CN107753026A - 针对脊柱腿部健康的智能鞋自适应监测方法 - Google Patents

Abstract

一种针对脊柱腿部健康的智能鞋自适应监测方法，包括：将鞋底和/或鞋内部划分为预定的多个区域，利用采集模块采集步行时区域各自的压力数据，记录采集时的时间数据；采集模块将压力数据及采集时的时间数据传递给分析模块；分析模块根据压力数据以及采集时的时间数据通过建立和自适应完善的识别模型，给出运动状态识别结果。针对对应压力特征人群、对应压力特征健康人群和对应人口足底压力特征健康评估。根据个人人群与群体的比对结果来自适应自动调节鞋底压力分布，以形成最适合个人的鞋底压力模型，从而让鞋底能够自动调节成为个人最舒适最健康的鞋底压力模型，并作为用户画像群体中的输入因子，影响同特征人群的初始足底压力分布。

Description

针对脊柱腿部健康的智能鞋自适应监测方法

技术领域

本发明涉及机器学习、神经网络、人工智能领域，尤其一种针对脊柱腿部健康的智能鞋自适应监测方法。

背景技术

人体运动姿态的识别在运动分析、疾病预防等领域有着重要的作用。人体足底的压力及压强、足部走路姿势和鞋子会随着人体足部结构出现功能障碍或出现病变，例如膝关节的损伤、青年脊柱发育，不正确的姿势长期可能导致八字脚、罗圈腿、脊柱健康发育问题，并随着人体的运动状态的变化发生改变。根据每人的足部压力分布，可以形成个性化的压力分布模型，从而进行诊断和干预。

现有设计鞋子，通常根据年龄、性别等比较粗放的特征进行设计，然而，不同体型、不同身体状况的人群对鞋的要求也不同。以高跟鞋为例：如O型腿要避免长时间穿过高的高跟鞋，小腿粗的人尽量穿平跟鞋，腰肾功能不好的人避免穿过高的高跟鞋，而对于健康人群保持三厘米的鞋如果穿着舒适，对于纠正某些体型和保护、维持足弓都是有一定的作用的。

现有技术无法根据每个人各自的脚形特点、体型、身体状况进行针对性的设计。如果长期穿着设计不当、透气性能差的鞋子，不但影响人的健康，还会造成脚的畸形:会使脚发生八字形、趾关节弯曲、平足、高弓形、后跟骨刺、拇指外翻等。

以及结合长期日常行为习惯数据判断体足底的压力及压强、足部走路姿势会随着人体足部结构出现功能障碍或出现病变，例如膝关节的损伤、青年脊柱发育，不正确的姿势长期可能导致八字脚、罗圈腿、脊柱健康发育问题。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提出采集鞋底各区域压力进行不同运动类型识别、与相应用户画像人群进行足压对比，通过健康调节效果评估，根据对应画像的健康人群足压特征进行鞋压特征重设并不断优化调整形成“私人定制”的最适合的鞋底特征个性化设计，并不断细化数据库中该人群足部特征画像模型的方法。

根据本发明，提供了一种针对脊柱腿部健康的智能鞋自适应监测方法，包括：

第一步骤：将鞋底和/或鞋内部划分为预定的多个区域，利用采集模块采集步行时所述多个区域各自的压力数据，并且记录采集时的时间数据；

第二步骤：采集模块将采集到的压力数据以及记录的采集时的时间数据传递给分析模块；

第三步骤：分析模块根据接收到的压力数据以及采集时的时间数据，通过建立和自适应完善的识别模型，给出运动状态识别结果；

第四步骤：根据个人人群与群体的比对结果来自适应自动调节鞋底压力分布，以形成最适合个人的鞋底压力模型，从而让鞋底能够自动调节成为个人最舒适最健康的鞋底压力模型，并作为用户画像群体中的输入因子，影响同特征人群的初始足底压力分布。

优选地，在第三步骤，在人体站立、下蹲、起立、行走的不同状态下，分别建模，采用SVM进行步态识别，从而形成不同运动状态的识别模型。

优选地，在第一步骤将鞋底划分为预定的多个区域，利用采集模块采集步行时所述多个区域各自的垂直压力数据，并且记录采集时的时间数据。

优选地，在第一步骤使用压力传感器和陀螺仪作为采集***检测脚的角速度以及各域压力敏感电阻来测量步行时鞋底多个区域各自的垂直压力数据。

优选地，采集模块由弹性敏感元件、位移敏感元件、发电模组组成。

优选地，弹性敏感元件使被测压力作用于特定面积上并转换为位移或惠斯通电桥压阻式应变电信号。

优选地，在第三步骤分析模块对垂直压力数据进行时域频域特征提取和/或频域特征提取。

优选地，采集模块通过无线或者有线方式将压力数据传递给分析模块。

优选地，针对采集到多个区域的压力数据，分析模块在一个步态周期内进行平均化二值轮廓处理，其中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；随后分析模块对数据进行包括小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将多个区域的压力时域信号离散化，将多种频率成分的混合信号分解到不同频段，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，分析模块基于矩阵的非监督算法来去除噪声和保留最具代表的信息；最后，分析模块利用监督算法进一步提高分辨能力。

优选地，第四步骤包括下述处理：

针对对应压力特征人群、对应压力特征健康人群和对应人口足底压力特征健康评估，以三角质量矩阵的方式个性化建立三角足压健康采集与评估模型；

对三角足压健康采集与评估模型进行预处理，以进行自适应分层分类降维；

执行体征环境建模深度互学模式识别，其中进行个人人群与群体建模，根据个人人群与群体的比对结果来调节鞋底压力，以形成最适合个人的模型。

本发明提出了针对脊柱腿部健康的智能鞋自适应监测方法，其中采集鞋底各区域压力进行不同运动类型识别、与相应用户画像人群进行组压对比，通过健康调节效果评估，根据对应画像的健康人群足压特征进行鞋压特征重设并不断优化调整形成“私人定制”的最适合的鞋底特征个性化设计，并不断细化数据库中该人群足部特征画像模型。

本发明根据个人人群与群体的比对结果来自适应自动调节鞋底压力分布，以形成最适合个人的鞋底压力模型。从而让鞋底能够自动调节成为个人最舒适最健康的鞋底压力模型，并作为用户画像群体中的输入因子，影响同特征人群的初始足底压力分布。

附图说明

结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：

图1示意性地示出了根据本发明优选实施例的针对脊柱腿部健康的智能鞋自适应监测方法的流程图。

图2示意性地示出了根据本发明优选实施例的针对脊柱腿部健康的智能鞋自适应监测方法的模块示意图。

图3示意性地示出了根据本发明优选实施例的针对脊柱腿部健康的智能鞋自适应监测方法的业务流程图。

需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。

具体实施方式

为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。

根据本发明，提供了一种针对脊柱腿部健康的智能鞋自适应监测方法，包括：将鞋底和/或鞋内部划分为预定的多个区域，利用采集模块采集步行时所述多个区域各自的压力数据，记录采集时的时间数据；采集模块将压力数据及采集时的时间数据传递给分析模块；分析模块根据压力数据以及采集时的时间数据通过建立和自适应完善的识别模型，给出运动状态识别结果。并且，根据个人人群与群体的比对结果来自适应自动调节鞋底压力分布，以形成最适合个人的鞋底压力模型，从而让鞋底能够自动调节成为个人最舒适最健康的鞋底压力模型，并作为用户画像群体中的输入因子，影响同特征人群的初始足底压力分布。

具体地，例如，在本发明的优选示例中，可以针对对应压力特征人群、对应压力特征健康人群和对应人口足底压力特征健康评估，以三角质量矩阵的方式个性化建立三角足压健康采集与评估模型；对三角足压健康采集与评估模型进行预处理，以进行自适应分层分类降维；执行体征环境建模深度互学模式识别，其中进行个人人群与群体建模，根据个人人群与群体的比对结果来自适应自动调节鞋底压力分布，以形成最适合个人的鞋底压力模型。从而让鞋底能够自动调节成为个人最舒适最健康的鞋底压力模型，并作为用户画像群体中的输入因子，影响同特征人群的初始足底压力分布。

在后续说明中，将对本发明的方法的具体算法和实现提供具体示例；所述示例的作用在于方便本领域技术人员为了实现本发明而理解本发明的原理和可能的实现方式。

本发明提出采集鞋底各区域压力进行运动状态识别的方法。鞋子作为必需品，在数据采集上更加方便。例如。根据本发明优选实施例的针对脊柱腿部健康的智能鞋自适应监测方法由采集、传输、分析三大模块构成。

图1示意性地示出了根据本发明优选实施例的针对脊柱腿部健康的智能鞋自适应监测方法的流程图。

如图1所示，根据本发明优选实施例的针对脊柱腿部健康的智能鞋自适应监测方法包括：

第一步骤S10：将鞋底和/或鞋内部划分为预定的多个区域，利用采集模块采集步行时所述多个区域各自的压力数据，并且记录采集时的时间数据；

优选地，在第一步骤S10将鞋底划分为预定的多个区域(例如，鞋底左部区域、鞋底右部区域、鞋底前部区域和鞋底后部区域)，利用采集模块采集步行时所述多个区域各自的垂直压力数据，并且记录采集时的时间数据。

进一步地，还可以计算各垂直压力占鞋底总压力的比重。

在第一步骤S10可以使用压力传感器和陀螺仪作为采集***检测脚的角速度以及各域压力敏感电阻来测量步行时鞋底多个区域各自的垂直压力数据。

还应特别指出，压力采集的重点在于在鞋底采集向下的压力，但并不限于此，也在鞋内部其他维度方向布设压力传感器，以有效采集三个维度每个维度两个方向的动态压力变化情况。

优选地，采集模块由弹性敏感元件、位移敏感元件、发电模组组成，其中弹性敏感元件的作用是使被测压力作用于特定面积上并转换为位移或惠斯通电桥压阻式应变电信号。采集***使用压力传感器和陀螺仪检测脚的角速度以及各区域压力敏感电阻测量步行时的压力。优选地，采样率大于等于250Hz。

单纯使用压力传感器对于区别病态和正常态效果较好，加速度传感器对不同运动状态的区分效果较好。但是病态和和正常态效果的区分，结合运动状态进行判定效果更好。例如：对正常人与类风湿性关节炎跖痛病人进行了比较发现，静态站立时，两组人前足的最大压力分布未发现明显差异，但是在行走时，病足在趾骨离开地面前的最大压力大多都集中在前足外侧，正常足在趾骨离开地面前的最大压力大多都集中在前足中部；糖尿病人的足底触地加压期时间比正常人明显增长，而其前足的触地时间较正常人来的短，触地过程却是一个快速的过渡过程。故在设计步态识别***的时采用了加入加速度传感器、角速度传感器、弯曲度传感器和压力传感器相结合的方法。否则单纯使用加速度，能很好的区分人体行为的运动和静止状态，对于相似的运动行为就比较难于区分，特点是区分度大且混淆度也大。

可以基于运动学算法原理，检测四个步态事项时相：脚跟接触、脚跟上升、脚趾接触以及脚趾下降。

第二步骤S20：采集模块将采集到的压力数据以及记录的采集时的时间数据传递给分析模块；

采集模块可以通过无线(例如，蓝牙、wifi、GPRS等无线传输方式) 或者有线方式将压力数据传递给分析模块。

第三步骤S30：分析模块根据接收到的压力数据以及采集时的时间数据，通过建立和自适应完善的识别模型，给出运动状态识别结果，以供远程健康大数据分析管理使用。

第四步骤S40：根据个人人群与群体的比对结果来自适应自动调节鞋底压力分布，以形成最适合个人的鞋底压力模型，从而让鞋底能够自动调节成为个人最舒适最健康的鞋底压力模型，并作为用户画像群体中的输入因子，影响同特征人群的初始足底压力分布

分析模块可以在最开始对垂直压力数据进行去噪处理。具体地说，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150Hz以内的低频信号，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。基于离散傅罩叶变换的异常步态检测方法不仅能够有效减少步态数据的维度，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。对采集到四个区域的压力数据，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。进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将四个区域的压力时域信号离散化，将多种频率成分的混合信号分解到不同频段，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。获取信噪比高的步态数据。

分析模块可以对垂直压力数据进行时域频域特征提取和/或频域特征提取。

<具体示例>

一、建立个性化的“对应人群-健康人群-健康评估”三角足压健康采集与评估模型(三角质量矩阵)

1、采集的特征值：在实验过程中，发现，单纯使用压力传感器对于区别病态和正常态效果较好，加速度传感器对不同运动状态的区分效果较好。但是病态和和正常态效果的区分，结合运动状态进行判定效果更好。

例如：对正常人与类风湿性关节炎跖痛病人进行了比较发现，静态站立时，两组人前足的最大压力分布未发现明显差异，但是在行走时，病足在趾骨离开地面前的最大压力大多都集中在前足外侧，正常足在趾骨离开地面前的最大压力大多都集中在前足中部；糖尿病人的足底触地加压期时间比正常人明显增长，而其前足的触地时间较正常人来的短，触地过程却是一个快速的过渡过程。

故：在设计步态识别***的时采用了加入加速度传感器、角速度传感器、弯曲度传感器和压力传感器相结合的方法。

否则单纯使用加速度，能很好的区分人体行为的运动和静止状态，对于相似的运动行为就比较难于区分，特点是区分度大且混淆度也大。

采用分别选择运动状态进行训练，先选择一种运动状态为例，如步行。

采集计算各鞋底所划分的四个区域左右、前后、垂直压力数据，各压力占总压力的比重、角速度、对应时间数据；

基于运动学算法原理，检测四个步态事项时相：脚跟接触、脚跟上升、脚趾接触以及脚趾下降。

2、健康质量评估模型：设计如下函数，综合计算个人不同鞋底区域区域压力与对应年龄、性别、体重的健康人群群体的偏离程度的计算模型：

其中S1、S2、S3分别为对应区域传感器压力数据的整体人群数据， 通过已有样本的均值得到。S1_i、S2_i、S3_i为用户第i次的记录。

对S1、S2、S3进行小波变换、希尔伯特黄(Hilbert-Huang)变换和奇异值分解获取脑电信号的小波熵、Hilbert-Huang熵，以及奇异值第一主成分(奇异谱中的最大值)，分别记为特征向量P₁、P₂、P₃。

采用Welch算法计算对应人群-健康人群-健康评估功率谱密度以及两者的互功率谱密度，分别记为P_xxYf1Y、P_xyYf2Y、P_yyYf1，f2Y。

用改进的相干函数分别计算相干系数

通过上述数据对应关系用下式对应情况进行评分

业务流程：

分析模块通过建立和自适应完善的识别模型，给出运动状态识别结果，供远程健康大数据分析管理使用。

二、执行预处理过程：自适应分层分类降维

1、去噪

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。基于离散傅罩叶变换的异常步态检测方法不仅能够有效减少步态数据的维度，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。

对采集到5个区域的压力数据，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。进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将四个区域的压力时域信号离散化，将多种频率成分的混合信号分解到不同频段，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。获取信噪比高的步态数据。

小波变换采用硬阈值法，c_j，k为小波系数，λ为阈值。

在人体站立、下蹲、起立、行走等的不同状态下，按照上述方法分别建模，形成不同运动状态的识别模型，这样可以用于不同运动状态远程健康检测，发现活动构成变化等发病迹象。

2、时域频域特征提取

鞋底各区域作用力与运动步态相关，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。采用小波包分解、差分算法分别从四个区域压力的三方向(左右、前后、垂直)提取频域时域特征，用SVM(support vector machine，支持向量机)进行识别。

(1)时域特征提取

将去噪后的作用力中的垂直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，作为作用力曲线的关键点，将垂直方向曲线的波谷点作为作用力曲线的参考点；

以垂直方向曲线的关键点的力值及力值出现的时相、相邻关键点作用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；

(2)频域特征提取

波形对齐：作用力先按垂直力曲线上的参考点将作用力自动波形对齐，以提高频域特征对比性和分类能力：先用线性插值算法将作用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作用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，用线性插值法将作用力中的左右、前后和垂直方向曲线波形对齐；

将去噪后的作用力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，作为作用力曲线的参考点；

以参考点为基准，用线性插值法对作用力进行波形对齐，得到对齐后的作用力；再用小波包分解算法从作用力中提取出全程的步态频域特征。

(3)采用分层分级方式降维

采用分层分级方式降维的具体示例可以如下所述。

第一层级、利用加速度传感器判定运动类型

针对跌倒检测和常见的人体行为分析的应用而言，加速度传感器能很好的区分人体行为的运动和静止状态，对于相似的运动行为就比较难于区分，特点是区分度大且混淆度也大。数据量较小，作为第一层级数据加入运算。

以步行为例：

(1)三轴加速度传感器采集x,y,z三个方向的作用力

足底三轴加速度传感器，按照例如76、88、100、105、120、150Hz 的采样频率(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***效率、能耗等方面取得最好平衡效果)，采集x,y,z三个方向的作用力。

(2)统计通过对轨迹的峰值出现的频率

用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小，在迈步时增加。

在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大。

(3)进行滤波。

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、0.27秒，过滤高频噪声,可以在准确地反应加速度变化和***效率、能耗等方面取得最好平衡效果。

第二层级、结合角速度进行细分运动环节、跌倒检测

由于加速度适合用于方向明确的运动判别，而对于无法跌倒检测、运动周期环节、八字脚等判别，则需要使用角速度来判别。

基于运动学算法原理，检测四个步态事项时相：一个步态周期被分成了两个阶段，分别是“支撑阶段”(stance phase)和“摆动阶段”(swing phase)。并且又进一步分为了七个小部分，支撑阶段又分为脚跟接触、脚跟上升、脚趾接触以及脚趾下降四个环节。

如对于跌倒检测的判别，适合使用角速度信号向量模，ax,ay,az分别为加速度传感器x、y、z三轴方向输出向量模数据。用wx,wy,wz分别为陀螺仪x、y、z三轴方向输出向量模数据。

跌倒具有大加速度和角速度峰值特征,这是因为摔倒过程中由于和低势物体碰撞产生的SVM峰值比日常活动中步行、上楼梯等大多数一般过程要大。然而人体运动行为过程具有复杂性和随机性,使用单一的加速度相关信息判断人体摔倒行为的发生会带来很大的误判。使用SVMA及SVMW相结合的信息阈值法可以区分跌倒与产生SVM峰值较小的低强度运动。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,本文识别跌倒的加速度信号向量模阈值取SVMAT＝20m/s2和角速度信号向量模阈值取SVMWT＝4rad/s。

第三层级、对部分病态或异常重点特征的进一步精细区分

通过医学文件和实验证明：对正常人与类风湿性关节炎跖痛病人相比，静态站立时，两组人前足的最大压力分布未发现明显差异，但是在行走时，病足在趾骨离开地面前的最大压力大多都集中在前足外侧，正常足在趾骨离开地面前的最大压力大多都集中在前足中部；糖尿足病人由于膝盖关节的硬化，后足/前足压力比值变大；脑卒中等病态均有类似的变化。

三、体征环境建模深度互学模式识别

用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小，在迈步时增加。

在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大，通过对轨迹的峰值进行监测计算和加速度阈值决策，即可实时计算用户运动状态。

使用通过有监督分类算法，以环境参数作为输入层，以个体睡眠质量评分作为输出层。通过与上一次环境参数输入形成的模型(历史最佳睡眠的环境参数)作为对比，个体睡眠质量好坏作为训练监督因子，更好为1，更差为O。

工作信号的正向传播，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，如果在输出端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。误差信号的反向传播，误差信号由输出端开始逐层回传，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，用遗传算法进行修正。

权重因子选用Sigmoid函数

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

式中：w_ij——输入层第i个神经元到隐含层第j个神经元的权值， X_p——第P个样本在输入层的第i个输入值，——隐含层第j个神经元的阈值。。

睡眠质量的指标值分别为：

y_j＝(y_1j,y_2j,y_3j)

体征参数的权重系数向量为：

w＝(w₁,w₂,w₃)

其中w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…w_n+1)

对原始数据进行标准化处理，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，使得每个变量标准化为均值为0，方差为 1的矩阵X，即

其中，i＝1，2…n，j＝1，2…p；

获得

求解相关系数矩阵：

其中，R是实对称矩阵(即r_ij＝r_ji)，其中r为相关系数；

求解相关系数矩阵：

若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；

完成模型后，遗传自适应完善模块，结合大数据蚁群算法进行持续的训练细分：人群边界中心距特征，边界中心距的定义是边界点到质心的距离。

计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵F_(n×m)＝X_(n×p)·U_(p×m)；

其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，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。

工作信号的正向传播，输入信号从输入层进入网络，经隐含层后，传向输出层，在输出端产生输出信号，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，如果在输出端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。

误差信号的反向传播，网络的实际输出与期望输出之间的差即误差信号，误差信号由输出端开始逐层回传，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，每完成一次用即发至云端，进行算法库等指标的修正，用遗传算法进行修正。

影响因子权重确定：

BP网络的激活函数选用Sigmoid函数

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

式中：w_ij——输入层第i个神经元到隐含层第j个神经元的权值， X_P——第P个样本在输入层的第i个输入值，——隐含层第j个神经元的阈值。

输入因子的指标值分别为：

y_j＝(y_1j,y_2j,y_3j)

相应的权重系数向量为：

w＝(w₁,w₂,w₃)

其中w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…w_n+1)

每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，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。

蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿生算法。蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为外激素的物质进行信息传递，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向，大量蚂蚁组成的蚁群集体表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。同时如同蚂蚁的气味会随着时间推移会逐步变浅、消散，而权重随着时间推移，约早期的因子权重越小，这主要考虑到用户的身体状况、体重等是随着时间变化的，所以越是近期的影响因子权重越大。

结合大数据蚁群算法进行持续的训练细分：人群边界中心距特征，边界中心距的定义是边界点到质心的距离。

计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵F_(n×m)＝X_(n×p)·U_(p×m)；

其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，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。

同时个体作为整体人群中，对应画像人群的一个新输入因子，用SVM 遗传修正整体人群对应画像人群环境模型，其对应人群的足部特征用户画像不断清晰细化。SVM分类器适应度函数f(x_i)＝min(1-g(x_i))，为SVM 分类器对样本划分正确率，随着样本量的增加，如果正确率高于历史最佳模型，则该模型取代原有最佳模型，从而随着样本量的增加模型自适应不断优化完善：

(3)将异常人群进行重点计算

分别提取左右脚同一个点、同一脚四个区域的压力值1000组，用 matlab取时域特征曲线，分别为：

1)提取鞋底压力的周期函数，左右脚各自取一个对称点的压力数据。

步态周期性、变化率和加速度等整体特征的时域特征；

2)在不同运动状态下提取鞋底四个区域总压力幅值(单位ms)，用 matlab训练特征曲线。

四、对模型的自适应完善

随着样本量的增加，SVM分类器能够自适应不断优化完善，本方法在遗传算法的开始和结束阶段需要有适当的选择率。

SVM分类器适应度函数f(x_i)＝min(1-g(x_i))，为SVM分类器对样本划分正确率。

(1)对运动状态进行抽样计算

在判别时，可能由于其中某个状态标准差偏大，另一个状态标准差偏小，正好相抵，导致未发现异常，故再次进行随机抽样验证。

每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率。

(2)对异常未发现的样本的特征值，使用SVM分类器适应度函数，为SVM分类器对样本划分正确率。通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。

每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，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。

总之，针对传统求解二次规划问题的算法运算时间长、效率低等特点，本发明将对偶寻优问题分解为若干子问题，采用循环迭代策略，并将块算法和固定工作样本集相结合。先工作样本集固定在一定的限度内，剔除工作样本中的非支持向量，然后依据训练结果将剩余样本中不符合条件的样本和训练结果中的支持向量合并成为一个新的工作样本集，迭代过程使用合适的换入换出策略，将一部分剩余样本与工作样本集中的样本进行交换，然后继续训练，如此重复训练直到获得最优结果。

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。

识别建模建立方法与传统的遗传优化算法相比，利用参变量集的某种编码而不是直接作用在参变量集上，从一个点的群体开始搜索而不是从单个点开始搜索，提高了并行处理效率。采用比高法的适应值，利用概率转移规则，而非确定性规则，无须导数或其他辅助信息，避免了过早收敛的问题，使得在比较出不同运动模式基础上，还能够自动进行细分有病无病等不同状态。也是目前检索到的现有技术中所不具备的。

此外，需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (9)

1.一种针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于包括：

第一步骤：将鞋底和/或鞋内部划分为预定的多个区域，利用采集模块采集步行时所述多个区域各自的压力数据，并且记录采集时的时间数据；

第二步骤：采集模块将采集到的压力数据以及记录的采集时的时间数据传递给分析模块；

第三步骤：分析模块根据接收到的压力数据以及采集时的时间数据，通过建立和自适应完善的识别模型，给出运动状态识别结果；

第四步骤：根据个人人群与群体的比对结果来自适应自动调节鞋底压力分布，以形成最适合个人的鞋底压力模型，从而让鞋底能够自动调节成为个人最舒适最健康的鞋底压力模型，并作为用户画像群体中的输入因子，影响同特征人群的初始足底压力分布。

2.根据权利要求1所述的针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于，在第一步骤将鞋底划分为预定的多个区域，利用采集模块采集步行时所述多个区域各自的垂直压力数据，并且记录采集时的时间数据。

3.根据权利要求1或2所述的针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于，在第一步骤使用压力传感器和陀螺仪作为采集***检测脚的角速度以及各域压力敏感电阻来测量步行时鞋底多个区域各自的垂直压力数据。

4.根据权利要求1或2所述的针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于，采集模块由弹性敏感元件、位移敏感元件、发电模组组成。

5.根据权利要求4所述的针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于，弹性敏感元件使被测压力作用于特定面积上并转换为位移或惠斯通电桥压阻式应变电信号。

6.根据权利要求1或2所述的针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于，在第三步骤分析模块对垂直压力数据进行时域频域特征提取和/或频域特征提取。

7.根据权利要求1或2所述的针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于，采集模块通过无线或者有线方式将压力数据传递给分析模块。

8.根据权利要求1或2所述的针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于，针对采集到多个区域的压力数据，分析模块在一个步态周期内进行平均化二值轮廓处理，其中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；随后分析模块对数据进行包括小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将多个区域的压力时域信号离散化，将多种频率成分的混合信号分解到不同频段，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，分析模块基于矩阵的非监督算法来去除噪声和保留最具代表的信息；最后，分析模块利用监督算法进一步提高分辨能力。

9.根据权利要求1或2所述的针对脊柱腿部健康的智能鞋自适应监测方法，其特征在于第四步骤包括下述处理：

针对对应人群、健康人群和健康评估，以三角质量矩阵的方式个性化建立三角足压健康采集与评估模型；

对三角足压健康采集与评估模型进行预处理，以进行自适应分层分类降维；

执行体征环境建模深度互学模式识别，其中进行个人人群与群体建模，根据个人人群与群体的比对结果来自适应自动调节鞋底压力分布，以形成最适合个人的鞋底压力模型；从而让鞋底能够自动调节成为个人最舒适最健康的鞋底压力模型，并作为用户画像群体中的输入因子，影响同特征人群的初始足底压力分布。