CN114469073B - 基于可穿戴传感器的步态分析与异常检测方法 - Google Patents

Abstract

本发明涉及计算机应用技术领域，且公开了基于步可穿戴传感器的步态分析与异常检测方法，包括以下步骤：S1、利用惯性传感器进行数据采集；S2、将传感器输出的测量值进行坐标系转换；S3、进行步态周期的分隔；S4、进行零速度区间检测；S5、角速度离散积分；S6、基于椭圆傅里叶分析的步态复杂性评估；S7、基于皮尔逊相关系数的步态对称性评估；S8、基于步态相图的的异常步态检测。本发明通过提出了基于数据融合技术的零速度区间检测方法，避免传统的检测方法在确定零速度区间过程中发生的跳变，通过融合加速度和角速度并且加一窗口的方法准确的找到零速度区间，通过椭圆傅里叶分析拟合的相图进行步态异常评估的方法，避免惯性重力对加速度的干扰。

Description

基于可穿戴传感器的步态分析与异常检测方法

技术领域

本发明涉及计算机应用技术领域，更具体地涉及一种基于可穿戴传感器的步态分析与异常检测方法。

背景技术

随着移动通信技术、微电子技术、传感器技术的发展，智能可穿戴设备日益普及，基于可穿戴设备的健康监测逐渐成为一个研究热点，可穿戴设备集成的多种类型的传感器，如惯性传感器、足底压力传感器和表面肌电传感器等，可以在任意环境下，长期、连续采集人体运动姿态信息，为从时间和空间多维度、全方位分析人体步态的细微变化，实现异常步态的早期识别和预警提供了丰富、全面的数据信息。

如今，随着微型机电系统的发展，可穿戴惯性测量单元成为一种新的步态分析方案，与基于机器视觉的方法相比，IMU的使用更方便、成本更低、场地限制更少，能够随时随地的采集患者数据，实时检测用户步态情况。当前基于惯性传感器的步态异常评估方法主要有两种，机器学习和传统算法计算步态参数。

现有的基于移动可穿戴设备步态异常评估方法，在计算步态特征时采用传统的线性计算方法：通过卡尔曼滤波，再对加速度信号进行二次积分，获得速度和位移等步态特征参数，然而，在对加速度积分的过程中，会对信号中的噪声进行放大，导致计算出的速度和位移误差较大，影响步态分析结果。

发明内容

为了克服现有技术的上述缺陷，本发明提供一种基于可穿戴传感器的步态分析与异常检测方法，本发明所要解决的技术问题是：图像采集时所以采集到的图像不清晰，且无法根据采集到的图像进行识别报警。

基于可穿戴传感器的步态分析与异常检测方法，包括以下步骤：

S1、利用惯性传感器进行数据采集；

S2、将传感器输出的测量值进行坐标系转换；

S3、进行步态周期的分隔；

S4、进行零速度区间检测；

S5、角速度离散积分；

S6、通过积分所得的角度、角速度绘制出步态相图，基于椭圆傅里叶谐波次数的步态复杂度量化评估方法，使用椭圆傅里叶来拟合相图，拟合过程中的谐波次数通过逐点平方误差法进行计算，复杂性通过描述相图形状所需的谐波数量进行量化；

S7、通过对左右脚步态相图的相似性分析实现对步态对称性的量化评估；

S8、设计模拟异常步态实验，正常人限制下肢运动能力，以合适速度行走，用IMU记录步态参数，对比其正常情况的步态相图，对特征向量进行归一化处理，使用机器学习中常见分类方法对其进行分类，进行不同异常步态的区分，利用健康人群和步态异常步态相图轮廓不同的特点，以步态相图作为特征，再对特征向量进行归一化处理，然后使用基于机器学习分类算法，实现不同异常步态的区分，通过相图轮廓可以区分出正常步态和异常步态。

在一个优选的实施方式中，所述惯性传感器为移动可穿戴设备中内置的加速度计，获取步态加速度信号，通过陀螺仪得到角速度信息，将传感器放在左右脚踝两侧，得到步态原始数据，在采集的过程中设置采样频率为120HZ，采样模式为离线模式。

在一个优选的实施方式中，所述传感器输出的测量值均以传感器坐标系作为参考系，而在步态分析的过程中，需使用地理坐标系中的数据进行计算，采用四元数法进行坐标系转换，找出两个坐标系之间的相对关系并实现坐标系转换，才能得到地理坐标系下具有实际物理意义的量，坐标系之间数据差别的主要原因是在佩戴传感器的时候很难保证轴向与地理坐标系一致，两个坐标系之间需要进行三维空间的转换，因此可通过四元数法进行坐标转换。

在一个优选的实施方式中，所述步态周期检测是步态分析的基础，步态周期的准确划分对后续的步态分析结果影响很大，步行的过程中角速度数据具有很强的周期性，可以通过对周期性的角速度进行分割提取步态周期。

在一个优选的实施方式中，所述步态周期提取过程中，首先进行巴特沃斯滤波处理，通过截止频率为5HZ的三阶低通巴特沃斯滤波器对原始数据进行滤波处理，传感器原始信号具有较大的噪声，在小范围内可能出现多个峰值，为了避免这种情况，在利用原始数据做周期分割之前进行巴特沃斯滤波处理，可以起到降噪的效果。

在一个优选的实施方式中，降噪处理后的信号采用局部峰值检测法提取步态周期，任意选一样本点，并将其与左右相邻的样本点进行大小比较，若样本点的加速度值比左右的都大，此样本点为极大值点，若一个步态周期内出现多个极大值点，用阈值筛选出唯一的极大值点，使其作为一个准确标准来划分步态周期。

在一个优选的实施方式中，所述步态周期根据足底与地面的接触情况被分为不同的步态时相，将步态周期划分为四个阶段，四个阶段为脚跟撞击、平足、脚跟离地、摆动阶段，只需确定平足阶段，采用平足相位期间角速度和XY轴加速度接近为零的条件将其进行划分，行走的周期性使我们能够一步一步地重复这个循环，在平足期间使用零速度更新方法，能够修正脚在地面静止时的传感器漂移误差。

在一个优选的实施方式中，将测量值进行坐标系转换后，对脚踝X轴的角速度进行积分，得到脚踝与膝关节之间的角度。

本发明的技术效果和优点：

1、本发明通过提出了基于数据融合技术的零速度区间检测方法，传统的零速区间检测方法，一般根据加速度振幅，或者角速度能量来判定零速度区间，由于原始信号的噪声，在确定零速度区间过程中可能发生的跳变，通过融合加速度和角速度并且加一窗口的方法能够准确的找到零速度区间；

2、本发明通过提出利用零速度更新的方法来减少角速度离散积分过程中的误差，由于步行过程中当人体处于站立相时，小腿的加速度和角度接近为零，本发明通过检测站立相，在站立相将小腿角度归零，从而减少角度积分误差累计，使计算的小腿角度更加精准；

3、本发明通过提出了利用椭圆傅里叶分析拟合的相图作为步态特征进行步态异常评估的方法，与传统的以速度或步长作为评估依据的方法相比，这种非线性的方法更能体现运动过程中生物力学关系，并且避免因为惯性重力对加速度的干扰而造成特征参数不准确的问题；

4、本发明通过在步态相图的基础上，提出了基于机器学习分类算法的步态异常种类识别方法，对比正常相图和异常相图发现，异常步态的相图具有更加急剧的变化，更高的步态复杂度，拟合异常相图所需要的谐波次数比正常情况高了很多，可以更具相图轮廓和最小谐波次数区分异常步态，使用机器学习中常见分类方法对其进行分类，实现不同异常步态的区分。

附图说明

图1为本发明的整体流程示意图。

图2为本发明的原始加速度和角速度信号示意图。

图3为本发明的坐标转换前后加速度波形对比示意图。

图4为本发明的坐标转换前后角速度波形对比示意图。

图5为本发明的步态周期划分示意图。

图6为本发明的零速度区间划分示意图。

图7为本发明的一个步态周期的角度和角速度示意图。

图8为本发明的多个周期的角度和角速度示意图。

图9为本发明的小腿一个步态周期的相图示意图。

图10为本发明的单个周期拟合的相图示意图。

图11为本发明的多个周期拟合的相图示意图。

图12为本发明的谐波13次数正常相图示意图。

图13为本发明的谐波26次数异常相图示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明所涉及的基于可穿戴传感器的步态分析与异常检测方法并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。

本发明提供了基于可穿戴传感器的步态分析与异常检测方法，包括以下步骤：

S1、利用惯性传感器进行数据采集；

S2、将传感器输出的测量值进行坐标系转换；

S3、进行步态周期的分隔；

S4、进行零速度区间检测；

S5、角速度离散积分；

S6、基于椭圆傅里叶分析的步态复杂性评估；

S7、基于皮尔逊相关系数的步态对称性评估；

S8、基于步态相图的的异常步态检测

进一步的，所述惯性传感器为移动可穿戴设备中内置的加速度计，获取步态加速度信号，通过陀螺仪得到角速度信息，将传感器放在左右脚踝两侧，得到步态原始数据，在采集的过程中设置采样频率为120HZ，采样模式为离线模式，通过对采样频率进行设置，且设为离线模式，可以使得传感器能够跟着身体的运行，进行实时检测，所采集的数据更加准确可靠，从而提高后续进行处理的精度。

进一步的，所述传感器输出的测量值均以传感器坐标系作为参考系，而在步态分析的过程中，需使用地理坐标系中的数据进行计算，采用四元数法进行坐标系转换，常用的坐标系转移为参考系的方法有：欧拉角法、方向余弦法、三角函数法、四元数法，欧拉角法进行坐标转换过程中，当载体的俯仰角为90度时，将出现奇点，因此该方法不能进行全姿态解算，存在一定的局限，向余弦法求解姿态矩阵避免了欧拉角法所遇到的奇点问题，但方向余弦矩阵具有九个元素，所以需要解九个微分方程，计算工作量较大，三角函数法是将绕定点转动的两个坐标系之间的关系用三次转动等效地表示，需要解六个微分方程，工程上并不实用，利用四元数法求解旋转矩阵要解四个微分方程，虽然要比解欧拉微分方程多一个方程，但其优越性在于计算量小、精度高、可避免奇异性，四元数法具有最佳的性能。

进一步的，所述步态周期检测是步态分析的基础，步态周期的准确划分对后续的步态分析结果影响很大，步行的过程中角速度数据具有很强的周期性，可以通过对周期性的角速度进行分割提取步态周期。

进一步的，所述步态周期提取过程中，首先进行巴特沃斯滤波处理，通过截止频率为5HZ的三阶低通巴特沃斯滤波器对原始数据进行滤波处理，只进行一次滤波可能会引起相位的移动，从而造成滤波后信号相位偏移，影响步态周期的划分，为了纠正滤波后信号的相位偏移，我们对滤波后的角速度再进行一次反向滤波，实现零相位变化，并且降低局部噪。

进一步的，降噪处理后的信号采用局部峰值检测法提取步态周期，任意选一样本点，并将其与左右相邻的样本点进行大小比较，若样本点的加速度值比左右的都大，此样本点为极大值点，若一个步态周期内出现多个极大值点，用阈值筛选出唯一的极大值点，使其作为一个准确标准来划分步态周期，阈值可以通过两种方法确定，第一种是可以图形观察，选定第一峰值和第二峰值之间的一个数组作为阈值，就可以滤掉第二极大值和比它低的极大值，留下周期内的第一极大值，第二种方法可以利用传统公式计算，算出所有极大值点的均值和标准差，再通过它们计算出阈值。

进一步的，所述步态周期根据足底与地面的接触情况被分为不同的步态时相，将步态周期划分为四个阶段，四个阶段为脚跟撞击、平足、脚跟离地、摆动阶段，只需确定平足阶段，采用平足相位期间角速度和XY轴加速度接近为零的条件将其进行划分，与传统方法通过加速度振幅或者角度速度能量进行平足相判断不同，通过融合了固定窗口中的加速度计和陀螺仪信号，避免了因为信号局部噪声而引起零速度状态混乱的情况，对比原始加速度和角速度数据能够准确的划分零速度区间。

进一步的，将测量值进行坐标系转换后，对脚踝X轴的角速度进行积分，得到脚踝与膝关节之间的角度，积分过程也是误差累积得过程，为了降低这种误差，基于在平足相位时踝关节与膝关节之间角度为零且速度为零的事实，在平足相时对关节角度进行修正，消除积分过程中带来的累积误差，从而得到角速度和角度的关系。

进一步的，通过积分所得的角度、角速度绘制出步态相图，基于椭圆傅里叶谐波次数的步态复杂度量化评估方法，使用椭圆傅里叶来拟合相图，拟合过程中的谐波次数通过逐点平方误差法进行计算，复杂性通过描述相图形状所需的谐波数量进行量化，通过对左右脚步态相图的相似性分析实现对步态对称性的量化评估，复杂性度量被定义为降阶拟合中的最小谐波数，能够消除相位图全阶拟合和零阶拟合之间误差的99.9％。

进一步的，设计模拟异常步态实验，正常人限制下肢运动能力，以合适速度行走，用IMU记录步态参数，对比其正常情况的步态相图，对特征向量进行归一化处理，使用机器学习中常见分类方法对其进行分类，进行不同异常步态的区分，利用健康人群和步态异常步态相图轮廓不同的特点，以步态相图作为特征，再对特征向量进行归一化处理，然后使用基于机器学习分类算法，实现不同异常步态的区分，通过相图轮廓可以区分出正常步态和异常步态。

最后应说明的几点是：首先，在本申请的描述中，需要说明的是，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变，则相对位置关系可能发生改变；

其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于可穿戴传感器的步态分析与异常检测方法，其特征在于，包括以下步骤：

S1、利用惯性传感器进行数据采集；

S2、将传感器输出的测量值进行坐标系转换；

S3、进行步态周期的分隔；

S4、进行零速度区间检测；

S5、角速度离散积分；

S6、通过积分所得的角度、角速度绘制出步态相图，基于椭圆傅里叶谐波次数的步态复杂度量化评估方法，使用椭圆傅里叶来拟合相图，拟合过程中的谐波次数通过逐点平方误差法进行计算，复杂性通过描述相图形状所需的谐波数量进行量化；

S7、通过对左右脚步态相图的相似性分析实现对步态对称性的量化评估；

S8、设计模拟异常步态实验，正常人限制下肢运动能力，以合适速度行走，用IMU记录步态参数，对比正常人在正常情况的步态相图，对特征向量进行归一化处理，基于机器学习进行分类，对不同异常步态进行区分，利用健康人群和步态异常步态相图轮廓不同的特点，以步态相图作为特征，再对特征向量进行归一化处理，然后使用基于机器学习分类算法，实现不同异常步态的区分，通过相图轮廓可以区分出正常步态和异常步态。

2.根据权利要求1所述的基于可穿戴传感器的步态分析与异常检测方法，其特征在于：所述惯性传感器为移动可穿戴设备中内置的加速度计，获取步态加速度信号，通过陀螺仪得到角速度信息，将传感器放在左右脚踝两侧，得到步态原始数据，在采集的过程中设置采样频率为120HZ，采样模式为离线模式。

3.根据权利要求1所述的基于可穿戴传感器的步态分析与异常检测方法，其特征在于：所述传感器输出的测量值均以传感器坐标系作为参考系，而在步态分析的过程中，需使用地理坐标系中的数据进行计算，采用四元数法进行坐标系转换。

4.根据权利要求1所述的基于可穿戴传感器的步态分析与异常检测方法，其特征在于：步态周期检测是步态分析的基础，步态周期的准确划分对后续的步态分析结果影响很大，步行的过程中角速度数据具有很强的周期性，可以通过对周期性的角速度进行分割提取步态周期。

5.根据权利要求3所述的基于可穿戴传感器的步态分析与异常检测方法，其特征在于：所述步态周期的提取过程中，首先进行巴特沃斯滤波处理，通过截止频率为5HZ的三阶低通巴特沃斯滤波器对原始数据进行滤波处理。

6.根据权利要求4所述的基于可穿戴传感器的步态分析与异常检测方法，其特征在于：降噪处理后的信号采用局部峰值检测法提取步态周期，任意选一样本点，并将其与左右相邻的样本点进行大小比较，若样本点的加速度值比左右的都大，此样本点为极大值点，若一个步态周期内出现多个极大值点，用阈值筛选出唯一的极大值点，使其作为一个准确标准来划分步态周期。

7.根据权利要求1所述的基于可穿戴传感器的步态分析与异常检测方法，其特征在于：所述步态周期根据足底与地面的接触情况被分为不同的步态时相，将步态周期划分为四个阶段，四个阶段为脚跟撞击、平足、脚跟离地、摆动阶段，只需确定平足阶段，采用平足相位期间角速度和XY轴加速度接近为零的条件将其进行划分。

8.根据权利要求1所述的基于可穿戴传感器的步态分析与异常检测方法，其特征在于：将测量值进行坐标系转换后，对脚踝X轴的角速度进行积分，得到脚踝与膝关节之间的角度。

Images