CN113057627A - 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 - Google Patents

Abstract

本发明涉及步态和足压数据分析领域，为基于弱足COP特征的步态特征提取方法及跌倒风险判别系统，系统包括足压信号预处理模块、弱足判定模块、特征提取模块、跌倒风险判定模块；足压信号预处理模块将输入的左右脚多通道的压力数据进行切分、对齐，去噪后提取单足COP时间序列；弱足判定模块对COP时间序列进行判定，得到弱足COP序列；特征提取模块对左右脚以及弱足COP序列分别进行特征提取，结合左右脚COP序列对对称性相关特征进行提取，针对弱足COP序列对时序变化及一致性进行特征提取；跌倒风险判定模块对足压数据进行风险判别，区分出跌倒高风险和跌倒低风险。本发明根据足底压力信号能准确有效的对跌倒风险进行判别，防范于未然；减轻医疗负担。

Description

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

技术领域

本发明涉及步态和足压数据分析领域，具体为基于弱足COP(Center ofpressure，足压中心)特征的步态特征提取方法及跌倒风险判别系统。

背景技术

跌倒作为老年人受伤最为常见的原因，严重危害老年人的身心健康。跌倒不仅会导致老年人骨折、扭伤，严重的甚至会使头部、脊椎受损，危及生命。除了身体上的伤害，还会给老人带来心里上的阴影；由于对安全行走能力的信心丧失，可能进一步会导致运动功能衰退、抑郁、无助感和社会孤立感。近年来，随着老年人在人口总量中的占比正在逐年的增加，更多的老年人因跌倒入院进行康复治疗，给公共医疗带来了巨大的负担。

互联网技术的发展，使得可穿戴设备在我们生活中的地位越来越重要，它可以用来监测人体信息，帮助人们养成更加健康良好的生活习惯。

同时，也诞生了很多利用垂直地面反作用力(VGRF)来判别老年人跌倒风险的方法，其中一些只考虑了每只脚的摆动时间(Swing time)，缺乏对足压在空间分布变化的考虑。另一些使用了双足COP特征来研究跌倒风险，但是往往只能通过传送带、力台等固定的场景进行测量，不能够实时进行监测。目前，对于基于单足COP特征的跌倒风险判定方法，缺乏对步态对称性的考量，以及对COP左右信息敏感性的考虑。

发明内容

为了解决现有技术所存在的问题，本发明提供基于弱足COP特征的步态特征提取方法及跌倒风险判别系统，通过对鞋系统采集的单足足压数据进行步态特征的提取分析，并实时进行跌倒风险判别，解决了COP特征对空间信息敏感的问题，加入了对单足COP信号对称性和时序一致性的考虑，能够快速、准确地得到风险判别结果。

本发明系统采用如下技术方案来实现：基于弱足COP特征的跌倒风险判别系统，包括依次连接的足压信号预处理模块、弱足判定模块、特征提取模块和跌倒风险判定模块；其中，特征提取模块包括基本单足COP特征提取模块、空间对称性相关特征提取模块和时序一致性相关特征提取模块；

足压信号预处理模块将左右脚的多通道足压数据进行切分、对齐，去噪后提取左右脚的单足COP时间序列传输到弱足判定模块中；弱足判定模块对传入的单足COP时间序列进行判定，得到弱足COP时间序列；

基本单足COP特征提取模块对左右脚以及弱足COP时间序列分别进行特征提取，所提取的特征包括一维特征、二维特征；空间对称性相关特征提取模块结合左右脚的单足COP时间序列，对对称性相关特征进行提取；时序一致性相关特征提取模块针对弱足COP时间序列，对时序上的变化以及一致性进行特征提取；

跌倒风险判定模块对输入的足压数据进行风险判别，区分出跌倒高风险和跌倒低风险两类。

本发明方法采用如下技术方案来实现：基于弱足COP特征的步态特征提取方法，包括以下步骤：

S1：采集左右单足多通道足压数据；

S2：将所采集的左右单足多通道足压数据进行对齐、切分，并去噪后提取所需要的单足COP时间序列；单足COP时间序列包括左脚COP时间序列和右脚COP时间序列；

S3：对弱足进行判定，获得弱足COP时间序列；弱足COP时间序列为左脚COP时间序列或右脚COP时间序列；

S4：对单足COP时间序列、弱足COP时间序列分别进行特征提取，包括基本单足COP特征、空间对称性相关特征、时序一致性相关特征；

步骤S3根据左右两侧长度大于预设值的COP时间序列的前后方向标准差进行判别，标准差较小的一侧在行走过程中缺乏步态的完整性，被判定为弱足一侧，得到弱足COP时间序列。

在一个优先的实施例中，步骤S4进行的特征提取包括：

基本单足COP特征提取，对一维数据的特征提取基于统计特征，包括内外方向坐标平均值、内外方向坐标标准差、前后方向坐标平均值、前后方向坐标标准差；对二维数据的特征提取基于COP轨迹点的分布情况，包括：合距离平均值、合距离标准差、总路程、95％置信圆面积；

空间对称性相关特征提取，首先结合左右脚的单足COP时间序列，对对称性相关特征进行提取，包括左右脚间COP轨迹前后方向坐标的相关系数、左右脚间COP轨迹内外方向坐标的相关系数、左右脚各个单足特征之间的步态不对称系数；再结合COP轨迹点的概率分布矩阵，对对称性相关特征进行提取，包括左右脚间COP轨迹概率分布的相似度和JS散度；

时序一致性相关特征提取，针对弱足COP时间序列，将切分好的数据分别进行处理后，再取平均值或者均方根，对时序上的变化以及一致性进行特征提取，包括弱足COP轨迹前后方向坐标的序列相关系数、弱足间COP轨迹内外方向坐标的序列相关系数、弱足各个单足特征的步态时序不一致系数；对COP轨迹点的概率分布矩阵进行分别处理后，再取平均值或者均方根，对对称性相关特征进行提取，包括弱足COP轨迹概率分布的序列相似度和序列JS散度。

从以上技术方案可知，本发明基于采集的单足足底压力数据，集成了数据预处理、弱足判别、基本单足COP特征提取、空间对称性相关特征提取、时序一致性相关特征提取、跌倒风险判别等多个模块，能够准确迅速的对跌倒风险进行判别，对老年人的早期跌倒风险进行预警，防范于未然，并且让医生能够实时的监控病人的康复情况，减轻医疗负担。与现有技术相比，本发明具有如下技术效果：

1.本发明可以直接应用在有鞋系统实时采集的单足压力数据上，能够对跌倒风险进行实时的、长期的判定与监测，方便医生预防治疗、跟踪治疗、康复评估；比起现有利用双足特征进行评估、判别的系统，采集设备更加简单，需要采集生理信号的种类更少，风险判别过程更准确迅速。

2.本发明充分考虑了单足足压信号的特点，降噪后，根据足压双峰波形的特点，识别足压波谷对左右信号分别进行数据划分；并且为保证左右信号切分后的信息对称，将每一步进行数据对齐。

3.传统的单足COP特征会受到左右脚信息不对称的影响，有一些病人可能会由于习惯问题、物理上的创伤或者某些神经上的疾病，导致某一侧的步态完整性受到影响，使得该侧单足COP特征区分度更高，对分类的贡献更大，称该足为弱足。但由于弱足的不确定性，导致传统单足特征很容易受到影响，导致在某些特殊个体上分类结果较差；基于此，本发明对弱足进行判定，并提取了相关的弱足COP特征，排除了左右脚信息不对称对COP特征的影响，使得分类准确率大大提升。

4.本发明提出了步态对称性在COP单足序列上的应用，相应地所提取的特征，既包括常规的不对称系数，也包括相关系数、COP轨迹点概率分布的对称分析；在足压分布变化这一方面，加入了对步态对称性的考量。

5.临床上，在较长时间行走过程中，跌倒风险较高的病人步态更容易出现疲态或患处疼痛；基于此，本发明针对现有跌倒风险判别系统缺乏时序上的考量，提出了COP单足序列的时序一致性，相应地所提取的特征包括不一致系数、序列相关系数、COP轨迹点概率分布的时序一致性分析，填补了这方面的空白。

6.本发明在跌倒风险判别模型训练时，用于训练模型的数据均严格按照规定的试验范式进行采集；使用国际通用的Berg平衡量表来确定样本标签，评分小于40分的判定为跌倒高风险人群；在模型参数的设置上，使用Optuna、留一被试法(LOSO)等工具方法获得更好的模型参数，提升准确率。

附图说明

图1为本发明实施例中基于弱足COP特征的跌倒风险判别系统的整体框图；

图2为本发明实施例中时序一致性相关特征提取流程图；

图3为本发明实施例中跌倒风险判定模块模型的训练流程图；

图4为本发明实施例中基于弱足COP特征的步态特征提取流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步详细说明，但本发明的实施方式并不限于此。

在人正常行走的过程中，足底与地面接触力中垂直分量最大，也最好进行测量，称为垂直地面反作用力(VGRF)。在一个步态周期中，单足VGRF会连续出现两个峰值，则其随时间变化的曲线呈对称双峰形状。第一个峰值表现在足跟刚开始与地面接触时，此时的VGRF大小约为体重的2至3倍，随着脚掌慢慢放平，VGRF逐渐减小；当对侧跟着地并开始支撑地面时，VGRF到达曲线的小低谷；然后凭借下肢蹬离地面的反作用力，VGRF再次上升超过体重，出现第二个峰值；最后步入摆动相，脚开始离开地面，压力变为零。

而足压中心COP是由VGRF计算得出，即足底各个部分的分散压力加权相对位置的总和；它包含了足压在足底各个部分的分布和变化信息，以及他们的相对位置关系；能够很好的反映一个主体行走过程中的动态稳定情况。一些平衡能力较差的人群的COP变化与正常人之间会出现较大的差别；基于COP的特征对跌倒风险有较好的预测作用。

本实施例中，基于弱足COP特征的跌倒风险判别系统的整体框图如图1所示，包括依次连接的信号预处理模块、弱足判定模块、特征提取模块、跌倒风险判定模块，信号预处理模块对采集的单足压力信号进行处理；其中，特征提取模块包括基本单足COP特征提取模块、空间对称性相关特征提取模块、时序一致性相关特征提取模块。

在一个实施例中，信号预处理模块采用滑动平均滤波进行降噪，根据垂直足压双峰波形的特点，对每个双峰之间的波谷进行标记，作为数据划分的标记点；将多步数据划分为单步数据，一般为90步或以上，本实施例中选取90步。由于划分后左右单步数据长度出现不一致的现象，左右信息不对称，导致后期特征提取过程中出现误差和错误；通过采用线性插值将左右脚的单步数据进行对齐处理，减少误差，将单步长度固定为23个样本；最后生成单足单步的COP时间序列，单足COP时间序列的计算方式如式(1)所示，其中(x_i，y_i)为采集到的各个足底足压传感器的相对位置坐标，m为每只脚传感器的个数，f_i为各个足底压力传感器的压力值，L表示左脚，R表示右脚。

弱足判定模块对传入的单足单步的COP时间序列进行判定，得到弱足COP时间序列。传统的单足COP特征会受到左右脚信息不对称的影响，有一些病人可能会由于习惯问题，由于物理上的创伤或者某些神经上的疾病导致某一侧的步态完整性受到影响，使得该侧单足COP特征区分度更高，对分类的贡献更大，称该足为弱足。但由于弱足的不确定性，导致传统单足特征很容易受到影响，导致在某些特殊个体上分类结果较差；弱足判定模块对弱足进行判别，得到弱足COP序列后，排除了左右脚信息不对称对COP特征的影响。

弱足判定模块根据左右两侧长度大于预设值(例如90以上)的COP时间序列的前后方向标准差进行判别。标准差较小的一侧，在行走过程中缺乏步态的完整性，被判定为弱足一侧，得到弱足COP时间序列。具体判别公式如公式(2)所示，其中，(X^W,Y^W)表示弱足COP位置坐标，(X^L,Y^L)表示左脚COP位置坐标，(X^R,Y^R)表示右脚COP位置坐标；N＝90×24，表示COP时间序列的长度。

特征提取模块包括基本单足COP特征提取模块、空间对称性相关特征提取模块、时序一致性相关特征提取模块；从空间上(一维、二维等)、时序上对单足COP序列进行特征提取；特征提取的总体流程如图2所示。

基本单足COP特征提取模块，对一维数据的特征提取基于统计特征，包括：内外方向坐标平均值、内外方向坐标标准差、前后方向坐标平均值、前后方向坐标标准差；对二维数据的特征提取基于COP轨迹点的分布情况，包括：合距离平均值、合距离标准差、总路程、95％置信圆面积。以弱足一侧特征为例，弱足内外方向坐标平均值如公式(3)所示。

弱足内外方向坐标标准差如公式(4)所示。

弱足前后方向坐标平均值如公式(5)所示。

弱足前后方向坐标标准差如公式(6)所示。

弱足COP轨迹点合距离平均值如公式(7)所示。

弱足COP轨迹点合距离标准差如公式(8)所示，其中，RD^W为弱足COP轨迹点的合距离。

弱足COP轨迹点的总路程的计算过程如式(9)所示。

弱足COP轨迹点的95％置信圆面积的计算过程如式(10)所示，其中z_0.5取1.645。

而空间对称性相关特征提取模块，首先结合左右脚的单足COP时间序列，对对称性相关特征进行提取，包括：左右脚间COP轨迹前后方向坐标的相关系数(CC)、左右脚间COP轨迹内外方向坐标的相关系数、左右脚各个单足特征之间的步态不对称系数(GA)；再结合计算统计出的COP轨迹点的概率分布矩阵，对对称性相关特征进行提取，包括：左右脚间COP轨迹概率分布的相似度(SIM)和JS散度(JSD)。

其中，COP轨迹点的概率分布矩阵的计算方式需要根据传感器的位置，将单足前后方向坐标和内外方向坐标各划分成20个区间，得到一个20×20的概率矩阵，矩阵元素的大小为每个区间内统计的COP轨迹点的个数再除以总个数。

左右脚间COP轨迹前后方向坐标的相关系数计算过程如式(11)所示。

左右脚间COP轨迹内外方向坐标的相关系数计算过程如式(12)所示。

左右脚各个单足特征之间的不对称系数的计算过程如式(13)所示，其中，F_L、F_R为左右脚的某一基本单足特征。

左右脚COP轨迹概率分布相似度的计算过程如式(14)所示，其中，S_L、S_R为左右脚COP轨迹点的概率分布。

SIM＝∑min(S_L,S_R) (14)

左右脚COP轨迹概率分布JS散度的计算过程如式(15)所示。

如图2，时序一致性相关特征提取模块针对弱足COP时间序列，将切分好的5步数据分别进行处理后，再取平均值或者均方根，对时序上的变化以及一致性进行了特征提取，包括弱足COP轨迹前后方向坐标的序列相关系数(SCC)、弱足间COP轨迹内外方向坐标的序列相关系数、弱足各个单足特征的步态时序不一致系数(GIC)；对计算统计出的每5步COP轨迹点的概率分布矩阵进行分别处理后，再取平均值或者均方根，对对称性相关特征进行提取，包括：弱足COP轨迹概率分布的序列相似度(SSIM)和序列JS散度(SJSD)。

弱足COP轨迹前后方向坐标的序列相关系数计算过程如式(16)所示，其中,n＝90/5，为数据切分后的样本个数，N＝5×23，为切分后5步的COP时间序列长度。

弱足COP轨迹内外方向坐标的序列相关系数计算过程如式(17)所示。

弱足各个单足特征的步态时序不一致系数计算过程如式(18)所示，其中，F_j、F_j+1为弱足一侧的每五步及其后五步的单足特征。

弱足COP轨迹概率分布的序列相似度计算过程如式(19)所示，其中，S为概率分布，M＝20×20，为概率分布矩阵的元素个数。

弱足COP轨迹概率分布的序列相似度计算过程如式(20)所示。

跌倒风险判定模块针对左右脚的单足足底压力数据进行跌倒风险判别，得到高或低的两种跌倒风险评级；所使用的分类器模型包括：LR、NB、SVM(Linear、RBF)、KNN、DT、RF、AdaBoost和/或GBDT。

在使用上述分类器模型进行训练时，用于训练模型的数据均严格按照规定的实验范式进行采集；使用国际通用的Berg平衡量表来确定样本标签，评分小于40分的样本为跌倒高风险样本。在模型参数的设置上，使用Optuna工具进行剪枝调参；同过遍历所设定的参数范围的组合，去识别最优的参数组合，并且在模型优化的早期，去掉一些明显无效的参数组合，可以节省大量参数搜索时间，提高参数搜索范围和精度；为确保在新个体加入时，仍保留很高的准确率，采用留一被试法(LOSO)进行验证，得到准确率最高的模型和参数；使用准确率最高的分类器进行预测，得到风险评级，如图3。

如图4所示，本实施例中基于弱足COP特征的步态特征提取方法包括以下步骤：

步骤S1：采集左右单足多通道足压数据，也称为足部压力信号或足压信号；

步骤S2：将所采集的左右单足多通道足压数据进行对齐、切分，并去噪后提取所需要的单足COP时间序列；单足COP时间序列可分为左脚COP时间序列、右脚COP时间序列；

步骤S3：对弱足进行判定，获得弱足COP时间序列，以便进行特征提取；弱足COP时间序列可以为左脚COP时间序列或右脚COP时间序列；

步骤S4：对单足COP时间序列、弱足COP时间序列提取不同的生理特征，包括：基本单足COP特征(左脚、右脚、弱足)、空间对称性相关特征、时序一致性相关特征。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效置换方式，都包含在本发明的保护范围内。

Claims (10)

1.基于弱足COP特征的跌倒风险判别系统，其特征在于，包括依次连接的足压信号预处理模块、弱足判定模块、特征提取模块和跌倒风险判定模块；其中，特征提取模块包括基本单足COP特征提取模块、空间对称性相关特征提取模块和时序一致性相关特征提取模块；

足压信号预处理模块将左右脚的多通道足压数据进行切分、对齐，去噪后提取左右脚的单足COP时间序列传输到弱足判定模块中；弱足判定模块对传入的单足COP时间序列进行判定，得到弱足COP时间序列；

基本单足COP特征提取模块对左右脚以及弱足COP时间序列分别进行特征提取，所提取的特征包括一维特征、二维特征；空间对称性相关特征提取模块结合左右脚的单足COP时间序列，对对称性相关特征进行提取；时序一致性相关特征提取模块针对弱足COP时间序列，对时序上的变化以及一致性进行特征提取；

跌倒风险判定模块对输入的足压数据进行风险判别，区分出跌倒高风险和跌倒低风险两类。

2.根据权利要求1所述的跌倒风险判别系统，其特征在于，足压信号预处理模块采用滑动平均滤波进行降噪，识别波谷来进行数据划分，将多步数据划分为单步数据，采用线性插值将左右脚的单步数据进行对齐处理，再生成单足单步的COP时间序列。

3.根据权利要求1所述的跌倒风险判别系统，其特征在于，弱足判定模块根据左右两侧长度大于预设值的COP时间序列的前后方向标准差进行判别，标准差较小的一侧在行走过程中缺乏步态的完整性，被判定为弱足一侧，得到弱足COP时间序列。

4.根据权利要求3所述的跌倒风险判别系统，其特征在于，弱足的判别公式为：

其中，(X^W,Y^W)表示弱足COP位置坐标，(X^L,Y^L)表示左脚COP位置坐标，(X^R,Y^R)表示右脚COP位置坐标,N表示COP时间序列的长度。

5.根据权利要求1所述的跌倒风险判别系统，其特征在于，基本单足COP特征提取模块，对一维数据的特征提取基于统计特征，包括内外方向坐标平均值、内外方向坐标标准差、前后方向坐标平均值、前后方向坐标标准差；对二维数据的特征提取基于COP轨迹点的分布情况，包括：合距离平均值、合距离标准差、总路程、95％置信圆面积；

弱足内外方向坐标平均值的公式为：

弱足内外方向坐标标准差的公式为：

弱足前后方向坐标平均值的公式为：

弱足前后方向坐标标准差的公式为：

弱足COP轨迹点合距离平均值的公式为：

弱足COP轨迹点合距离标准差的公式为：

弱足COP轨迹点的总路程的计算公式为：

弱足COP轨迹点的95％置信圆面积的计算公式为：

其中，RD^W为弱足COP轨迹点的合距离，z_0.5取1.645。

6.根据权利要求1所述的跌倒风险判别系统，其特征在于，空间对称性相关特征提取模块首先结合左右脚的单足COP时间序列，对对称性相关特征进行提取，包括左右脚间COP轨迹前后方向坐标的相关系数、左右脚间COP轨迹内外方向坐标的相关系数、左右脚各个单足特征之间的步态不对称系数；再结合COP轨迹点的概率分布矩阵，对对称性相关特征进行提取，包括左右脚间COP轨迹概率分布的相似度和JS散度。

7.根据权利要求6所述的跌倒风险判别系统，其特征在于，COP轨迹点的概率分布矩阵的计算方式根据传感器的位置，将单足前后方向坐标和内外方向坐标各划分成若干个区间，得到一个概率矩阵，概率矩阵元素的大小为每个区间内统计的COP轨迹点的个数再除以总个数。

8.根据权利要求1所述的跌倒风险判别系统，其特征在于，时序一致性相关特征提取模块针对弱足COP时间序列，将切分好的数据分别进行处理后，再取平均值或者均方根，对时序上的变化以及一致性进行特征提取，包括弱足COP轨迹前后方向坐标的序列相关系数、弱足间COP轨迹内外方向坐标的序列相关系数、弱足各个单足特征的步态时序不一致系数；对COP轨迹点的概率分布矩阵进行分别处理后，再取平均值或者均方根，对对称性相关特征进行提取，包括弱足COP轨迹概率分布的序列相似度和序列JS散度。

9.基于弱足COP特征的步态特征提取方法，其特征在于，包括以下步骤：

S1：采集左右单足多通道足压数据；

S2：将所采集的左右单足多通道足压数据进行对齐、切分，并去噪后提取所需要的单足COP时间序列；单足COP时间序列包括左脚COP时间序列和右脚COP时间序列；

S3：对弱足进行判定，获得弱足COP时间序列；弱足COP时间序列为左脚COP时间序列或右脚COP时间序列；

S4：对单足COP时间序列、弱足COP时间序列分别进行特征提取，包括基本单足COP特征、空间对称性相关特征、时序一致性相关特征；

步骤S3根据左右两侧长度大于预设值的COP时间序列的前后方向标准差进行判别，标准差较小的一侧在行走过程中缺乏步态的完整性，被判定为弱足一侧，得到弱足COP时间序列。

10.根据权利要求9的基于弱足COP特征的步态特征提取方法，其特征在于，步骤S4进行的特征提取包括：

基本单足COP特征提取，对一维数据的特征提取基于统计特征，包括内外方向坐标平均值、内外方向坐标标准差、前后方向坐标平均值、前后方向坐标标准差；对二维数据的特征提取基于COP轨迹点的分布情况，包括：合距离平均值、合距离标准差、总路程、95％置信圆面积；

空间对称性相关特征提取，首先结合左右脚的单足COP时间序列，对对称性相关特征进行提取，包括左右脚间COP轨迹前后方向坐标的相关系数、左右脚间COP轨迹内外方向坐标的相关系数、左右脚各个单足特征之间的步态不对称系数；再结合COP轨迹点的概率分布矩阵，对对称性相关特征进行提取，包括左右脚间COP轨迹概率分布的相似度和JS散度；

时序一致性相关特征提取，针对弱足COP时间序列，将切分好的数据分别进行处理后，再取平均值或者均方根，对时序上的变化以及一致性进行特征提取，包括弱足COP轨迹前后方向坐标的序列相关系数、弱足间COP轨迹内外方向坐标的序列相关系数、弱足各个单足特征的步态时序不一致系数；对COP轨迹点的概率分布矩阵进行分别处理后，再取平均值或者均方根，对对称性相关特征进行提取，包括弱足COP轨迹概率分布的序列相似度和序列JS散度。

Images