CN111358471B - 一种身体姿态检测装置及检测方法 - Google Patents
一种身体姿态检测装置及检测方法 Download PDFInfo
- Publication number
- CN111358471B CN111358471B CN202010296436.5A CN202010296436A CN111358471B CN 111358471 B CN111358471 B CN 111358471B CN 202010296436 A CN202010296436 A CN 202010296436A CN 111358471 B CN111358471 B CN 111358471B
- Authority
- CN
- China
- Prior art keywords
- pressure
- foot
- area
- calculating
- angle value
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 210000002683 foot Anatomy 0.000 claims description 181
- 210000002414 leg Anatomy 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 60
- 206010061159 Foot deformity Diseases 0.000 claims description 53
- 208000001963 Hallux Valgus Diseases 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 51
- 238000010586 diagram Methods 0.000 claims description 50
- 210000003813 thumb Anatomy 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000005192 partition Methods 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 38
- 210000000629 knee joint Anatomy 0.000 claims description 35
- 210000000323 shoulder joint Anatomy 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 29
- 230000003068 static effect Effects 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 21
- 239000002245 particle Substances 0.000 claims description 20
- 230000005021 gait Effects 0.000 claims description 19
- 210000002832 shoulder Anatomy 0.000 claims description 18
- 210000001503 joint Anatomy 0.000 claims description 17
- 210000003371 toe Anatomy 0.000 claims description 17
- 210000000988 bone and bone Anatomy 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 10
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 210000000689 upper leg Anatomy 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000000059 patterning Methods 0.000 claims description 6
- 244000309466 calf Species 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 241001227561 Valgus Species 0.000 description 17
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- 229910052799 carbon Inorganic materials 0.000 description 8
- 241000469816 Varus Species 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000000577 adipose tissue Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000010985 leather Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 150000004767 nitrides Chemical class 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000276 sedentary effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 229910002601 GaN Inorganic materials 0.000 description 1
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003245 working effect Effects 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
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1077—Measuring of profiles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
-
- 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
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
-
- 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
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种身体姿态检测装置,涉及身体姿态检测领域,包括足底压力采集装置、图像采集装置、传输模块、客户端和服务端,传输模块与足底压力采集装置、图像采集装置连接,客户端与传输模块连接,用于对接收的足底压力数据以及脚部、腿部和肩部关节图像和/或视频信息进行处理、分析和计算,得到身体姿态检测结果;服务端与客户端连接,本发明还提供一种身体姿态检测方法。本发明的有益效果是通过足底压力检测和图像识别技术的融合,能够对人体姿态进行检测,为身体姿态提供预警;并且本发明的装置测量方便简单,能够直接显示检测结果,使用方便。
Description
技术领域
本发明属于身体姿态检测技术领域,尤其涉及一种身体姿态检测装置及检测方法方法。
背景技术
人的身体状态总能够通过各种指标来反映出来,例如人体的体重和身高是人们最容易关注的两个身体信息,用来反映人的的发育状态,目前来说这里两个身体信息最容易测量;后来出现了体脂率的概念,用于反映人体肥胖状态,根据身高体重等信息也可以粗略计算出来,而目前体脂秤的出现使体脂测量变得更加简单。
但随着社会的发展,人们对身体状态信息的关注点逐渐增多,例如:由于工作性质逐渐改变,久坐久站等工作类型越来越多,长期的固定姿势就带来了新的身体状态问题,久坐所引起的腰椎、脊柱和颈椎等问题;久站工作带来的足底神经长时间压迫问题等。根据这几年医学领域和生物力学领域等研究结果,与这些身体状态息息相关的指标可以归纳为足弓类型、身体平衡性、踝关节状态、膝关节状态、脊柱状态以及运动中的脚的内外翻、内外八、拇外翻。上述身体指标可以很大程度上反映人的身体姿态健康状态,但目前要检测该类信息大多需要依靠医疗结构或者专业人员使用专业的检测设备,因此人们很难像测量身高体重那样简单就能够获取人体姿态处于什么样的状态。
目前,与此相关的有基于鞋垫式压力传感器的步态分析技术,主要是通过在鞋或者鞋垫内增加柔性压力传感器和加速度传感器,通过采样电路获取人体足底的压力数据和加速度数据;但由于鞋或鞋垫需要能够承受剧烈运动而不损坏,因此压力传感器很难做到精密,该技术获取的足底压力的数据相对较粗糙,且偶然误差比较多,属于智能穿戴类设备,不能作为精确测量用,并且柔性压力传感需要在柔性基材上印刷力敏材料,所以印刷工艺要求较高,就导致成本高,而且大幅面印刷容易存在整个幅面一致性差的问题,大幅面的阵列压力传感器受压力后,其恢复主要依靠基材的弹性,幅面越大,弹性恢复越慢,造成动态响应慢。另外现有的平板式足底压力检测设备,如韩国的alFoots和比利时的FootScan等足底压力检测设备,其主要是一个平板式柔性压力传感器,可以采集的压力数据相对密度较鞋垫式略高,虽然具备足底压力检测和步态分析的功能,但采用的柔性传感器同样存在易损坏的问题,导致设备价格昂贵。上述两种技术,均是仅仅通过足底压力数据来获取身体状态,但无法准确计算出人体姿态状况。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种基于足底压力和图像识别技术的身体姿态检测装置及方法。
本发明的技术解决方案如下:
一种身体姿态检测装置,包括:
足底压力采集装置,用于检测和采集足底压力数据;
图像采集装置,用于检测和采集脚部、腿部和肩部的图像和/或视频信息;
传输模块,与足底压力采集装置、图像采集装置连接,用于将采集的足底压力数据以及脚部、腿部和肩部的图像和/或视频信息传输至外部;
客户端,与传输模块连接,用于对接收的足底压力数据以及脚部、腿部和肩部的图像和/或视频信息进行处理、分析和计算,并进行数据融合计算,得到身体姿态检测结果;
服务端,与客户端连接,用于存储客户端传输的原始数据和身体姿态检测结果。
作为优选技术方案,所述客户端包括:
第一处理模块,用于对接收的足底压力数据进行处理,并生成足部压力图像,对足部压力图像按照预定的分区规则进行分区和提取第一脚型轮廓图;根据处理后的足底压力数据计算得到身体压力重心矩阵面积值,根据分区后的足部压力图像计算各分区的面积和各分区的压力,根据第一脚型轮廓图计算得到拇指外翻角度值和内外八角度值;
第二处理模块,用于对接收的脚部、腿部和肩部的图像和/或视频信息进行处理和分析;提取得到第二脚型轮廓图、腿部关节质点连接线图和肩部关节质点连接线图;根据第二脚型轮廓图计算得到拇指外翻角度值,根据腿部关节质点连接线图计算得到膝关节角度值,根据肩部关节质点连接线图计算得到肩关节角度值;
身体姿态综合分析模块,与第一处理模块、第二处理模块连接,用于对第一处理模块和第二处理模块计算得到的数据进行融合分析计算,得到身体姿态最终检测结果。
作为优选技术方案,所述第一处理模块包括:
数据采集和滤波模块,用于对接收到的足部压力数据进行滤波、去噪、插值处理;
数据图形化模块,用于将数据采集和滤波模块处理后的压力数据生成足部压力图像,并对足部压力图像处理;
图像识别和分析模块,用于根据数据采集和滤波模块处理的足底压力数据计算身体压力重心坐标数组以及根据数据图形化模块处理后的足部压力图像按照预定的分区规则进行分区处理和提取第一脚型轮廓图,并根据身体压力重心坐标数组计算得到身体压力重心坐标矩阵面积,根据分区后的足部压力图像计算得到各分区的面积和各分区的压力,根据第一脚型轮廓图计算得到拇指外翻角度值和内外八角度值;
所述第二处理模块包括:
图像处理模块,用于对接收的脚部、腿部和肩部图像或/和视频进行背景消除和去噪处理,提取双脚图像以及腿部和肩部的骨骼关节质点,根据双脚图像识别得到第二脚型轮廓图,并根据第二脚型轮廓图计算得到拇指外翻角度值;根据腿部和肩部的骨骼关节质点分别绘制得到腿部关节质点连接线图和肩部关节质点连接线图,并根据腿部关节质点连接线图计算出膝关节角度值,根据肩部关节质点连接线图计算肩部连接线角度值。
作为优选技术方案,还包括公众号平台,与服务端连接,用于接收和显示服务端发送的身体姿态检测结果。
作为优选技术方案,所述足底压力采集装置包括:
压力传感器,用于获取足底压力数据;包括叉指电极阵列和高阻导电层,所述高阻导电层覆盖在所述叉指电极阵上,所述叉指电极阵列与所述数据采集模块连接;
数据采集模块,与压力传感器连接,用于接收压力传感器传输的足底压力数据。
高阻导电层是指电阻在1兆欧姆以上的导电层,可以采用氮化物膜或者碳膜等。
作为优选技术方案,还包括外壳,所述叉指电极阵列、高阻导电层和数据采集模块均设置在外壳上;所述图像采集装置包括图像采集模块、支架以及设置在所述外壳上的支架轨道,所述图像采集模块通过连接转轴转动设置在所述支架上,所述支架设置在所述支架轨道上并能够沿支架轨道移动。
一种身体姿态检测方法,包括以下步骤:
S1、采集足底压力数据以及脚部、腿部和肩部图像和/或视频;
S2、对足底压力数据进行处理;根据处理的足底压力数据计算得到身体压力重心矩阵面积,并生成足底压力图像;对足底压力图像进行处理,并提取双脚图像,对双脚足底压力图像按照预定的分区规则进行分区,并提取出第一脚型轮廓图;根据分区后的足底压力图像计算出各分区的面积和各分区的压力,根据第一脚型轮廓图计算拇指外翻角度α1和内外八角度;
对脚部、腿部和肩部图像或/和视频进行处理,提取双脚图像以及腿部和肩部的骨骼关节质点,根据双脚图像识别得到第二脚型轮廓图,并根据第二脚型轮廓图计算得到拇指外翻角度值α2;根据腿部和肩部的骨骼关节质点分别绘制得到腿部关节质点连接线图和肩部关节质点连接线图,并根据腿部关节质点连接线图计算得到膝关节角度值,根据肩部关节质点连接线图计算得到肩关节角度值;
S3、对步骤S2计算得到的数据进行融合分析计算,得到身体姿态最终检测结果。
作为优选技术方案,所述步骤S1具体包括:通过足底压力采集装置采集的足底压力数据包括静态足底压力数据和步态足底压力数据;通过图像采集装置采集脚部、腿部和肩部的图像和/或视频信息;
所述步骤S2具体包括:通过数据采集和滤波模块对静态足底压力数据和步态足底压力数据进行滤波、去噪以及双线线性插值处理;根据处理后的静态足底压力数据计算身体压力重心坐标数组,根据身体压力重心坐标数组计算得到身体压力重心坐标矩阵面积;通过数据图形化模块将处理后的压力数据生成足底压力图像,并对生成的足底压力图像进行膨胀腐蚀处理,使足底压力图像边缘过渡平滑,更加接近真实的足底压力图像;通过图像识别和分析模块根据处理后的足底压力图像提取双脚足底压力图像,并对足底压力图像按照预定的分区规则进行分区处理,根据双脚足底压力图像提取第一脚型轮廓图,第一脚型轮廓图包括第一静态脚型轮廓图和第一步态脚型轮廓图;根据分区后的足底压力图像计算各分区的压力和各分区的面积,根据第一静态脚型轮廓图计算拇指外翻角度值α1,根据第一步态脚型轮廓图计算得到内外八角度值;通过图像处理模块对脚部、腿部和肩部的图像或/和视频进行背景消除和去噪处理;提取双脚图像以及腿部和肩部的骨骼关节质点,根据双脚图像识别得到第二脚型轮廓图,并计算得到拇指外翻角度值α2;根据腿部和肩部的骨骼关节质点分别绘制得到腿部关节质点连接线图和肩部关节质点连接线图,并计算得到膝关节角度值和肩关节角度值;
所述步骤S3具体包括:通过身体姿态综合分析模块对各分区面积和各分区压力以及对拇指外翻角度值α1和拇指外翻角度值α2进行融合分析计算,最终输出检测结果,检测结果包括身体平衡性、足弓指数、内外翻系数、内外八角度、拇外翻角度、膝关节状态以及肩关节状态。
作为优选技术方案,所述步骤S2中计算方法包括:
(a)身体平衡性:根据步骤S2处理后的足底压力数据,计算每一帧的身体压力重心坐标,该检测时间段内所有帧计算出的身体压力重心坐标组成身体压力重心坐标矩阵,计算该身体压力重心坐标矩阵在坐标系中的面积,身体压力重心坐标矩阵面积的计算方法包括:通过仿射变换将坐标矩阵进行360°旋转;直至找到坐标轴方向最远两个点的距离最大值;以这两个点作为长轴,制作一个包含所有点的椭圆,计算该椭圆面积,该椭圆面积即为身体压力重心坐标矩阵面积;根身体压力重心坐标矩阵面积所属阈值区间得出身体平衡性检测结果;
(b)足弓指数:把步骤S2生成的左右脚足压图像分别去掉脚趾部分后按长度L进行三等分区得到A区、B区和C区;分别计算出各个分区的面积值SA、SB、SC和压力值PA、PB、PC;计算得到足弓部分的面积占比和压力占比,面积占比计算方法:压力占比计算方法:
(c)内外翻系数:把步骤S2生成的左右脚的足压图像分别按长度方向进行等比例三分区,分为脚趾区、中间区和脚跟区,然后再将脚趾区和中间区沿宽度方向等比例两分区,其中,脚趾区分为LFF区和MFF区;中间区分为LMF区和MMF区;计算各个分区的压力,根据各个分区的压力计算内外翻系数:
(d)拇外翻角度:根据步骤S2中提取的第一静态脚型轮廓图分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值α1;根据步骤S2中提取的第二脚型轮廓图,分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值拇外翻的角度值α2;
(d)膝关节状态:根据步骤S2中的关节质点图寻找骨架上曲率变化最大的点来定位膝关节点,区分大腿和小腿;通过对大腿和小腿的骨架进行直线拟合,然后计算两条直线之间的夹角β,即股骨干下段轴线与胫骨干上段轴线在膝关节所形成的夹角,根据夹角β的大小得到膝关节状态的检测结果;
(e)内外八角度:根据步骤S2中的第一步态脚型轮廓图找出每个传感点的最大值组成的一帧足压数据即为最值帧足部压力图;根据最值帧足部压力图中的运动趋势识别出脚的前进方向;然后用最小外接矩形框包围最值帧足部压力图,计算矩形压力框与前进方向形成的夹角θ,根据夹角θ得到内外八角度的检测结果;
(f)肩关节状态:根据步骤S2中的肩部关节质点连接线图,绘制左右肩最高点的连接线,根据肩部质点连接线和水平线之间夹角γ的绝对值来得到肩部失衡状态的检测结果。
作为优选技术方案,所述步骤(3)中的融合计算方法包括:
足弓指数:通过权重值,融合压力和面积占比,计算得到足弓指数检测结果,计算公式为ARCHINDEX=Ws*ARCHINDEX1+Wp*ARCHINDEX2,其中,ARCHINDEX1为足弓部分面积占比,计算方法为ARCHINDEX2为足弓部分压力占比,计算方法为Ws、Wp分别为面积和压力所占的权重;
拇外翻角度:根据权重值,融合拇外翻角度值α1和拇外翻的角度值α2,计算得到拇外翻角度检测结果,计算公式为α=W1*α1+W2*a,其中,α1为根据第一静态脚型轮廓图得到的拇外翻角度值,α2为根据第二静态脚型轮廓图得到的拇外翻角度值;W1,W2分别为α1和α2对应的权重值。
本发明的有益效果是:本发明通过将足底压力采集装置和图像采集装置安装在一起,从而实现了足部压力采集和图像采集同步进行,不仅节约了检测时间,而且采集的数据为同一时间段的,提高了采集结果的准确性。同时,该实施例通过同步采集足部压力以及脚部和腿部关节图像和/或视频信息实现了足底压力和姿态检测的融合,利用身体的重力分布和关节姿态图,分析出了身体姿态的多个指标,并根据身体姿态综合分析模块融合分析身体的重力分布和关节姿态图,使测量和评估的结果更加准确,从而得到身体平衡性、足弓指数、内外翻、内外八、拇外翻、膝关节状态以及肩关节状态等多个人体姿态指标,对人的身体健康给出了预警提示。另外,本发明的公众号平台还可以为测试者提供检测结果和预警信息,多渠道方便快捷的获取检测结果和预警信息,使用方便。最后,本发明采用高密度叉指电极阵列和高阻碳膜组成的压力传感器具有成本低、不易损坏、一致性好、动态响应快的优点。
附图说明
图1为实施例1中身体姿态检测装置的系统原理框图;
图2为实施例1中身体姿态检测装置的结构示意图;
图3为实施例1中身体姿态检测装置的剖视图;
图4为实施例2中身体姿态检测方法的流程框图;
图5为实施例2中身体姿态检测方法中根据足弓指数分区规则所获得的区域划分图;
图6为实施例2中身体姿态检测方法中根据内外翻系数分区规则所获得的区域划分图;
图7为实施例2中身体姿态检测方法中根据拇指外翻角度所获得的图;
图8为实施例2中身体姿态检测方法中根据膝关节状态所获得的图;
图9为实施例2中身体姿态检测方法中根据内外八角度所获得的图;
图10为实施例2中身体姿态检测方法中根据肩部平衡状态所获得的图;
附图标记:
1、图像采集模块;2、连接转轴;3、支架;4、支架轨道;5、数据采集模块;6、表面皮革层;7、高阻导电层;8、叉指电极阵列;9、外壳;10、供电和通信接口;
20、足底压力采集装置;30、图像采集装置;40、传输模块;50、客户端;51、数据采集和滤波模块;52、数据图形化模块;53、图像识别和分析模块;54、图像处理模块;55、身体姿态综合分析模块;60、服务端;70、公众号平台。
具体实施方式
下面用具体实施例对本发明做进一步详细说明,但本发明不仅局限于以下具体实施例。
实施例1
如图1~3所示,本实施例提供一种身体姿态检测装置,该检测装置包括下位机、传输模块40、客户端50、服务端60以及公众号平台70。
下位机包括外壳9以及设置在外壳9上的足底压力采集装置20和图像采集装置30;足底压力采集装置20用于采集足底压力数据;图像采集装置30用于采集脚部、腿部和肩部的图像和视频信息,在实际应用中,也可以只采集图像或视频信息,具体本领域技术人员可以根据需要灵活选用。本实施例中足底压力采集装置20包括数据采集模块5以及叉指电极阵列8和高阻导电层7组成的压力传感器,高阻导电层指电阻在1兆欧姆以上的导电层;在实际应用中,压力传感器还可以是压敏电阻阵列传感器或电容阵列传感器,具体本领域技术人员可以根据实际情况灵活选用。本实施例中的叉指电极阵列8是在PCB上使用铜导线绘制叉指电极阵列,通过铜导线把电极阵列的两个电极都引出来,用于接到采样模块进行电极阻抗检测。本实施例中,高阻导电层7采用高阻碳膜,在实际应用中,高阻导电层7还可以采用氮化物膜,如氮化镓等,具体本领域技术人员可以根据实际情况灵活选用。本实施例的高阻碳膜覆盖在叉指电极阵8上,通过高阻碳膜的有效区面积把叉指电极阵列8全部覆盖住,周围密封,防止外部空气和叉指电极接触造成氧化,只要当施加一定压力之后,高阻碳膜和叉指电极8密切接触,进而使叉指电极8的两个电极之间电阻发生变化,这样就可以通过检测叉指电极8两端电阻来反映施加力的变化,压力和电阻的相关曲线之间的换算方法为现有技术,具体换算方法可以参考专利CN104089741A,也可以采用现有技术中的其他方法,本领域技术人员可以根据需要灵活选用。叉指电极阵列8与数据采集模块5连接,通过数据采集模块5用于将压力传感器的模拟信号转化为数字信号,并进行初步滤波;高阻碳膜上设置有表面皮革层6,表面皮革层6的上表面丝印有标记,用于指示测量区域。图像采集装置包括图像采集模块1、支架3以及设置在所述外壳9上的支架轨道4,图像采集模块1通过连接转轴2转动设置在支架3上,从而能够调节图像采集模块1的拍摄角度;支架3设置在支架轨道4上并能够沿支架轨道4移动,从而通过调节支架3在支架轨道4上的位置能够调节图像采集模块1的位置;具体的,调节支架3下端可以设置滑块,支架轨道4上设置有配合的滑槽,从而实现支架3在支架轨道4上的位置移动,在实际应用中还可以采取其他的可移动结构,具体本领域技术人员可以根据需要灵活选用;外壳9上还设置有供电和通信接口10,用于连接电源和接收客户端的指令,并将采集到的数据传送到客户端。
传输模块40与足底压力采集装置20、图像采集装置30连接,用于将采集的足底压力数据以及腿部关节图像和/或视频信息传输至客户端50;
客户端50与传输模块40连接,用于对接收的足底压力数据以及脚部、腿部和肩部图像和/或视频信息进行处理、分析和计算,得到身体姿态检测结果。本实施例中,客户端50包括第一处理模块、第二处理模块和身体姿态综合分析模块55,第一处理模块包括数据采集和滤波模块51、数据图形化模块52和图像识别和分析模块53,数据采集和滤波模块51用于对接收到的足部压力数据进行滤波、去噪、插值处理;数据图形化模块52用于将数据采集和滤波模块51处理后的压力数据生成足部压力图像,并对数据图形化模块生成的压力图像进行膨胀腐蚀处理,使足底压力图像边缘过渡平滑,更加接近真实的足底压力图像。图像识别和分析模块53用于对处理后的足压数据和处理后的足底压力图像进行分析和计算,包括根据足压数据计算COP坐标数组(身体压力重心),根据COP坐标数组计算COP坐标矩阵面积,根据COP坐标矩阵面积值即可计算得到身体平衡性检测结果;根据足底压力图像区分出左右脚,提取左右脚图像,对左右脚的足底压力图像按照预定的分区规则进行分区处理,计算各分区的面积和压力,根据各分区的压力即可计算得到足弓指数和内外翻系数的检测结果,根据各分区的面积即可计算得到足弓指数检测结果;并根据左右脚的足底压力图像提取第一脚型轮廓图,并根据第一脚型轮廓图计算拇指外翻角度值α1和内外八角度值,即可得到拇外翻和内外八检测结果。第二处理模块包括图像处理模块54,图像处理模块54用于对接收的脚部、腿部和肩部图像或和视频进行背景消除和去噪处理,提取双脚图像以及腿部和肩部的骨骼关节质点,根据双脚图像识别得到第二脚型轮廓图,并根据第二脚型轮廓图计算得到拇指外翻角度值α2;根据腿部和肩部的骨骼关节质点分别绘制得到腿部和肩部的关节质点连接线图,并计算出膝关节角度值和肩部连接线角度值。身体姿态综合分析模块55与第一处理模块、第二处理模块连接,用于对第一处理模块和第二处理模块计算的结果进行融合分析计算,得到最终检测结果,并输出人体姿态检测结果。本实施例中,身体姿态综合分析模块55用于对根据各分区的压力得到足弓指数检测结果和根据各分区的面积得到足弓指数检测结果进行融合计算,以及用于对拇指外翻角度值α1和拇指外翻角度值α2进行融合计算,从而输出最终的足弓指数和拇指外翻角度检测结果。在实际应用中,还可以对身体平衡性、内外翻、内外八和拇外翻等结果进行融合分析计算,具体本领域技术人员可以根据实际情况而定。身体姿态综合分析模块55通过深度学习,不断优化两种或者两种以上方法的权重占比,最终让评判结果越来越准确。
服务端60与客户端50交互,用于存储客户端50传输的原始数据和身体姿态检测结果;服务端60还具有数据库功能,用于对原始数据和身体姿态结果的统计和检索。
公众号平台70与服务端60交互,用于向服务端请求评判指标数据,并显示接收到的评判指标数据。
本实施例中的身体姿态检测装置通过将足底压力采集装置20和图像采集装置30安装在一起,从而实现了足部压力采集和图像采集同步进行,不仅节约了检测时间,而且采集的数据为同一时间段的,提高了采集结果的准确性。同时,该实施例通过同步采集足部压力以及脚部和腿部关节图像和/或视频信息实现了足底压力和姿态检测的融合,利用足部压力数据计算出身体平衡性、足弓系数、内外翻、内外八和拇外翻等检测结果;利用拍照或者摄像获得的身体骨骼和关节图计算出拇外翻、膝关节状态和肩关节状态等多个检测结果,并根据身体姿态综合分析模块融合分析上述检测结果,从而使测量和评估的结果更加准确,从而综合得到身体平衡性、足弓指数、内外翻、内外八、拇外翻、膝关节状态等多个人体姿态检测结果,对人的身体健康给出了预警提示。另外,本实施例中的公众号平台还可以为测试者提供检测结果和预警信息,多渠道方便快捷的获取检测结果和预警信息,使用方便。最后,本实施例采用高密度叉指电极阵列和高阻碳膜组成的压力传感器具有成本低、不易损坏、一致性好、动态响应快的优点。
实施例2
如图4所示,本实施例提供一种身体姿态检测方法,包括以下步骤:
S1、通过足底压力采集装置20采集足底压力数据,本实施例中,采集的足底压力数据包括静态足底压力数据和步态足底压力数据,静态足底压力数据为测试者站在足底压力采集装置20上保持静止状态测得的数据;步态足底压力数据为测试者身体方向沿着压力采集设备的横向踏过足底压力采集装置20所采集的压力数据,取整个步态过程的压力数据;并通过传输模块40传输至客户端50;
通过图像采集装置30对脚部和腿部进行拍照和摄像,本实施例中,需要拍照采集以膝盖为中心的腿型照片,拍照采集脚踝照片,拍照采集肩部照片,录制采集步态过程中的人体运动视频,从而获得脚部、腿部和肩部的图像和视频,并通过传输模块40传输至客户端50;
S2、通过数据采集和滤波模块51对静态足底压力数据和步态足底压力数据进行滤波、去噪以及双线线性插值处理;通过数据图形化模块52将数据采集和滤波模块51处理后的压力数据生成彩色的足底压力图像,并对生成的足底压力图像进行膨胀腐蚀处理,使足底压力图像边缘过渡平滑,更加接近真实的足底压力图像;通过图像识别和分析模块53对处理后的足压数据和处理后的足底压力图像进行分析和计算,包括根据足压数据计算COP坐标数组(身体压力重心),根据COP坐标数组计算COP坐标矩阵面积;根据足底压力图像区分出左右脚,提取左右脚图像,对左右脚的足底压力图像按照预定的分区规则进行分区处理,计算各分区的面积和压力;并根据左右脚的足底压力图像提取第一脚型轮廓图,并根据第一脚型轮廓图计算拇指外翻角度值和内外八角度值;通过图像处理模块54对接收的脚部、腿部和肩部图像或和视频进行背景消除和去噪处理,提取双脚图像以及腿部和肩部的骨骼关节质点,根据双脚图像识别得到第二脚型轮廓图,并根据第二脚型轮廓图计算得到拇指外翻角度值;根据腿部和肩部的骨骼关节质点分别绘制得到腿部和肩部的关节质点连接线图,并计算出膝关节角度值和肩部连接线角度值。具体计算方法包括:
(1)身体平衡性:
根据步骤S2处理后的足底压力数据,计算每一帧的压力重心作为COP(身体压力重心)坐标,该检测时间段内所有帧计算出的COP坐标组成COP坐标矩阵,计算该COP坐标矩阵在坐标系中的面积,COP坐标矩阵面积的计算方法包括:通过仿射变换将坐标矩阵进行360°旋转;直至找到坐标轴方向最远两个点的距离最大值;以这两个点作为长轴,制作一个包含所有点的椭圆,计算该椭圆面积,该椭圆面积即为COP的矩阵面积;根据COP坐标矩阵的面积所属阈值区间得出身体平衡性检测结果:身体平衡性与COP坐标矩阵面积的关系如表1所示:
表1身体平衡性与COP坐标矩阵面积的关系
COP坐标矩阵面积/mm2 | 身体平衡性 |
0≤COP坐标矩阵面积≤50 | 稳定 |
50<COP坐标矩阵面积≤100 | 较稳定 |
100<COP坐标矩阵面积≤150 | 轻微不稳定 |
150<COP坐标矩阵面积≤200 | 重度不稳定 |
(2)足弓指数:
a)如图5所示,把步骤S2生成的左右脚足压图像分别去掉脚趾部分后按长度L进行三等分区;
b)分别计算出各个分区的面积值SA、SB、SC,和压力值PA、PB、PC;
c)计算足弓部分的面积占比和压力占比,其中ARCHINDEX1为足弓部分所占面积,ARCHINDEX2为足弓部分所占压力;
(3)内外翻系数:
如图6所示,把步骤S2生成的左右脚的足压图像分别按长度方向进行等比例三分区,分为脚趾区、中间区和脚跟区,然后再将脚趾区和中间区沿宽度方向等比例两分区,其中,脚趾区分为LFF区和MFF区;中间区分为LMF区和MMF区;脚跟区为Heel区。计算各个分区的压力,利用以下公式计算出内外翻系数,然后根据经验阈值进行指标对应,得出内外翻系数检测结果:
其中,MFF、MMF、LFF、LMF分别为MFF、MMF、LFF、LMF对应的各个分区的足压。
当内外翻系数>0.12,检测结果显示外翻;
当-0.3≤内外翻系数≤0.12,检测结果显示正常;
当内外翻系数<-0.3,检测结果显示内翻。
(4)拇外翻角度:
如图7所示,根据步骤S2中提取的第一静态脚型轮廓图分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值α1;
根据步骤S2中生成的第二脚型轮廓图,方法同上,计算出拇外翻的角度值α2;
(5)膝关节状态:
如图8所示,根据步骤S2中的关节质点图寻找骨架上曲率变化最大的点来定位膝关节点,区分大腿和小腿;通过对大腿和小腿的骨架进行直线拟合,然后计算两条直线之间的夹角β,即股骨干下段轴线与胫骨干上段轴线在膝关节所形成的夹角,根据夹角β的大小判断膝关节状态检测结果。
当β>15°,检测结果显示为X型腿;
当-15°≤β≤15°,检测结果显示为正常;
当β<-15°,检测结果显示为为O型腿。
(6)内外八角度:
如图9所示,根据步骤S2中的第一步态脚型轮廓图找出每个传感点的最大值组成的一帧足压数据即为最值帧足部压力图;根据最值帧足部压力图中的运动趋势识别出脚的前进方向;然后用最小外接矩形框包围最值帧足部压力图,计算这个矩形压力框和前进垂直方向形成的夹角θ,根据夹角θ得到内外八角度的检测结果。
当θ向外角度>5°,检测结果显示外八;
当θ向内角度>5°,检测结果显示内八;
当0≤θ≤5°,检测结果显示正常。
(7)肩关节状态
如图10所示,根据步骤S2中的肩部关节质点连接线图,绘制左右肩最高点的连接线,根据肩部质点连接线和水平线之间夹角γ的绝对值,来确定肩部失衡状态;
当|γ|>10°,检测结果为肩部重度失衡;
当3°<|γ|≤10°,检测结果为肩部轻度失衡;
当|γ|≤3°,检测结果为肩部平衡正常。
S3、通过身体姿态综合分析模块55对步骤S2计算的结果进行融合分析计算,得到最终的检测结果,身体姿态综合分析模块55通过深度学习,不断优化两种或者两种以上方法的权重占比,最终让评判结果越来越准确。具体融合分析计算方法包括:
(1)足弓指数:根据权重值,融合各分区压力和面积占比计算出足弓指数检测结果;
ARCHINDEX=Ws*ARCHINDEX1+Wp*ARCHINDEX2
其中,ARCHINDEX1为足弓部分所占面积,ARCHINDEX2为足弓部分所占压力,Ws、Wp分别为面积和压力所占的权重,Ws、Wp的权重初始输入值为0.8和0.2,然后通过定期对数据库中足弓指数的人工标记,结合现有深度学习算法,进行参数的自动学习迭代,不断优化调整这两个参数;ARCHINDEX为最终的足弓指数检测结果。
当0≤ARCHINDEX<0.1时,检测结果显示重度高足弓;
当0.1≤ARCHINDEX<0.21时,检测结果显示轻度高足弓;
当0.21≤ARCHINDEX<0.26时,检测结果显示正常足弓;
当0.26≤ARCHINDEX<0.3时,检测结果显示轻度扁足弓;
当ARCHINDEX≥0.3时,检测结果显示重度扁足弓。
(2)拇外翻角度:根据权重值,融合拇外翻角度值α1和拇外翻的角度值α2计算出拇外翻角度检测结果:
α=W1*a1+W2*a2
其中,α1为根据第一静态脚型轮廓图得到的拇外翻角度值,α2为根据第二静态脚型轮廓图得到的拇外翻角度值;W1,W2分别为α1和α2对应的权重值,W1,W2的初始输入值分别为0.3和0.7,W1,W2还可以通过定期对数据库中拇外翻角度的人工标记,结合现有深度学习算法,进行参数的自动学习迭代,不断优化调整这两个参数;α为拇外翻角度检测结果。
当α≤15°,检测结果显示正常;
当α>15°,检测结果显示拇指外翻。
以上仅是本发明的特征实施范例,对本发明保护范围不构成任何限制。凡采用同等交换或者等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (5)
1.一种身体姿态检测装置,其特征在于,包括:
足底压力采集装置(20),用于检测和采集足底压力数据;
图像采集装置(30),用于检测和采集脚部、腿部和肩部的图像和/或视频信息;
传输模块(40),与足底压力采集装置(20)、图像采集装置(30)连接,用于将采集的足底压力数据以及脚部、腿部和肩部的图像和/或视频信息传输至外部;
客户端(50),与传输模块(40)连接,用于对接收的足底压力数据以及脚部、腿部和肩部的图像和/或视频信息进行处理、分析和计算,并进行数据融合计算,得到身体姿态检测结果;
服务端(60),与客户端(50)连接,用于存储客户端(50)传输的原始数据和身体姿态检测结果;
第一处理模块,用于对接收的足底压力数据进行处理,并生成足部压力图像,对足部压力图像按照预定的分区规则进行分区和提取第一脚型轮廓图;根据处理后的足底压力数据计算得到身体压力重心矩阵面积值,根据分区后的足部压力图像计算各分区的面积和各分区的压力,根据第一脚型轮廓图计算得到拇指外翻角度值和内外八角度值;
第二处理模块,用于对接收的脚部、腿部和肩部的图像和/或视频信息进行处理和分析;提取得到第二脚型轮廓图、腿部关节质点连接线图和肩部关节质点连接线图;根据第二脚型轮廓图计算得到拇指外翻角度值,根据腿部关节质点连接线图计算得到膝关节角度值,根据肩部关节质点连接线图计算得到肩关节角度值;
身体姿态综合分析模块(55),与第一处理模块、第二处理模块连接,用于对第一处理模块和第二处理模块计算得到的数据进行融合分析计算,得到身体姿态最终检测结果;
所述第一处理模块包括:
数据采集和滤波模块(51),用于对接收到的足部压力数据进行滤波、去噪、插值处理;
数据图形化模块(52),用于将数据采集和滤波模块(51)处理后的压力数据生成足部压力图像,并对足部压力图像处理;
图像识别和分析模块(53),用于根据数据采集和滤波模块(51)处理的足底压力数据计算身体压力重心坐标数组以及根据数据图形化模块(52)处理后的足部压力图像按照预定的分区规则进行分区处理和提取第一脚型轮廓图,并根据身体压力重心坐标数组计算得到身体压力重心坐标矩阵面积,根据分区后的足部压力图像计算得到各分区的面积和各分区的压力,根据第一脚型轮廓图计算得到拇指外翻角度值和内外八角度值;
所述第二处理模块包括:
图像处理模块(54),用于对接收的脚部、腿部和肩部图像或/和视频进行背景消除和去噪处理,提取双脚图像以及腿部和肩部的骨骼关节质点,根据双脚图像识别得到第二脚型轮廓图,并根据第二脚型轮廓图计算得到拇指外翻角度值;根据腿部和肩部的骨骼关节质点分别绘制得到腿部关节质点连接线图和肩部关节质点连接线图,并根据腿部关节质点连接线图计算出膝关节角度值,根据肩部关节质点连接线图计算肩部连接线角度值;
通过身体姿态综合分析模块(55)对各分区面积和各分区压力以及对拇指外翻角度值α1和拇指外翻角度值α2进行融合分析计算,最终输出检测结果,检测结果包括身体平衡性、足弓指数、内外翻系数、内外八角度、拇外翻角度、膝关节状态以及肩关节状态;
其中足弓指数的计算为:把生成的左右脚足压图像分别去掉脚趾部分后按长度L进行三等分区得到A区、B区和C区;分别计算出各个分区的面积值SA、SB、SC和压力值PA、PB、PC;计算得到足弓部分的面积占比和压力占比,面积占比计算方法:压力占比计算方法:
通过权重值,融合压力和面积占比,计算得到足弓指数检测结果,计算公式为ARCHINDEX=Ws*ARCHINDEX1+Wp*ARCHINDEX2,其中,ARCHINDEX1为足弓部分面积占比,计算方法为ARCHINDEX2为足弓部分压力占比,计算方法为Ws、Wp分别为面积和压力所占的权重;
拇外翻角度的计算为:根据权重值,融合拇外翻角度值α1和拇外翻的角度值α2,计算得到拇外翻角度检测结果,计算公式为α=W1*α1+W2*α2,其中,α1为根据第一静态脚型轮廓图得到的拇外翻角度值,α2为根据第二静态脚型轮廓图得到的拇外翻角度值;W1,W2分别为α1和α2对应的权重值;
根据提取的第一静态脚型轮廓图分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值α1;根据提取的第二脚型轮廓图,分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值拇外翻的角度值α2;
通过身体姿态综合分析模块(55)对各分区面积和各分区压力以及对拇指外翻角度值α1和拇指外翻角度值α2进行融合分析计算,最终输出检测结果,检测结果包括身体平衡性、足弓指数、内外翻系数、内外八角度、拇外翻角度、膝关节状态以及肩关节状态;
(a)身体平衡性:根据处理后的足底压力数据,计算每一帧的身体压力重心坐标,检测时间段内所有帧计算出的身体压力重心坐标组成身体压力重心坐标矩阵,计算该身体压力重心坐标矩阵在坐标系中的面积,身体压力重心坐标矩阵面积的计算方法包括:通过仿射变换将坐标矩阵进行360°旋转;直至找到坐标轴方向最远两个点的距离最大值;以这两个点作为长轴,制作一个包含所有点的椭圆,计算该椭圆面积,该椭圆面积即为身体压力重心坐标矩阵面积;根身体压力重心坐标矩阵面积所属阈值区间得出身体平衡性检测结果;
(b)足弓指数:把生成的左右脚足压图像分别去掉脚趾部分后按长度L进行三等分区得到A区、B区和C区;分别计算出各个分区的面积值SA、SB、SC和压力值PA、PB、PC;计算得到足弓部分的面积占比和压力占比,面积占比计算方法:压力占比计算方法:
(c)内外翻系数:把生成的左右脚的足压图像分别按长度方向进行等比例三分区,分为脚趾区、中间区和脚跟区,然后再将脚趾区和中间区沿宽度方向等比例两分区,其中,脚趾区分为LFF区和MFF区;中间区分为LMF区和MMF区;计算各个分区的压力,根据各个分区的压力计算内外翻系数:其中,MFF、MMF、LFF、LMF分别为MFF、MMF、LFF、LMF对应的各个分区足压;得到内外翻系数检测结果;
(d)拇外翻角度:根据提取的第一静态脚型轮廓图分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值α1;根据提取的第二脚型轮廓图,分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值拇外翻的角度值α2;
(d)膝关节状态:根据关节质点图寻找骨架上曲率变化最大的点来定位膝关节点,区分大腿和小腿;通过对大腿和小腿的骨架进行直线拟合,然后计算两条直线之间的夹角β,即股骨干下段轴线与胫骨干上段轴线在膝关节所形成的夹角,根据夹角β的大小得到膝关节状态的检测结果;
(e)内外八角度:根据第一步态脚型轮廓图找出每个传感点的最大值组成的一帧足压数据即为最值帧足部压力图;根据最值帧足部压力图中的运动趋势识别出脚的前进方向;然后用最小外接矩形框包围最值帧足部压力图,计算矩形压力框与前进方向形成的夹角θ,根据夹角θ得到内外八角度的检测结果;
(f)肩关节状态:根据肩部关节质点连接线图,绘制左右肩最高点的连接线,根据肩部质点连接线和水平线之间夹角γ的绝对值来得到肩部失衡状态的检测结果;
足弓指数:通过权重值,融合压力和面积占比,计算得到足弓指数检测结果,计算公式为ARCHINDEX=Ws*ARCHINDEX1+Wp*ARCHINDEX2,其中,ARCHINDEX1为足弓部分面积占比,计算方法为ARCHINDEX2为足弓部分压力占比,计算方法为Ws、Wp分别为面积和压力所占的权重;
拇外翻角度:根据权重值,融合拇外翻角度值α1和拇外翻的角度值α2,计算得到拇外翻角度检测结果,计算公式为α=W1*α1+W2*α2,其中,α1为根据第一静态脚型轮廓图得到的拇外翻角度值,α2为根据第二静态脚型轮廓图得到的拇外翻角度值;W1,W2分别为α1和α2对应的权重值。
2.根据权利要求1所述的一种身体姿态检测装置,其特征在于,还包括公众号平台(70),与服务端(60)连接,用于接收和显示服务端(60)发送的身体姿态检测结果。
3.根据权利要求1所述的一种身体姿态检测装置,其特征在于,所述足底压力采集装置包括:
压力传感器,用于获取足底压力数据;包括叉指电极阵列(8)和高阻导电层(7),所述高阻导电层(7)覆盖在所述叉指电极阵(8)上,所述叉指电极阵列(8)与所述数据采集模块(5)连接;
数据采集模块(5),与压力传感器连接,用于接收压力传感器传输的足底压力数据。
4.根据权利要求3所述的一种身体姿态检测装置,其特征在于,还包括外壳(9),所述叉指电极阵列(8)、高阻导电层(7)和数据采集模块(5)均设置在外壳(9)上;所述图像采集装置包括图像采集模块(1)、支架(3)以及设置在所述外壳(9)上的支架轨道(4),所述图像采集模块(1)通过连接转轴(2)转动设置在所述支架(3)上,所述支架(3)设置在所述支架轨道(4)上并能够沿支架轨道(4)移动。
5.一种身体姿态检测方法,其特征在于,包括以下步骤:
S1、采集足底压力数据以及脚部、腿部和肩部图像和/或视频;
S2、对足底压力数据进行处理;根据处理的足底压力数据计算得到身体压力重心矩阵面积,并生成足底压力图像;对足底压力图像进行处理,并提取双脚图像,对双脚足底压力图像按照预定的分区规则进行分区,并提取出第一脚型轮廓图;根据分区后的足底压力图像计算出各分区的面积和各分区的压力,根据第一脚型轮廓图计算拇指外翻角度α1和内外八角度;
对脚部、腿部和肩部图像或/和视频进行处理,提取双脚图像以及腿部和肩部的骨骼关节质点,根据双脚图像识别得到第二脚型轮廓图,并根据第二脚型轮廓图计算得到拇指外翻角度值α2;根据腿部和肩部的骨骼关节质点分别绘制得到腿部关节质点连接线图和肩部关节质点连接线图,并根据腿部关节质点连接线图计算得到膝关节角度值,根据肩部关节质点连接线图计算得到肩关节角度值;
S3、对步骤S2计算得到的数据进行融合分析计算,得到身体姿态最终检测结果;
所述步骤S1具体包括:通过足底压力采集装置(20)采集的足底压力数据包括静态足底压力数据和步态足底压力数据;通过图像采集装置(30)采集脚部、腿部和肩部的图像和/或视频信息;
所述步骤S2具体包括:通过数据采集和滤波模块(51)对静态足底压力数据和步态足底压力数据进行滤波、去噪以及双线线性插值处理;根据处理后的静态足底压力数据计算身体压力重心坐标数组,根据身体压力重心坐标数组计算得到身体压力重心坐标矩阵面积;通过数据图形化模块(52)将处理后的压力数据生成足底压力图像,并对生成的足底压力图像进行膨胀腐蚀处理,使足底压力图像边缘过渡平滑,更加接近真实的足底压力图像;通过图像识别和分析模块(53)根据处理后的足底压力图像提取双脚足底压力图像,并对足底压力图像按照预定的分区规则进行分区处理,根据双脚足底压力图像提取第一脚型轮廓图,第一脚型轮廓图包括第一静态脚型轮廓图和第一步态脚型轮廓图;根据分区后的足底压力图像计算各分区的压力和各分区的面积,根据第一静态脚型轮廓图计算拇指外翻角度值α1,根据第一步态脚型轮廓图计算得到内外八角度值;通过图像处理模块(54)对脚部、腿部和肩部的图像或/和视频进行背景消除和去噪处理;提取双脚图像以及腿部和肩部的骨骼关节质点,根据双脚图像识别得到第二脚型轮廓图,并计算得到拇指外翻角度值α2;根据腿部和肩部的骨骼关节质点分别绘制得到腿部关节质点连接线图和肩部关节质点连接线图,并计算得到膝关节角度值和肩关节角度值;
所述步骤S3具体包括:通过身体姿态综合分析模块(55)对各分区面积和各分区压力以及对拇指外翻角度值α1和拇指外翻角度值α2进行融合分析计算,最终输出检测结果,检测结果包括身体平衡性、足弓指数、内外翻系数、内外八角度、拇外翻角度、膝关节状态以及肩关节状态;
(a)身体平衡性:根据步骤S2处理后的足底压力数据,计算每一帧的身体压力重心坐标,检测时间段内所有帧计算出的身体压力重心坐标组成身体压力重心坐标矩阵,计算该身体压力重心坐标矩阵在坐标系中的面积,身体压力重心坐标矩阵面积的计算方法包括:通过仿射变换将坐标矩阵进行360°旋转;直至找到坐标轴方向最远两个点的距离最大值;以这两个点作为长轴,制作一个包含所有点的椭圆,计算该椭圆面积,该椭圆面积即为身体压力重心坐标矩阵面积;根身体压力重心坐标矩阵面积所属阈值区间得出身体平衡性检测结果;
(b)足弓指数:把步骤S2生成的左右脚足压图像分别去掉脚趾部分后按长度L进行三等分区得到A区、B区和C区;分别计算出各个分区的面积值SA、SB、SC和压力值PA、PB、PC;计算得到足弓部分的面积占比和压力占比,面积占比计算方法:压力占比计算方法:
(c)内外翻系数:把步骤S2生成的左右脚的足压图像分别按长度方向进行等比例三分区,分为脚趾区、中间区和脚跟区,然后再将脚趾区和中间区沿宽度方向等比例两分区,其中,脚趾区分为LFF区和MFF区;中间区分为LMF区和MMF区;计算各个分区的压力,根据各个分区的压力计算内外翻系数:其中,MFF、MMF、LFF、LMF分别为MFF、MMF、LFF、LMF对应的各个分区足压;得到内外翻系数检测结果;
(d)拇外翻角度:根据步骤S2中提取的第一静态脚型轮廓图分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值α1;根据步骤S2中提取的第二脚型轮廓图,分别识别出左右脚掌内侧最高凸起点和拇指最高凸起点,连接两个凸起点,计算出该连线和脚掌纵向的角度值,即为拇外翻角度值拇外翻的角度值α2;
(d)膝关节状态:根据步骤S2中的关节质点图寻找骨架上曲率变化最大的点来定位膝关节点,区分大腿和小腿;通过对大腿和小腿的骨架进行直线拟合,然后计算两条直线之间的夹角β,即股骨干下段轴线与胫骨干上段轴线在膝关节所形成的夹角,根据夹角β的大小得到膝关节状态的检测结果;
(e)内外八角度:根据步骤S2中的第一步态脚型轮廓图找出每个传感点的最大值组成的一帧足压数据即为最值帧足部压力图;根据最值帧足部压力图中的运动趋势识别出脚的前进方向;然后用最小外接矩形框包围最值帧足部压力图,计算矩形压力框与前进方向形成的夹角θ,根据夹角θ得到内外八角度的检测结果;
(f)肩关节状态:根据步骤S2中的肩部关节质点连接线图,绘制左右肩最高点的连接线,根据肩部质点连接线和水平线之间夹角γ的绝对值来得到肩部失衡状态的检测结果;
足弓指数:通过权重值,融合压力和面积占比,计算得到足弓指数检测结果,计算公式为ARCHINDEX=Ws*ARCHINDEX1+Wp*ARCHINDEX2,其中,ARCHINDEX1为足弓部分面积占比,计算方法为ARCHINDEX2为足弓部分压力占比,计算方法为Ws、Wp分别为面积和压力所占的权重;
拇外翻角度:根据权重值,融合拇外翻角度值α1和拇外翻的角度值α2,计算得到拇外翻角度检测结果,计算公式为α=W1*α1+W2*α2,其中,α1为根据第一静态脚型轮廓图得到的拇外翻角度值,α2为根据第二静态脚型轮廓图得到的拇外翻角度值;W1,W2分别为α1和α2对应的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296436.5A CN111358471B (zh) | 2020-04-15 | 2020-04-15 | 一种身体姿态检测装置及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296436.5A CN111358471B (zh) | 2020-04-15 | 2020-04-15 | 一种身体姿态检测装置及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111358471A CN111358471A (zh) | 2020-07-03 |
CN111358471B true CN111358471B (zh) | 2023-04-28 |
Family
ID=71199557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010296436.5A Active CN111358471B (zh) | 2020-04-15 | 2020-04-15 | 一种身体姿态检测装置及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111358471B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627546A (zh) * | 2020-11-26 | 2022-06-14 | 广州源动智慧体育科技有限公司 | 跑步姿态的识别方法、装置和计算机设备 |
CN112766142B (zh) * | 2021-01-15 | 2022-12-20 | 天津大学 | 足底压力图像处理方法、识别方法及步态分析系统 |
CN112998696A (zh) * | 2021-02-03 | 2021-06-22 | 上海橙捷健康科技有限公司 | 基于下肢评估和步态分析的足底矫正方法、系统及其应用 |
CN113100751A (zh) * | 2021-04-08 | 2021-07-13 | 宜步医疗科技(江苏)有限公司 | 生物力线判断指标及判断依据 |
CN112999616A (zh) * | 2021-04-16 | 2021-06-22 | 北京万觉科技有限公司 | 姿态检测系统、方法、装置以及可存储介质 |
CN113180335B (zh) * | 2021-04-30 | 2022-06-28 | 西安福音康复健康产业有限公司 | 一种足部数据测量方法及鞋垫定制方法 |
CN113331829B (zh) * | 2021-06-09 | 2022-08-05 | 吉林大学 | 一种足底信息监测方法及智能鞋垫装置 |
CN115530801B (zh) * | 2021-06-30 | 2024-07-26 | 中南大学 | 坐立测试系统及方法、电子设备及存储介质 |
CN115530802A (zh) * | 2021-06-30 | 2022-12-30 | 中南大学 | 用于身体平衡性测量的步态显示设备 |
CN113298051B (zh) * | 2021-07-26 | 2021-09-28 | 湖南灵之心心理学应用技术有限公司 | 基于感知地毯标定的人体形体精确测量系统及方法 |
CN114869270B (zh) * | 2022-03-07 | 2023-07-18 | 电子科技大学 | 一种基于小动物图像和足底压力数据融合的步态分析方法 |
CN115861871B (zh) * | 2022-11-10 | 2023-08-01 | 深圳蓄能发电有限公司 | 现场人员人体姿态检测的多重验证检测装置、方法及介质 |
CN115563556B (zh) * | 2022-12-01 | 2023-03-31 | 武汉纺织大学 | 一种基于智能可穿戴设备的人体体态预测方法 |
TWI843350B (zh) * | 2022-12-21 | 2024-05-21 | 財團法人工業技術研究院 | 姿態穩定度偵測系統及其應用之偵測方法 |
CN117100250B (zh) * | 2023-07-10 | 2024-05-28 | 北京华益精点生物技术有限公司 | 脚趾位置的确定方法、装置、电子设备及存储介质 |
CN117281501B (zh) * | 2023-09-25 | 2024-03-29 | 国家体育总局运动医学研究所 | 智能女足下肢运动损伤预警装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547639A (zh) * | 2006-09-21 | 2009-09-30 | 先灵-普劳健康护理产品公司 | 足部测量设备 |
CN107464241A (zh) * | 2017-08-16 | 2017-12-12 | 深圳市新元素医疗技术开发有限公司 | 一种足底压力的分析方法 |
CN109708698A (zh) * | 2018-12-29 | 2019-05-03 | 中国科学院合肥物质科学研究院 | 一种旋转式三维脚型与足底压力扫描仪及其工作方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2685926T3 (es) * | 2006-09-21 | 2018-10-15 | Bayer Consumer Care Ag | Aparato para medición del pie |
WO2013046515A1 (ja) * | 2011-09-27 | 2013-04-04 | テルモ株式会社 | 整形疾患リスク評価システム及び情報処理装置 |
TWM501834U (zh) * | 2014-07-03 | 2015-06-01 | Biofit Co Ltd | 一種足部感測系統 |
JP6691145B2 (ja) * | 2015-06-30 | 2020-04-28 | ジブリオ, インク | 人の姿勢安定性および転倒リスクを判定するための方法、システムおよび装置 |
CN105631195B (zh) * | 2015-12-18 | 2017-12-26 | 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 |
CN205885432U (zh) * | 2016-06-22 | 2017-01-18 | 河北师范大学 | 一种基于鞋垫的足底压力测试装置 |
EP3539030A1 (fr) * | 2016-11-09 | 2019-09-18 | Centre National de la Recherche Scientifique | Procede multiparametrique de quantification de l'equilibre |
CN107049241B (zh) * | 2017-01-22 | 2023-06-06 | 北京方可体健康科技有限公司 | 一种功能检测评估仪 |
CN106805980A (zh) * | 2017-01-24 | 2017-06-09 | 重庆小爱科技有限公司 | 一种步态分析系统及分析方法 |
CN207041525U (zh) * | 2017-02-17 | 2018-02-27 | 红崴科技股份有限公司 | 自动化足部检测设备 |
CN108451533B (zh) * | 2017-02-17 | 2022-08-16 | 红崴科技股份有限公司 | 自动化足部检测设备 |
CN108309236B (zh) * | 2018-01-15 | 2021-08-27 | 新绎健康科技有限公司 | 人体平衡评估方法及系统 |
JP7153495B2 (ja) * | 2018-07-30 | 2022-10-14 | 花王株式会社 | 足状態分析方法 |
CN109948590B (zh) * | 2019-04-01 | 2020-11-06 | 启霖世纪(北京)教育科技有限公司 | 姿态问题检测方法及装置 |
CN110327045A (zh) * | 2019-05-21 | 2019-10-15 | 宁波海云康智能科技有限公司 | 生物力线小站融合多传感器信息的健康检测装置及其方法 |
CN110495889B (zh) * | 2019-07-04 | 2022-05-27 | 平安科技(深圳)有限公司 | 体态评估方法、电子装置、计算机设备及存储介质 |
CN110987142A (zh) * | 2019-12-26 | 2020-04-10 | 美迪欧(厦门)健康科技有限公司 | 一种便携式足形足压检测仪及测量方法 |
-
2020
- 2020-04-15 CN CN202010296436.5A patent/CN111358471B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547639A (zh) * | 2006-09-21 | 2009-09-30 | 先灵-普劳健康护理产品公司 | 足部测量设备 |
CN107464241A (zh) * | 2017-08-16 | 2017-12-12 | 深圳市新元素医疗技术开发有限公司 | 一种足底压力的分析方法 |
CN109708698A (zh) * | 2018-12-29 | 2019-05-03 | 中国科学院合肥物质科学研究院 | 一种旋转式三维脚型与足底压力扫描仪及其工作方法 |
Non-Patent Citations (1)
Title |
---|
周洁.基于多传感器信息融合的步态识别方法研究.现代计算机.2016,(第08期),40-45. * |
Also Published As
Publication number | Publication date |
---|---|
CN111358471A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111358471B (zh) | 一种身体姿态检测装置及检测方法 | |
CN110969114B (zh) | 一种人体动作功能检测系统、检测方法及检测仪 | |
Viswakumar et al. | Human gait analysis using OpenPose | |
CN111358469B (zh) | 一种足底压力检测装置及足部健康检测装置和检测方法 | |
Gu et al. | Markerless gait analysis based on a single RGB camera | |
WO2015162158A1 (en) | Human motion tracking | |
CN102679964B (zh) | 步态参数测量系统及其数据处理装置和方法 | |
CN111383221B (zh) | 一种脊柱侧弯检测模型的生成方法和计算机设备 | |
Vafadar et al. | A novel dataset and deep learning-based approach for marker-less motion capture during gait | |
Vafadar et al. | Assessment of a novel deep learning-based marker-less motion capture system for gait study | |
WO2021179230A1 (zh) | 一种脊柱侧弯检测模型的生成方法和计算机设备 | |
Oliveira et al. | Spatio-temporal alignment of pedobarographic image sequences | |
Kanko et al. | Comparison of concurrent and asynchronous running kinematics and kinetics from marker-based and markerless motion capture under varying clothing conditions | |
Talaa et al. | Computer Vision-Based Approach for Automated Monitoring and Assessment of Gait Rehabilitation at Home. | |
CN114052725B (zh) | 基于人体关键点检测的步态分析算法设定方法以及装置 | |
Gonzalez Macias et al. | Biomechanics assessment of kinematic parameters of low-sprint start in high-performance athletes using three dimensional motion capture system | |
Pusara et al. | Reliability of a low-cost webcam recording system for three-dimensional lower limb gait analysis | |
CN213309713U (zh) | 一种足底压力检测装置 | |
KR20230120341A (ko) | 2차원 영상을 이용한 3차원 인체 관절 각도 예측 방법 및 시스템 | |
Liang et al. | 3D Gait Analysis for the Elderly Mobility Based on Multiple RGB Cameras | |
Tang | Comparison Marker-Based and Markerless Motion Capture Systems in Gait Biomechanics During Running | |
Meng et al. | Markerless measurement techniques for motion analysis in sports science | |
Mukhtar et al. | Fast algorithm to measure the types of foot postures with anthropometric tests using image processing | |
Nicolau et al. | Database generation for markerless tracking based on deep learning networks | |
RU2825697C2 (ru) | Система вычисления стадии развития ребенка |
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 |