CN111436940B - 一种步态健康评估方法及装置 - Google Patents
一种步态健康评估方法及装置 Download PDFInfo
- Publication number
- CN111436940B CN111436940B CN202010202430.7A CN202010202430A CN111436940B CN 111436940 B CN111436940 B CN 111436940B CN 202010202430 A CN202010202430 A CN 202010202430A CN 111436940 B CN111436940 B CN 111436940B
- Authority
- CN
- China
- Prior art keywords
- gait
- phase
- fuzzy
- rule
- input
- 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
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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Dentistry (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例提供一种步态健康评估方法及装置。该方法包括:获取步态压力信号,基于步态压力信号采用模糊逻辑推理规则识别步态相位;记录步态相位的相位顺序;根据相位序列间隔计算步态相位持续时间,以及总体步态周期;基于Perry模型标准步态顺序,根据医学标准相位持续时间统计偏离标准步态的异常步态周期;基于异常步态周期和总体步态周期得到异常周期占比,将异常周期占比作为步态健康评价依据。本发明实施例在步态相位检测过程中应用模糊逻辑推理***,实现平稳连续的步态相位检测,在输出隶属函数中采用梯形与三角形隶属函数,不预设形成个人步态相位顺序,充分考虑个人步态的内部差异性,适用于各种人群的步态评估需求。
Description
技术领域
本发明涉及生物特征识别技术领域,尤其涉及一种步态健康评估方法及装置。
背景技术
步行是最常见的日常活动之一,步态的健康与否、健康程度能够在一定程度上反映人体的健康状况。步态分析是对人体运动学信息和动力学信息进行记录和分析,旨在量化分析步行过程中下肢控制功能的因素。准确的步态相位识别是对个人步态进行分析的基础,确定步态周期及周期中的相位及其持续时间,能够有效反映步态的健康状况。
而现有的步态分析方法,包括以下几种:
(1)定性分析:主要应用于康复患者,依赖于经验丰富的临床医生的定性分析,患者康复的评估容易受主观影响;
(2)大型设备定量分析:红外光点捕捉器、测力台、表面肌电仪等大型步态分析***,虽然精度高、功能齐全,但是价格高昂且受到地点和空间限制,在医疗资源紧缺现状下难以普及;
(3)低成本、小型化、便携式步态分析***:现有的低成本、小型化、便携式步态分析***,多利用阈值方法,仅能够实现基本的步态周期分割,但合理的阈值大小很难确定;另外,现有的步态分析方法仅适用于特定人群,根据经验预设人体步态的相位顺序,未能充分考虑个人步态的内部差异性。
发明内容
本发明实施例提供一种步态健康评估方法及装置,用以解决现有技术中步态评估方法易受主观影响,精度不高,过于依赖复杂仪器,以及未考虑个体差异性等缺陷。
第一方面,本发明实施例提供一种步态健康评估方法,包括:
获取步态压力信号,基于所述步态压力信号采用模糊逻辑推理规则识别步态相位;
记录所述步态相位的相位顺序;
根据所述相位序列间隔计算步态相位持续时间,以及总体步态周期;
基于Perry模型标准步态顺序,根据医学标准相位持续时间统计偏离标准步态的异常步态周期;
基于所述异常步态周期和所述总体步态周期得到异常周期占比,将所述异常周期占比作为步态健康评价依据。
优选地,所述基于所述步态压力信号采用模糊逻辑推理规则识别步态相位,具体包括:
选择所述步态压力信号的输入输出模糊集;
定义所述步态压力信号的输入输出隶属度函数;
基于所述输入输出模糊集和所述输入输出隶属度函数设计所述模糊逻辑推理规则,根据所述模糊逻辑推理规则建立模糊规则表;
基于所述模糊逻辑推理规则对所述步态压力信号的输入输出变量进行预设运算,得到模糊推理结果聚合;
将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位。
优选地,所述选择所述步态压力信号的输入输出模糊集,具体包括:
输入包括ADC采集的所述步态压力信号对应的模拟电压值,输出包括步态相位值;
其中,所述步态相位值与步态周期对应,所述步态周期包括站立相和摆动相,所述站立相包括首次触地期、承重反应期、支撑相中期、支撑相末期和摆动前期,所述摆动相包括摆动相早期、摆动相中期和摆动相末期。
优选地,所述定义所述步态压力信号的输入输出隶属度函数,具体包括:
采用sigmoid型隶属函数模糊化所述模拟电压值,将所述模拟电压值分成第一输入模糊集和第二输入模糊集,所述模拟电压值处于预设电压区间范围内;
采用梯形隶属函数模糊化所述首次触地期和所述摆动相,采用三角形隶属函数模糊化所述承重反应期、所述支撑相中期、所述支撑相末期和所述摆动前期,得到输出变量,所述输出变量处于预设输出变量区间范围内,并以预设间隔进行对应。
优选地,所述基于所述输入输出模糊集和所述输入输出隶属度函数设计所述模糊逻辑推理推理规则,并根据所述模糊逻辑推理规则规则建立模糊规则表,具体包括:
根据所述第一输入模糊集、所述第二输入模糊集和所述输出变量设计所述模糊逻辑推理规则,基于所述模糊逻辑推理规则构建所述模糊规则表;
基于所述模糊逻辑推理规则,定义模糊推理规则矩阵表示所述模糊逻辑推理规则。
优选地,所述基于所述模糊逻辑推理规则对所述步态压力信号的输入输出变量进行预设运算,得到模糊推理结果聚合,具体包括:
将所述输入输出变量代入所述输入输出隶属度函数,得到隶属度;
根据所述隶属度,结合所述模糊规则表,得到被触发规则;
通过所述预设运算获得规则前提可信度;
基于所述规则前提可信度,将所述输入输出变量进行所述预设运算,得到规则可信度;
基于所述规则可信度提取若干规则推理结果的并集,所述并集作为所述模糊推理结果聚合。
优选地,所述将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位,具体包括:
采用平均最大值法将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位。
第二方面,本发明实施例提供一种步态健康评估装置,包括:
获取识别模块,用于获取步态压力信号,基于所述步态压力信号采用模糊逻辑推理规则识别步态相位;
记录模块,用于记录所述步态相位的相位顺序;
计算模块,用于根据所述相位序列间隔计算步态相位持续时间,以及总体步态周期;
统计模块,用于基于Perry模型标准步态顺序,根据医学标准相位持续时间统计偏离标准步态的异常步态周期;
处理模块,用于基于所述异常步态周期和所述总体步态周期得到异常周期占比,将所述异常周期占比作为步态健康评价依据。
第三方面,本发明实施例提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述步态健康评估方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一项所述步态健康评估方法的步骤。
本发明实施例提供的步态健康评估方法及装置,通过在步态相位检测过程中应用模糊逻辑推理***,实现平稳连续的步态相位检测,在输出隶属函数中采用梯形与三角形隶属函数,不预设形成个人步态相位顺序,充分考虑个人步态的内部差异性,适用于各种人群的步态评估需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的穿戴式步态分析***结构图;
图2为本发明实施例提供的压力传感器分布图;
图3为本发明实施例提供的一种步态健康评估方法流程图;
图4为本发明实施例提供的步态相位模型示意图:
图5为本发明实施例提供的一种步态健康评估装置结构图;
图6为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例针对人体步态分析评价问题,设计了一种步态健康评估方法及装置。步态分析需要对步态周期进行准确分割,本发明实施例通过多路压电陶瓷传感器采集多路压力信号,利用步态分割算法清晰识别各个步态相位,同时记录各步态相位的持续时间,进而通过步态分析算法有效评估步态健康状况。
图1为本发明实施例提供的穿戴式步态分析***结构图,如图1所示,穿戴式步态分析***由8路压力传感器、数模/模数转换单元(ADC)、微控制器(MCU)和无线通信模块构成。该***由三个子***构成,分别是:信号采集子***、信号分析子***、无线通信子***。
信号采集子***由压力传感器和ADC组成,主要负责采集压力传感器信号,压力传感器的分布如图2所示,其中压力传感器GRF1-GRF3位于脚后跟处,压力传感器GRF4-GRF7位于趾骨处,压力传感器GRF8位于大拇指处。
压力传感器采集的压力信号数字量取值范围为[0,4096],利用公式:将数字压力值转换成模拟电压值,转换后的电压取值范围是[0,3.3V],此处的3.3V只是工作电压的一个示例,对于其他电压值,本发明实施例不作限制。无线通信子***将信号分析子***计算得出的结果传输到智能手机,或通过无线基站发送到后台。无线通信的方式包括但不限于:蓝牙、WiFi、4G、5G。
信号分析子***的步态相位的识别及步态评估,相关的处理过程在微控制器(MCU)内完成,包括模糊逻辑推理、步态相位识别和步态评估。
图3为本发明实施例提供的一种步态健康评估方法流程图,如图3所示,包括:
S1,获取步态压力信号,基于所述步态压力信号采用模糊逻辑推理规则识别步态相位;
S2,记录所述步态相位的相位顺序;
S3,根据所述相位序列间隔计算步态相位持续时间,以及总体步态周期;
S4,基于Perry模型标准步态顺序,根据医学标准相位持续时间统计偏离标准步态的异常步态周期;
S5,基于所述异常步态周期和所述总体步态周期得到异常周期占比,将所述异常周期占比作为步态健康评价依据。
具体地,步态健康评估旨在构建能够识别不同人步态健康的模型,且不预设形成特定个人步态的相位顺序,充分考虑个人步态的结构差异性,步态评估通过衡量步态的“对称性”和步态“同质性”来实现,“对称性”衡量每一步中左右脚产生的压力信号之间相似性;“同质性”衡量相同的压力模式在两步之间的按时重复。因此,能够根据步态周期中的相位序列及各相位的持续时间来进行个人步态的评估。
评估步态是否正常的步骤如下:
1)标记从一个步态阶段到另一个步态阶段的过渡步态事件,即步态相位识别;
2)记录步态相位的顺序。本***不预设个人步态的相位顺序,只按照检测所得的压力信号来判断当前步态相位,能够清晰的反映各个时刻的步态相位;
3)计算步态相位持续时间。以同侧脚(如右脚)的两次相同步态相位间隔为一个步态周期,记录步态相位持续时间,与医学标准进行比较:IC占步态周期约2%、LR占步态周期约10%、MS占步态周期约19%、TS占步态周期约19%、PS占步态周期约12%、SW占步态周期约38%;
4)以Perry模型提出的步态序列(IC—>LR—>MS—>TS—>PS—>SW)为标准步态,将划分出的不同于Perry模型、步态相位持续时间明显偏离步骤(3)中所示医学标准的步态周期统称为异常步态周期,异常周期占比如公式:以异常周期占比作为步态健康评估的依据。
本发明实施例通过在步态相位检测过程中应用模糊逻辑推理***,实现平稳连续的步态相位检测,不预设形成个人步态相位顺序,充分考虑个人步态的内部差异性,适用于各种人群的步态评估需求。
基于上述实施例,所述基于所述步态压力信号采用模糊逻辑推理规则识别步态相位,具体包括:
选择所述步态压力信号的输入输出模糊集;
定义所述步态压力信号的输入输出隶属度函数;
基于所述输入输出模糊集和所述输入输出隶属度函数设计所述模糊逻辑推理规则,根据所述模糊逻辑推理规则建立模糊规则表;
基于所述模糊逻辑推理规则对所述步态压力信号的输入输出变量进行预设运算,得到模糊推理结果聚合;
将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位。
具体地,步态相位识别通过模糊逻辑推理完成,包括如下几个步骤:(1)选择输入输出模糊集;(2)定义输入输出隶属度函数;(3)建立模糊控制表;(4)建立模糊控制规则;(5)模糊推理;(6)去模糊化。
基于上述任一实施例,所述选择所述步态压力信号的输入输出模糊集,具体包括:
输入包括ADC采集的所述步态压力信号对应的模拟电压值,输出包括步态相位值;
其中,所述步态相位值与步态周期对应,所述步态周期包括站立相和摆动相,所述站立相包括首次触地期、承重反应期、支撑相中期、支撑相末期和摆动前期,所述摆动相包括摆动相早期、摆动相中期和摆动相末期。
具体地,输入为ADC采集对应的模拟电压值;输出为步态相位值。
根据医学标准,针对某一特定下肢(如右肢),如图4所示,步态周期由站立相(Stance)、摆动相(Swing,SW)组成,其中站立相约占整个步态周期的60%,摆动相约占整个步态周期的40%。根据Perry步态模型,将每个步态周期分为8个阶段,如图3所示,其中5个阶段属于站立相,分别为:首次触地期(Initial Contact,IC)、承重反应期(LoadingResponse,LR)、支撑相中期(Mid Stance,MS)、支撑相末期(Terminal Stance,TS)和摆动前期(Pre-Swing,PS);3个阶段属于摆动相,分别为:摆动相早期(Initial Swing)、摆动相中期(Mid Swing)和摆动相末期(Terminal Swing),这三个相统称为SW。
各步态相位的详细说明如下:
IC:脚后跟的GRF1-GRF3开始测量力。
LR:前脚外侧开始接触地面,GRF4-GRF5开始测量力。
MS:前脚内侧开始接触地面,GRF6-GRF7开始测量力,根据步态的不同,GRF8有可能测量力,也有可能不测量力。
TS:人体重心向前移动,脚后跟不再接触地面,即,GRF1-GRF3不再测量力。
PS:仅拇指脚趾接触地面,即仅GRF8测量力。
SW:脚不接触地面,GRF1-GRF8信号保持为0。
利用压力信号,实现6个步态相位的检测,分别为:IC、LR、MS、TS、PS和摆动相SW。
基于上述任一实施例,所述定义所述步态压力信号的输入输出隶属度函数,具体包括:
采用sigmoid型隶属函数模糊化所述模拟电压值,将所述模拟电压值分成第一输入模糊集和第二输入模糊集,所述模拟电压值处于预设电压区间范围内;
采用梯形隶属函数模糊化所述首次触地期和所述摆动相,采用三角形隶属函数模糊化所述承重反应期、所述支撑相中期、所述支撑相末期和所述摆动前期,得到输出变量,所述输出变量处于预设输出变量区间范围内,并以预设间隔进行对应。
具体地,采用sigmoid型隶属函数(Member Function,MF)模糊化各输入变量(压力值对应的电压值),将压力分为2个模糊集:L(对应于隶属函数1,MF1)、S(对应于隶属函数2,MF2)。L代表压力值大,S代表压力值小。输入变量取值范围:[0,3.3],即预设电压区间,本发明实施例不作限定。
采用梯形隶属函数与三角形隶属函数模糊化各输出变量(步态相位),将步态相位分为6个模糊集:IC(对应隶属函数1,MF1)、LR(对应隶属函数2,MF2)、MS(对应隶属函数3,MF3)、TS(对应隶属函数4,MF4)、PS(对应隶属函数5,MF5)和SW(对应隶属函数6,MF6)。其中,三角形隶属函数是梯形隶属函数的特殊形式。IC与SW采用梯形隶属函数,其余采用三角形隶属函数。预设输出变量区间取值范围:[0,12],输出值在0-2对应步态相位IC,即以2为预设间隔,以此类推。
基于上述任一实施例,所述基于所述输入输出模糊集和所述输入输出隶属度函数设计所述模糊逻辑推理推理规则,并根据所述模糊逻辑推理规则建立模糊规则表,具体包括:
根据所述第一输入模糊集、所述第二输入模糊集和所述输出变量设计所述模糊逻辑推理规则,基于所述模糊逻辑推理规则构建所述模糊规则表;
基于所述模糊逻辑推理规则,定义模糊推理规则矩阵表示所述模糊逻辑推理规则。
具体地,根据各步态相位对应的压力传感器的压力值大小来设计规则,压力值越大(L),此位置触地的可能性越大;压力值越小(S),此位置触地的可能性越小。本发明实施例共计8个输入变量,每个变量具有2个可能的语言值(L大、S小),则可能构成28=256条模糊推理规则。
模糊规则采用if…then形式,例如规则10形式为:if(GRF1 is S)AND(GRF2 is S)AND(GRF3 is S)AND(GRF4 is S)AND(GRF5 is S)AND(GRF6 is S)AND(GRF7 is S)AND(GRF8 is S)then gait-phase(步态相位)is SW。模糊规则的具体表达形式较为繁琐,编程中用模糊推理规则矩阵来代替,例如规则10,对应的规则矩阵为[2 2 2 2 2 2 2 2 6 11]。
此处,模糊推理规则列表矩阵需遵循以下原则:如果***有m个输入和n个输出,则规则结构中的前m个向量元素对应第1至m个输入,其后的n列对应n个输出。第一列元素是与input1相关的隶属函数指针(L对应1,S对应2,/对应0),第m+1列元素是与output1相关的隶属函数指针(1对应IC,2对应LR,3对应MS,4对应TS,5对应PS,6对应SW),以此类推。第m+n+1列是与规则相关的权重值(通常取值为1),第m+n+2列指定规则连接方式(1表示AND关系,2表示OR关系)。行数等于需要添加的规则数。模糊规则表如表1所示:
表1
基于上述任一实施例,所述基于所述模糊逻辑推理规则对所述步态压力信号的输入输出变量进行预设运算,得到模糊推理结果聚合,具体包括:
将所述输入输出变量代入所述输入输出隶属度函数,得到隶属度;
根据所述隶属度,结合所述模糊规则表,得到被触发规则;
通过所述预设运算获得规则前提可信度;
基于所述规则前提可信度,将所述输入输出变量进行所述预设运算,得到规则可信度;
基于所述规则可信度提取若干规则推理结果的并集,所述并集作为所述模糊推理结果聚合。
其中,所述将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位,具体包括:
采用平均最大值法将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位。
具体地,本发明实施例采用的模糊推理过程具体为:
1)规则匹配:将当前压力传感器测得的足底压力值代入所属隶属函数中,得到相应的隶属度。
2)规则触发:根据隶属度,结合模糊推理规则表,得到被触发的规则。
3)规则前提推理:在同一条规则内,前提之间通过“与”的关系获得规则前提可信度。
4)每条规则的推理:将输入输出进行“与”运算,得到规则的可信度。
5)模糊***输出聚合:取各规则推理结果的并集,得到模糊推理结果聚合。
6)去模糊化:模糊***需要将输出进行去模糊化才能得到精准的推理结果,此处采用平均最大值法(mom)去模糊化。
图5为本发明实施例提供的一种步态健康评估装置结构图,如图5所示,包括:获取识别模块51、记录模块52、计算模块53、统计模块54和处理模块55;其中:
获取识别模块51用于获取步态压力信号,基于所述步态压力信号采用模糊逻辑推理规则识别步态相位;记录模块52用于记录所述步态相位的相位顺序;计算模块53用于根据所述相位序列间隔计算步态相位持续时间,以及总体步态周期;统计模块54用于基于Perry模型标准步态顺序,根据医学标准相位持续时间统计偏离标准步态的异常步态周期;处理模块55用于基于所述异常步态周期和所述总体步态周期得到异常周期占比,将所述异常周期占比作为步态健康评价依据。
本发明实施例提供的装置统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明实施例通过在步态相位检测过程中应用模糊逻辑推理***,实现平稳连续的步态相位检测,不预设形成个人步态相位顺序,充分考虑个人步态的内部差异性,适用于各种人群的步态评估需求。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:获取步态压力信号,基于所述步态压力信号采用模糊逻辑推理规则识别步态相位;记录所述步态相位的相位顺序;根据所述相位序列间隔计算步态相位持续时间,以及总体步态周期;基于Perry模型标准步态顺序,根据医学标准相位持续时间统计偏离标准步态的异常步态周期;基于所述异常步态周期和所述总体步态周期得到异常周期占比,将所述异常周期占比作为步态健康评价依据。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取步态压力信号,基于所述步态压力信号采用模糊逻辑推理规则识别步态相位;记录所述步态相位的相位顺序;根据所述相位序列间隔计算步态相位持续时间,以及总体步态周期;基于Perry模型标准步态顺序,根据医学标准相位持续时间统计偏离标准步态的异常步态周期;基于所述异常步态周期和所述总体步态周期得到异常周期占比,将所述异常周期占比作为步态健康评价依据。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种步态健康评估装置,其特征在于,包括:
获取识别模块,用于获取步态压力信号,基于所述步态压力信号采用模糊逻辑推理规则识别步态相位;
所述基于所述步态压力信号采用模糊逻辑推理规则识别步态相位,具体包括:
选择所述步态压力信号的输入输出模糊集;
定义所述步态压力信号的输入输出隶属度函数;
基于所述输入输出模糊集和所述输入输出隶属度函数设计所述模糊逻辑推理规则,根据所述模糊逻辑推理规则建立模糊规则表;
基于所述模糊逻辑推理规则对所述步态压力信号的输入输出变量进行预设运算,得到模糊推理结果聚合;
将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位;
所述选择所述步态压力信号的输入输出模糊集,具体包括:
输入包括ADC采集的所述步态压力信号对应的模拟电压值,输出包括步态相位值;
其中,所述步态相位值与步态周期对应,所述步态周期包括站立相和摆动相,所述站立相包括首次触地期、承重反应期、支撑相中期、支撑相末期和摆动前期,所述摆动相包括摆动相早期、摆动相中期和摆动相末期;
所述定义所述步态压力信号的输入输出隶属度函数,具体包括:
采用sigmoid型隶属函数模糊化所述模拟电压值,将所述模拟电压值分成第一输入模糊集和第二输入模糊集,所述模拟电压值处于预设电压区间范围内;
采用梯形隶属函数模糊化所述首次触地期和所述摆动相,采用三角形隶属函数模糊化所述承重反应期、所述支撑相中期、所述支撑相末期和所述摆动前期,得到输出变量,所述输出变量处于预设输出变量区间范围内,并以预设间隔进行对应;
记录模块,用于记录所述步态相位的相位顺序;
计算模块,用于根据相位序列间隔计算步态相位持续时间,以及总体步态周期;
统计模块,用于基于Perry模型标准步态顺序,根据医学标准相位持续时间统计偏离标准步态的异常步态周期;
处理模块,用于基于所述异常步态周期和所述总体步态周期得到异常周期占比,将所述异常周期占比作为步态健康评价依据;
所述异常周期占比的公式为:
2.根据权利要求1所述的步态健康评估装置,其特征在于,所述基于所述输入输出模糊集和所述输入输出隶属度函数设计所述模糊逻辑推理规则,并根据所述模糊逻辑推理规则建立模糊规则表,具体包括:
根据所述第一输入模糊集、所述第二输入模糊集和所述输出变量设计所述模糊逻辑推理规则,基于所述模糊逻辑推理规则构建所述模糊规则表;
基于所述模糊逻辑推理规则,定义模糊推理规则矩阵表示所述模糊逻辑推理规则。
3.根据权利要求1所述的步态健康评估装置,其特征在于,所述基于所述模糊逻辑推理规则对所述步态压力信号的输入输出变量进行预设运算,得到模糊推理结果聚合,具体包括:
将所述输入输出变量代入所述输入输出隶属度函数,得到隶属度;
根据所述隶属度,结合所述模糊规则表,得到被触发规则;
通过所述预设运算获得规则前提可信度;
基于所述规则前提可信度,将所述输入输出变量进行所述预设运算,得到规则可信度;
基于所述规则可信度提取若干规则推理结果的并集,所述并集作为所述模糊推理结果聚合。
4.根据权利要求1所述的步态健康评估装置,其特征在于,所述将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位,具体包括:
采用平均最大值法将所述模糊推理结果聚合进行去模糊化处理,得到所述步态相位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202430.7A CN111436940B (zh) | 2020-03-20 | 2020-03-20 | 一种步态健康评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202430.7A CN111436940B (zh) | 2020-03-20 | 2020-03-20 | 一种步态健康评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111436940A CN111436940A (zh) | 2020-07-24 |
CN111436940B true CN111436940B (zh) | 2021-11-09 |
Family
ID=71629632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010202430.7A Active CN111436940B (zh) | 2020-03-20 | 2020-03-20 | 一种步态健康评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111436940B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115167234B (zh) * | 2022-07-29 | 2023-06-20 | 哈尔滨工业大学 | 仿人足脚板双足机器人的多传感器信息融合步态识别方法 |
WO2024081950A1 (en) * | 2022-10-14 | 2024-04-18 | The United States Government As Represented By The Department Of Veterans Affairs | Methods, systems, and apparatuses, for initiating or terminating multi-joint assistance for leg movement |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1970005B1 (en) * | 2007-03-15 | 2012-10-03 | Xsens Holding B.V. | A system and a method for motion tracking using a calibration unit |
US8628485B2 (en) * | 2010-08-06 | 2014-01-14 | Covenant Ministries Of Benevolence Inc. | Gait analysis system and methods |
KR101463684B1 (ko) * | 2013-04-17 | 2014-11-19 | 고려대학교 산학협력단 | 비정상 보행 여부를 측정하는 방법 |
CN103211599A (zh) * | 2013-05-13 | 2013-07-24 | 桂林电子科技大学 | 一种监测跌倒的方法及装置 |
CN104061907B (zh) * | 2014-07-16 | 2016-08-24 | 中南大学 | 基于步态三维轮廓匹配合成的视角大幅可变步态识别方法 |
CN104127181B (zh) * | 2014-07-22 | 2017-04-12 | 杭州电子科技大学 | 基于wkfda的肌电信号跌倒检测方法 |
JP6933101B2 (ja) * | 2017-11-17 | 2021-09-08 | トヨタ自動車株式会社 | 歩行評価装置、歩行訓練システムおよび歩行評価方法 |
CN109953761B (zh) * | 2017-12-22 | 2021-10-22 | 浙江大学 | 一种下肢康复机器人运动意图推理方法 |
CN108346469A (zh) * | 2018-01-15 | 2018-07-31 | 维沃移动通信有限公司 | 用于确定人体健康状况的方法及移动终端 |
CN108095729A (zh) * | 2018-01-24 | 2018-06-01 | 深圳市臻络科技有限公司 | 一种冻结步态识别方法和装置 |
CN109222903A (zh) * | 2018-08-29 | 2019-01-18 | 清华大学玉泉医院 | 帕金森病患者异常动作提示方法及装置 |
CN109770911B (zh) * | 2019-01-21 | 2021-03-09 | 北京诺亦腾科技有限公司 | 一种步态分析方法、装置及存储介质 |
-
2020
- 2020-03-20 CN CN202010202430.7A patent/CN111436940B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111436940A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240070461A1 (en) | Method and system for activity classification | |
Zhao et al. | Dual channel LSTM based multi-feature extraction in gait for diagnosis of Neurodegenerative diseases | |
Di Rosa et al. | Concurrent validation of an index to estimate fall risk in community dwelling seniors through a wireless sensor insole system: A pilot study | |
CN111436940B (zh) | 一种步态健康评估方法及装置 | |
US20230298760A1 (en) | Systems, devices, and methods for determining movement variability, illness and injury prediction and recovery readiness | |
CN116942149B (zh) | 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 | |
WO2019217556A1 (en) | Systems and methods of qt interval analysis | |
US20210145367A1 (en) | Systems, devices, and methods for determining injury risk and athletic readiness | |
CN115670419A (zh) | 基于智能手表预测运动信息的数据处理方法及*** | |
CN110414590A (zh) | 基于智能移动设备和卷积神经网络的人体活动识别方法 | |
CN115120236A (zh) | 情绪识别方法、装置、可穿戴设备及存储介质 | |
CN109805935A (zh) | 一种基于人工智能分层分级运动识别方法的智能腰带 | |
Agrawal et al. | Fall risk prediction using wireless sensor insoles with machine learning | |
CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及*** | |
CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
CN116250834A (zh) | 无创个性化动态血糖趋势监测及预警方法、装置 | |
Pan et al. | Evaluation of hemiplegic gait based on plantar pressure and inertial sensors | |
Pramodhani et al. | Stress Prediction and Detection in Internet of Things using Learning Methods | |
Chee et al. | Gait acceleration-based diabetes detection using hybrid deep learning | |
Weidong et al. | Gait phase recognition using fuzzy logic regulation with multisensor data fusion | |
Chen et al. | Sarcopenia Recognition System Combined with Electromyography and Gait Obtained by the Multiple Sensor Module and Deep Learning Algorithm. | |
CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
Yang et al. | Research on gait cycle recognition with plantar pressure sensors | |
Fontecha et al. | A proposal for elderly frailty detection by using accelerometer-enabled smartphones | |
KR102229909B1 (ko) | 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 |
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 |