CN114587343A - 一种基于步态信息的下肢疲劳等级识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于步态信息的下肢疲劳等级识别方法及系统，其中，一种基于步态信息的下肢疲劳等级识别方法包括：通过数据采集模块划分疲劳等级，并获取相应疲劳等级的步态信息信号；利用数据预处理模块对步态信息信号进行步态分割，并从步态分割后的步态序列中提取统计特征；基于统计特征，并通过疲劳等级识别模块加载最优疲劳状态识别模型，以对统计特征进行疲劳等级识别；本发明的数据采集模块设计简单，成本低，在佩戴过程中不会影响佩戴者的正常生活；同时提高了疲劳识别的实时性和提升了疲劳等级识别准确率。

Description

一种基于步态信息的下肢疲劳等级识别方法及系统

技术领域

本发明涉及人体运动疲劳检测的技术领域，尤其涉及一种基于步态信息的下肢疲劳等级识别方法及系统。

背景技术

肌肉疲劳是指运动过程中肌肉力量或输出功率暂时下降的生理现象，是运动到一定程度必然出现的生理现象。疲劳会导致生物力学补偿，改变正常受试者的运动模式。改变的程度会受到运动的性质、持续时间和强度以及病理、年龄和训练水平等个人因素的影响。局部肌肉疲劳导致姿势不稳定和步态改变，是诱发跌倒的潜在危险因素。因此，识别与疲劳相关的“危险”步态模式有助于评估各种场景下与疲劳相关的跌倒风险。

包含步态信息的人体生理数据可以来自人体重心变化、下肢关节运动、足底压力分布、肌电信号和肌音信号等多种途径，从某一生理数据采集位置所获得的信息往往是多块骨骼和肌肉共同作用的结果，受佩戴方法、运动形式、精神状态和身体条件个体差异等多重因素影响，如何基于所采集的生理信息准确判断人体疲劳状态是一项挑战性的工作。另一方面，考虑到为尽可能提高疲劳识别准确度而通常所采集数据的参数种类较多，但可用的疲劳标准数据却往往较少甚至没有，这进一步增加了准确进行疲劳识别的难度。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案，包括：通过数据采集模块划分疲劳等级，并获取相应疲劳等级的步态信息信号；利用数据预处理模块对所述步态信息信号进行步态分割，并从步态分割后的步态序列中提取统计特征；基于所述统计特征，并通过疲劳等级识别模块加载最优疲劳状态识别模型，以对所述统计特征进行疲劳等级识别。

作为本发明所述的基于步态信息的下肢疲劳等级识别方法的一种优选方案，其中：划分疲劳等级包括：根据每个受试者的最大运动强度的百分比和划分需求，将所述疲劳等级划分为n个等级。

作为本发明所述的基于步态信息的下肢疲劳等级识别方法的一种优选方案，其中：相应疲劳等级的步态信息信号包括：数据采集模块包括压力传感器、惯性传感器、信号处理电路、微控制器和无线信号发送单元；所述压力传感器放置于鞋垫中，利用所述压力传感器采集受试者行走时的足底压力信号，通过ADC将所述足底压力信号发送至所述信号处理电路；所述惯性传感器通过束缚带系缚于踝关节处，通过所述惯性传感器采集受试者的脚踝运动信号，通过串口将所述脚踝运动信号发送至所述信号处理电路；通过所述信号处理电路处理压力传感器和惯性传感器的输出信号；利用所述微控制器控制所述无线信号发送单元发送足底压力信号和脚踝运动信号给数据预处理模块。

作为本发明所述的基于步态信息的下肢疲劳等级识别方法的一种优选方案，其中：步态分割包括：选择模板；将所述步态信息信号与所述模板进行匹配，选择最相似的步态片段作为单步步态信号，去除异常步长的单步步态信号，完成步态分割。

作为本发明所述的基于步态信息的下肢疲劳等级识别方法的一种优选方案，其中：所述统计特征包括单步步态序列的最大值、最小值、极值、均值、标准差、平均绝对值和变异系数。

作为本发明所述的基于步态信息的下肢疲劳等级识别方法的一种优选方案，其中：加载最优疲劳状态识别模型包括：基于遗传算法，利用优化算法同时进行信号种类、统计特征种类的选择和机器学习分类模型参数的优化，选出最佳的信号种类组合、统计特征种类组合和模型参数；对经过信号种类选择和统计特征种类选择后的数据进行交叉验证；以交叉验证准确率最高的方向为优化方向，对信号种类组合、统计特征种类组合和机器学习分类模型的参数进行优化；判断是否达到最大迭代次数，若没达到最大迭代次数，则继续优化，否则结束优化，获得最佳信号种类组合、最佳统计特征种类组合和最优模型参数，以训练出所述最优疲劳状态识别模型；其中，所述机器学习分类模型包括：逻辑斯蒂回归、支持向量机、决策树、随机森林、梯度提升树、AdaBoost、XGBoost和ExtraTrees。

作为本发明所述的基于步态信息的下肢疲劳等级识别方法的一种优选方案，其中：包括：基于遗传算法，从足底压力信号和脚踝运动信号中选择最佳的信号种类组合；基于遗传算法，从统计特征提取结果中选择最佳的统计特征种类组合。

作为本发明所述的基于步态信息的下肢疲劳等级识别方法的一种优选方案，其中：包括：数据采集模块，用于划分疲劳等级和获取相应疲劳等级的步态信息信号；数据预处理模块，用于对数据采集模块输出的步态信息信号进行步态分割，并用于从步态分割后的步态序列中提取统计特征；疲劳等级识别模块，用于加载最优疲劳状态识别模型，以对所述统计特征进行疲劳等级识别。

作为本发明所述的基于步态信息的下肢疲劳等级识别方法的一种优选方案，其中：数据采集模块包括压力传感器、惯性传感器、信号处理电路、微控制器和无线信号发送单元；所述压力传感器放置于鞋垫中，用于采集受试者行走时的足底压力信号；所述惯性传感器通过束缚带系缚于踝关节处，用于采集受试者的脚踝运动信号；所述信号处理电路，分别通过ADC、串口与所述压力传感器和所述惯性传感器连接，用于处理压力传感器和惯性传感器的输出信号；所述微控制器，用于控制所述无线信号发送单元将足底压力信号和脚踝运动信号发送至数据预处理模块。

本发明的有益效果：(1)本发明把疲劳等级划分为多个等级，而不仅仅判断是否疲劳，在疲劳的量化中更细致；(2)本发明的数据采集模块设计简单，成本低，在佩戴过程中不会影响佩戴者的正常生活；(3)本发明通过对信号进行统计特征提取，有效减少疲劳识别模型的数据输入量，进一步提高疲劳识别的实时性，降低了功耗；(4)本发明通过优化算法同时进行信号种类组合、统计特征种类组合和疲劳识别模型参数的优化，在减少疲劳识别模型输入数据量的同时，进一步提升疲劳等级识别准确率，达到全局最优。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的基于步态信息的下肢疲劳等级识别方法的压力传感器101和惯性传感器102位置放置图；

图2为本发明第三个实施例所述的基于步态信息的下肢疲劳等级识别系统的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的第一个实施例，该实施例提供了一种基于步态信息的下肢疲劳等级识别方法，包括：

S1：通过数据采集模块100划分疲劳等级，并获取相应疲劳等级的步态信息信号。

(1)划分疲劳等级

根据每个受试者的最大运动强度的百分比和划分需求，在一定程度上克服了个人体质的不同对疲劳状态划分的影响，将疲劳等级划分为n个等级，而不是只有疲劳和不疲劳两种状态，对疲劳状态的描述更具体。

(2)获取相应疲劳等级的步态信息信号

数据采集模块100包括压力传感器101、惯性传感器102、信号处理电路103、微控制器104和无线信号发送单元105；

如图1所示，压力传感器101放置于压力鞋垫中，利用压力传感器101采集受试者行走时的足底压力信号，通过ADC将足底压力信号发送至信号处理电路103；

惯性传感器102通过束缚带系缚于踝关节处，通过惯性传感器102采集受试者的脚踝运动信号，通过串口将脚踝运动信号发送至信号处理电路103；

其中，足底压力信号和脚踝运动信号即为步态信息信号。

进一步的，通过信号处理电路103处理压力传感器101和惯性传感器102的输出信号；

利用微控制器104控制无线信号发送单元105发送足底压力信号和脚踝运动信号给数据预处理模块200。

其中需要说明的是，受试者穿戴数据采集模块100在非疲劳状态下进行1分钟行走，采集非疲劳步态信息；通过逐级增加跑步机速度的方式，受试者在跑步机上跑步3分钟，获得相应最大运动强度百分比的疲劳状态，行走1分钟，采集相应等级的疲劳步态信息；每级疲劳数据采集前，受试者都应当得到充分的休息。

S2：利用数据预处理模块200对步态信息信号进行步态分割，并从步态分割后的步态序列中提取统计特征。

(1)步态分割

本实施例采用动态时间扭曲算法对步态信息信号进行步态分割，具体的步骤如下：

选择模板；

将步态信息信号与模板进行匹配，选择最相似的步态片段作为单步步态信号，去除异常步长的单步步态信号，完成步态分割。

(2)提取统计特征

统计特征包括单步步态序列的最大值、最小值、极值、均值、标准差、平均绝对值和变异系数。

S3：基于统计特征，并通过疲劳等级识别模块300加载最优疲劳状态识别模型，以对统计特征进行疲劳等级识别。

(1)基于遗传算法，利用优化算法同时进行信号种类、统计特征种类的选择和机器学习分类模型参数的优化，选出最佳的信号种类组合、统计特征种类组合和模型参数；

机器学习分类模型包括：逻辑斯蒂回归、支持向量机、决策树、随机森林、梯度提升树、AdaBoost、XGBoost和ExtraTrees。

(2)对经过信号种类选择和统计特征种类选择后的数据进行交叉验证；

(3)以交叉验证准确率最高的方向为优化方向，对信号种类组合、统计特征种类组合和机器学习分类模型的参数进行优化；

(4)判断是否达到最大迭代次数，若没达到最大迭代次数，则继续优化，否则结束优化，获得最佳信号种类组合、最佳统计特征种类组合和最优模型参数，以训练出最优疲劳状态识别模型——ExtraTrees；

基于遗传算法，从足底压力信号和脚踝运动信号中选择最佳的信号种类组合；基于遗传算法，从统计特征提取结果中选择最佳的统计特征种类组合。

交叉验证准确率最高的模型是最优疲劳状态识别模型，该模型选择的信号种类组合和统计特征种类组合是最优的信号种类组合和最优的统计特征种类组合。

实施例2

为了对本方法中采用的技术效果加以验证说明，本实施例选择传统的技术方案和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的技术方案：在疲劳等级识别模型的构建过程中主要分为三个步骤，第一步使用特征选择方法进行信号种类选择，第二步使用特征选择方法进行统计特征种类选择，第三步调整合适的参数，进行疲劳等级识别模型的训练。这三个步骤是按照顺序依次进行的，每一步的最优选择不一定是全局最优选择，疲劳等级识别准确率有待提高。

为验证本方法相对传统的技术方案具有较高的疲劳等级识别准确率，本实施例中将采用传统的技术方案和本方法分别对疲劳等级进行预测对比。

测试的操作系统为windows 11专业版，软件环境如表1所示；疲劳识别模型种类及其参数意义如表2所示。

表1：软件环境。

软件	版本号
		Anaconda	4.10.3
python	3.9.0
		scikit-learn	1.0
numpy	1.19.3
		pandas	13.4
xgboost	1.4.2

表2：疲劳识别模型种类及其参数意义。

测试所用数据为数据采集模块100所得，使用交叉验证将数据分为训练集和测试集，分别使用传统的技术方案和本方法对训练集的信号种类和统计特征种类进行选择以及对疲劳等级识别模型参数进行优化，使用测试集数据进行测试，对比两种方法的测试集平均疲劳等级识别准确率，结果如表3所示。

表3：两种方法的结果对比。

从表3可见，本方法与传统技术方案相比，模型交叉验证准确率均得到不同程度的提高，随机森林、AdaBoost、XGBoost、ExtraTrees模型复杂度有所减少；本方法能够提高疲劳等级识别准确率。

实施例3

参照图2，为本发明的第三个实施例，该实施例不同于第一个实施例的是，提供了一种基于步态信息的下肢疲劳等级识别系统，包括，

数据采集模块100，用于划分疲劳等级和获取相应疲劳等级的步态信息信号；具体的，数据采集模块100包括压力传感器101、惯性传感器102、信号处理电路103、微控制器104和无线信号发送单元105；压力传感器101放置于鞋垫中，用于采集受试者行走时的足底压力信号；惯性传感器102通过束缚带系缚于踝关节处，用于采集受试者的脚踝运动信号；信号处理电路103，分别通过ADC、串口与压力传感器101和惯性传感器102连接，用于处理压力传感器101和惯性传感器102的输出信号；微控制器104，用于控制无线信号发送单元105将足底压力信号和脚踝运动信号发送至数据预处理模块200。

数据预处理模块200，用于对数据采集模块100输出的步态信息信号进行步态分割，并用于从步态分割后的步态序列中提取统计特征；

疲劳等级识别模块300，用于加载最优疲劳状态识别模型，以对统计特征进行疲劳等级识别。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于步态信息的下肢疲劳等级识别方法，其特征在于，包括：

通过数据采集模块(100)划分疲劳等级，并获取相应疲劳等级的步态信息信号；

利用数据预处理模块(200)对所述步态信息信号进行步态分割，并从步态分割后的步态序列中提取统计特征；

基于所述统计特征，并通过疲劳等级识别模块(300)加载最优疲劳状态识别模型，以对所述统计特征进行疲劳等级识别。

2.如权利要求1所述的基于步态信息的下肢疲劳等级识别方法，其特征在于，划分疲劳等级包括：

根据每个受试者的最大运动强度的百分比和划分需求，将所述疲劳等级划分为n个等级。

3.如权利要求1或2所述的基于步态信息的下肢疲劳等级识别方法，其特征在于，相应疲劳等级的步态信息信号包括：

数据采集模块(100)包括压力传感器(101)、惯性传感器(102)、信号处理电路(103)、微控制器(104)和无线信号发送单元(105)；

所述压力传感器(101)放置于鞋垫中，利用所述压力传感器(101)采集受试者行走时的足底压力信号，通过ADC将所述足底压力信号发送至所述信号处理电路(103)；

所述惯性传感器(102)通过束缚带系缚于踝关节处，通过所述惯性传感器(102)采集受试者的脚踝运动信号，通过串口将所述脚踝运动信号发送至所述信号处理电路(103)；

通过所述信号处理电路(103)处理压力传感器(101)和惯性传感器(102)的输出信号；

利用所述微控制器(104)控制所述无线信号发送单元(105)发送足底压力信号和脚踝运动信号给数据预处理模块(200)。

4.如权利要求3所述的基于步态信息的下肢疲劳等级识别方法，其特征在于，步态分割包括：

选择模板；

将所述步态信息信号与所述模板进行匹配，选择最相似的步态片段作为单步步态信号，去除异常步长的单步步态信号，完成步态分割。

5.如权利要求4所述的基于步态信息的下肢疲劳等级识别方法，其特征在于，所述统计特征包括单步步态序列的最大值、最小值、极值、均值、标准差、平均绝对值和变异系数。

6.如权利要求5所述的基于步态信息的下肢疲劳等级识别方法，其特征在于，加载最优疲劳状态识别模型包括：

基于遗传算法，利用优化算法同时进行信号种类、统计特征种类的选择和机器学习分类模型参数的优化，选出最佳的信号种类组合、统计特征种类组合和模型参数；

对经过信号种类选择和统计特征种类选择后的数据进行交叉验证；

以交叉验证准确率最高的方向为优化方向，对信号种类组合、统计特征种类组合和机器学习分类模型的参数进行优化；

判断是否达到最大迭代次数，若没达到最大迭代次数，则继续优化，否则结束优化，获得最佳信号种类组合、最佳统计特征种类组合和最优模型参数，以训练出所述最优疲劳状态识别模型；

其中，所述机器学习分类模型包括：逻辑斯蒂回归、支持向量机、决策树、随机森林、梯度提升树、AdaBoost、XGBoost和ExtraTrees。

7.如权利要求6所述的基于步态信息的下肢疲劳等级识别方法，其特征在于，包括：

基于遗传算法，从足底压力信号和脚踝运动信号中选择最佳的信号种类组合；

基于遗传算法，从统计特征提取结果中选择最佳的统计特征种类组合。

8.一种基于步态信息的下肢疲劳等级识别系统，其特征在于，包括：

数据采集模块(100)，用于划分疲劳等级和获取相应疲劳等级的步态信息信号；

数据预处理模块(200)，用于对数据采集模块(100)输出的步态信息信号进行步态分割，并用于从步态分割后的步态序列中提取统计特征；

疲劳等级识别模块(300)，用于加载最优疲劳状态识别模型，以对所述统计特征进行疲劳等级识别。

9.如权利要求8所述的基于步态信息的下肢疲劳等级识别系统，其特征在于，数据采集模块(100)包括压力传感器(101)、惯性传感器(102)、信号处理电路(103)、微控制器(104)和无线信号发送单元(105)；

所述压力传感器(101)放置于鞋垫中，用于采集受试者行走时的足底压力信号；

所述惯性传感器(102)通过束缚带系缚于踝关节处，用于采集受试者的脚踝运动信号；

所述信号处理电路(103)，分别通过ADC、串口与所述压力传感器(101)和所述惯性传感器(102)连接，用于处理压力传感器(101)和惯性传感器(102)的输出信号；

所述微控制器(104)，用于控制所述无线信号发送单元(105)将足底压力信号和脚踝运动信号发送至数据预处理模块(200)。

Images