CN105268171B - 步态监测方法、装置及可穿戴设备 - Google Patents

Abstract

本申请提供一种步态监测方法、装置及可穿戴设备，该方法包括：获取用户在跑步过程中脚底触地过程中对应的多个数据段；从所述多个数据段确定用于进行步态分析的特征数据；将所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果。在本发明的技术方案可以使用户能够在没有专业人士指导下也可以正确认识自己的步态，并根据步态监测结果对用户的步态做出适当的调整，提高用户的跑步水平和避免运动伤害。

Description

步态监测方法、装置及可穿戴设备

技术领域

本申请涉及可穿戴设备技术领域，尤其涉及一种步态监测方法、装置及可穿戴设备。

背景技术

随着社会的发展和人们生活水平的提高，健身逐渐成为人们的重要需求。在中国，全民健身已经发展成为一项群众运动。而跑步作为一种简单易行的健身活动，越来越受到人们的钟爱。但是，错误的跑步方式可能会不同程度地对人体造成运动伤害，因此正确地进行跑步运动对跑步人群非常重要。而大部分进行跑步运动的人群都得不到专业人士的指导，只能通过自学和自我观察来调整跑步姿势。

发明内容

有鉴于此，本申请提供一种新的技术方案，可以使用户通过跑步过程中的步态监测结果对步态做出适当的调整，提高用户的跑步水平并避免运动伤害。

为实现上述目的，本申请提供技术方案如下：

根据本申请的第一方面，提出了一种步态监测方法，包括：

获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

从所述多个数据段确定用于进行步态分析的特征数据；

将所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果。

根据本申请的第二方面，提出了一种步态监测装置，包括：

第一获取模块，用于获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

第一确定模块，用于从所述第一获取模块获取到的所述多个数据段确定用于进行步态分析的特征数据；

第一计算模块，用于将所述第一确定模块确定的所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果。

根据本申请的第三方面，提出了一种可穿戴设备，所述可穿戴设备包括：

处理器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器，被配置为：

获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

从所述多个数据段确定用于进行步态分析的特征数据；

将所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果。

由以上技术方案可见，本申请实现了对用户在跑步过程中的步态进行监测，从而可以使用户能够在没有专业人士指导下也可以正确认识自己的步态，并根据步态监测结果对用户的步态做出适当的调整，提高用户的跑步水平和避免运动伤害。

附图说明

图1A示出了根据本发明的一示例性实施例一的步态监测方法的流程示意图；

图1B示出了图1A所示实施例的前足着地的数据在时域的示意图；

图1C示出了图1A所示实施例的后足着地的数据在时域的示意图；

图2A示出了根据本发明的一示例性实施例二的步态监测方法的流程示意图；

图2B示出了图2A所示实施例得到的前足着地的数据段在时域的示意图；

图2C示出了图2A所示实施例得到的后足着地的数据段在时域的示意图；

图3A示出了根据本发明的一示例性实施例三的步态监测方法的流程示意图；

图3B示出了图3A所示实施例的前足着地的数据在频域的示意图；

图3C示出了图3A所示实施例的后足着地的数据在频域的示意图；

图4示出了根据本发明的一示例性实施例四的步态监测方法的流程示意图；

图5示出了根据本发明的一示例性实施例五的步态监测方法的流程示意图；

图6A示出了根据本发明的一示例性实施例六的步态监测方法的流程示意图；

图6B示出了图6A所示实施例的基于支持向量机的模型示意图；

图7A示出了根据本发明的一示例性实施例七的步态监测方法的流程示意图；

图7B示出了图7A所示实施例的基于决策树的模型示意图；

图8示出了根据本发明的一示例性实施例的可穿戴设备的结构示意图；

图9示出了根据本发明的一示例性实施例的步态监测装置的结构示意图；

图10示出了根据本发明的另一示例性实施例的步态监测装置的结构示意图；

图11示出了根据本发明的又一示例性实施例的步态监测装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

对一般的跑步人士来而言，跑步方式的主要内容包括步频、配速和步态。步频表示用户每分钟迈步的数量，配速表示用户每公里所需的跑步时间，而步态表示用户在跑步过程中的脚底着地的方式，在实际跑步过程中，根据脚底各个位置着地顺序的不同，步态分为前脚掌着地、后脚跟着地和全脚掌着地。根据实际的需要，可以将前脚掌着地和全脚掌着地合称为前足着地，而将后脚跟着地称为后足着地，或者将前脚掌着地称为前足着地，而将后脚跟着地和全脚掌着地合称为后足着地。步态的上述不同分类方法，均可通过本申请的步态监测方法实现。本申请通过对用户在跑步过程中的步态进行监测，从而可以使用户能够在没有专业人士指导下也可以正确认识自己的步态，并根据步态监测结果对用户的步态做出适当的调整，提高用户的跑步水平和避免运动伤害。

为对本申请进行进一步说明，提供下列实施例：

图1A示出了根据本发明的一示例性实施例一的步态监测方法的流程示意图，图1B示出了图1A所示实施例的前足着地的数据在时域的示意图，图1C示出了图1A所示实施例的后足着地的数据在时域的示意图；本实施例可以通过安装在跑步设备上的步态监测装置来实现，其中，跑步设备可以包括但不限于跑鞋、鞋垫和袜子等。该步态监测装置在跑步设备上的安装位置包括但不限于跑鞋的鞋底、鞋面和后跟位置，鞋垫的足弓位置，以及袜子的袜筒等等，如图1A所示，步态监测方法包括如下步骤：

步骤101，获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

步骤102，从多个数据段确定用于进行步态分析的特征数据；

步骤103，将特征数据输入到已训练的数学模型中，得到用户在跑步过程中的步态监测结果。

在步骤101中，可以通过传感器采集用户在跑步过程中的传感器数据，该传感器数据可以通过包括但不限于通过加速度传感器、陀螺仪以及地磁计等传感器采集得到。从传感器数据中识别出脚底触地过程中对应的数据段。如图1B和图1C所示，为加速度传感器在用户跑步过程中采集到的一个踏步在其中一个维度的传感器数据，其中，图1B示出了用户前足着地时加速度传感器采集的数据，图1C示出了用户后足着地时加速度传感器采集的数据，在此传感器的数据中，前足着地与后足着地的触地过程中对应有较高的波峰，在各自的波峰两侧具有不同形态的波谷，通过检测波峰以及波峰两侧的波谷的数据特征，从而可以确定用户在每一步的脚底触地过程中对应的数据段，进而在整个跑步过程中能够检测到用户所跑的步数，以及该步数对应的多个数据段。当采用同一个传感器的多个维度数据时，则用户在跑步过程中的每一步在触地过程中都会对应多个维度对应的数据段，进一步地，当有多个传感器采集时，多个传感器中的每一个传感器均会采集到各自不同维度对应的数据段，本申请为了简化说明，仅以加速度传感器的一个维度的数据进行示例性说明；本领域技术人员可以理解的是，不同传感器采集到的不同维度的数据的处理方式可以参见本申请的相关描述，并且本申请中的加速度传感器的一个维度的数据的描述不能形成对本申请的限制。

在步骤102中，在一实施例中，可以对多个数据段在时域确定用于进行步态分析的特征数据；在另一实施例中，可以对多个数据段在频域确定用于进行步态分析的特征数据，详细的描述请参见下述图3A和图4所示实施例，在此先不详述。

在步骤103中，在一实施例中，可以将步态监测结果视为一个二元分类问题，即根据提取到的特征数据判断用户是前足着地还是后足着地。在一实施例中，已训练的数学模型可以为基于生物力学分析的数学模型，根据前足着地和后足着地的力学差异，分别制定前足着地和后足着地的特征模板，并通过动态规划的方法将用户的数据特征与给定的特征模板进行匹配，根据匹配距离判断是前足着地还是后足着地，其中，特征模板中各维特征的参数值可以通过实验迭代调整。在另一实施例中，已训练的数学模型可以为机器学习数学模型，通过大量步态已知的前足数据或后足数据进行数学模型的参数训练，并将训练得到的参数模型用于用户数据的步态识别。在一实施例中，机器学习数学模型包括但不限于距离相似度模型、感知机模型、支持向量机模型、决策树模型，等等。

由上述描述可知，本发明实施例通过上述步骤101-步骤103实现对用户在跑步过程中的步态进行监测，从而可以使用户能够在没有专业人士指导下也可以正确认识自己的步态，并根据步态监测结果对用户的步态做出适当的调整，提高用户的跑步水平和避免运动伤害。

图2A示出了根据本发明的一示例性实施例二的步态监测方法的流程示意图，图2B示出了图2A所示实施例得到的前足着地在时域的数据段的示意图，图2C示出了图2A所示实施例得到的后足着地的数据段在时域的示意图；如图2A所示，包括如下步骤：

步骤201，确定用户是否处于跑步状态；

步骤202，如果用户处于跑步状态，获取用户在跑步过程中的传感器数据；

步骤203，对传感器数据进行信号滤波；

步骤204，检测滤波后的传感器数据检测到的用户在跑步过程中的每一步脚底触地过程中对应的波峰和波谷；

步骤205，根据每一步对应的波峰和波谷确定用户在跑步过程中的脚底触地过程中对应的多个数据段。

在步骤201中，可以通过单位时间内的步数来确定用户是否处于跑步状态，例如，当检测到用户在单位时间内的步数达到了设定步数，则确定用户处于跑步状态，其中，设定步数可以通过实际试验来确定。

在步骤203至步骤205中，对传感器数据进行信号滤波包括但不限于低通滤波、卡尔曼率滤波、中值滤波等。可以确定用户在触地时的时间点，根据触地时的时间点来截取触地前后的数据段。触地前后的数据段可以参见图2B和图2C，从而可以将两条竖线之外的在跑步过程中的非触地过程中的数据滤除。

本实施例中，通过将传感器数据进行预处理后得到用户在跑步过程中的脚底触地过程中对应的多个数据段，从而使不必要的数据不参与后期的处理，减少计算量，提高了计算效率，同时提高了步态分析的精度。

图3A示出了根据本发明的一示例性实施例三的步态监测方法的流程示意图，图3B示出了图3A所示实施例的前足着地的数据在频域的示意图，图3C示出了图3A所示实施例的后足着地的数据在频域的示意图；本实施例以通过触地前后的数据段在频域得到特征数据为例进行示例性说明，如图3A所示，包括如下步骤：

步骤301，获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

步骤302，对多个数据段进行FFT变换，得到多个数据段在频域对应的能量谱；

步骤303，在能量谱上确定用于表示能量分布的特征数据，其中，能量分布的特征数据用于进行步态分析；

步骤304，将用于表示能量分布的特征数据输入到已训练的数学模型中，得到用户在跑步过程中的步态监测结果。

步骤301和步骤304的描述可以参见相关实施例的描述，在此不再详述。

在步骤302和步骤303中，通过将触地时的数据段进行FFT变换，得到传感器数据段在频域的能量谱信息，如图3B和图3C所示，体现了前足着地和后足着地各自对应的触地过程在不同频率上的能量分布，例如，可以通过对触地过程中的能量谱进行求和，得到触地过程中的总能量，将总能量作为能量分布的特征数据，再例如，对设定频段(例如，1-25Hz或25Hz-50Hz之间)的能量谱进行识别，将给定频段的能量数值作为能量分布的特征数据。

本实施例中，通过将触地过程中对应的传感器数据段转换到频域进行数据特征的分析，由于前足着地与后足着地对应了不同的能量谱分布，因此通过在能量谱上确定用于表示能量分布的特征数据可以大大提高步态识别的准确度。

图4示出了根据本发明的一示例性实施例四的步态监测方法的流程示意图；本实施例以通过触地前后的数据段在时域得到特征数据为例并结合图2B和图2C进行示例性说明，如图4所示，包括如下步骤：

步骤401，获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

步骤402，对多个数据段在各个数据段对应的时间段内确定各自对应的均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距，其中，均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距作为用于进行步态分析的数据特征；

步骤403，将均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距输入到已训练的数学模型中，得到用户在跑步过程中的步态监测结果。

步骤401和步骤403的描述可以参见相关实施例的描述，在此不再详述。

如图2B和图2C所示，以加速度传感器采集到的一个维度的数据为例进行示例性说明，触地过程中的数据段的均值表示在触地过程中的加速度均值，波峰表示触地过程中的最大峰值，波谷表示触地过程中的最小波谷值(例如图2B和图2C所示的两条竖线与波峰之间的最小波谷值)，峰谷震荡值即最大波峰值与最小波谷值的差值，峰谷间距即最大波峰与最小波谷之间相距采样点的个数数。

本实施例中，通过将触地过程中对应的传感器数据段内的均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距作为用于进行步态分析的数据特征，由于前足着地与后足着地对应了不同的均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距，这些时域的数据特征可以单独作为已训练的数学模型的输入，此外，也可以与频域的数据特征一起作为已训练的数学模型的输入，从而提高计算结果的精度。与频域的数据特征相比，由于时域的数据特征不需要进行FFT变换，因此时域的数据特征具有计算复杂度低的优势。

图5示出了根据本发明的一示例性实施例五的步态监测方法的流程示意图；本实施例以已训练的数学模型为距离相似度模型为例进行示例性说明，在对距离相似度模型进行参数训练时，需要确定训练数据中所包含的前足数据和后足数据，其中，训练数据用于训练距离相似度模型，然后分别计算前足数据在距离相似度模型中对应的第一分布参数和后足数据在距离相似度模型中对应的第二分布参数，第一分布参数和第二分布参数即可确定出距离相似度模型。

如图5所示，包括如下步骤：

步骤501，获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

步骤502，从多个数据段确定用于进行步态分析的特征数据；

步骤503，将特征数据分别与距离相似度模型中的第一分布参数和第二分布参数进行相似度计算，得到第一相似度和第二相似度；

步骤504，根据第一相似度和第二相似度确定用户在跑步过程中的步态监测结果。

步骤501和步骤502的描述可以参见上述相关实施例的描述，在此不再详述。

在步骤503中，在一实施例中，可以通过包括但不限于通过现有技术中的欧式距离、马氏距离等等得到本申请中的第一相似度和第二相似度，第一相似度和第二相似度与计算得到的欧式距离或者马氏距离成反比，也即，欧式距离或者马氏距离越小，相似度对应的值越大。本实施例对如何通过欧式距离、马氏距离得到本申请中的第一相似度和第二相似不进行展开描述，可以参考现有技术。

在步骤504中，可以将第一相似度与第二相似度进行比较，将第一相似度与第二相似度中的较大值所对应的步态作为步态监测结果，例如，如果第一相似度大于第二相似度，表示第一相似度对应的欧式距离或者马氏距离越小，则该数据段对应的步态为第一相似度对应的前足着地，如果，第一相似度小于第二相似度，表示第二相似度对应的欧式距离或者马氏距离越小，则该数据段对应的步态为第二相似度对应的后足着地。

本实施例中，通过将特征数据分别与距离相似度模型中的第一分布参数和第二分布参数进行相似度计算，得到第一相似度和第二相似度，通过第一相似度和第二相似度来确定用户在跑步过程中的步态监测结果，从而将步态监测问题转换为了二元分类问题，还可以通过使用海量数据得到的统计模型参数不断提高步态监测结果的准确度。

图6A示出了根据本发明的一示例性实施例六的步态监测方法的流程示意图，图6B示出了图6A所示实施例的基于支持向量机的模型示意图；本实施例以已训练的数学模型为支持向量机模型为例进行示例性说明，如图6B所示，在对支持向量机模型进行参数训练时，确定训练数据中所包含的前足数据(图6B中“×”所示)和后足数据(图6B中“Ο”所示)，其中，训练数据用于训练支持向量机模型；根据前足数据和后足数据训练出一个使前足着地和后足着地对应的两个类别之间的间隔距离最大的分类超平面函数，如图6B所示，通过训练数据得到了两个支持向量超平面和一个分类超平面，该分类超平面为前足着地和后足着地的分类超平面函数。如图6A所示，包括如下步骤：

步骤601，获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

步骤602，从多个数据段确定用于进行步态分析的特征数据；

步骤603，将特征数据输入到分类超平面函数，得到输出结果；

步骤604，根据输出结果确定用户在跑步过程中的步态监测结果。

本实施例与上述图5所述实施例类似，通过将特征数据输入到分类超平面函数，得到输出结果，根据输出结果来确定用户在跑步过程中的步态监测结果，从而将步态监测问题转换为了二元分类问题，还可以通过使用海量数据得到的分类超平面不断提高步态监测结果的准确度。

图7A示出了根据本发明的一示例性实施例七的步态监测方法的流程示意图，图7B示出了图7A所示实施例的基于决策树的模型示意图；本实施例以已训练的数学模型为基于决策树的模型为例进行示例性说明，在对决策树的模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，训练数据用于训练决策树的模型；通过训练数据中的前足数据和后足数据迭代估计决策树中每个节点的阈值，其中，决策树的相关原理请参见现有技术，本申请不再详细描述；如图7A所示，包括如下步骤：

步骤701，获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

步骤702，从多个数据段确定用于进行步态分析的特征数据；

步骤703，在决策树的每一个节点将特征数据与该节点对应的阈值进行比较，以确定决策树中的下一个节点；

步骤704，根据特征数据在决策树中的最终叶子节点确定用户在跑步过程中的步态监测结果。

如图7B所示，以决策树包括5个节点为例进行示例性说明，在第一个节点711处，将第一个节点对应的特征数据与该节点对应的第一阈值进行比较，以确定决策树中的下一个节点是第二个节点712还是第三个节点713，如果第一个节点对应的特征数据大于第一阈值，则决策进入第二个节点712，如果第一个节点对应的特征数据小于或者等于第一阈值，则决策进入第三个节点713。如果进入第二个节点712，则将第二个节点712对应的特征数据与该节点对应的第二阈值进行比较，根据比较结果确定是前足着地还是后足着地；如果进入第三个节点713，则将第三个节点713对应的特征数据与该节点对应的第三阈值进行比较，根据比较结果决策是进入第四个节点714还是后足着地，如果决策进入到第四个节点714，则将第四个节点714对应的特征数据与该节点对应的第四阈值进行比较，根据比较结果决策是进入第五个节点715还是后足着地，如果决策进入到第五个节点715，则将第五个节点715对应的特征数据与该节点对应的第五阈值进行比较，根据比较结果决策是前足着地还是后足着地。

本领域技术人员可以理解的是，图7B所示仅为通过对决策树进行训练得到的一个决策树的示例，其中，每一个节点对应的阈值，以及确定数据特征与对应的阈值的大小关系进而决策出的跳转结果(即，当前节点的输出判断结果或当前节点跳转到下一次判断)，都是通过迭代训练得到的，因此图7B仅为一个示例性的描述并不能形成对本申请的限制。

通过上述描述可知，本实施例与上述图5和图6A所述实施例类似，根据特征数据在决策树中的最终叶子节点确定用户在跑步过程中的步态监测结果，从而将步态监测问题转换为了二元分类问题，还可以通过使用海量数据得到的决策树阈值参数不断提高步态监测结果的准确度。

通过上述实施例，本申请可以使普通人员不使用运动科学研究的实验室中的大型分析仪器来进行专业的步态分析，并且在没有专业人士指导的前提下，能够正确认识自己的步态，并根据步态分析的结果做出适当的调整，从而达到提高跑步水平并避免运动伤害。

对应于上述的步态监测方法，本申请还提出了图8所示的根据本申请的一示例性实施例的可穿戴设备的示意结构图。请参考图8，在硬件层面，该可穿戴设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成实现步态监测装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

图9为根据本发明的一示例性实施例的步态监测装置的结构示意图；如图9所示，该步态监测装置可以包括：第一获取模块91、第一确定模块92、第一计算模块93。其中：

第一获取模块91，用于获取用户在跑步过程中的脚底触地过程中对应的多个数据段；

第一确定模块92，用于从第一获取模块91获取到的多个数据段确定用于进行步态分析的特征数据；

第一计算模块93，用于将第一确定模块92确定的特征数据输入到已训练的数学模型中，得到用户在跑步过程中的步态监测结果。

图10示出了根据本发明的另一示例性实施例的步态监测装置的结构示意图，装置还可包括：

第二确定模块94，用于在第一获取模块91获取用户在跑步过程中的脚底触地过程中对应的多个数据段之前，确定用户是否处于跑步状态；

第二获取模块95，用于如果第二确定模块94确定用户处于跑步状态，获取用户在跑步过程中的传感器数据；

预处理模块96，用于对第二获取模块95获取到的传感器数据进行预处理，得到用户在跑步过程中的脚底触地过程中对应的多个数据段，以供第一获取模块91获取。

在一实施例中，预处理模块可96包括：

滤波单元961，用于对传感器数据进行信号滤波；

第一检测单元962，用于检测滤波单元961滤波后的传感器数据检测到的用户在跑步过程中的每一步脚底触地过程中对应的波峰和波谷；

第一确定单元963，用于根据第一检测单元962检测到的每一步对应的波峰和波谷确定用户在跑步过程中的脚底触地过程中对应的多个数据段。

在一实施例中，第一确定模块92可包括：

FFT变换单元921，用于对多个数据段进行FFT变换，得到多个数据段在频域对应的能量谱；

第二确定单元922，用于在FFT变换单元921得到的能量谱上确定用于表示能量分布的特征数据，其中，能量分布的特征数据用于进行步态分析。

在一实施例中，第一确定模块92可包括：

第三确定单元923，用于对多个数据段在各个数据段对应的时间段内确定各自对应的均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距，其中，均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距用于进行步态分析。

图11示出了根据本发明的又一示例性实施例的步态监测装置的结构示意图，在一实施例中，已训练的数学模型为距离相似度模型，装置还可包括：

第三确定模块97，用于在对距离相似度模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，训练数据用于训练距离相似度模型；

第一训练模块98，用于分别计算第三确定模块97确定的前足数据在距离相似度模型中对应的第一分布参数和第三确定模块确定的后足数据在距离相似度模型中对应的第二分布参数；

第一计算模块93包括：

第一计算单元931，用于将特征数据分别与第一分布参数和第二分布参数进行相似度计算，得到第一相似度和第二相似度；

第四确定单元932，用于根据第一计算单元931计算得到的第一相似度和第二相似度确定用户在跑步过程中的步态监测结果。

在一实施例中，已训练的数学模型为支持向量机模型，装置还可包括：

第四确定模块99，用于在对支持向量机模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，训练数据用于训练支持向量机模型；

第二训练模块11，用于根据第四确定模块99确定的前足数据和后足数据训练出一个使前足和后足对应的两个类别之间的间隔距离最大的分类超平面函数，分类超平面函数作为前足着地和后足着地的分类函数；

第一计算模块93可包括：

第二计算单元933，用于将特征数据输入到分类超平面函数，得到输出结果；

第五确定单元934，用于根据第二计算单元933计算得到的输出结果确定用户在跑步过程中的步态监测结果。

在一实施例中，已训练的数学模型为基于决策树的模型，装置还可包括：

第五确定模块12，用于在对决策树的模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，训练数据用于训练决策树的模型；

第三训练模块13，用于通过第五确定模块12确定的训练数据中的前足数据和后足数据迭代估计决策树中每个节点的阈值；

第一计算模块93可包括：

比较单元935，用于在决策树的每一个节点将特征数据与该节点对应的阈值进行比较，以确定决策树中的下一个节点；

第六确定单元936，用于根据特征数据在决策树中的最终叶子节点确定用户在跑步过程中的步态监测结果。

通过上述实施例，可以使普通人员不使用运动科学研究的实验室中的大型分析仪器来进行专业的步态分析，并且在没有专业人士指导的前提下，能够正确认识自己的步态，并根据步态分析的结果做出适当的调整，从而达到提高跑步水平并避免运动伤害。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (17)

1.一种步态监测方法，其特征在于，所述方法包括：

获取用户在跑步过程中每一步的脚底触地过程中对应的数据段，得到所述用户在整个跑步过程中所跑的步数，以及该步数对应的多个数据段；

从所述多个数据段确定用于进行步态分析的特征数据；

将所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果，所述步态包括前脚掌着地、后脚跟着地和全脚掌着地。

2.根据权利要求1所述的方法，其特征在于，所述获取用户在跑步过程中每一步的脚底触地过程中对应的数据段，得到所述用户在整个跑步过程中所跑的步数，以及该步数对应的多个数据段的步骤之前，所述方法还包括：

确定用户是否处于跑步状态；

如果用户处于跑步状态，获取用户在跑步过程中的传感器数据；

对所述传感器数据进行预处理，得到所述用户在跑步过程中每一步的脚底触地过程中对应的数据段，得到所述用户在整个跑步过程中所跑的步数，以及该步数对应的多个数据段。

3.根据权利要求2所述的方法，其特征在于，所述对所述传感器数据进行预处理，得到所述用户在跑步过程中每一步的脚底触地过程中对应的数据段，得到所述用户在整个跑步过程中所跑的步数，以及该步数对应的多个数据段，包括：

对所述传感器数据进行信号滤波；

检测滤波后的所述传感器数据中检测到的用户在跑步过程中的每一步脚底触地过程中对应的波峰和波谷；

根据所述每一步对应的波峰和波谷确定所述用户在跑步过程中的脚底触地过程中对应的多个数据段。

4.根据权利要求1所述的方法，其特征在于，所述从所述多个数据段确定用于进行步态分析的特征数据，包括：

对所述多个数据段进行FFT变换，得到所述多个数据段在频域对应的能量谱；

在所述能量谱上确定用于表示能量分布的特征数据，其中，所述能量分布的特征数据用于进行步态分析。

5.根据权利要求1所述的方法，其特征在于，所述从所述多个数据段确定用于进行步态分析的特征数据，包括：

对所述多个数据段在各个数据段对应的时间段内确定各自对应的均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距，其中，所述均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距用于进行步态分析。

6.根据权利要求1所述的方法，其特征在于，所述已训练的数学模型为距离相似度模型，所述方法还包括：

在对所述距离相似度模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，所述训练数据用于训练所述距离相似度模型；

分别计算所述前足数据在所述距离相似度模型中对应的第一分布参数和所述后足数据在所述距离相似度模型中对应的第二分布参数；

所述将所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果，包括：

将所述特征数据分别与所述第一分布参数和所述第二分布参数进行相似度计算，得到第一相似度和第二相似度；

根据所述第一相似度和所述第二相似度确定所述用户在跑步过程中的步态监测结果。

7.根据权利要求1所述的方法，其特征在于，所述已训练的数学模型为支持向量机模型，所述方法还包括：

在对所述支持向量机模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，所述训练数据用于训练所述支持向量机模型；

根据所述前足数据和所述后足数据训练出一个使前足和后足对应的两个类别之间的间隔距离最大的分类超平面函数，所述分类超平面函数作为前足着地和后足着地的分类函数；

所述将所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果，包括：

将所述特征数据输入到所述分类超平面函数，得到输出结果；

根据所述输出结果确定所述用户在跑步过程中的步态监测结果。

8.根据权利要求1所述的方法，其特征在于，所述已训练的数学模型为基于决策树的模型，所述方法还包括：

在对所述决策树的模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，所述训练数据用于训练所述决策树的模型；

通过所述训练数据中的所述前足数据和所述后足数据迭代估计所述决策树中每个节点的阈值；

所述将所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果，包括：

在所述决策树的每一个节点将所述特征数据与该节点对应的阈值进行比较，以确定所述决策树中的下一个节点；

根据所述特征数据在所述决策树中的最终叶子节点确定所述用户在跑步过程中的步态监测结果。

9.一种步态监测装置，其特征在于，所述装置包括：

第一获取模块，用于获取用户在跑步过程中每一步的脚底触地过程中对应的数据段，得到所述用户在整个跑步过程中所跑的步数，以及该步数对应的多个数据段；

第一确定模块，用于从所述第一获取模块获取到的所述多个数据段确定用于进行步态分析的特征数据；

第一计算模块，用于将所述第一确定模块确定的所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果，所述步态包括前脚掌着地、后脚跟着地和全脚掌着地。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

第二确定模块，用于在所述第一获取模块获取用户在跑步过程中的脚底触地过程中对应的多个数据段之前，确定用户是否处于跑步状态；

第二获取模块，用于如果所述第二确定模块确定所述用户处于跑步状态，获取用户在跑步过程中的传感器数据；

预处理模块，用于对所述第二获取模块获取到的所述传感器数据进行预处理，得到所述用户在跑步过程中的脚底触地过程中对应的多个数据段。

11.根据权利要求10所述的装置，其特征在于，所述预处理模块包括：

滤波单元，用于对所述传感器数据进行信号滤波；

第一检测单元，用于检测所述滤波单元滤波后的所述传感器数据检测到的用户在跑步过程中的每一步脚底触地过程中对应的波峰和波谷；

第一确定单元，用于根据所述第一检测单元检测到的所述每一步对应的波峰和波谷确定所述用户在跑步过程中的脚底触地过程中对应的多个数据段。

12.根据权利要求9所述的装置，其特征在于，所述第一确定模块包括：

FFT变换单元，用于对所述多个数据段进行FFT变换，得到所述多个数据段在频域对应的能量谱；

第二确定单元，用于在所述FFT变换单元得到的所述能量谱上确定用于表示能量分布的特征数据，其中，所述能量分布的特征数据用于进行步态分析。

13.根据权利要求9所述的装置，其特征在于，所述第一确定模块包括：

第三确定单元，用于对所述多个数据段在各个数据段对应的时间段内确定各自对应的均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距，其中，所述均值、波峰特征、波谷特征、峰谷震荡值以及峰谷间距用于进行步态分析。

14.根据权利要求9所述的装置，其特征在于，所述已训练的数学模型为距离相似度模型，所述装置还包括：

第三确定模块，用于在对所述距离相似度模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，所述训练数据用于训练所述距离相似度模型；

第一训练模块，用于分别计算所述第三确定模块确定的所述前足数据在所述距离相似度模型中对应的第一分布参数和所述第三确定模块确定的所述后足数据在所述距离相似度模型中对应的第二分布参数；

所述第一计算模块包括：

第一计算单元，用于将所述特征数据分别与所述第一分布参数和所述第二分布参数进行相似度计算，得到第一相似度和第二相似度；

第四确定单元，用于根据所述第一计算单元计算得到的所述第一相似度和所述第二相似度确定所述用户在跑步过程中的步态监测结果。

15.根据权利要求9所述的装置，其特征在于，所述已训练的数学模型为支持向量机模型，所述装置还包括：

第四确定模块，用于在对所述支持向量机模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，所述训练数据用于训练所述支持向量机模型；

第二训练模块，用于根据所述第四确定模块确定的所述前足数据和所述后足数据训练出一个使前足和后足对应的两个类别之间的间隔距离最大的分类超平面函数，所述分类超平面函数作为前足着地和后足着地的分类函数；

所述第一计算模块包括：

第二计算单元，用于将所述特征数据输入到所述分类超平面函数，得到输出结果；

第五确定单元，用于根据所述第二计算单元计算得到的所述输出结果确定所述用户在跑步过程中的步态监测结果。

16.根据权利要求9所述的装置，其特征在于，所述已训练的数学模型为基于决策树的模型，所述装置还包括：

第五确定模块，用于在对所述决策树的模型进行参数训练时，确定训练数据中所包含的前足数据和后足数据，其中，所述训练数据用于训练所述决策树的模型；

第三训练模块，用于通过所述第五确定模块确定的所述训练数据中的所述前足数据和所述后足数据迭代估计所述决策树中每个节点的阈值；

所述第一计算模块包括：

比较单元，用于在所述决策树的每一个节点将所述特征数据与该节点对应的阈值进行比较，以确定所述决策树中的下一个节点；

第六确定单元，用于根据所述特征数据在所述决策树中的最终叶子节点确定所述用户在跑步过程中的步态监测结果。

17.一种可穿戴设备，其特征在于，所述可穿戴设备包括：

处理器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器，被配置为：

获取用户在跑步过程中每一步的脚底触地过程中对应的数据段，得到所述用户在整个跑步过程中所跑的步数，以及该步数对应的多个数据段；

从所述多个数据段确定用于进行步态分析的特征数据；

将所述特征数据输入到已训练的数学模型中，得到所述用户在跑步过程中的步态监测结果，所述步态包括前脚掌着地、后脚跟着地和全脚掌着地。