CN115530815A - 一种基于角速度传感器的步态时相识别方法 - Google Patents

Abstract

本发明公开一种基于角速度传感器的步态时相识别方法。该方法包括：利用传感器采集目标走路的原始角速度信号并同步采集足底压力信号；将所述原始角速度信号从传感器坐标系变换到地理坐标系，获得对应的角速度信号，其中所述传感器坐标系是由传感器自身的三个正交测量轴所定义的坐标系；基于所述足底压力信号检测步态事件并确定各类步态事件的发生时刻；将基于所述足底压力信号检测的步态事件映射到所述角速度信号上，挖掘所述角速度信号的显著性特征；通过识别所述角速度信号的显著性特征，检测步态事件并对步态时相进行划分，进而获得识别结果。本发明能够有效识别不同的步态事件及包含的时相，并且计算简单，识别准确率高，成本低。

Description

一种基于角速度传感器的步态时相识别方法

技术领域

本发明涉及计算机应用技术领域，更具体地，涉及一种基于角速度传感器的步态时相识别方法和系统。

背景技术

行走是人类最基本的运动功能，行走过程的身体姿态(即步态)包含了大量的人体运动学信息。这种看似简单却蕴含复杂运动学、动力学和生物力学的运动过程，要求肌肉系统，骨骼系统及神经系统的高度协调。正常的步态是人体中枢神经系统控制骨骼、肌肉等人体部位完成的一项活动，它具有一定的稳定性、协调性、周期性、方向性以及个体差异性，任何一个环节出现异常或失调都会导致步态异常。导致人体步态异常的因素包括先天遗传、后天疾病以及意外伤害等。长时间以异常步态行走，不仅会严重影响生活质量，还会导致步态的异常程度加重，表现为病态的步行姿势，甚至丧失步行的能力。因此，对异常步态的检测和识别具有十分重要的意义。

步态具有周期性和规律性，行走中每个步态周期都包含一系列足姿位的转移。人们通常依据典型足姿位的变化划分出一系列时段，称之为步态时相。步态时相对步态异常的分析和检测具有重要作用。相比正常步态，异常步态表现为时相缺失、时序混乱、比例失调等。因此，步态时相是反映步态习惯、年龄、健康状况等影响身体协调性因素的重要指标。对于步态分析系统，步态时相识别是步态周期提取、步态相位分割和步态时空参数计算的基础。步态分析系统必须能够准确、可靠地检测出步态时相，才能满足临床应用的需要。

根据所使用的感知方法，目前识别步态时相的研究主要分为三类：基于机器视觉的方法，基于压力传感器的方法和基于可穿戴惯性传感器的方法。基于机器视觉的方法是利用高精度摄像机和图像处理技术，追踪实验者身上高反射标志点的运动轨迹，再经过相应算法计算出固定部位的位置信息，获取人体步态的特征参数。基于压力传感器的方法是通过地面铺设或内置鞋底的压力传感器测量走路过程中的地面反作用力来进行步态分析。基于可穿戴惯性传感器的方法利用佩戴于身体不同位置的惯性传感器提取步态信号，经过坐标转换及姿态角解算，通过对加速度信号、角速度信号及磁力计的综合运算，计算得到步态特征。

在现有技术中，专利申请CN202210185789.7提供一种基于Kinect的人体步态参数提取方法，是基于机器视觉的方法。该方案通过Kinect体感深度传感器提取关节点位置序列数据，对数据进行滤波处理并计算步态参数值。根据步态参数值构造步态特征空间，采用基于随机森林模型的步态相位划分策略得到每帧单侧状态的初步判定结果，再对异常相位进行误判修正得到最终步态相位划分结果。该方案具有较全面的步态特征表示，但是受Kinect深度传感器检测范围的影响，数据采集需要在特定的场地，运动范围有限；并且图像信息容易受光照、遮挡物、背景环境的影响。

专利申请CN202010202430.7提供一种步态健康评估方法及装置，通过8路足底压力传感器获取步态压力信号，基于步态压力信号采用模糊逻辑推理规则识别步态相位。该方法具有便携、动态采集和精确反映足底压力变化情况的优点，但是传感器只能获取支撑相的步态信号，单独使用时无法体现完整步态信息，并且放置在足底的位置对压力测量准确性有很大影响，需要根据不同受试者脚的大小调整传感器的位置。

专利申请CN202111029801.7提出了一种基于角速度信号的步态事件点检测方法，通过采集小腿的角速度数据，将特征点附近的角速度与预设阈值相比较，来判断人走路时的脚跟着地时间点和脚尖离地时间点，并以此划分步态周期。该方法使用方便，计算简单，但是检测的步态事件数量较少，如果需要对步态进行分析，需要对步态周期划分更多的阶段。

在上述现有方案中，基于机器视觉的方法通常部署在专业的步态分析实验室中，成本较高，需要专业技术人员操作，且容易受到光，遮挡，距离等的限制，尚未得到广泛应用。基于压力传感器的方法优势在于能够精确显示足底压力变化情况，通常作为步态检测的金标准，但是此方法只能呈现行走过程中足部与地面接触时的压力变化，而在足部腾空的过程中，压力信号为零，无法得到完整步态周期的步态信息，并且压力传感器的位置对检测准确性有很大的影响，由于存在机械损耗，足底压力传感器不适合长时间连续采集。基于可穿戴惯性传感器的方法与视频图像、压力传感器相比具有很多优点，它可以固定在人体的各个部位，因此可以获取完整的步态信息，也可以在任意环境中工作，不受光照、天气、阴影及遮挡的影响，无需存储大量的视频图像信息，便携性好、穿戴方便。随着微机电系统(Micro-Electro-Mechanical，MEMS)技术的快速发展，可穿戴惯性传感器逐渐成为步态分析研究中的重要工具，但目前这种方式的步态识别精确度还有待提高。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于角速度传感器的步态时相识别方法。该方法包括：

利用传感器采集目标走路的原始角速度信号并同步采集足底压力信号；

将所述原始角速度信号从传感器坐标系变换到地理坐标系，获得对应的角速度信号，其中所述传感器坐标系是由传感器自身的三个正交测量轴所定义的坐标系；

基于所述足底压力信号检测步态事件并确定各类步态事件的发生时刻；

将基于所述足底压力信号检测的步态事件映射到所述角速度信号上，挖掘所述角速度信号的显著性特征，该显著性特征表明，在每个步态周期中，所述角速度信号具有双波谷特征和一段平坦区域；

通过识别所述角速度信号的显著性特征，检测步态事件并对步态时相进行划分，进而获得识别结果。

与现有技术相比，本发明的优点在于，提供一种基于角速度传感器的步态时相识别方法，利用3轴角速度传感器采集人体步行过程中脚面位置的角速度数据，通过挖掘不同步态事件对应的惯性传感器信息的显著性特征，建立基于角速度的步态显著性特征识别方法，实现对不同步态事件、不同步态时相的准确识别。此外，本发明是一种基于可穿戴惯性传感器的步态时相识别方法，具有计算简单，识别准确率高，成本低，可以长期连续监测步态特征长时间维度变化等优点。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于角速度传感器的步态时相识别方法的流程图；

图2是根据本发明一个实施例的基于角速度传感器的步态时相识别方法的过程示意图；

图3是根据本发明一个实施例的足底受力区域的示意图；

图4是根据本发明一个实施例的原始惯性传感器信号和足底压力信号的示意图；

图5是根据本发明一个实施例的传感器坐标转换为地理坐标的示意图；

图6是根据本发明一个是实施例的角速度信号坐标转换前后的对比图；

图7是根据本发明一个是实施例的角速度信号和频谱图；

图8是根据本发明一个实施例的滤波前后角速度信号的示意图；

图9是根据本发明一个实施例的阈值算法检测步态事件的示意图；

图10是根据本发明一个实施例的基于足底压力的步态事件检测结果的示意图；

图11是根据本发明一个实施例的平坦区域划分示意图；

图12是根据本发明一个实施例的基于角速度的步态事件检测结果示意图；

图13是根据本发明一个实施例的步态相位划分示意图；

图14是根据本发明一个实施例的正常人步态时相持续时间示意图；

图15是根据本发明一个实施例的模拟异常人步态相位持续时间示意图；

图16是根据本发明一个实施例的实验数据平台示意图；

图17是根据本发明一个实施例的步态事件检测结果与参考结果对比图；

附图中，Angular Velocity-角速度；Amplitude-幅值；Samples-采样点；SamplingRate-采样率；Gyroscope-陀螺仪。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明通过同步采集的足底压力信息，提出了基于角速度信号的步态事件识别方法，并基于足底压力检测的步态事件，对角速度信号进行标注；进一步，通过时、频分析方法挖掘角速度信号在不同步态事件下的显著性特征，建立基于平坦区域检测和双波谷检测的步态事件显著特征识别算法，基于角速度信号实现对不同步态事件的准确检测；最后，根据检测出的步态事件及先验知识将步态周期划分为多个相位，实现步态时相的准确划分。

结合图1和图2所示，所提供的基于角速度传感器的步态时相识别方法包括以下步骤。

步骤S110，同步采集角速度信号和足底压力信号。

现有的步态事件检测方法需要在安装高速动捕设备的实验室对步态事件进行标注，在本发明一个实施例中，提出了基于足底压力传感信息的步态事件检测方法，因而在建模数据采集过程中需要同步采集角速度传感器信息和足底压力信息。

例如，采用可穿戴设备Xsens中内置的惯性传感单元(Inertial MeasurementUnit，IMU)来获取走路过程中的角速度信号，Xsens的采样频率设为120Hz。采用足底压力分布测量系统FS-INS-W99来获取运动时的足底压力信号，采样频率设为50Hz，实验数据离线采集存储并用于后续建模分析。两个Xsens传感器通过绑带或绝缘胶带分别固定在受试者左右的鞋面上，足底压力分布测量系统以鞋垫的方式固定于受试者的鞋内。

足底压力分布测量系统FS-INS-W99具有99个压力感应区域，所采集的99通道压力数据冗余度较高，不便于后续分析，需要进行前期的数据筛选。

具体地，结合实验数据与步态生物力学的理论分析，人体站立或运动时，体重通过骨骼转移到脚上，脚上的骨骼向地面施力，脚底受力主要有四个位置：脚趾、第一跖骨、第五跖骨和脚跟，分别对应压力分布测量系统的四个区域，参见图3所示的(a)～(d)四个区域。因此，在一个实施例中，筛选出与足底压力鞋垫上这四个特征区域相对应的足底压力数据进行后续分析。图4是惯性传感器采集的原始角速度信号和所筛选出的四个特征区域的足底压力原始信号的示意图。

步骤S120，将角速度信号从传感坐标系变换到地理坐标系。

参见图5所示，坐标系转换主要涉及地理坐标系和传感器坐标系。

对于地理坐标系(Ground Frame，G系)，可选用“东-北-天”坐标系，该坐标系是静止不动的。该坐标系以地球表面的载体质心为原点，其中一个坐标轴指向地心的反方向，其余两个坐标轴分别与所在区域的经线、纬线的切线方向平行，即x轴正方向指向东，y轴正方向指向北，z轴正方向指向重力向量g的反方向。

对于传感器坐标系(Sensor Frame，S系)，是由惯性传感器(或称惯性测量单元)自身的三个正交测量轴所定义的坐标系。惯性传感器的输出测量值均以传感器坐标系为参考系。例如，定义传感器坐标系的原点与地理坐标系的原点重合；在传感器坐标系上，x轴信号输出测量值反映步行过程中前后方向上的惯性数据；y轴信号输出测量值反映步行过程中左右方向上的惯性数据；z轴信号输出测量值反映步行过程中竖直方向上的惯性数据。

在步行过程中，由于惯性传感器可采用鞋绑式，每次实验中固定的位置无法达到完全相同的理想情况，因此传感器坐标系与地理坐标系的相对位置是时刻变化的，无法确保惯性传感器的z轴始终处于重力加速度的方向上，该感知轴与竖直方向的重力加速度之间存在一定的夹角，导致测量的惯性数据产生误差。如图5所示，两个坐标系之间存在不同的坐标轴指向，因此需要进行S系到G系的坐标系变换，得到在参考坐标系中具有实际意义的物理量。

描述两个坐标系之间关系的常用方法主要有欧拉角法、方向余弦矩阵法、三角函数法和四元数法。使用欧拉角法进行坐标转换后，得到的姿态矩阵不需要进行正交化处理，但是当载体的俯仰角为±90°时，将出现奇异点，导致丢失一个自由度，因此该方法不能进行全姿态解算，其使用存在一定的局限。方向余弦法用矢量的方向余弦来表示姿态矩阵的方法。该方法求解姿态矩阵时避免了欧拉角法所遇到的奇异点问题。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，在工程上并不实用。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，用三次转动角度的正、余弦函数来表示姿态函数。该方法同样可以避免奇异点问题，但是也需要解六个微分方程，计算量较大。四元数法需要求解四个微分方程，该方法计算量小、精度高、可避免奇异性，并提供平滑插值。通过从不同角度对欧拉角法、方向余弦法、三角函数法和四元数法进行对比，结果表明四元数法具有最佳的性能。因此，优选地，采用四元数法进行坐标系转换。

具体地，四元数由一个实部，三个虚部组成。一个单位四元数复数式表示形式可写为：

其中q₀是实部，代表旋转角度；若q₀＝0，则为纯四元数；q₁i+q₂j+q₃k是虚部，描述了三维空间中的旋转轴。

在进行坐标系转换时，需要建立表示地理坐标系与传感器坐标系之间相对位置的矩阵，准确描述地理坐标系中三维空间向量与传感器坐标系中三维空间向量之间的转换关系，如公式(2)和公式(3)所示。利用四元数可以求解出旋转矩阵R，再用旋转矩阵乘以原始传感器的数据，就可以得到地理坐标系参数。

在公式(3)中，R为旋转矩阵，

为传感器坐标系下的原始数据，

为转换后的地理坐标系参数。

图6是惯性传感器角速度信号坐标转换前后的对比图。

步骤S130，对角速度信号和足底压力信号进行预处理。

通过对惯性传感器信号(即角速度信号)的初步分析，发现惯性传感器信号具有高频噪声，噪声的存在会严重干扰后续步态分析结果，因此，优选地，需要对这些噪声进行处理。参见图7所示的角速度信号和对应的频谱图，通过对惯性传感器信号进行频域分析，步态数据信号的频率主要集中在10Hz以下。为了尽可能地保留有用信息不使数据失真，同时滤除高频噪音，例如使用一个截止频率为10Hz的2阶巴特沃斯低通滤波器对信号进行滤波。但是由于一次滤波会导致信号相位的移动，影响步态时相识别的准确率，因而对滤波后的信号再进行一次反向滤波，实现零相位偏移，并且降低局部噪声。滤波前后的角速度信号如图8所示。类似地，也可通过对足底压力信号进行预处理，滤除噪声，以提升后续分析的准确性。

步骤S140，基于足底压力信号检测不同的步态事件并确定各类步态事件的发生时刻。

在一个完整的步态周期中，根据足底与地面的接触情况，存在四种关键步态事件，分别为脚跟撞击(Heel-Strike，HS)、脚掌着地(Foot-Flat，FF)、脚跟离地(Heel-Off，HO)、脚趾离地(Toe-Off，TO)。足底与地面接触时，足底压力传感器会检测到压力值，可以通过设置阈值Th来判断步态事件。例如，对于第i个采样点，当对应的压力值T(i)小于阈值Th时，认为此区域没有与地面接触，即关闭状态；当压力值T(i)大于等于阈值Th时，认为此区域与地面接触，即开启状态，表示为：

其中，S(i)表示第i个采样点的开、关状态，T(i)表示第i个采样点的压力值大小，off-ground表示不与地面接触，on-ground表示与地面接触。

在一个实施例中，根据以下步骤确定阈值Th：

首先，针对所有步态周期，计算足底压力信号的平均最大值和平均最小值，表示为：

其中，l是步态周期数，Max_k是第k个步态周期中压力信号的最大值，Min_k是第k个步态周期中压力信号的最小值，Th_MAX和Th_MIN是所有步态周期的足底压力信号的平均最大值和平均最小值。

接下来，可以通过平均最大值和平均最小值获得每个特征区域判断开启与关闭状态的阈值，统一表示为：

Th＝Th_MIN+α(Th_MAX-Th_MIN) (7)

其中，系数α可以调整阈值Th的大小，以补偿体重不同的受试者压力水平的差异。例如，α取值为0.05。由公式(7)可知，该阈值Th通过足底压力的每个步态周期中的最大值和最小值的平均值计算得到。

基于上述过程，筛选出的四个特征区域的足底压力信号分别为T_a(i)、T_b(i)、T_c(i)和T_d(i)，计算特征区域与地面是否接触的判别阈值分别为Th_a、Th_b、Th_c和Th_d。进而，根据足底不同区域与地面接触情况确定四种步态事件。

具体地，参见图9所示，对于HS事件，脚跟的压力信号幅值处于增加阶段时，压力幅值开始大于阈值Th的点，作为HS事件的发生时刻。对于FF事件，FF事件是指整个足底着地或者至少跖骨着地的瞬间，此时脚跟已经有压力信号，需要根据跖骨的压力信号来判断，两个跖骨区域中任意一个压力信号幅值开始大于Th，该时间点就认为是FF时间特征点。对于HO事件，脚跟的压力信号幅值处于减小阶段时，压力幅值开始小于阈值Th的点，作为HO事件的发生时刻。对于TO事件，脚趾的压力信号幅值处于减小阶段时，压力幅值开始小于阈值Th的点，作为TO事件的发生时刻。

在该步骤S140中，根据不同步态事件下足底不同部位受力情况的不同，选取四个特征区域的足底压力信息，提出一种基于阈值分析的步态事件检测方法，进而完成不同步态事件发生时刻的标注。

步骤S150，通过将基于足底压力信号检测的步态事件映射到角速度信号上，挖掘出角速度信号曲线中的显著性特征。

通过将基于足底压力信息检测到的步态事件映射到角速度信号上，发现放置在前脚掌跖骨上方的陀螺仪y轴角速度信号，在沿直线向前行走时，以脚跟着地事件的时刻作为步态周期的开始点，在每个步态周期中，角速度信号具有双波谷特征和一段明显的平坦区域。

图10是足底压力步态事件检测结果在角速度曲线上的对应位置，通过对比发现，双波谷特征的两个波谷分别位于平坦区域的前方和后方，HS事件的时间点对应角速度曲线中平坦区域前方的波谷。TO事件对应的时间点对应角速度曲线中平坦区域后方的波谷。平坦区域的角速度幅值和变化率都接近零，FF和HO分别是平坦区域的起点和终点。通过这种方式，对角速度信号中的步态事件进行时序标注，能够挖掘不同步态事件下惯性传感信息中的显著性特征。

步骤S160，通过识别角速度信号曲线的显著性特征检测步态事件。

在该步骤S160中，通过识别角速度曲线的双波谷特征和平坦区域特征，实现对惯性传感器角速度的步态事件点检测。

例如，使用两个惯性传感器分别采集行走时左右脚的角速度信号，进而基于角速度信号曲线显著性特征来检测步态事件检测。

1)平坦区域特征识别

在每个步态周期中，角速度信号具有两个波谷和一段平坦区域，由于平坦区域的角速度和角速度变化率都接近零，可以利用设置阈值的方法识别出平坦区域的范围。

在一个实施例中，针对角速度信号，按照公式(8)求解取滑动平均值的绝对值M和方差S。

在公式(8)中，W为设置窗口大小，例如设置为10，N为步态采样过程中总的采样点数，y_i为陀螺仪y轴角速度数据，M_i和S_i分别为窗口在y_i上的滑动均值和方差，γ_M和γ_S分别为滑动均值和方差的阈值，滑动窗口的步长为1，当滑动均值M_i小于阈值γ_M，且滑动方差S_i小于γ_S时，就判断其为平坦区域，例如阈值γ_M设置为15，阈值γ_S设置为200。平坦区域检测结果如图11所示。在每个步态周期中，FF事件为平坦区域的起点；HO事件为平坦区域的终点。

2)双波谷特征识别

在角速度信号中，每个步态周期中有两个波谷，平坦区域前出现的第一个极小值点，且角速度值小于0，对应可得到HS事件；平坦区域后出现的第一个极小值点，且角速度值小于0，对应可得到HO事件，由于正常行走的步态周期约为1～1.32s，相同的步态事件需要符合一定的时间差，已知步态周期为T，将时间差设定为0.8T。通过判断极小值点、角速度大小和时间差可以得到HS和HO事件。

图12是基于角速度信号显著性特征检测得出的步态事件检测结果。通过这种方式，建立基于双波谷检测和平区检测方法的惯性传感器信息显著性特征识别方法，实现基于惯性传感器的步态事件检测。

步骤S170，对于所检测出的步态事件进行时相划分。

从一次足跟触地到下一次足跟触地为一个步态周期。为了便于对正常和异常步态的分析，可以由HS、FF、HO、TO四个步态事件将单侧下肢的步态周期划分为四个时相。如图13所示，四个步态时相的定义如下：

承重反应期(Loading Response，LR)：步态事件HS到FF之间的阶段，时间占比约为10％；

支撑相中期(Mid Stance，MS)：步态事件FF到HO之间的阶段，时间占比约为30％；

支撑相末期(Terminal Stance，TS)：步态事件HO到TO之间的阶段，时间占比约为20％；

摆动相(Swing，SW)：步态事件TO到HS之间的阶段，时间占比约为40％。在一个实施例中，将HS事件设为一个步态周期的起始点，LR相位为步态周期的第一个相位，当第一次检测到HS事件时，认为LR相位开始。然后按照时间顺序在角速度曲线上依次检索四种步态事件。

具体地，时相划分包括：

1)当前状态是LR相位，则如果下一次检测到FF事件，则步态相位从当前的LR相位转换MS相位。如果下一次没有检测到任何步态事件，则维持当前的步态相位不变。

2)当前状态是MS相位，如果下一次检测到HO事件，则步态相位从当前的MS相位转换到TS相位。如果下一次没有检测到任何步态事件，则维持当前的步态相位不变。

3)当前状态是TS相位，如果下一次检测到TO事件，则步态相位从当前的TS相位转换到SW相位。如果下一次没有检测到任何步态事件，则维持当前的步态相位不变。

4)当前状态是SW相位，如果下一次检测到HS事件，则步态相位从当前的SW相位转换到LR相位。如果下一次没有检测到任何步态事件，则维持当前的步态相位不变。

步骤S180，基于正常步态和典型异常步态的时序特征，评估步态时相，进而实现异常步态检测。

利用检测出的步态事件和步态时相，可以计算出每一个步态周期的步态时间参数。设第k个周期的四个步态事件的时间点为HS(k)、FF(k)、HO(k)、TO(k)，将HS设为每一个步态周期的起点，则步态周期T可以表示为：

T(k)＝HS(k+1)-HS(k) (10)

LR相位的持续时间T_LR为：

T_LR(k)＝F(k)-HS(k) (11)

MS相位的持续时间T_MS为：

T_MS(k)＝HO(k)-FF(k) (12)

TS相位的持续时间T_TS为：

T_TS(k)＝TO(k)-HO(k) (13)

SW相位的持续时间T_SW为：

T_SW(k)＝HS(k+1)-TO(k) (14)

通过对上述四个步态时相的持续时间的计算，完成对步态质量时间维度的评估。即对于检测出的步态事件，基于正常步态和典型异常步态的时序特征，实现对步态时相的划分和异常步态的检测。

此外，设计了模拟异常步态的实验。将两位受试者的右腿用膝关节限位器固定，限制其下肢运动能力，单独用惯性传感器记录步态参数。对比同一受试者正常与模拟异常步态的相位持续时间如图14和图15所示。

由图可知，正常步态与异常步态在步态时相的持续时间上有显著的差异，正常步态下每一步的持续时间以及各个时相的时长呈现规律性，而在异常步态下，步与步之间的步态参数呈现散乱、无规律性且波动范围大。进一步地，基于正常步态和典型性异常步态的时序特征，对步态对称性、变异性及稳定性等步态特征进行分析，从而实现对异常步态的检测。

为了进一步验证本发明的效果，进行了实验。实验招募了6名身体健康的具有运动能力的受试者。每名受试者进行5次实验，总共30次实验数据。数据采集平台如图16所示，测试前测量并记录受试者的身高、体重、脚长、年龄、性别等个体基本信息，实验过程中受试者穿着实验专用鞋，鞋底放置足底压力测量系统，脚面处固定惯性传感器同步采集。其中，足底压力测量系统对足底压力信号采样率为50Hz，惯性传感器对角速度信号采样率为120Hz。此外，设计了模拟异常步态的实验：将两位受试者的右腿用膝关节限位器固定，限制其下肢运动能力，单独用惯性传感器，以相同的采样率记录步态参数。

具体的实验结果如下。

以足底压力测量结果为参考，计算基于惯性传感器角速度的检测方法与参考结果的时间差值，差值越小，证明检测方法越准确。表1为基于角速度信号的步态事件检测结果与基于足底压力信号的步态事件检测结果的差值，以平均时间差±时间差的标准差(MeanDifference±Standard Deviation)的形式给出。图17为四种步态事件在角速度曲线和足底压力信号上的对比图。由表1可得，步态事件检测结果与参考结果时间差在20ms左右，检测结果较为准确。

表1步态事件检测结果与参考结果时间差(单位：ms)

表2为健康组步态时相的持续时间，表3为健康组与异常组步态时相的持续时间对比。从表2可以得出，健康组的步态周期约1.20s，摆动相占41.44％，支撑相占58.56％，其中承重反应期(LR)占10.81％，支撑相中期(MS)占30.04％，支撑相末期占17.71％，实验结果与资料中提供的各时相比例近似一致，验证了本发明提供的步态时相检测方法的准确性和可靠性。从表3可以得出，健康组左右两侧步态时相的百分比和持续时间一致，而异常组左右两侧的支撑相中期及摆动相的时间有明显差异，且步态周期更长，直观反映了其肢体的不对称性。可以通过步态时间参数有效地检测出异常步态。

表2健康组步态时间参数

表3健康组与异常组步态时间参数对比

综上所述，相对于现有技术，本发明具有以下技术效果：

1)本发明提出了一种简单、可靠的步态事件标注方法。根据足底与地面的接触情况的不同，提出了基于与惯性传感器同步采集的足底压力信息进行步态事件标注方法，针对不同步态事件下足底与地面的接触情况，设置不同的检测阈值，实现对四种步态事件发生时刻的准确标注，为基于惯性传感器角速度的步态事件检测提供参考标准。

2)本发明挖掘了基于角速度传感信息进行步态事件检测的新特征。基于足底压力检测出来的步态事件的时序信息，挖掘出了角速度传感器信号中与特定步态事件对应的显著性特征，包括局部极小值和平坦区等。

3)本发明提出了基于角速度的步态事件检测方法，设计双波谷检测和平坦区检测算法，建立基于上述显著性特征识别的步态事件识别方法，实现了仅基于角速度传感器的步态事件自动识别。

4)本发明提出了基于先验知识和步态事件的步态时相划分方法。在步态事件检测的基础上，基于正常步态和不同类型异常步态的状态转移时序信息，建立步态时相划分方法。

5)本发明基于足底压力数据检测步态事件并以此作为参考，挖掘角速度传感器信号中步态事件相应的显著性特征，通过特征识别方法实现对4中步态事件和4种步态时相的准确识别。实验结果表明，步态事件检测结果与基于压力的步态时间金标准时间相比，误差在20ms，各步态时相比例与前期研究结果的各时相比例一致。

6)本发明基于角速度传感器采集人体走路时的步态数据，基于波形形态特征检测实现步态事件的实时检测和时相的划分，检测成本低且计算简单；

7)本发明根据人体步态的客观规律，结合步态事件检测结果和步态时相识别的结果，对步态进行时间维度的评估，评估结果得出，正常步态与异常步态在步态时相的持续时间上有显著的差异，可以通过步态时间参数有效地检测出异常步态。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分。方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。

在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于角速度传感器的步态时相识别方法，包括以下步骤：

利用传感器采集目标走路的原始角速度信号并同步采集足底压力信号；

将所述原始角速度信号从传感器坐标系变换到地理坐标系，获得对应的角速度信号，其中所述传感器坐标系是由传感器自身的三个正交测量轴所定义的坐标系；

基于所述足底压力信号检测步态事件并确定各类步态事件的发生时刻；

将基于所述足底压力信号检测的步态事件映射到所述角速度信号上，挖掘所述角速度信号的显著性特征，该显著性特征表明，在每个步态周期中，所述角速度信号具有双波谷特征和一段平坦区域；

通过识别所述角速度信号的显著性特征，检测步态事件并对步态时相进行划分，进而获得识别结果。

2.根据权利要求1所述的方法，其特征在于，基于所述足底压力信号检测步态事件并确定各类步态事件的发生时刻包括：

从所述足底压力信号中筛选出四个特征区域的压力信号，分别对应脚趾、第一跖骨、第五跖骨和脚跟；

将所述四个特征区域的压力信号与设定阈值Th比较，进而检测出四种步态事件，包括脚跟撞击事件、脚掌着地事件、脚跟离地事件和脚趾离地事件；

其中，对于脚跟撞击事件，脚跟的压力信号幅值处于增加阶段时，将压力幅值开始大于阈值Th的点，作为脚跟撞击事件的发生时刻；

对于脚掌着地事件，第一跖骨和第五跖骨区域中任意一个压力信号幅值开始大于Th时，该时间点是脚掌着地事件的发生时刻；

对于脚跟离地事件，脚跟的压力信号幅值处于减小阶段时，将压力幅值开始小于阈值Th的点，作为脚跟离地事件的发生时刻；

对于脚趾离地事件，脚趾的压力信号幅值处于减小阶段时，将压力幅值开始小于阈值Th的点，作为脚趾离地事件的发生时刻。

3.根据权利要求2所述的方法，其特征在于，针对一个特征区域，根据以下步骤确定所述阈值Th：

计算所有步态周期的足底压力的平均最大值和平均最小值，表示为：

其中，l是步态周期数，Max_k是第k个步态周期中压力信号的最大值，Min_k是第k个步态周期中压力信号的最小值；

设置阈值Th，表示为：

Th＝Th_MIN+α(Th_MAX-Th_MIN)

其中，α是设定参数。

4.根据权利要求2所述的方法，其特征在于，通过识别所述角速度信号的显著性特征，检测步态事件并对步态时相进行划分包括：

识别所述角速度信号的平坦区域；

识别所述角速度信号的双波谷特征；

根据所述平坦区域和所述双波谷特征检测步态事件，其中脚跟撞击事件的时间点对应平坦区域前方的波谷，脚趾离地事件的时间点对应平坦区域后方的波谷，脚掌着地事件和脚跟离地事件分别是平坦区域的起点和终点；

对所检测出的步态事件进行时相划分，其中承重反应期是脚跟撞击事件到脚掌着地事件之间的阶段，支撑相中期是脚掌着地事件到脚跟离地事件之间的阶段，支撑相末期是脚跟离地事件到脚趾离地事件之间的阶段，摆动相是脚趾离地事件到脚跟撞击事件之间的阶段。

5.根据权利要求4所述的方法，其特征在于，识别所述角速度信号的平坦区域包括：

针对所述角速度信号，求取滑动平均值的绝对值和方差，表示为：

其中，W为设置窗口大小，N为步态采样过程中总的采样点数，y_i为惯性传感器y轴角速度数据，M_i和S_i分别是窗口在y_i上的滑动均值和方差，γ_M和γ_S分别为滑动均值和方差的阈值，滑动窗口的步长为1，当滑动均值M_i小于阈值γ_M，且滑动方差S_i小于γ_S时，判断其为平坦区域。

6.根据权利要求4所述的方法，其特征在于，识别所述角速度信号的双波谷特征包括：

平坦区域前出现的第一个极小值点，且角速度值小于0，对应第一波谷特征；平坦区域后出现的第一个极小值点，且角速度值小于0，对应第二波谷特征。

7.根据权利要求2所述的方法，其特征在于，在检测步态事件并对步态时相进行划分之后，还包括：根据以下方式计算每一个步态周期的步态时间参数：设第k个周期的四个步态事件的时间点为HS(k)、FF(k)、HO(k)、TO(k)，将脚跟撞击事件设为每一个步态周期的起点，则步态周期T表示为：

T(k)＝HS(k+1)-HS(k)

承重反应期相位的持续时间T_LR为：

T_LR(k)＝F(k)-HS(k)

支撑相中期相位的持续时间T_MS为：

T_MS(k)＝HO(k)-FF(k)

支撑相末期相位的持续时间T_TS为：

T_TS(k)＝TO(k)-HO(k)

摆动相相位的持续时间T_SW为：

T_SW(k)＝HS(k+1)-TO(k)

其中，HS表示脚跟撞击事件、FF表示脚掌着地事件、HO表示脚跟离地事件、TO表示脚趾离地事件。

8.根据权利要求1所述的方法，其特征在于，所述原始角速度信号利用设置在脚面处的惯性传感器采集，所述足底压力信号利用设置在鞋底的足底压力测量系统采集，并且利用四元数法将所述原始角速度信号从传感器坐标系变换到地理坐标系。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

Images