据支撑。
附图说明
图1是本发明基于足底压力信息时空域特征的糖尿病足风险预警装置的结构框图;
图2是本发明糖尿病足风险预警装置的工作流程图;
图3是本发明获得的足底压力信号簇示意图;
图4是本发明足底总压力曲线示意图;
图5是本发明步态周期划分示意图,其中(a)为足底压力信号簇的一个步态周期的切分示意图,(b)为足底总压力曲线的一个步态周期的切分示意图,(c)为(a)中虚线框所示的一个步态周期内足底压力信号簇的放大示意图;
图6是本发明SVM预测模型原理示意图。
具体实施方式
下面结合附图和实施例进一步详细说明本发明,然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制;本发明的实施方式不限于此。
实施例
如图1所示,本发明提供基于足底压力信息时空域特征的糖尿病足风险预警装置,包括依次连接的可穿戴鞋系统、数据处理单元、运动学特征提取单元和预测模型。
可穿戴鞋系统包括压力监测鞋垫和数据采集单元,数据采集单元包括多个设置在压力监测鞋垫的压力传感器,压力监测鞋垫包括PU鞋垫,压力传感器分布在PU鞋垫的八个特征区域,其位置分别在于:第一跖骨关节位置、第二跖骨与第三跖骨之间关节位置、第四跖骨与第五跖骨之间关节位置、脚中间内侧、脚中间外侧、脚跟位置内侧、脚跟位置外侧、大拇指位置。各压力传感器分别用于实时采集受试者(即被测者)的动态足底压力数据,通过无线传输到位于智能终端的数据处理单元中,并保存足底压力数据。
如图2所示,本发明预警装置的工作过程包括以下步骤:(1)利用可穿戴鞋系统采集健康受试者日常生活步态下的足底压力信号;(2)利用可穿戴系统采集糖尿病足患者日常生活步态下的足底压力信号;(3)对获取的连续一段时间的足底压力信号进行数据处理,切分为一个个步态周期内足底压力信号;(4)从划分后的足底压力信号中进行运动学特征提取,得到足底压力分布的特征参数,并根据是否为糖尿病足患者打上标签,形成数据标签对集;(5)将步骤(4)中的数据标签对集对分成训练集与测试集,训练集用于构建线性SVM预测模型,利用测试集评估SVM预测模型的效果;(6)输入测试者的足底压力参数特征,得到糖尿病足高危风险预测结果。
其中,日常生活步态信号是指人体正常行走时的运动信号,包括上下斜坡、上下楼梯、直立行走(如图3所示)的足底压力信号。
数据处理单元获取连续一段时间内的足底压力数据,并对获取的连续一段时间的足底压力数据进行处理,在本实施例中,具体处理包括:获取左右脚足底八个不同特征区域在连续一段时间内的足底压力数据,将获取的左右脚足底八个不同特征区域的足底压力信号叠加在一起,得到连续一段时间内各特征区域的足底压力信号的总压力值,如图4所示,并按照一个步态周期足底压力曲线的形状(如呈M状)找到左右脚每个特征区域的足底压力信号的一个步态周期的切分点,用于切分所有特征区域的足底压力信号,一个步态周期内的左右脚不同特征区域信号为一个样本,如图5所示。图5中,(a)为足底压力信号簇的一个步态周期的切分示意图,(b)为足底总压力曲线的一个步态周期的切分示意图,(c)为(a)中虚线框所示的一个步态周期内足底压力信号簇的放大示意图。
运动学特征提取单元从切分后的足底压力信号中进行运动学特征提取,提取特征参数的具体过程如下:
(1)计算每个特征区域的足底压力峰值,计算公式为:
其中,r=1,2,3,4,5,6,7,8,为足底八个特征区域;n=1,2,…,N,为足底压力信号长度。
(2)计算每个特征区域的压力时间积分,计算公式为:
(3)计算每个特征区域的最大压力梯度,计算公式为:
(4)计算每个特征区域的最小压力梯度,计算公式为:
(5)计算每个特征区域的最大值半宽度,计算公式为:
F5r=nr2|L-nr1|L,Pr(nr2)|L=Pr(nr1)|L=0.5×F1r
(6)计算前足区域压力峰值与后足区域压力峰值比,计算公式为:
F6r=max(Pr1|L)/max(Pr2|L)
其中,r1是前足区域(包括第一跖骨关节区域、第二及第三跖骨关节区域、第四及第五跖骨关节区域、大拇指区域),r2是后足区域(包括脚中间内外两侧区域、脚跟内外两侧区域)。
(7)计算上述(1)-(4)所有特征区域的左右脚不对称系数,计算公式为:
其中Fkr是左脚压力信号中提取的特征值,F(k+6)r是相应右脚压力信号中提取的特征值。
(8)将所有特征值串联起来,得到足底压力分布的特征参数。
运动学特征提取单元还给足底压力分布的特征参数打上相应标签,健康受试者的足底压力信号标记为0,而糖尿病足患者的足底压力信号标记为1。
预测模型采用SVM预测模型,本实施例中具体为:
f(x)=sign(w*.x+b*)
式中,f(x)为SVM预测结果,w为超平面的连接权数系数矩阵,b为超平面的偏置矩阵,x为受试者足底压力信号的特征参数。
模型原理如图6所示,SVM核函数采用线性核函数,损失函数采用平方合页损失,正则项为L2范数。并将标签一一对应后取80%作训练集,其余20%做测试集。将训练集送入SVM预测模型中进行训练,并做十折交叉验证。经验证,在本实施例中SVM预测模型在测试集的二分类中准确度为95%,F1值(精确度和召回率的调和均值)为95%。
向训练好的SVM预测模型中输入测试者足底压力分布的特征参数,得到受试者是否步态异常的结果;如果f(x)的结果为1,表示该受试者步态异常,存在糖尿病足高危风险,受试者需要去医院进行检定治疗。
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 (7)
1.基于足底压力信息时空域特征的糖尿病足风险预警装置,其特征在于,包括依次连接的可穿戴鞋系统、数据处理单元、运动学特征提取单元和预测模型;
可穿戴鞋系统包括压力监测鞋垫和数据采集单元,数据采集单元包括多个设置在压力监测鞋垫的压力传感器;各压力传感器分别用于实时采集受试者的动态足底压力数据,并传输到数据处理单元中;
数据处理单元获取连续一段时间内的足底压力数据,并对获取的连续一段时间的足底压力数据进行处理,切分为一个个步态周期内的足底压力信号;
运动学特征提取单元从切分后的足底压力信号中进行运动学特征提取,得到足底压力分布的特征参数,并根据是否为糖尿病足患者打上标签,形成数据标签对集;
将数据标签对集分成训练集与测试集,通过训练集构建线性预测模型,利用测试集评估预测模型的效果;向训练好的预测模型中输入测试者足底压力分布的特征参数,得到受试者是否步态异常的结果。
2.根据权利要求1所述的糖尿病足风险预警装置,其特征在于,所述预测模型为SVM预测模型。
3.根据权利要求2所述的糖尿病足风险预警装置,其特征在于,所述SVM预测模型为:
f(x)=sign(w*.x+b*)
式中,f(x)为SVM分类预测结果,w为超平面的连接权数系数矩阵,b为超平面的偏置矩阵,x为受试者的足底压力分布的特征参数。
4.根据权利要求1所述的糖尿病足风险预警装置,其特征在于,多个压力传感器分布在压力监测鞋垫的八个特征区域,其位置分别在于:第一跖骨关节位置、第二跖骨与第三跖骨之间关节位置、第四跖骨与第五跖骨之间关节位置、脚中间内侧、脚中间外侧、脚跟位置内侧、脚跟位置外侧、大拇指位置。
5.根据权利要求1或4所述的糖尿病足风险预警装置,其特征在于,所述压力监测鞋垫包括PU鞋垫。
6.根据权利要求4所述的糖尿病足风险预警装置,其特征在于,所述数据处理单元通过多个压力传感器获取左右脚足底八个不同特征区域在连续一段时间内的足底压力数据,将获取的左右脚足底八个不同特征区域的足底压力信号叠加在一起,得到连续一段时间内各特征区域的足底压力信号的总压力值;并按照一个步态周期足底压力曲线的形状找到左右脚每个特征区域的足底压力信号的一个步态周期的切分点,用于切分所有特征区域的足底压力信号,一个步态周期内的左右脚不同特征区域信号为一个样本。
7.根据权利要求1所述的糖尿病足风险预警装置,其特征在于,运动学特征提取单元提取特征参数的过程包括:
(1)计算每个特征区域的足底压力峰值;
(2)计算每个特征区域的压力时间积分;
(3)计算每个特征区域的最大压力梯度;
(4)计算每个特征区域的最小压力梯度;
(5)计算每个特征区域的最大值半宽度;
(6)计算前足区域压力峰值与后足区域压力峰值比;前足区域包括第一跖骨关节区域、第二及第三跖骨关节区域、第四及第五跖骨关节区域、大拇指区域,后足区域包括脚中间内外两侧区域、脚跟内外两侧区域;
(7)计算上述(1)-(4)所有特征区域的左右脚不对称系数;
(8)将所有特征值串联起来,得到足底压力分布的特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111882.4A CN111329484A (zh) | 2020-02-24 | 2020-02-24 | 基于足底压力信息时空域特征的糖尿病足风险预警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111882.4A CN111329484A (zh) | 2020-02-24 | 2020-02-24 | 基于足底压力信息时空域特征的糖尿病足风险预警装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111329484A true CN111329484A (zh) | 2020-06-26 |
Family
ID=71173894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010111882.4A Pending CN111329484A (zh) | 2020-02-24 | 2020-02-24 | 基于足底压力信息时空域特征的糖尿病足风险预警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111329484A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596232A (zh) * | 2018-04-16 | 2018-09-28 | 杭州睿珀智能科技有限公司 | 一种基于形状和颜色特征的鞋垫自动分类方法 |
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 |
CN113662535A (zh) * | 2021-09-14 | 2021-11-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 步态检测方法、装置、设备及存储介质 |
CN113796852A (zh) * | 2021-09-30 | 2021-12-17 | 太原理工大学 | 一种基于梯度提升决策树模型算法的糖尿病足预测方法 |
CN117179741A (zh) * | 2023-07-24 | 2023-12-08 | 北京华益精点生物技术有限公司 | 基于压力标记足底位置的方法及相关设备 |
CN117338301A (zh) * | 2023-10-17 | 2024-01-05 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010128519A1 (en) * | 2009-05-04 | 2010-11-11 | Kumar C Jairaj | A method for detecting neuropathy and predicting foot ulcer development in human beings with health conditions like diabetes mellitus |
CN104720818A (zh) * | 2013-12-20 | 2015-06-24 | 岱宇国际股份有限公司 | 可分析对称指数的运动装置 |
CN108209924A (zh) * | 2018-01-16 | 2018-06-29 | 北京大学第三医院 | 一种前交叉韧带断裂后步态特征的分析方法 |
US20180249945A1 (en) * | 2015-09-15 | 2018-09-06 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Smart Textile to Predict Risk of Diabetic Foot Ulcer |
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 |
CN109979595A (zh) * | 2019-02-22 | 2019-07-05 | 福州大学 | 一种基于足底压力检测的支持向量机足踝外伤康复评估结果的分类方法 |
CN110313916A (zh) * | 2019-07-17 | 2019-10-11 | 军事科学院系统工程研究院军需工程技术研究所 | 一种糖尿病足患者足底压力特征识别方法 |
-
2020
- 2020-02-24 CN CN202010111882.4A patent/CN111329484A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010128519A1 (en) * | 2009-05-04 | 2010-11-11 | Kumar C Jairaj | A method for detecting neuropathy and predicting foot ulcer development in human beings with health conditions like diabetes mellitus |
CN104720818A (zh) * | 2013-12-20 | 2015-06-24 | 岱宇国际股份有限公司 | 可分析对称指数的运动装置 |
US20180249945A1 (en) * | 2015-09-15 | 2018-09-06 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Smart Textile to Predict Risk of Diabetic Foot Ulcer |
CN108209924A (zh) * | 2018-01-16 | 2018-06-29 | 北京大学第三医院 | 一种前交叉韧带断裂后步态特征的分析方法 |
CN109979595A (zh) * | 2019-02-22 | 2019-07-05 | 福州大学 | 一种基于足底压力检测的支持向量机足踝外伤康复评估结果的分类方法 |
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 |
CN110313916A (zh) * | 2019-07-17 | 2019-10-11 | 军事科学院系统工程研究院军需工程技术研究所 | 一种糖尿病足患者足底压力特征识别方法 |
Non-Patent Citations (2)
Title |
---|
FADY S. BOTROS等: "Prediction of Diabetic Foot Ulceration using Spatial and Temporal Dynamic Plantar Pressure", 《IEEE CONFERENCE PUBLICATION》 * |
SHU LIN等: "Monitoring Diabetic Patients by Novel Intelligent Footwear System", 《2012 INTERNATIONAL CONFERENCE ON COMPUTERIZED HEALTHCARE (ICCH)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596232A (zh) * | 2018-04-16 | 2018-09-28 | 杭州睿珀智能科技有限公司 | 一种基于形状和颜色特征的鞋垫自动分类方法 |
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 |
CN113662535A (zh) * | 2021-09-14 | 2021-11-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 步态检测方法、装置、设备及存储介质 |
CN113662535B (zh) * | 2021-09-14 | 2022-07-01 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 步态检测方法、装置、设备及存储介质 |
CN113796852A (zh) * | 2021-09-30 | 2021-12-17 | 太原理工大学 | 一种基于梯度提升决策树模型算法的糖尿病足预测方法 |
CN113796852B (zh) * | 2021-09-30 | 2023-09-08 | 太原理工大学 | 一种基于梯度提升决策树模型算法的糖尿病足预测方法 |
CN117179741A (zh) * | 2023-07-24 | 2023-12-08 | 北京华益精点生物技术有限公司 | 基于压力标记足底位置的方法及相关设备 |
CN117179741B (zh) * | 2023-07-24 | 2024-05-28 | 北京华益精点生物技术有限公司 | 基于压力标记足底位置的方法及相关设备 |
CN117338301A (zh) * | 2023-10-17 | 2024-01-05 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
CN117338301B (zh) * | 2023-10-17 | 2024-03-29 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111329484A (zh) | 基于足底压力信息时空域特征的糖尿病足风险预警装置 | |
Kugler et al. | Automatic recognition of Parkinson's disease using surface electromyography during standardized gait tests | |
Bruening et al. | Automated event detection algorithms in pathological gait | |
Wang et al. | A novel low-cost wireless footwear system for monitoring diabetic foot patients | |
CN112115923A (zh) | 一种基于直接特征提取的多通道时序步态分析算法 | |
CN110313916A (zh) | 一种糖尿病足患者足底压力特征识别方法 | |
Kakarla et al. | Accuracy enhancement of total force by capacitive insoles | |
Ostadabbas et al. | A knowledge-based modeling for plantar pressure image reconstruction | |
Zakaria et al. | Experimental approach in gait analysis and classification methods for autism spectrum disorder: A review | |
CN117409972A (zh) | 一种基于足底压力监测的脊柱侧弯程度的评估方法 | |
CN113796852A (zh) | 一种基于梯度提升决策树模型算法的糖尿病足预测方法 | |
CN116013514A (zh) | 一种基于多参数融合的一体化糖尿病足预测系统 | |
Periyasamy et al. | Foot pressure distribution variation in pre-obese and non-obese adult subject while standing | |
CN113317780A (zh) | 一种基于长短时记忆神经网络的异常步态检测方法 | |
Xie et al. | Wearable multisource quantitative gait analysis of Parkinson's diseases | |
Chee et al. | Gait acceleration-based diabetes detection using hybrid deep learning | |
Zheng et al. | SVM-based gait analysis and classification for patients with Parkinson’s disease | |
Chen et al. | Evaluation on diabetic plantar pressure data-set employing auto-segmentation technologies | |
Selle et al. | Classification of foot thermograms using texture features and support vector machine | |
Sudarvizhi et al. | Identification and analysis of foot ulceration using load cell technique | |
Xu et al. | A model for medical diagnosis based on plantar pressure | |
Dong et al. | An “optical flow” method based on pressure sensors data for quantification of Parkinson's disease characteristics | |
Wang et al. | Piezoresistive-based gait monitoring technique for the recognition of knee osteoarthritis patients | |
Negi et al. | Gait analysis-based identification of neurodegenerative diseases using machine learning techniques | |
CN113017616B (zh) | 一种具有分析功能的无线可穿戴式步态信号监测系统 |
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: 20200626 |