CN116746910A - 基于可穿戴设备的步态监测方法及装置、可穿戴设备 - Google Patents
基于可穿戴设备的步态监测方法及装置、可穿戴设备 Download PDFInfo
- Publication number
- CN116746910A CN116746910A CN202310716365.3A CN202310716365A CN116746910A CN 116746910 A CN116746910 A CN 116746910A CN 202310716365 A CN202310716365 A CN 202310716365A CN 116746910 A CN116746910 A CN 116746910A
- Authority
- CN
- China
- Prior art keywords
- gait
- user
- data
- support vector
- vector machine
- 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.)
- Granted
Links
- 230000005021 gait Effects 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 230000033001 locomotion Effects 0.000 claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims description 66
- 230000001133 acceleration Effects 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000002131 composite material Substances 0.000 claims description 18
- 230000015572 biosynthetic process Effects 0.000 claims description 16
- 238000003786 synthesis reaction Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 15
- 230000000869 mutational effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000004899 motility Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000000386 athletic effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 19
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000000418 atomic force spectrum Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 206010017577 Gait disturbance Diseases 0.000 description 2
- 208000027089 Parkinsonian disease Diseases 0.000 description 2
- 206010034010 Parkinsonism Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000026058 directional locomotion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computing Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
Abstract
本发明属于智能监测技术领域,公开了一种基于可穿戴设备的步态监测方法,通过获取多个足底区域的运动力数据,与相应健康人群的运动力均值对比计算偏离程度,并根据运动力数据提取目标步态特征信息,输入当前模型预测用户的运动行为;以及根据目标步态特征信息对当前模型进行重新训练获得最新模型,按照交叉验证法,若最新模型的目标识别率高于现有识别率,确定最新模型为最优参数模型;否则,按照遗传算法对最新模型进行选择、交叉、变异运算进行迭代优化,从而可采集用户足底区域数据进行运动行为分类,并对当前模型进行重新训练,优化迭代得到更高识别率的最优参数模型,实现模型自适应优化完善,提高智能化程度。
Description
技术领域
本发明属于智能监测技术领域,具体涉及一种基于可穿戴设备的步态监测方法及装置、可穿戴设备、存储介质。
背景技术
帕金森病患者有明确的步态障碍,病程较久后,会因为步态姿势障碍增加跌倒风险,患者运动姿态的识别在运动分析、跌倒预警、疾病预防、康复治疗等领域有着重要的作用。业界已有的人体运动姿态的识别方法,包括间接法和直接法两种:
间接法:通过在人体待测部位贴上红外标记点,红外摄像头采集摄像机发出并接收由红外标记点反射回来的红外线信号,确定人体各关节的运动和人体的位置。典型的方案有:英国Movement Techniques公司CODAMX30系统,瑞典Selective Electronic公司SELSPOT-II系统。
直接法:步行实验通道上铺设测足开关和电阻网格,计算机通过得到的地面反作用力和人体运动位置坐标等信息计算出步行过程中,人体的质心运动、能量消耗、运动位置、关节受力情况等;这种方式如瑞士生产的KISTLER三维测力板。
不论直接法还是间接法,都受到摄像头等硬件条件的限制,无法在院外进行长期的步态监测,进行跌倒预警等实时告警,以及结合长期日常行为习惯数据进行帕金森的预警和康复治疗等。
业界出现了一些利用可穿戴设备,如佩戴于手腕的手环或者穿戴于足部的鞋子,采集识别运动状态的方法,可以在院外进行长期的步态监测,进行跌倒预警等实时告警等。但是在实践中发现,现有可穿戴设备进行步态监测的方法无法实现自适应完善,不够智能化。
发明内容
本发明的目的在于提供一种基于可穿戴设备的步态监测方法及装置、可穿戴设备、存储介质,可以实现自适应完善,进而提高智能化程度。
本发明第一方面公开一种基于可穿戴设备的步态监测方法,包括:
获取用户的多个足底区域的运动力数据;
获取与用户的体征信息相匹配的健康人群的各个足底区域的运动力均值;
根据所述运动力均值与所述运动力数据,计算所述运动力数据的偏离程度;
根据所述运动力数据进行特征提取,获得目标步态特征信息;
将所述偏离程度和所述目标步态特征信息输入当前支持向量机模型进行预测获得分类结果;根据所述分类结果确定用户的运动行为;
根据所述目标步态特征信息对所述当前支持向量机模型进行重新训练,获得最新支持向量机模型;
按照交叉验证法、根据所述分类结果,计算所述最新支持向量机模型的目标识别率;
判断所述最新支持向量机模型的目标识别率是否高于现有识别率;
若高于,确定所述最新支持向量机模型为最优参数模型;
若未高于,按照遗传算法对所述最新支持向量机模型进行选择、交叉、变异运算获得变异支持向量机模型,迭代计算直至最后一次迭代获得的变异支持向量机模型的目标识别率高于现有识别率,确定最后一次迭代获得的变异支持向量机模型为最优参数模型。
本发明第二方面公开一种基于可穿戴设备的步态监测装置,包括:
采集单元,用于获取用户的多个足底区域的运动力数据;
调取单元,用于获取与用户的体征信息相匹配的健康人群的各个足底区域的运动力均值;
计算单元,用于根据所述运动力均值与所述运动力数据,计算所述运动力数据的偏离程度;
提取单元,用于根据所述运动力数据进行特征提取,获得目标步态特征信息;
分类单元,用于将所述偏离程度和所述目标步态特征信息输入当前支持向量机模型进行预测获得分类结果,根据所述分类结果确定用户的运动行为;
优化单元,用于根据所述目标步态特征信息对所述当前支持向量机模型进行重新训练,获得最新支持向量机模型;
评估单元,用于按照交叉验证法、根据所述分类结果,计算所述最新支持向量机模型的目标识别率;
判断单元,用于判断所述最新支持向量机模型的目标识别率是否高于现有识别率;
确定单元,用于在判断出目标识别率高于现有识别率时,确定所述最新支持向量机模型为最优参数模型;
遗传单元,用于在判断出目标识别率未高于现有识别率时,按照遗传算法对所述最新支持向量机模型进行选择、交叉、变异运算获得变异支持向量机模型,迭代计算直至最后一次迭代获得的变异支持向量机模型的目标识别率高于现有识别率,确定最后一次迭代获得的变异支持向量机模型为最优参数模型。
本发明第三方面公开一种可穿戴设备,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行第一方面公开的基于可穿戴设备的步态监测方法。
本发明第四方面公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行第一方面公开的基于可穿戴设备的步态监测方法。
本发明的有益效果在于,通过获取多个足底区域的运动力数据,与相应健康人群的运动力均值对比计算偏离程度,并根据运动力数据提取目标步态特征信息,输入当前模型预测用户的运动行为;以及根据目标步态特征信息对当前模型进行重新训练获得最新模型,按照交叉验证法,若最新模型的目标识别率高于现有识别率,确定最新模型为最优参数模型;否则,按照遗传算法对最新模型进行选择、交叉、变异运算进行迭代优化,从而可以采集用户足底区域数据进行运动行为分类,并对当前模型进行重新训练,优化迭代得到更高识别率的最优参数模型,实现模型自适应优化完善,提高智能化程度。
附图说明
此处的附图,示出了本发明所述技术方案的具体实例,并与具体实施方式构成说明书的一部分,用于解释本发明的技术方案、原理及效果。
除非特别说明或另有定义,不同附图中,相同的附图标记代表相同或相似的技术特征,对于相同或相似的技术特征,也可能会采用不同的附图标记进行表示。
图1是一种基于可穿戴设备的步态监测方法的流程图;
图2是多个足底区域的示意图;
图3是一种基于可穿戴设备的步态监测装置的结构示意图;
图4是一种可穿戴设备的结构示意图。
附图标记说明:
310、采集单元;320、调取单元;330、计算单元;340、提取单元;350、分类单元;360、优化单元;370、评估单元;380、判断单元;391、确定单元;392、遗传单元;410、存储器;420、处理器。
具体实施方式
为了便于理解本发明,下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义,本文所使用的所有技术和科学术语与所属技术领域的技术人员通常理解的含义相同。在结合本发明的技术方案以现实的场景的情况下,本文所使用的所有技术和科学术语也可以具有与实现本发明的技术方案的目的相对应的含义。本文所使用的“第一、第二…”仅仅是用于对名称的区分,不代表具体的数量或顺序。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
需要说明的是,当元件被认为“固定于”另一个元件,它可以是直接固定在另一个元件上,也可以是存在居中的元件;当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件,也可以是同时存在居中元件;当一个元件被认为是“安装在”另一个元件,它可以是直接安装在另一个元件,也可以是同时存在居中元件。当一个元件被认为是“设在”另一个元件,它可以是直接设在另一个元件,也可以是同时存在居中元件。
除非特别说明或另有定义,本文所使用的“所述”、“该”为相应位置之前所提及或描述的技术特征或技术内容,该技术特征或技术内容与其所提及的技术特征或技术内容可以是相同的,也可以是相似的。此外,本文所使用的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
如图1所示,本发明实施例公开一种基于可穿戴设备的步态监测方法。该方法的执行主体可为可穿戴于足部的可穿戴设备,如智能鞋,或者与可穿戴设备通信连接的电子设备,如计算机电脑、笔记本电脑、平板电脑等电子设备,或内嵌于电子设备中的步态监测装置,或内嵌与可穿戴设备中的步态监测装置,本发明对此不作限定。该方法包括以下步骤110~190:
110、获取用户的多个足底区域的运动力数据。
本发明实施例中,通过在鞋底嵌设发电一体化监测模块,该发电一体化监测模块融合有加速度传感器、角速度传感器、弯曲度传感器和运动力传感器等多种传感器。因此可以采集用户鞋底采集各种环境下(通畅直线、曲线、有障碍物、狭窄过道)的步态数据,包括加速度数据、角速度数据和运动力数据。
如图2所示,将足底区域划分成MFF、LFF、LMF、HEEL、MMF五个区域,运动力数据具体为MFF、LFF、LMF、HEEL、MMF五个区域的左右运动力、前后运动力、垂直运动力,各运动力占总运动力的比重、角速度、对应时间数据等。在鞋底的各个足部区域,均匀分布着发电一体化监测模块,采样率大于等于100Hz。在采集步态数据后,采用蓝牙、wifi、GPRS等无线传输方式,传给可穿戴设备。
可选的,在执行步骤110之前,还可以执行以下步骤101~102:
101、获取用户的多个足底区域的加速度数据和角速度数据。
具体的,根据足底三轴加速度传感器,按照例如76、88、100、105、120或150Hz的采样频率,采集x,y,z三个方向的作用力。人行走的频率一般在110步/分钟(1.8Hz),跑步时的频率不会超过5Hz。选择上述采样频率可以在准确地反应加速度变化和系统效率、能耗等方面取得更好的平衡效果。
采集过程中电路中的电磁干扰是主要的干扰源,电磁干扰为高频噪声;而人体运动主要是在50Hz以内的低频信号,本发明选用小波变换阈值法。对于这种干扰,给检测加上阈值和步频判断来过滤,也就是说相邻两步的时间间隔至少大于0.11、0.14、0.17、0.2、0.23或0.27秒,可以过滤高频噪声,进一步在准确地反应加速度变化和系统效率、能耗等方面取得更好的平衡效果。
最后,根据x,y,z三个方向的作用力与用户的体重值,计算得到x、y、z三轴方向的加速度向量模ax,ay,az。同样的,基于三轴角速度传感器,如陀螺仪,可采集到x、y、z三轴方向的角速度向量模wx,wy,wz。
102、根据加速度数据和角速度数据,识别用户是处于运动状态还是静止状态。
在判定用户处于运动状态之后,才启动步态检测,也即,步骤110具体包括:当判定用户处于运动状态时,获取用户的多个足底区域的运动力数据。
在步骤102中,根据三个方向的加速度值、角速度值,计算加速度合成幅值、加速度局部方差和角速度合成幅值;当三个预设条件中至少一个成立时,判定用户处于运动状态;其中,三个预设条件为:加速度合成幅值未处于给定的阈值范围之内、加速度局部方差不小于给定的方差阈值、角速度合成幅值不小于给定的角速度阈值。
在实际应用中,采用三条件(C1和C2 C3)判断算法,并利用中值滤波的方法,便可有效地判断用户的运动类型,假设以状态“0”表示运动状态,“1”表示静止状态。
条件1(C1):根据三个方向的加速度值计算加速度合成幅值,当加速度合成幅值处于给定的阈值范围之内,判定用户处于静止状态;当加速度合成幅值未处于给定的阈值范围之内时,判定用户处于运动状态。定义给定的阈值范围为(8,11),定义加速度合成幅值为三个方向的加速度值的算术平方根,计算公式为/>其中,/>分别为x、y、z三轴方向的加速度值。当/>时,条件1(C1)的判断结果为1,否则,判断结果为0。
条件2(C2):根据三个方向的加速度值计算加速度局部方差当加速度局部方差小于给定的方差阈值时,判定用户处于静止状态;当加速度局部方差不小于给定的方差阈值时,判定用户处于运动状态。定义方差阈值为0.5m/s2。当/>时,条件2(C2)的判断结果为1,否则,判断结果为0。
其中,加速度局部方差的计算公式为:
其中,为此区间加速度计合成幅值的输出平均值,其表达式为:/>s为半窗口采样数量,通常定义其值为15。k代表区域的区间中位数,q代表区域标识,b代表力的方向。
条件3(C3):根据三个方向的角速度值计算角速度合成幅值,当角速度合成幅值小于给定的角速度阈值时,判定用户处于静止状态;当角速度合成幅值不小于给定的角速度阈值时,判定用户处于运动状态。定义角速度阈值为50rad/s,定义角速度合成幅值为三个方向的角速度值的算术平方根,其计算公式为/>其中,分别为x、y、z三轴方向的角速度值。当/>时,条件3(C3)的判断结果为1,否则,判断结果为0。
优选的,3个条件之间采用“与”逻辑,即只有当3个条件的判断结果都为1时才认为步态处于绝对静止状态。而若存在至少1个条件的判断结果为0,则认为并非处于静止状态,即判定用户处于运动状态。
由于跌倒具有大加速度和角速度峰值特征,作为一种可选的实施方式,还可以根据加速度合成幅值SVMA和角速度合成幅值SVMW,检测用户是否发生跌倒事件。在根据三个方向的加速度值、角速度值,计算加速度合成幅值、加速度局部方差和角速度合成幅值之后,当加速度合成幅值大于第一幅值阈值、且角速度合成幅值大于第二幅值阈值时,判定用户发生跌倒事件;以及在判定户发生跌倒事件时,输出报警提示信息。其中,通过对人体摔倒过程及其它日常生活行为过程中实验结果数据SVMA和SVMW进行分析,本发明中识别跌倒的第一幅值阈值优选设置为20m/s2、第二幅值阈值优选设置为4rad/s。相比使用单一的加速度信息判断人体摔倒行为的发生会带来很大的误判问题,通过实施该实施方式,使用SVMA及SVMW相结合的信息阈值法可以区分跌倒与产生峰值较小的低强度运动,从而提高识别准确性。
120、获取与用户的体征信息相匹配的健康人群的各个足底区域的运动力均值。
在本发明实施例中,用户的体征信息包括但不限于用户的年龄、性别、体重等信息,对应的存储有相应的健康人群群体的人群画像,该人群画像至少包括有该健康人群群体的各个足底区域的运动力均值等信息。
130、根据运动力均值与运动力数据,计算运动力数据的偏离程度。
采用下式(1)可综合计算个人不同足部区域的运动力数据的偏离程度:
其中,x为偏离程度,ai、bi、ci、di、ei分别为用户5个足部区域的第i次采样的运动力值,N为采样次数;为健康人群群体的5个足部区域的运动力值的人群均值。
140、根据运动力数据进行特征提取,获得目标步态特征信息。
在执行步骤140之前,还可以对运动力数据进行去噪处理。
具体的,对采集到5个足部区域的运动力数据,在一个步态周期内平均化二值轮廓,由此,每个包含大量步态周期的步态视频序列被表示为一系列灰度均值化图片。然后对灰度均值化图片进行小波变换操作(包括小波分解、对高频小波系数处理、小波重构三个步骤),将5个足部区域的运动力时域信号离散化,将多种频率成分的混合信号分解到不同频段的子信号,然后根据各种子信号在频域上的不同特征按频带处理;接着,基于矩阵的非监督算法被用来去除噪声和保留最具代表的信息。最后,利用监督算法进一步提高分辨能力,获取信噪比高的运动力数据。因此步骤140中具体可以是对去噪处理后获得的运动力数据进行特征提取。
本发明选用离散小波变换阈值法,具有带通滤波功能,计算速度快。基于离散傅里叶变换的异常步态检测方法不仅能够有效减少运动力数据的维度,而且在取得满意的区分结果的同时减少检测过程计算量的开销。
可选的,步骤140可以包括以下步骤1401~1403:
1401、对运动力数据进行时域特征提取,获得步态时域特征。
运动力数据具体为MFF、LFF、LMF、HEEL、MMF五个区域的左右运动力、前后运动力、垂直运动力,各运动力占总运动力的比重、角速度、对应时间数据等。鞋底各区域运动力与运动步态相关,时频可表征步态周期性、变化率和加速度等整体特征,频域可表征谱特性等细节特征。在本发明实施例中,采用小波包分解、差分算法分别从五个区域运动力的三方向(左右、前后、垂直)提取频域、时域特征。
步骤1401具体包括:将去噪后的运动力数据中的垂直运动力曲线用一阶差分法检测前后、垂直方向曲线的波峰点和波谷点,作为关键点,将垂直方向曲线的波谷点作为参考点;以垂直方向曲线的关键点的力值及力值出现的时相、相邻关键点运动力变化率和冲量和对应的前后方向曲线上的关键点处的力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)表征全程的步态时域特征。
1402、对运动力数据进行频域特征提取,获得步态频域特征。
步骤1402具体包括:先按垂直运动力曲线上的参考点将运动力自动波形对齐,以提高频域特征对比性和分类能力:先用线性插值算法将运动力维数归一化到同一值,通过一阶差分算法搜索出归一化后运动力垂直方向力曲线上的波谷点,将波谷点作为参考点进行参照,用线性插值法将运动力数据中的左右、前后和垂直方向曲线波形对齐;将去噪后的运动力数据中的垂直力曲线用一阶差分算法检测出垂直方向的波谷点,作为运动力曲线的参考点;以参考点为基准,用线性插值法对运动力数据进行波形对齐,得到对齐后的运动力数据;再用L层小波包分解算法从运动力数据中提取出全程的步态频域特征。
1403、将步态时域特征与步态频域特征进行融合处理,获得目标步态特征信息。
步骤1403具体包括:先用模糊C均值法从提取的步态频域特征的多个小波包中挑选最小最优小波包集合,再用模糊C均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数,得到最小最优步态频域特征子集,再与步态时域特征组合,得到融合后的步态特征集,作为目标步态特征信息。
150、将偏离程度和目标步态特征信息输入当前支持向量机模型进行预测获得分类结果,根据分类结果确定用户的运动行为。
其中,运动行为包括但不限于行走、慢跑、跳跃、起立、坐下、蹲下、上楼梯、下楼梯或平地走等等处于活动状态的行为。通过预先训练好支持向量机模型,识别用户的运动行为,可以用于不同运动行为的远程健康检测,发现活动构成变化等发病迹象。
在本发明实施例中,通过建立支持向量机(Support Vector Machine,SVM)模型进行步态识别。在约束条件下,采用非线性映射径向基核函数将线性不可分的低维空间映射到线性可分的高维空间。N维空间线性函数的VC维大大减小,使算法具有良好的可扩展性;原问题转化为对偶问题后,算法运算量主要取决于样本中的支持向量数,使算法具有了较低的复杂度。这些特点使算法可以高效的解决高维问题。
具体的,先训练分类器获得当前SVM模型,再用当前SVM模型识别步态样本。假设步态数据库中已经注册了个人n类步态样本,对应于n类运动行为,根据输入的偏离程度和目标步态特征信息等特征值,判定是1~n中哪一类,如果超出1~n范围,则新注册类别n+1类,然后重新更新当前SVM模型。
作为一种可选的实施方式,在执行步骤150之后,还可以根据用户的体征信息,调取对应的健康人群上一次环境参数输入形成的误差反向传播(Back Propagation,BP)网络模型,该BP网络模型具有与用户的体征信息对应的健康人群的历史最佳运动环境参数,通过有监督分类算法,以环境参数作为输入、以个体运动质量评分作为输出进行训练所得。然后根据用户的运动力数据获得用户的目标环境参数,输入该BP网络模型进行对比,获得用于表征个体运动质量好坏的评价结果,例如,更好为1,更差为0。用于表征个体运动质量好坏的评价结果可作为训练监督因子,对BP网络模型进行正向和反向传播自适应训练。具体的,BP网络模型包括输入层、隐含层和输出层;其中隐含层包括多个依次连接的神经元。
正向传播过程包括:输入的目标环境参数从输入层进入网络,经过隐含层后,传向输出层,在输出层产生输出信号,即评价结果。在此期间,网络各神经元的权值和阀值保持不变,每一层神经元只影响下一层神经元的输入和状态,如果在输出层没有得到期望的输出值,网络即转入误差信号的反向传播过程。
反向传播过程包括:误差信号由输出层开始逐层回传,在此传播过程中,网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。
以上两个阶段交替循环进行,每完成一次,进行算法库等指标的修正,用遗传算法进行修正。
其中,BP网络模型的激活函数选用Sigmoid函数,如式(2)所示:
其中,P>0。经过激活函数的作用,输入的第P个训练样本信息首先可以传播到隐含层单元上,经过f(u)的作用得到隐含层第j个神经元的输出信息,如式(3)所示,从而影响因子权重确定:
式中:Wij代表输入层第i个神经元到隐含层第j个神经元的权值,XP代表第P个训练样本在输入层的第i个输入值,代表隐含层第j个神经元的阈值。
最后在输出层产生输出信号,如式(4)所示,即个体运动质量好坏的评价结果:
其中,运动质量的指标值分别为:Yj=(y1j,y2j,y3j);
体征参数的权重系数向量为:W=(w1,w2,w3);
其中wi为(-1,1)之间的一个小数,按照相关系数先进行主观赋权,然后基于“指标差异”的赋权法(客观赋权法)对其进行训练调整。
为衡量各种因素对目标层的影响大小,引入相对比较法,定义判断矩阵A:
设权重向量为W,此时W为1×(n+1)向量,即:W=(w1,w2,w3…wn+1)。
160、根据目标步态特征信息对当前支持向量机模型进行重新训练,获得最新支持向量机模型。
使用SVM模型进行持续的大数据训练细分计算量非常大,以其中足底运动力数据为例,采样率100Hz,每个足底采集3000个点,的6个方向运动力值,每秒每人原始数据量为360万个,数据挖掘即360万维度以上,相应给后面的数据处理带来巨大的运算量。
因此在新的步态样本(即目标步态特征信息)增加后,需要结合新的步态样本对当前支持向量机模型的支持向量集进行降维,舍弃无用的支持向量,提高分类的速度,同时保证分类精度。
在降维过程中,为了消除数据间不同量纲、不同数量级的影响,需要对原始数据(即原始支持向量集)进行标准化处理,使其具有可比性,通过举证中的每个元素减去所在列的均值,然后除以所在列的标准差,使得每个变量(即支持向量)标准化为均值为0,方差为1的矩阵X。如下式(5)所示:
X=[X1,X2,......Xn]T=[Xij](n×p) (5)
其中,i=1,2,…,n;j=1,2,…,p;/>
接着,计算相关系数矩阵R:
其中,R是实对称矩阵(即rij=rji),其中r为相关系数。
然后计算每个支持向量的累计贡献率ηt:
其中,k表示向量序号;λk表示贡献率;p表示向量数。
当累计贡献率达到50%以上时,采用比高法,将最高贡献率的特征值向量(即支持向量)留下,作为固定工作样本集,其余舍弃。
最后将留下的支持向量作为新变量主成分,利用下式(6)计算得分矩阵:
F(n×m)=X(n×p)·U(p×m) (6)
其中,X是原数据矩阵,U是新变量主成分载荷,得分矩阵F即为主成分分析降维(Principal Component Analysis,PCA)方法降维后所得到的新的支持向量集,从而获得最新支持向量机模型。
这样做的方式既使用到了固定工作样本集方法计算速度快的特点,又避免了其当支持向量的个数超出工作样本集的规模,算法仅优化支持向量中的一部分的存在范围局限性的问题。
170、按照交叉验证法、根据分类结果,计算最新支持向量机模型的目标识别率。
SVM模型采用适应度函数为f(xi)=min(1-g(xi)),其中为SVM模型对新的步态样本划分正确率,即目标识别率。每次输入新的步态样本,对新的步态样本进行预测,根据交叉验证法原理,计算SVM模型的识别率进行适应度评估,不设定遗传算法的终止值,终止条件采用比高法,如果训练的识别率高于现有则设为最优参数,否则,执行选择、交叉和变异等操作进一步优化训练参数。也即是说,随着样本量的增加,如果新形成的模型识别率高于历史最佳模型,则该模型取代历史最佳模型,从而随着样本量的增加,模型能够自适应不断优化完善。
180、判断最新支持向量机模型的目标识别率是否高于现有识别率。若是,执行步骤191;否则,执行步骤192。
191、若高于,确定最新支持向量机模型为最优参数模型。
192、若未高于,按照遗传算法对最新支持向量机模型进行选择、交叉、变异运算获得变异支持向量机模型,迭代计算直至最后一次迭代获得的变异支持向量机模型的目标识别率高于现有识别率,确定最后一次迭代获得的变异支持向量机模型为最优参数模型。
可见,实施本发明实施例,可以采集用户的足底区域数据进行不同运动行为的分类,并与相应的健康人群进行偏离计算,根据步态数据对当前支持向量机模型进行重新训练,并优化迭代得到更高识别率的最优参数模型,实现自适应完善,进而提高智能化程度。个体作为整体人群中,对应人群画像的一个新输入因子,用SVM遗传修正整体人群对应画像人群环境模型,其对应人群的运动环境用户画像不断清晰细化。
如图3所示,本发明实施例公开一种基于可穿戴设备的步态监测装置,包括采集单元310、调取单元320、计算单元330、提取单元340、分类单元350、优化单元360、评估单元370、判断单元380、确定单元391、遗传单元392,
采集单元310,用于获取用户的多个足底区域的运动力数据;
调取单元320,用于获取与用户的体征信息相匹配的健康人群的各个足底区域的运动力均值;
计算单元330,用于根据运动力均值与运动力数据,计算运动力数据的偏离程度;
提取单元340,用于根据运动力数据进行特征提取,获得目标步态特征信息;
分类单元350,用于将偏离程度和目标步态特征信息输入当前支持向量机模型进行预测获得分类结果,根据分类结果确定用户的运动行为;
优化单元360,用于根据目标步态特征信息对当前支持向量机模型进行重新训练,获得最新支持向量机模型;
评估单元370,用于按照交叉验证法、根据分类结果,计算最新支持向量机模型的目标识别率;
判断单元380,用于判断最新支持向量机模型的目标识别率是否高于现有识别率;
确定单元391,用于在判断出目标识别率高于现有识别率时,确定最新支持向量机模型为最优参数模型;
遗传单元392,用于在判断出目标识别率未高于现有识别率时,按照遗传算法对最新支持向量机模型进行选择、交叉、变异运算获得变异支持向量机模型,迭代计算直至最后一次迭代获得的变异支持向量机模型的目标识别率高于现有识别率,确定最后一次迭代获得的变异支持向量机模型为最优参数模型。
可选的,上述步态监测装置还可以包括以下未图示的单元:
获取单元,用于在采集单元310获取用户的多个足底区域的运动力数据之前,获取用户的多个足底区域的加速度数据和角速度数据;
识别单元,用于根据加速度数据和角速度数据,识别用户是否处于运动状态;若用户处于运动状态,触发采集单元310执行获取用户的多个足底区域的运动力数据的操作。
进一步可选的,加速度数据包括三个方向的加速度值,角速度数据包括三个方向的角速度值。相应的,上述识别单元可以包括以下未图示的子单元:
计算子单元,用于根据三个方向的加速度值、角速度值,计算加速度合成幅值、加速度局部方差和角速度合成幅值;
判决子单元,用于在三个预设条件中至少一个成立时,判定用户处于运动状态;其中,三个预设条件为:加速度合成幅值未处于给定的阈值范围之内、加速度局部方差不小于给定的方差阈值、角速度合成幅值不小于给定的角速度阈值。
进一步的,在一些实施例中,上述步态监测装置还可以包括未图示的单元:
跌倒检测单元,用于在计算子单元根据三个方向的加速度值、角速度值,计算加速度合成幅值、加速度局部方差和角速度合成幅值之后,当加速度合成幅值大于第一幅值阈值、且角速度合成幅值大于第二幅值阈值时,判定用户发生跌倒事件;
报警提示单元,用于在判定用户发生跌倒事件时,输出报警提示信息。
可选的,上述步态监测装置中,提取单元340,具体用于对运动力数据进行时域特征提取,获得步态时域特征;以及,对运动力数据进行频域特征提取,获得步态频域特征;将步态时域特征与步态频域特征进行融合处理,获得目标步态特征信息。
如图4所示,本发明实施例公开一种可穿戴设备,包括存储有可执行程序代码的存储器410以及与存储器410耦合的处理器420;
其中,处理器420调用存储器410中存储的可执行程序代码,执行上述各实施例中描述的基于可穿戴设备的步态监测方法。
本发明实施例还公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行上述各实施例中描述的基于可穿戴设备的步态监测方法。
以上实施例的目的,是对本发明的技术方案进行示例性的再现与推导,并以此完整的描述本发明的技术方案、目的及效果,其目的是使公众对本发明的公开内容的理解更加透彻、全面,并不以此限定本发明的保护范围。
以上实施例也并非是基于本发明的穷尽性列举,在此之外,还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进,均属本发明的保护范围。
Claims (10)
1.基于可穿戴设备的步态监测方法,其特征在于,包括:
获取用户的多个足底区域的运动力数据;
获取与用户的体征信息相匹配的健康人群的各个足底区域的运动力均值;
根据所述运动力均值与所述运动力数据,计算所述运动力数据的偏离程度;
根据所述运动力数据进行特征提取,获得目标步态特征信息;
将所述偏离程度和所述目标步态特征信息输入当前支持向量机模型进行预测获得分类结果;根据所述分类结果确定用户的运动行为;
根据所述目标步态特征信息对所述当前支持向量机模型进行重新训练,获得最新支持向量机模型;
按照交叉验证法、根据所述分类结果,计算所述最新支持向量机模型的目标识别率;
判断所述最新支持向量机模型的目标识别率是否高于现有识别率;
若高于,确定所述最新支持向量机模型为最优参数模型;
若未高于,按照遗传算法对所述最新支持向量机模型进行选择、交叉、变异运算获得变异支持向量机模型,迭代计算直至最后一次迭代获得的变异支持向量机模型的目标识别率高于现有识别率,确定最后一次迭代获得的变异支持向量机模型为最优参数模型。
2.如权利要求1所述的步态监测方法,其特征在于,所述获取用户的多个足底区域的运动力数据之前,所述方法还包括:
获取用户的多个足底区域的加速度数据和角速度数据;
根据加速度数据和角速度数据,识别用户是否处于运动状态;
若用户处于运动状态,执行所述获取用户的多个足底区域的运动力数据的步骤。
3.如权利要求2所述的步态监测方法,其特征在于,所述加速度数据包括三个方向的加速度值,所述角速度数据包括三个方向的角速度值;所述根据加速度数据和角速度数据,识别用户是否处于运动状态,包括:
根据三个方向的加速度值、角速度值,计算加速度合成幅值、加速度局部方差和角速度合成幅值;
当三个预设条件中至少一个成立时,判定用户处于运动状态;其中,三个预设条件为:所述加速度合成幅值未处于给定的阈值范围之内、所述加速度局部方差不小于给定的方差阈值、所述角速度合成幅值不小于给定的角速度阈值。
4.如权利要求3所述的步态监测方法,其特征在于,根据三个方向的加速度值、角速度值,计算加速度合成幅值、加速度局部方差和角速度合成幅值之后,所述方法还包括:
当所述加速度合成幅值大于第一幅值阈值、且所述角速度合成幅值大于第二幅值阈值时,判定用户发生跌倒事件;
当判定用户发生跌倒事件时,输出报警提示信息。
5.如权利要求1至4任一项所述的步态监测方法,其特征在于,根据所述运动力数据进行特征提取获得目标步态特征信息,包括:
对所述运动力数据进行时域特征提取,获得步态时域特征;
对所述运动力数据进行频域特征提取,获得步态频域特征;
将步态时域特征与步态频域特征进行融合处理,获得目标步态特征信息。
6.基于可穿戴设备的步态监测装置,其特征在于,包括:
采集单元,用于获取用户的多个足底区域的运动力数据;
调取单元,用于获取与用户的体征信息相匹配的健康人群的各个足底区域的运动力均值;
计算单元,用于根据所述运动力均值与所述运动力数据,计算所述运动力数据的偏离程度;
提取单元,用于根据所述运动力数据进行特征提取,获得目标步态特征信息;
分类单元,用于将所述偏离程度和所述目标步态特征信息输入当前支持向量机模型进行预测获得分类结果,根据所述分类结果确定用户的运动行为;
优化单元,用于根据所述目标步态特征信息对所述当前支持向量机模型进行重新训练,获得最新支持向量机模型;
评估单元,用于按照交叉验证法、根据所述分类结果,计算所述最新支持向量机模型的目标识别率;
判断单元,用于判断所述最新支持向量机模型的目标识别率是否高于现有识别率;
确定单元,用于在判断出目标识别率高于现有识别率时,确定所述最新支持向量机模型为最优参数模型;
遗传单元,用于在判断出目标识别率未高于现有识别率时,按照遗传算法对所述最新支持向量机模型进行选择、交叉、变异运算获得变异支持向量机模型,迭代计算直至最后一次迭代获得的变异支持向量机模型的目标识别率高于现有识别率,确定最后一次迭代获得的变异支持向量机模型为最优参数模型。
7.如权利要求6所述的步态监测装置,其特征在于,还包括:
获取单元,用于在所述采集单元获取用户的多个足底区域的运动力数据之前,获取用户的多个足底区域的加速度数据和角速度数据;
识别单元,用于根据加速度数据和角速度数据,识别用户是否处于运动状态;若用户处于运动状态,触发所述采集单元执行所述获取用户的多个足底区域的运动力数据的操作。
8.如权利要求6所述的基于可穿戴设备的步态监测装置,其特征在于,
所述提取单元,具体用于对所述运动力数据进行时域特征提取,获得步态时域特征;以及,对所述运动力数据进行频域特征提取,获得步态频域特征;将步态时域特征与步态频域特征进行融合处理,获得目标步态特征信息。
9.可穿戴设备,其特征在于,包括存储有可执行程序代码的存储器以及与存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至5任一项所述的基于可穿戴设备的步态监测方法。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至5任一项所述的基于可穿戴设备的步态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310716365.3A CN116746910B (zh) | 2023-06-15 | 2023-06-15 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310716365.3A CN116746910B (zh) | 2023-06-15 | 2023-06-15 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116746910A true CN116746910A (zh) | 2023-09-15 |
CN116746910B CN116746910B (zh) | 2024-05-28 |
Family
ID=87952798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310716365.3A Active CN116746910B (zh) | 2023-06-15 | 2023-06-15 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116746910B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971059A (zh) * | 2017-03-01 | 2017-07-21 | 福州云开智能科技有限公司 | 一种基于神经网络自适应健康监测的可穿戴设备 |
CN107679743A (zh) * | 2017-09-29 | 2018-02-09 | 河北百斛环保科技有限公司 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
CN107753026A (zh) * | 2017-09-28 | 2018-03-06 | 古琳达姬(厦门)股份有限公司 | 针对脊柱腿部健康的智能鞋自适应监测方法 |
CN108244744A (zh) * | 2016-12-29 | 2018-07-06 | 中国移动通信有限公司研究院 | 一种运动状态识别的方法、鞋底及鞋 |
CN108325162A (zh) * | 2018-01-30 | 2018-07-27 | 深圳市前海未来无限投资管理有限公司 | 一种步态训练方法、装置及可穿戴设备 |
CN108514421A (zh) * | 2018-03-30 | 2018-09-11 | 福建幸福家园投资管理有限公司 | 提升混合现实与日常健康监测的方法 |
CN108831527A (zh) * | 2018-05-31 | 2018-11-16 | 古琳达姬(厦门)股份有限公司 | 一种用户运动状态检测方法、装置及可穿戴设备 |
CN108836337A (zh) * | 2018-05-04 | 2018-11-20 | 福建省莆田市双驰智能信息技术有限公司 | 一种通过足部运动状态进行个性化足型健康检测的方法 |
CN109285594A (zh) * | 2018-09-11 | 2019-01-29 | 深圳众赢时代科技有限公司 | 人体3d扫描投影技术 |
CN109805935A (zh) * | 2017-11-21 | 2019-05-28 | 北京周智物联科技有限公司 | 一种基于人工智能分层分级运动识别方法的智能腰带 |
CN110169774A (zh) * | 2019-05-28 | 2019-08-27 | 深圳正指向科技有限公司 | 一种基于区块链的运动状态识别系统及方法 |
CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
CN111358469A (zh) * | 2020-04-15 | 2020-07-03 | 青岛一小步科技有限公司 | 一种足底压力检测装置及足部健康检测装置和检测方法 |
CN112022163A (zh) * | 2019-06-04 | 2020-12-04 | 北京荣森康泰医疗器械有限公司 | 一种基于护腰腰带的控制方法、护腰装置及其系统 |
-
2023
- 2023-06-15 CN CN202310716365.3A patent/CN116746910B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108244744A (zh) * | 2016-12-29 | 2018-07-06 | 中国移动通信有限公司研究院 | 一种运动状态识别的方法、鞋底及鞋 |
CN106971059A (zh) * | 2017-03-01 | 2017-07-21 | 福州云开智能科技有限公司 | 一种基于神经网络自适应健康监测的可穿戴设备 |
CN107753026A (zh) * | 2017-09-28 | 2018-03-06 | 古琳达姬(厦门)股份有限公司 | 针对脊柱腿部健康的智能鞋自适应监测方法 |
CN107679743A (zh) * | 2017-09-29 | 2018-02-09 | 河北百斛环保科技有限公司 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
CN109805935A (zh) * | 2017-11-21 | 2019-05-28 | 北京周智物联科技有限公司 | 一种基于人工智能分层分级运动识别方法的智能腰带 |
CN108325162A (zh) * | 2018-01-30 | 2018-07-27 | 深圳市前海未来无限投资管理有限公司 | 一种步态训练方法、装置及可穿戴设备 |
CN108514421A (zh) * | 2018-03-30 | 2018-09-11 | 福建幸福家园投资管理有限公司 | 提升混合现实与日常健康监测的方法 |
CN108836337A (zh) * | 2018-05-04 | 2018-11-20 | 福建省莆田市双驰智能信息技术有限公司 | 一种通过足部运动状态进行个性化足型健康检测的方法 |
CN108831527A (zh) * | 2018-05-31 | 2018-11-16 | 古琳达姬(厦门)股份有限公司 | 一种用户运动状态检测方法、装置及可穿戴设备 |
CN109285594A (zh) * | 2018-09-11 | 2019-01-29 | 深圳众赢时代科技有限公司 | 人体3d扫描投影技术 |
CN110169774A (zh) * | 2019-05-28 | 2019-08-27 | 深圳正指向科技有限公司 | 一种基于区块链的运动状态识别系统及方法 |
CN112022163A (zh) * | 2019-06-04 | 2020-12-04 | 北京荣森康泰医疗器械有限公司 | 一种基于护腰腰带的控制方法、护腰装置及其系统 |
CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
CN111358469A (zh) * | 2020-04-15 | 2020-07-03 | 青岛一小步科技有限公司 | 一种足底压力检测装置及足部健康检测装置和检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116746910B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107753026B (zh) | 针对脊柱腿部健康的智能鞋自适应监测方法 | |
Quaid et al. | Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm | |
CN108244744B (zh) | 一种运动状态识别的方法、鞋底及鞋 | |
Zhang et al. | Application of supervised machine learning algorithms in the classification of sagittal gait patterns of cerebral palsy children with spastic diplegia | |
CN108831527B (zh) | 一种用户运动状态检测方法、装置及可穿戴设备 | |
Xia et al. | A dual-modal attention-enhanced deep learning network for quantification of Parkinson’s disease characteristics | |
Begg et al. | Support vector machines for automated gait classification | |
Khandoker et al. | Wavelet-based feature extraction for support vector machines for screening balance impairments in the elderly | |
Hemmatpour et al. | A review on fall prediction and prevention system for personal devices: evaluation and experimental results | |
CN110390565A (zh) | 通过ai边缘计算实现智能网关自适应管理的方法及系统 | |
Dasgupta et al. | Acceleration gait measures as proxies for motor skill of walking: A narrative review | |
CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
CN110169774B (zh) | 一种基于区块链的运动状态识别系统及方法 | |
Rastegari et al. | A bag-of-words feature engineering approach for assessing health conditions using accelerometer data | |
CN108309304A (zh) | 一种生成冻结步态智能监测系统的方法 | |
CN111631719A (zh) | 一种用于预测老年人跌倒风险的方法 | |
Schmid et al. | SVM versus MAP on accelerometer data to distinguish among locomotor activities executed at different speeds | |
Young et al. | Just find it: The Mymo approach to recommend running shoes | |
CN111931568A (zh) | 一种基于增强式学习的人体跌倒检测方法及系统 | |
Elden et al. | A computer aided diagnosis system for the early detection of neurodegenerative diseases using linear and non-linear analysis | |
Zhen et al. | Hybrid Deep‐Learning Framework Based on Gaussian Fusion of Multiple Spatiotemporal Networks for Walking Gait Phase Recognition | |
CN111916179A (zh) | 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 | |
Khera et al. | Novel machine learning-based hybrid strategy for severity assessment of Parkinson’s disorders | |
Balakrishnan et al. | Mahalanobis Metric-based Oversampling Technique for Parkinson’s Disease Severity Assessment using Spatiotemporal Gait Parameters | |
Wu et al. | A novel graph-based hybrid deep learning of cumulative GRU and deeper GCN for recognition of abnormal gait patterns using wearable sensors |
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 |