CN108778120B - 用于表征步态的方法 - Google Patents
用于表征步态的方法 Download PDFInfo
- Publication number
- CN108778120B CN108778120B CN201680058533.2A CN201680058533A CN108778120B CN 108778120 B CN108778120 B CN 108778120B CN 201680058533 A CN201680058533 A CN 201680058533A CN 108778120 B CN108778120 B CN 108778120B
- Authority
- CN
- China
- Prior art keywords
- subject
- signal
- signals
- coefficient
- motion signal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000005021 gait Effects 0.000 title claims abstract description 36
- 230000033001 locomotion Effects 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 206010017577 Gait disturbance Diseases 0.000 claims abstract description 13
- 239000003550 marker Substances 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 8
- 210000002683 foot Anatomy 0.000 description 25
- 238000012545 processing Methods 0.000 description 23
- 238000001514 detection method Methods 0.000 description 16
- 230000001133 acceleration Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 208000035475 disorder Diseases 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 208000032366 Oversensing Diseases 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 210000003371 toe Anatomy 0.000 description 2
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000007542 Paresis Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004227 basal ganglia Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000000609 ganglia Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 208000030175 lameness Diseases 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000009251 neurologic dysfunction Effects 0.000 description 1
- 208000015015 neurological dysfunction Diseases 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 210000001428 peripheral nervous system Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009023 proprioceptive sensation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000001720 vestibular Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
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
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6829—Foot or ankle
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- 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
- A61B5/683—Means for maintaining contact with the body
- A61B5/6831—Straps, bands or harnesses
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
提供了一种用于表征步态的方法,其包括以下步骤:接收测量预先被测量的目标受试者的运动的信号;将测量信号中的至少一部分与多个参考信号进行比较(204),该多个参考信号包括在与目标受试者不同的参考受试者上预先测量的至少一个运动信号,测量信号与参考信号的每个比较产生相似性系数,其表示被比较信号之间的相似性的概率;以及在所产生的相似性系数当中选择(208)至少一个感兴趣的局部最大值,其中所述多个参考信号包括在患有步态障碍的参考受试者上预先测量的至少一个运动信号,以及在健康参考对象上预先测量的至少一个运动信号。
Description
技术领域
本发明涉及用于表征人的步态的方法和***。
背景技术
旨在表征人的步态(gait)的那些方法具有两种类型:用于步伐的简单计数的方法,和用于步伐的检测的方法,其更为复杂因为其目的是确定步伐的精确特征时刻,诸如当脚后跟碰触地面的时刻。
用于检测步伐的已知方法中的大多数是基于施加到在目标受试者上测量到的运动信号的一系列特别处理步骤。
例如由J.Pan和W.J Tompkins在文章“A real–time QRS detection algorithm”中描述的Pan–Tomkins预处理是已知的。此预处理包括对在目标受试者上测量到的运动信号施加的带通滤波、求导、平方、积分以及峰值搜索。
这些方法的主要缺点是,其要求多个参数(滤波器的尺寸、阈值的值、峰值选择的标准等…)的校准,这些通常难以估计或得知并且通常通过凭经验来选择。而且,这些方法基于对步伐必须具有的形式的极强先验性,无疑限制了这些方法在其步伐是非常规形式的目标受试者(例如,患有步态障碍的人)上的功效。
发明内容
本发明的目的是表征受试者的步态而并不像这样的要求初步校准步骤。此目的可以包括检测步伐(step)或确定受试者的步态的信息特征的事实。
本发明的另一目的是能够实施用于表征步态的方法,其可以在受步态障碍困扰的受试者和健康受试者上均起作用。
因此,根据本发明的第一方面提出了用于表征步态的方法,该方法包括以下步骤:
●接收用于对先前被测量的目标受试者的运动进行测量的信号,
●将测量信号的至少一部分与多个参考信号进行比较,该多个参考信号包括在与目标受试者不同的参考受试者上先前所测量的至少一个运动信号,测量信号与参考信号的每个比较产生相似性系数,其表示被比较的信号之间的相似性概率,
●在所产生的相似性系数当中选择至少一个感兴趣的局部最大值。
多个参考信号包括:
●在受步态障碍困扰的受试者上先前所测量的至少一个运动信号,和
●在健康受试者上先前所测量的至少一个运动信号。
可以借由单独地采用下面特征或者以其组合的方式(当这在技术上可行时)来完成上文中所提出的用于表征步态的方法。
该方法可以包括:根据已经从其产生了选中的感兴趣的局部最大值的参考信号而在测量信号中的对目标受试者的步伐的至少一个标记时刻特征的识别步骤。
该方法可以包括对对应于给定参考信号的选中的感兴趣的局部最大值的数目的计数步骤,每个参考信号与对应参考受试者的信息特征相关联。
该方法可以包括对被链接至参考信号的每个类别的感兴趣的局部最大值的数目进行计数的步骤,其中已经从参考受试者的信息特征生成了参考信号的每个类别。
可以将至少一个参考信号与相对于彼此时间上移位的测量信号的若干部分进行比较,以便根据测量信号的部分的时间位置来产生相似性系数的有序序列;然后根据系数的值与序列中在其前面的系数的值之间的比较结果以及该系数的值与同一序列中在其后面的系数的值之间的比较结果,来选择序列的相似性系数作为局部最大值。
每个参考信号包括参考受试者的步伐的至少一个预定标记时刻和特征,可以将至少一个参考信号与相对于彼此时间上移位的测量信号中的若干部分进行比较,并且可以从从其产生了选中的感兴趣的局部最大值的参考信号的预定标记时刻中识别目标受试者的步伐的标记时刻特征。
当局部最大值具有低于预定阈值的值时,该局部最大值可以不被选中。
可以通过相似性系数的值的降序来选择局部最大值。
当已经从其产生了局部最大值的所测量信号的部分与已经从其产生了选中的局部最大值的所测量信号的另一部分在时间上重叠时,局部最大值可以不被选中。此类重叠加快了对于局部最大值的搜索并且因此减少了用于表征步态的方法的实施时间。
该方法可以包括对两个被比较信号的维度特征(dimensional characteristic)之间比率的计算。在这种情况下,对于从关于其计算出的维度比率超过预定阈值的被比较信号所产生的局部最大值不实施识别步骤。
维度特征可以是被比较信号的幅度或方差。
比较步骤可以包括产生皮尔森线性系数的相关性,该相似性系数取决于皮尔森线性系数的绝对值。
多个参考信号可以包括不同持续时间的参考信号。
测量信号可以是表示目标受试者脚的运动的信号。
测量信号可以是或者取决于至少下面的信号:
●在正交于地面的方向上目标受试者的加速度信号,和/或
●在正交于目标受试者脚的上表面的方向上目标受试者的加速度信号,和/或
●围绕目标的脚的转动轴的角速度信号。
该方法可以包括通过附接至目标受试者的至少一个运动传感器进行的测量信号的采集。
在包括由参考受试者以至少5米的直线行走的行走序列期间,可以获取至少一个参考信号。
根据第二方面,还提出了用于表征步态的***,该***包括:
●接收接口,其被配置用于接收目标受试者的加速度测量信号,和
●至少一个处理器,其被配置用于:
○将测量信号与多个参考信号进行比较,所述多个参考信号包括在与目标受试者不同的参考受试者上先前所测量的至少一个加速度信号,测量信号与参考信号的每个比较产生相似性系数,其该相似性系数表示被比较信号之间的相似性概率,
○在所产生的相似性系数当中选择至少一个局部最大值,
其中,多个参考信号包括:
●在受步态障碍困扰的参考受试者上先前所测量的至少一个运动信号,和
●在健康的参考受试者上先前所测量的至少一个运动信号。
根据此第二方面,该***还可以包括适于向接收接口提供测量信号的至少一个运动传感器。
此***还可以包括其中存储了多个参考信号的存储器。
根据本发明的第三方面,还提出了诊断和/或预测目标受试者的步态障碍的方法,该方法包括根据本发明的第一方面实施用于表征步态的方法,其中先前已经测量了用于对目标受试者的运动进行测量的信号。
附图说明
图1示意性地图示出用于表征步态的***和以侧面看到的受试者的脚。
图2是根据本发明的实施例的针对用于表征步态的方法的初步阶段的步骤的流程图。
图3a和图3b图示出通过实施图3的初步阶段所获取的两个测量信号。
图4是根据本发明的实施例的用于表征步态的方法的步骤的流程图。
图5示出在图4的检测方法的实施期间被比较的参考信号和目标信号。
在附图中,由相同的附图标记指代相同的元件。
具体实施方式
参照图1,用于表征步态的***包括测量设备1、信号处理设备2和服务器3.
测量设备1包括至少一个运动传感器10和绑带(belt)12。
绑带12适于环绕受试者的脚而被附接,例如如图1中所示的在脚后跟与脚趾之间。运动传感器10被固定至绑带12以便不影响其上附接有绑带12的脚的行走。
例如,测量设备1提供了三个运动传感器10,以用于测量沿着三个轴X、Y和Z的脚的运动以及定义附接至设备1的测量标记。
例如,围绕上述轴中的一个轴使用至少一个角速度传感器和/或沿着上述轴中的一个轴使用至少一个加速度传感器。
测量设备还可以包括至少一个磁力计。例如,提供三个磁力计,每个磁力计被配置为获取沿着各个轴X、Y、Z中的一个轴的磁场分量。
测量设备1还可以包括内部信号处理装置14和通信接口16。
信号处理装置14被配置为从由不同运动传感器中的每个递送的基本信号中的至少一个开发出至少一个输出运动信号。
通信接口16被配置为与信号处理设备2通信。通信接口尤其能够将由测量设备1的内部处理装置产生的每个输出信号发送至信号处理设备2。
通信接口16优选为无线的以便当测量设备1被附接至受试者的脚上时不影响受试者的行走。
在实施例中,测量设备1是由公司Xsens销售的设备并且借由魔术贴(Velcrotape)被固定到脚上,并且输出信号以100Hz采样。
信号处理设备2包括至少一个处理器20、第一通信接口22、第二通信接口24和内部存储器26。
处理器20被配置为基于经由两个通信接口22和24接收到的信号来实施以程序代码指令的形式编码的用于表征步态的方法。
通信接口22适于例如借由Wi-Fi协议或蓝牙协议来接收由测量设备1发射的输出信号。
通信接口24适于经由诸如因特网的公共网络来与远程服务器3通信。
信号处理设备2可以例如采用移动终端、便携式计算机或PC的形式。
服务器3包括用于与信号处理设备2进行通信的通信接口34、处理器30和适于以数据库形式存储测量信号的集合和与这些信号相邻的数据的存储器32。
现在将详细描述借由图1的***实施的用于表征步态的方法的步骤。
用于参考信号的收集的初步阶段
参照图2,执行用于参考信号的收集的初步阶段。
在此初步阶段的第一步骤102中,对每个参考受试者测量每个参考信号。
借由图1和图2中图示出的采集***来执行信号的采集102。为此,测量设备1被附接至参考受试者的脚上(或者甚至两个设备1,一个用于左脚并且另一个用于右脚)。然后请参考受试者根据预定临床协议行走。
在参考受试者行走时,运动传感器10获取表示沿着轴X、Y、Z的脚的运动参数(加速度和/或速度,例如角速度)的信号,其随后由测量设备1的内部处理装置处理以生成参考受试者的相应脚的至少一个参考加速度信号。
如果存在于测量设备1中,则内部处理装置还可以使用由磁力计获取的磁场的测量结果。
两个测量设备1(左脚和右脚)中的每一个在连接至由轴X、Y和Z限定的传感器的标记中获取九个原始信号(3D加速度、3D角速度和磁场3D),这些信号可选地能够以相对于地面的被固定标记经由测量设备1的内部处理装置14而被重新校准或校准,以获得参考信号。
相关于表征步态的分量中的一些被优选用作参考信号。在图1中显示的用于表征步态的三个相关分量是:
●在正交于地面的方向G上测量的参考受试者的加速度信号,
●与设备1连接的沿着轴Z测量的受试者的加速度信号,该轴正交于参考受试者的脚的上表面,
●在参考受试者以直线行走期间参考受试者的脚围绕轴Y转动的角速度信号(此轴Y垂直于轴Z并平行于脚踝区域中的脚的倾斜的轴)。
然后将每个参考信号经由接口22发送至处理设备2,然后经由接口24和30发送至服务器3。
在步骤104中,测量到的参考信号被存储在服务器3的存储器32中。代替远程服务器3的存储器32或除了其之外,还可以将参考信号存储在处理设备2的内部存储器26中。
在步骤106中,每个存储的参考信号形成注释的对象,其旨在确定参考受试者的步伐的至少一个标记时刻特征。
此注释步骤可以由从业者(practitioner)凭经验来进行,该从业者在参考信号的采集102期间仔细查看参考受试者的步态。
而且,先前确定的相应的参考受试者的至少一个信息特征可以与每个参考信号相关联。
步态的信息特征可以例如在若干预定的类别之中识别受试者的特定类别。
类别可以涉及步态的类型(正常、跛行…)、步态障碍的严重性、步态速度、参考受试者的年龄(年轻、年老…)等。
例如,此信息可以涉及由受试者表达的诉情(感觉、运动、平衡、认知或听觉状况、眩晕、头晕或疼痛),涉及受试者(本体感受、前庭、视觉、运动:偏瘫、轻瘫、帕金森病…)的确认并表征的缺陷(偏侧性、慢性或急性发作)。此信息可以包括病变的解剖学层面:中枢或外周神经***或者在感觉器官中(中央前庭、外周前庭、外周神经、脊髓、躯干、小脑、下肢的关节、大脑半球:皮质、基部的神经节或白质的神经节)。此信息还可以指紊乱(血管、炎症、创伤、感染、手术前或后的肿瘤、退变、毒性、新陈代谢、身心…)的病因。
以迭代的方式对若干参考受试者实施相同步骤102、104、106。
在初步阶段完成时,多个参考信号被存储在存储器32中并且每个参考信号注释有已经在其上测量了参考信号的参考受试者的步伐的至少一个特征时刻、和/或参考受试者的至少一个信息特征。
可以存储其持续时间覆盖相应参考受试者的一个步伐或若干步伐中的至少一部分的信号。
同样地,优选存储其持续时间覆盖参考受试者的单个且仅一个步伐的至少一部分的参考信号,以便限制由参考信号引起的存储器消耗并且避免潜在的信息冗余。除了参考信号以外所存储的该或每个特征时刻本身涉及此单个步伐。
而且,参考受试者的单个且仅一个步伐或者此步伐的部分的使用增加了此方法的灵敏度和特异性。而且,这使得当目标受试者的步伐具有非常规形式时能够有更好的结果。
参考受试者的单个且仅一个步伐的至少部分的使用对应于例如该步伐的较少或若干阶段的使用,诸如支撑阶段、初始接触、摇晃…
实际上,通过存储用于定位相应参考信号中的特征时刻的数据来体现此注释,这些数据在存储器32或26中被逻辑地链接至此参考信号。
其中测量了加速度参考信号的参考受试者优选具有不同步态轮廓(profile)。一般而言,其中测量了加速度参考信号的参考受试者可以是健康受试者或者患者(受医学疾病困扰的受试者)。
例如,
●参考信号中的至少一个是在患有步态障碍的受试者上测量的,(图3b中图示出在患有髋关节问题的患者上测量的参考信号的三个示例);以及
●参考信号中的至少一个是在健康受试者上测量的,即未患有步态障碍的受试者(诸如图3a中显示的三个参考信号)。
以这种方式,本发明还涉及用于收集关于步态(诸如行走的风格或任何病理)信息的方法。所以,例如可以区分行走时的轻微跛行、抬起脚、弯曲的腿、摇晃的特定方式。即使可以可选地在图3a和图3b中显示的参考信号之间检测到共同的结构,但应该注意的是其幅度是非常不同的(在图3b中,受试者实际上趋于拖曳他的脚,这相当地改变了相对于图3a的参考受试者的步伐的结构和幅度)。
而且,收集到的不同参考信号不一定是相同持续时间的或与步伐的相同数目的特征时刻相关联的。实际上要理解的是,步伐可以随参考受试者的不同而具有不同的持续时间。
收集到的参考信号因此构成覆盖广泛范围步态的步伐库,以被用于表征下面作为“目标”受试者的合格受试者的步伐,此目标受试者优选与参考受试者不同。
目标受试者的步态表征阶段
参照图4,用于表征目标受试者的步态的方法包括以下步骤。
在步骤202中,先前被固定到目标受试者脚上的测量设备1获取该目标受试者的至少一个运动信号,此信号在下面被赋予为“目标信号”。
可以在先前已经测量的目标信号上实施根据本发明的方法。
目标信号是例如沿着轴X、Y和/或Z的脚的加速度信号,或者围绕轴X、Y和/或Z的脚的角速度信号。
目标信号和参考信号因此是在不同的受试者上测量的。为了提高检测,参考信号的采集协议是表示其中生成目标信号的条件。
目标信号然后被发送至处理设备2。
在步骤204中,执行目标信号与参考信号之间的比较。
可以由处理设备1中的处理器20来执行此比较204;在这种情况下,处理设备1鉴于此比较204向服务器3发送用于下载参考信号的请求。作为变型,由服务器3执行该比较204,处理设备然后仅仅用作测量设备1与服务器3之间的目标信号的传输中继。
对目标信号中相对于彼此时间上移位的目标信号的不同时间部分更精确地执行比较204。要理解的是,尽可能多地进行目标信号中定义的时间部分的比较。
目标信号的每个时间部分具有与此部分将与之比较的参考信号相同的持续时间T。
目标信号的不同部分可以相对于彼此被移位恒定的时间步长。
目标信号的不同部分可以重叠。
目标信号的给定时间部分与参考信号的比较204产生了表示两个被比较信号之间的相似性概率的系数,此系数在下面被称为“相似性系数”。
比较204包括例如目标信号与参考信号的时间部分的相关性;在这种情况下,相似性系数取决于两个相关信号之间的皮尔森线性系数。
两个信号x与y之间的相似性系数ρ(x,y)
可以更精确地被表达为皮尔森线性系数的绝对值,如下:
在这种情况下,相似性系数的高的值将指示目标信号与比较的参考信号的时间部分之间的强的相似性。然而,此相似性系数的低的值将指示两个被比较的信号之间的低的相似性。
因此,对于目标信号的N个时间部分,经由N个比较204产生N个相似性系数,其每个具有特定值。所进行的N个比较扫描目标信号的整个持续时间。
从目标信号和相同给定的参考信号产生的N个相似性系数的集合在下文中被称为系数序列。
由在比较步骤204期间考虑的目标信号的N个不同时间部分的时间位置的顺序来对序列的系数进行分类。系数序列的行进方向因此对应于目标信号的时间行进方向。
对于在初步阶段期间先前所存储的每个参考信号重复比较步骤204。明显的是,由于每个参考信号的持续时间T与其它参考信号的持续时间T潜在分离,所以与之比较的目标信号的时间部分也可以针对每个参考信号被不同地重新定义。
通过将每个参考信号与目标信号交叉(cross),在这些重复完成时所产生的相似性系数的序列的总数目等于在目标受试者上同时获取的目标信号的数目乘以存储的参考信号的数目。
根据在相应的目标信号中使时间部分相对于彼此移位所选择的步伐,以及根据相关的参考信号的长度(持续时间),每个序列可以具有多个不同的系数。
在步骤206中,处理器执行相似性系数的给定序列中的局部最大值的识别。
在给定的序列中,如果序列中后面的系数和序列中前面的系数具有比当前系数的值低的值,则当前系数构成局部最大值。通常经由序列中的相邻系数的值之间的一系列比较来进行局部最大值的检测。
每个局部最大值是产生自比目标信号的相邻部分更类似于参考信号的信号的部分的相似性系数。
因此给定序列可以包括零、一个或多个局部最大值。
对所产生的每个系数序列重复步骤206。
在选择步骤208中,处理器从若干识别出的局部最大值中选择一些感兴趣的局部最大值。
基于相似性系数的值来选择感兴趣的局部最大值:如果局部最大值的值低于预定阈值λ则其并不被选择作为感兴趣的局部最大值,以便剔除具有低相似性概率值的局部最大值。
例如,在相似性系数被定义为皮尔森线性系数的绝对值的情况下,只有具有大于或等于0.5的值的局部最大值才被保留作为感兴趣的局部最大值。
预定阈值λ优选在0.6与0.8之间。
可以通过相似性系数的值的降序而有利地执行选择208;在这种方式,与阈值λ比较的数目被减少。
局部最大值的另一种选择准则208是目标信号的相应部分与同一目标信号的时间部分(从其产生了另一相似性系数)的重叠,其不仅构成另一局部最大值,并且已经被选择为该序列的局部最大值之中的感兴趣的局部最大值。
换言之,假定从目标信号的第一部分与参考信号之间的比较而产生第一局部最大值,则其被选择作为感兴趣的局部最大值,
●从参考信号与同第一部分重叠的第二部分之间的比较所产生的第二局部最大值不被选择作为感兴趣的局部最大值,以及
●从参考信号与同第一部分不重叠的第三部分之间的比较所产生的第三局部最大值被选择作为感兴趣的局部最大值。
优选通过系数值的递减值的顺序来执行感兴趣的局部最大值的选择步骤208;毫无疑问的是,在序列中具有最大值的局部最大值将被选择作为感兴趣的局部最大值。
至于其中可以产生与参考信号一样多的序列的程度,选择208的顺序可以在所有序列中存档的所有局部最大值的排序(sorting)之后进行。
在选择步骤208的完成时,存在至少一个感兴趣的局部最大值,其与目标信号的特定部分相关联;并且当产生多个感兴趣的局部最大值时,毫无疑问的是,相关联的目标信号的特定部分在该目标信号中被时间上分离开(即,不重叠)。
在识别步骤210中,处理器基于所选择的局部最大值或感兴趣的局部最大值而在目标信号中识别出目标受试者的步伐的至少一个特征时刻。
此识别步骤210包括在用于参考信号的收集的初步阶段期间从服务器3将在这里所考虑的参考信号中注释的(一个或多个)特征时刻标记下载到处理设备2中。作为变型,由服务器3执行该识别步骤。
通过检查在步骤208中所选择的感兴趣的局部最大值而在目标信号中识别目标受试者的标记时刻特征。
回顾上文,导致了实现给定的感兴趣的局部最大值的参考信号已经被注释有在初步阶段期间的至少一个特征时刻和/或相应参考受试者的至少一个特征。
图5例如显示了包括两个特征时刻的参考信号p:步伐起始时刻ta和步伐结束时刻tb。
特征时刻ta在目标信号的时间部分中被推迟到时间位置ti+ta,其中ti指代目标信号中时间部分的起始时刻。
类似地,特征时刻tb在目标信号的时间部分中被推迟到时间位置ti+ta,其中ti指代目标信号中时间部分的起始时刻。
因此,在目标信号中跟踪初步阶段期间预定的每个标记时刻。
处理器20以相同的方式对任何其他选中的感兴趣的局部最大值进行处理。
在特定应用中,识别步骤210因此对目标受试者的步伐进行计数。
在实施例中,不一定对选择步骤208期间选中的所有局部最大值执行(一个或多个)特征标记时刻的识别210。对于每个感兴趣的局部最大值,在此情况下,处理器基于哪个最大值已经被识别206、之后被选中208而计算两个被比较信号的尺寸特征之间的比率。
如果此尺寸比率超过预定的阈值μ,那么在目标信号的时间部分中不采取特征时刻的识别步骤210。
例如,如果该比率的分子是涉及目标信号的维度特征并且如果该比率的分母是涉及参考信号的维度特征,则验证该比率是否低于阈值μ,并且如果是该比率低于阈值μ这种情况,则在目标信号的时间部分中不采取特征时刻的识别步骤210。
如果不是比率低于阈值μ这种情况,则在目标信号的此时间部分上执行根据前述形式的识别步骤210。
维度比率可以例如是被比较的信号之间的幅度比率或者被比较的信号之间的方差比率。
可以对一对被比较的信号计算若干比率;其可以被设置为如果比率中的至少一个大于预定的阈值则不启动标记时刻的识别步骤。
优选在局部最大值的识别206之后、最优选在感兴趣的局部最大值的选择之后执行维度比率的计算,以便限制要被计算的比率的数目。
可以对经由测量设备1的不同传感器同时获取的若干目标信号(例如在上述那些当中沿着不同轴的加速度信号)重复步骤202、204、206、208和210。
一旦在选择步骤208中已经选择了局部最大值,就可以执行处理的实例而非识别步骤210。
处理器20可以例如对参考信号已经生成参考感兴趣的局部最大值的次数的数目进行计数212。
处理器20随后下载(在初步阶段期间考虑的)参考受试者的信息特征,其与已经生成感兴趣的局部最大值中的至少一个的参考信号相关联。
处理器20可以例如计算在感兴趣的局部最大值的集合中以及因此的目标信号的每个特征信息的表示百分比。
很可能的是,参考信号(或携载相同步态特征信息的若干参考信号)被表示为感兴趣的局部最大值中的大多数。
该大多数特征信息可以归因于目标受试者。
对于从参考受试者的信息特征所生成的参考信号的每个类别,处理器20还可以对链接至此类别并因此与目标信号相关联的感兴趣的局部最大值的数目进行计数212。
处理器20随后可以例如计算目标信号中的每个特征信息的表示百分比。
大多数特征信息可以归因于目标受试者。
检测方法的算法实施方式的示例
可以以计算机程序的形式实施检测方法,该计算机程序包括能够由处理器20执行的代码指令。
下面将详细描述构成此计算机程序的可能实施例的算法。
下面考虑的是,测量设备1提供在相同受试者上测量到的离散信号的k-元组。此k-元组可以由长度|p|和维度k的矢量来表示。
引入以下符号:
●x是表示在目标受试者上测量的离散目标信号的k-元组的矢量。
●p是表示在相同参考受试者上测量的离散参考信号的k-元组的矢量。
●|P|是矢量p的数值。
●|x|(相应地|p|)是矢量x(相应地p)的长度,计为样本的数目。
●x(k)(相应地p(k))是矢量x的kth分量。
在比较步骤204期间,对长度|p|的所有可能时间部分计算参考信号与目标信号之间的相似性系数,记为r,得到总共3×|P|×|x|个相似性系数:
其中,r(k,p,i)是来自在时刻i处的参考信号p的kth分量与目标信号的kth分量之间的比较的相似性系数,并且其中ρ是作为绝对值的皮尔森线性系数。
在步骤206期间,如果系数r(k,p,i)大于其直接时间邻居,则将其指定为局部最大值。因此,局部最大值的集合L是累积地验证以下两个条件的相似性系数r(k,p,i)的集合:
r(k,p,i)>r(k,p,i-1)
r(k,p,i)>r(k,p,i+1)
集合L包含对目标受试者的步伐来说可接受的所有位置;每个系数r(k,p,i)可以被理解为在时刻i处在目标信号中找到与索引p的参考信号的步伐相似的步伐的可能性。
以贪心程序(greedy process)的方式对选择步骤208进行编码。利用该算法的每次迭代来选择集合L中的最大系数值r(k*,p*,i*):
●如果位于时刻i*处的步伐p*与已经被检测出的步伐重叠,则步伐p*被拒绝并且该程序被重新启动;
●如果步伐p*可以位于时刻i*处而与先前检测不重叠,则步伐p*被认为被检测到并且在i*与i*+|p*|-1之间的索引在下一次迭代中被禁止。
当所有索引被禁止时,或者当集合L中的所有局部最大值已被考虑过时,或者当集合L中其余的系数的值全都小于预定的阈值λ时,选择步骤208的贪心算法结束。此阈值λ充当该算法的加速参数;这实际上防止使该算法循环太长时间。
步骤208的贪心算法产生感兴趣的局部最大值的集合S。
然后基于该集合S和阈值μ来执行特征时刻的识别步骤210。如早前所指出的,在与集合S中所包括的感兴趣的局部最大值相关联的参考信号的部分与目标信号的部分之间的过大维度间隙的情况下,阈值μ被用于拒绝一些特征时刻。
例如,预定的阈值μ小于或等于0.2并且优选在0.05与0.2之间,更优选在0.1与0.2之间。
结果
本发明人能够在建立信号的数据库之后实现尤其令人满意的结果,该信号的数据库包含在74个受试者中测量到的295个信号,所述74个受试者包括23个健康者和51个患有膝关节、髋关节或踝关节的各种骨科疾病的受试者,受试者中的一些已经经历了该协议若干次。
佩戴测量设备1的参考受试者所经历的参考信号的临床采集协议如下:
●保持不动6秒,
●以舒适的步速完全直立行走10米,
●做一个U形转身,
●回到起始点,
●保持不动2秒。
数据库中的所有信号已经被手动地注释有两个特征标记时刻:
步伐起始时刻ta,在此时脚后跟抬离地面,
步伐结束时刻tb,在此时脚趾停在地面上并稳定。
总计,已经存储了9357个步伐(4674个在右脚上并且4683个在左脚上)。
借由下面的评估方法已经测试了检测方法的操作。
●随机地选择了构成学习基础(learning base)的数据库中的|P|个步伐。
●还选择了构成测试基础(test base)的数据库中的步伐。为了防止过度学习(overlearning),将在学习基础中存在的受试者上测量的所有信号从测试基础中丢弃。
●通过使用学习基础中的|P|个信号作为参考信号而将用于表征步态的方法应用于测试基础中的每个信号上。
●然后通过根据本发明的方法的应用来计算在测试基础的每个信号中识别出的步伐起始特征时刻和步伐结束特征时刻的精度分数和查全分数(recall score),如果检测到的步伐起始时刻和步伐结束时刻的平均值落到其中根据早前描述的初步收集阶段期间由从业者收集到的注释而步伐是有效存在的时刻,则认为步伐是正确的。
●然后对测试基础中的所有信号的精度分数和查全分数求平均值。
在下面所呈现的结果中,此方法已经被重复了100次并且焦点是在精度分数和查全分数的平均值和标准偏差上。
下面的表1呈现了针对参考信号的不同数目|P|的精度和查全(关于100次模拟的平均值和括号中的标准偏差)。
表1
|P|的值 | 精度 | 查全 |
5 | 96.6(5.04) | 96.6(1.04) |
10 | 96.1(3.76) | 96.5(3.42) |
15 | 95.7(3.73) | 96.4(3.25) |
20 | 96.0(2.81) | 97.0(1.76) |
25 | 95.8(2.67) | 97.0(1.43) |
阈值λ已经被固定在0.6以减少计算时间。第一观察是,所有这些分数似乎非常相似:即使仅使用了5个参考信号时,所有的平均分数也在95%与97%之间。所有标准偏差都小于5%,表明方法的主要稳定性。
如果参考信号的数目似乎不显著影响平均性能,则其主要影响该方法的稳健性。明显的是,参考信号的数目增加得越多,则标准方差减小得越多,并且因此方法的稳健性越大。由于直观的是存在越多的参考信号则步伐的所有病理和类型被考虑到的机会越大,所以此观察合理,这趋向使测试基础中的所有信号的结果均匀。当|P|=5时,这显示出精度与查全的标准偏差之间的不对称。由于参考信号的数目小,小尺寸的病理步伐与较大尺寸的健康步伐之间的对应性被强制进行,其可以导致过度感测并趋向降低精度。
下文中的表2呈现了针对预定阈值λ的不同值的精度和查全(100次模拟的平均值和括号中的标准偏差)。
表2
λ的值 | 精度 | 查全 |
0.60 | 95.23(4.50) | 97.63(1.61) |
0.65 | 93.37(7.52) | 96.74(4.58) |
0.70 | 95.96(4.96) | 97.33(3.22) |
0.75 | 96.44(4.32) | 97.19(1.99) |
0.80 | 97.03(1.02) | 96.59(1.89) |
0.85 | 97.83(2.92) | 95.26(1.93) |
0.90 | 98.49(4.74) | 90.36(2.51) |
当预定的阈值λ增大时,只有与模型高度相关的参考信号才被选中:这提高精度。相反,当预定的阈值λ减小时,查全增大并且精度减小。这些结果证实了参数λ的效用:λ通过增大到合适的值(大约0.6到0.8),可以提高精度(以及提高精度的稳健性)而同时保持查全恒定。而且,λ还对计算成本具有一定影响。例如,使用λ=0.8代替λ=0(相当于算法没有λ)可以大约两倍快地计算出结果。因此,使用λ的可能的最大值是有趣的。对于λ=0.8获得最好的性能,其构成查全与精度之间的良好折衷。
下文中的表3呈现了针对预定阈值μ的不同值的精度和查全(100次模拟的平均值和括号中的标准偏差)。
表3
μ的值 | 精度 | 查全 |
0.05 | 96.23(2.29) | 97.42(0.93) |
0.10 | 95.92(5.66) | 97.04(1.60) |
0.15 | 97.03(4.02) | 96.59(1.89) |
0.20 | 96.72(6.30) | 95.78(1.89) |
0.25 | 97.68(2.67) | 95.25(1.31) |
0.30 | 97.84(4.94) | 93.88(2.73) |
参数μ主要影响查全。事实上,当μ过大时,其幅度与参考信号的幅度相差太多的所有的测量不被考虑。这具有双重效果:如果参考信号中的一个对应其步伐具有窄的幅度的病理患者,将不能够检测健康状况良好的患者上的测量。还可以发生相反的情况。事实上,当μ增大时,由皮尔森相关系数提供的归一化效果被中和。表3显示了μ应该优选不大于0.2使得查全不至于太小。
基于100次模拟的此步骤已经导致测试21000个不同配置。在这些配置中,可以提及配置:|P|=5个参考信号,λ=0.75且μ=0.1,具有98.40%的平均查全和98.44%的平均精度。参数的这个选择是示例,并且这些参数可以根据要被分析的步伐和序列的数据库的内容而被修改。
根据本发明的方法的良好性能与组成库的参考信号相关联。值得注意的是,此方法仅需要小数目的参考信号,其趋于显示出该算法不需要大的库来精确地实现。例如,优化的方法包括5个参考信号:属于健康受试者的1个参考信号、对应于神经功能障碍的3个参考信号以及与骨科病症相关联的1个参考信号。
根据本发明的方法进一步具有能够精确地检测步伐的极点(limit)和适于步伐的不同持续时间的优点。对于步伐中的90%,在起始、到达以及时间持续中的误差低于0.25秒(作为绝对值)。这些结果相对于由专家和专业人士作出的关于不确定性的注释来说是令人满意的。
已经将根据本发明的检测方法与引言中所引用的Pan–Tomkins预处理方法进行了比较,该方法配置有由H.Ying、C.Silex等人在文章“Automatic step detection in theaccelerometer signal”中建议的参数。
由该以前方法提供的结果是低精度的(根据所使用的序列的组具有大约25.6%到51.20%的精度)。而且,该方法并不检测诸如本发明可以检测的步伐的特征时刻(例如,步伐的起始时刻或步伐的结束时刻)。
Pan–Tomkins方法已经经由针对若干参数(例如,fmin、fmax、积分窗口、四分之一的尺寸和噪声的水平)的优化值的选择而关于数据库的集合进行了优化,使得将F-测量最大化。当优化后,该算法给出了97.82%的查全和95.72%的精度。详细的结果呈现在表4中。尽管在健康受试者上这些分数与根据本发明的方法相当,但是应该注意的是,Pan–Tomkins方法在治疗展现出紊乱(诸如神经性疾病或骨科疾病)的受试者方面存在困难。特别是,在这些受试者上,发生过度感测,从而降低了精度。这显示出基于处理信号的典型步伐的检测方法中的限制性:如果要被研究的信号具有不同属性(噪声、频率内容、幅度),则难以找到适于所有信号的单个处理方案。
表4
最后,根据本发明实施的检测方法即使通过使用小数目的参考信号也产生了稳健性能。
根据本发明的检测方法可以具有多种应用。该检测方法可以尤其用作用于诊断或预知步态障碍的初步阶段。假设其使用先前已经测量到的数据,则该检测方法不需要与要实施的目标受试者进行交互。
Claims (8)
1.一种用于表征步态的方法,包括以下步骤:
·接收从目标受试者先前所获取的该目标受试者的运动信号,
·将所述运动信号中的至少一部分与多个参考信号进行比较(204),所述多个参考信号包括从与所述目标受试者不同的参考受试者先前所获取的至少一个运动信号,其中,所述运动信号与参考信号的每个比较产生相似性系数,该相似性系数表示被比较的信号之间的相似性概率,
·在所产生的相似性系数当中选择(208)至少一个感兴趣的局部最大值,
其中,所述多个参考信号包括:
·从受步态障碍困扰的参考受试者上先前所获取的至少一个运动信号,和
·从健康受试者上先前所获取的至少一个运动信号,
并且其中
·将至少一个参考信号与从所述目标受试者获取的所述运动信号中的相对于彼此时间上移位的若干部分进行比较(204),使得根据测量信号的所述部分中的时间位置来产生相似性系数的有序序列,
·根据系数的值与序列中在其前面的系数的值之间的比较的结果以及该系数的值与同一序列中在其后面的系数的值之间的比较的结果,来选择序列的相似性系数作为局部最大值(206)。
2.根据权利要求1所述的方法,还包括:
根据已经从其产生了选中的感兴趣的局部最大值的参考信号而在从所述目标受试者获取的所述运动信号中的对所述目标受试者的步伐的至少一个标记时刻特征的识别步骤(210)。
3.根据权利要求1或2所述的方法,其中
·每个参考信号包括参考受试者的步伐的至少一个预定的标记时刻(ta)和特征,
·将至少一个参考信号与从所述目标受试者获取的运动信号中的相对于彼此时间上移位的若干部分进行比较,
·从已经从其产生了选中的感兴趣的局部最大值的参考信号的预定的标记时刻来识别(210)所述目标受试者的步伐的标记时刻特征。
4.根据权利要求2所述的方法,包括计算所述两个被比较的信号的维度特征之间的比率,并且其中,对于从关于其计算出的维度比率超过预定阈值的被比较信号所产生的局部最大值不执行识别步骤(210)。
5.根据权利要求1所述的方法,还包括对对应于给定的参考信号的选中的感兴趣的局部最大值的数目进行计数(212),其中每个参考信号与对应的参考受试者的信息特征相关联。
6.根据权利要求1所述的方法,其中,当已经从其产生了局部最大值的所述运动信号的部分与已经从其产生了已选中的局部最大值的所述运动信号的另一部分在时间上重叠时,所述局部最大值不被选中。
7.根据权利要求1所述的方法,其中,从所述目标受试者获取的所述运动信号表示所述目标受试者的脚的运动。
8.一种用于表征步态的***,包括:
·接收接口,其被配置用于接收从目标受试者先前所获取的该目标受试者的运动信号,和
·至少一个处理器,其被配置用于:
o将所述运动信号与多个参考信号进行比较,所述多个参考信号包括在与所述目标受试者不同的参考受试者上先前所测量的至少一个运动信号,其中,所述运动信号与参考信号的每个比较产生相似性系数,该相似性系数表示被比较的信号之间的相似性概率,
o在所产生的所述相似性系数当中选择至少一个局部最大值,
其中,所述多个参考信号包括从受步态障碍困扰的参考受试者上先前所获取的至少一个运动信号,和从健康的参考受试者上先前所获取的至少一个运动信号,
并且其中
·将至少一个参考信号与从所述目标受试者获取的所述运动信号中的相对于彼此时间上移位的若干部分进行比较(204),使得根据测量信号的所述部分中的时间位置来产生相似性系数的有序序列,
·根据系数的值与序列中在其前面的系数的值之间的比较的结果以及该系数的值与同一序列中在其后面的系数的值之间的比较的结果,来选择序列的相似性系数作为局部最大值(206)。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1557582 | 2015-08-06 | ||
FR1557582A FR3039763B1 (fr) | 2015-08-06 | 2015-08-06 | Procede de caracterisation de demarche |
EP16020149 | 2016-04-20 | ||
EP16020149.7 | 2016-04-20 | ||
PCT/EP2016/068796 WO2017021545A1 (fr) | 2015-08-06 | 2016-08-05 | Procédé de caractérisation de démarche |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108778120A CN108778120A (zh) | 2018-11-09 |
CN108778120B true CN108778120B (zh) | 2021-03-16 |
Family
ID=56683938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680058533.2A Active CN108778120B (zh) | 2015-08-06 | 2016-08-05 | 用于表征步态的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11229380B2 (zh) |
EP (1) | EP3331441A1 (zh) |
JP (1) | JP2018528044A (zh) |
CN (1) | CN108778120B (zh) |
WO (1) | WO2017021545A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106725512B (zh) * | 2017-02-22 | 2020-09-08 | 安徽华米信息科技有限公司 | 运动监测方法、装置及可穿戴设备 |
EP3731238A1 (en) | 2019-04-23 | 2020-10-28 | Centre National De La Recherche Scientifique | Device for calculating, during one step or each successive step of the gait of a subject, the push-off of the subject |
WO2023286106A1 (ja) * | 2021-07-12 | 2023-01-19 | 日本電気株式会社 | 歩容評価装置、歩容評価方法、歩容計測システム、および記録媒体 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011177278A (ja) * | 2010-02-26 | 2011-09-15 | Tokyo Institute Of Technology | 歩行障害自動分析システム |
EP2439492A1 (en) * | 2010-10-07 | 2012-04-11 | Honeywell International, Inc. | System and method for wavelet-based gait classification |
CN102551731A (zh) * | 2011-12-23 | 2012-07-11 | 国网电力科学研究院 | 一种基于数据曲线比较的跌倒活动检测方法 |
CN102772211A (zh) * | 2012-08-08 | 2012-11-14 | 中山大学 | 一种人体运动状态检测***及检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20045336A0 (fi) * | 2004-09-13 | 2004-09-13 | Valtion Teknillinen | Menetelmä mukana kuljetettavan henkilökohtaisen laitteen kantajan verifiointiin/identifiointiin |
CA2863933C (en) * | 2004-12-22 | 2018-08-07 | Ossur Hf | Systems and methods for processing limb motion |
JP4352018B2 (ja) * | 2005-03-30 | 2009-10-28 | 株式会社東芝 | 運動計測装置、運動計測方法および運動計測プログラム |
US9179862B2 (en) * | 2005-07-19 | 2015-11-10 | Board Of Regents Of The University Of Nebraska | Method and system for assessing locomotive bio-rhythms |
CN101980659B (zh) * | 2008-03-31 | 2012-08-29 | 夏普株式会社 | 体动测定装置、体动测定装置的控制方法 |
GB0820874D0 (en) | 2008-11-14 | 2008-12-24 | Europ Technology For Business | Assessment of gait |
WO2010150260A1 (en) * | 2009-06-24 | 2010-12-29 | The Medical Research, Infrastructure, And Health Services Fund Of The Tel Aviv Medical Center | Automated near-fall detector |
US10330491B2 (en) | 2011-10-10 | 2019-06-25 | Texas Instruments Incorporated | Robust step detection using low cost MEMS accelerometer in mobile applications, and processing methods, apparatus and systems |
US9204797B2 (en) * | 2012-12-06 | 2015-12-08 | Autonomous Id Canada Inc. | Gait-based biometric system for detecting pathomechanical abnormalities relating to disease pathology |
JP6111837B2 (ja) * | 2013-05-10 | 2017-04-12 | オムロンヘルスケア株式会社 | 歩行姿勢計およびプログラム |
-
2016
- 2016-08-05 US US15/750,309 patent/US11229380B2/en active Active
- 2016-08-05 CN CN201680058533.2A patent/CN108778120B/zh active Active
- 2016-08-05 WO PCT/EP2016/068796 patent/WO2017021545A1/fr active Application Filing
- 2016-08-05 EP EP16750779.7A patent/EP3331441A1/fr active Pending
- 2016-08-05 JP JP2018525811A patent/JP2018528044A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011177278A (ja) * | 2010-02-26 | 2011-09-15 | Tokyo Institute Of Technology | 歩行障害自動分析システム |
EP2439492A1 (en) * | 2010-10-07 | 2012-04-11 | Honeywell International, Inc. | System and method for wavelet-based gait classification |
CN102551731A (zh) * | 2011-12-23 | 2012-07-11 | 国网电力科学研究院 | 一种基于数据曲线比较的跌倒活动检测方法 |
CN102772211A (zh) * | 2012-08-08 | 2012-11-14 | 中山大学 | 一种人体运动状态检测***及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017021545A1 (fr) | 2017-02-09 |
JP2018528044A (ja) | 2018-09-27 |
CN108778120A (zh) | 2018-11-09 |
US11229380B2 (en) | 2022-01-25 |
EP3331441A1 (fr) | 2018-06-13 |
US20180220936A1 (en) | 2018-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yoneyama et al. | Accelerometry-based gait analysis and its application to Parkinson's disease assessment—part 1: detection of stride event | |
US9165113B2 (en) | System and method for quantitative assessment of frailty | |
CN105992932B (zh) | 对在用户运动的测量结果中检测步行的改进 | |
KR101386649B1 (ko) | 사용자의 상태 적용 게임 장치 및 그 게임 제공 방법 | |
Pepa et al. | Gait parameter and event estimation using smartphones | |
KR102107379B1 (ko) | 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치 | |
Lee et al. | Toward using a smartwatch to monitor frailty in a hospital setting: using a single wrist-wearable sensor to assess frailty in bedbound inpatients | |
US20140066816A1 (en) | Method, apparatus, and system for characterizing gait | |
US7419473B2 (en) | Living body inspection apparatus | |
CN108778120B (zh) | 用于表征步态的方法 | |
Webber et al. | GT3X+ accelerometer, Yamax pedometer, and SC-StepMX pedometer step count accuracy in community-dwelling older adults | |
Phillips et al. | A comparison of accelerometer accuracy in older adults | |
US20180014756A1 (en) | Method for Determining Types of Human Motor Activity and Device for Implementing Thereof | |
Min et al. | Development of a textile capacitive proximity sensor and gait monitoring system for smart healthcare | |
US20200405216A1 (en) | Cognitive function evaluation device, cognitive function evaluation system, cognitive function evaluation method, and recording medium | |
CN110448280A (zh) | 基于压电薄膜传感器实现的瑜伽冥想质量检测方法及*** | |
CN114173640A (zh) | 数字生物标志物 | |
Perez et al. | A smartphone-based system for clinical gait assessment | |
WO2021250430A1 (en) | Movement analysis method and apparatus | |
KR101071214B1 (ko) | 파킨슨병 환자의 각속도 측정을 위한 장치 및 그를 위한 분석 시스템 | |
Rovini et al. | Wearable sensors for prodromal motor assessment of Parkinson’s disease using supervised learning | |
CN116746913A (zh) | 一种基于压力传感器监测步态和身体健康的设备 | |
Mantilla et al. | Template-DTW based on inertial signals: Preliminary results for step characterization | |
Daunoraviciene et al. | Quantitative body symmetry assessment during neurological examination | |
IL299013A (en) | Method and device for measurement |
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 | ||
GR01 | Patent grant |