CN112263244A - 基于步态的疲劳度评估***及方法 - Google Patents
基于步态的疲劳度评估***及方法 Download PDFInfo
- Publication number
- CN112263244A CN112263244A CN202010968205.4A CN202010968205A CN112263244A CN 112263244 A CN112263244 A CN 112263244A CN 202010968205 A CN202010968205 A CN 202010968205A CN 112263244 A CN112263244 A CN 112263244A
- Authority
- CN
- China
- Prior art keywords
- gait
- fatigue
- information
- template
- walking
- 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.)
- Pending
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
-
- 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
- A61B5/6802—Sensor mounted on worn items
- A61B5/6804—Garments; Clothes
- A61B5/6807—Footwear
-
- 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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于步态的疲劳度评估***及方法,其中,方法包括以下步骤:设计疲劳试验获取待评估者的正常步态和疲劳步态,通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,以基于步态信息提取疲劳度信息;对步态信号进行步态周期的分割,对采集到的周期信号进行异常检测和归一化,以提取每个人的正常行走的模版和疲劳行走的模版;对当前步态信息进行提取和处理并生成当前步态模版,计算当前步态模版与正常行走的模版和疲劳行走的模版之间的距离,得到疲劳度评估结果。该方法可以实时对每个人进行更为精确且连贯的疲劳评价,可以连续获得用户的步态疲劳值,简单易实现。
Description
技术领域
本发明涉及疲劳评估技术领域,特别涉及一种基于步态的疲劳度评估***及方法。
背景技术
疲劳度是用户步态变化的一个重要的因素,而研究和量化步态疲劳度对于很多问题有重要的意义,例如研究表明疲劳会显著的改变老年人的步态特征,从而显著的影响老年人的摔倒概率,因而评估老年人步态疲劳度对于老年人防摔倒有着重要的意义。另外,合理的评估步态疲劳度对于运动员的训练或者普通人的健康监控也有重要的意义。
相关技术中,对于疲劳度的评估主要是基于各种生物信号包括脑电信号、肌电信号、惯性传感器信号、视频信号如面部表情,眼睛转动等,然后利用机器学习或者神经网络的方法对疲劳度进行分类。
然而,相关技术存在如下缺点:
1)很多当前采集的信息无法有效的评估步态疲劳度,如利用表情、视频、或者脑电信号与精神疲劳相关,跟用户步态疲劳的相关性不大。而血氧、脉搏、心率等信息只能反映用户运动剧烈程度,跟步态疲劳度相关性不大。如用户剧烈运动后血氧、脉搏、心率都可出现较大变化,但是通过短暂休息后即可恢复而其步态和疲劳度并没有显著改变。
2)当前方法信息的提取设备和方法过于复杂,如采集肌电、心电、脉搏、血氧等信息采集起来都非常困难,用户使用起来也非常复杂,很难应用到实际生活中。
3)对于疲劳度的量化不准确,很多当前方法通过用户自我表述或者用运动自觉量表的方式来度量疲劳度。这种度量法很大程度上决定于用户的主观意愿,缺少客观评价标准和依据。获取疲劳度的实验方法也不精确,如采用跑步机跑步的方式获取疲劳度,这样得到的疲劳度多跟用户的心肺功能相关,跟用户因行走带来的步态疲劳很不相关。即便是剧烈运动所产生的肌肉疲劳大多能够在较短的时间内恢复,与行走后产生的长期疲劳有一定区别。
4)目前的方法多采用机器学习或者神经网络的方式对疲劳度进行分级,一是得到的疲劳度不是一个线性连续的指标,二是并不能针对每个人的步态疲劳进行很好的评估。由于一个人的步态跟大量的肌肉身体的骨骼和神经***相关,每个人步态疲劳所对应的相应肌肉的疲劳和步态的变化会有很大的差异,甚至不同年龄段的人群,如儿童、成年人、和老人所表现的步态疲劳都很不一样。这在利用多样本训练的机器学习或者神经网络算法的方法中很难被考虑或体现。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一目的在于提出一种基于步态的疲劳度评估方法,可以实时对每个人进行更为精确且连贯的疲劳评价,可以连续获得用户的步态疲劳值,简单易实现。
本发明的第二个目的在于提出一种基于步态的疲劳度评估***。
为达到上述目的,本发明第一方面实施例提供一种基于步态的疲劳度评估方法,包括以下步骤:设计疲劳试验获取待评估者的正常步态和疲劳步态,通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,以基于步态信息提取疲劳度信息;对步态信号进行步态周期的分割,对采集到的周期信号进行异常检测和归一化,检测并剔除异常的周期信号,以提取每个人的正常行走的模版和疲劳行走的模版;实时评估用户的运动状态,提取待评估者行走时的步态信息生成当前步态模版,计算当前步态模版与正常行走的模版和疲劳行走的模版之间的距离,得到疲劳度评估结果。
根据本发明实施例的基于步态的疲劳度评估方法,对疲劳度检测所使用的设备充分简单,采集疲劳步态的流程相对精确,获得每个人在不疲劳和疲劳时的步态信息向量,因而可以实时对每个人进行更为精确且连贯的疲劳评价,可以连续获得用户的步态疲劳值,简单易实现。
另外,根据本发明上述实施例的基于步态的疲劳度评估方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述疲劳试验包括采用与下肢疲劳相关的蹲起作为获得步态疲劳的方式、采用蹲起测速的方式、利用运动与休息循环的方式中的一种或者多种方式。
进一步地,在本发明的一个实施例中,所述通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,包括:通过所述步态采集鞋采集所述佩戴者的行走时脚底的压力信息与脚步运动的信息;通过所述多种惯性传感器采集所述佩戴者的运动信息。
进一步地,在本发明的一个实施例中,在提取所述待评估者的步态信息之后,还包括:对所述步态信息利用低通滤波器进行滤波去掉高频噪声信号,并且对所述步态信息进行模式识别,提取走路状态的步态信息。
进一步地,在本发明的一个实施例中,所述对所述步态信号进行步态周期的分割,包括:采用极值检测法,将极值点之间的信号作为一个步态周期的信号;或者,通过脚步压力信号进行判断,以通过设定的预设阈值分割检测脚离地的时间和再次离地的时间,并将脚离地与再次离地之间的信号作为一个步态周期的信号。
进一步地,在本发明的一个实施例中,疲劳度的计算公式为:
其中,d1为当前步态模版与正常行走的模版之间的距离,d2为当前步态模版与和疲劳行走的模版之间的距离。
为达到上述目的,本发明第二方面实施例提供一种基于步态的疲劳度评估***,包括:采集模块,用于设计疲劳试验获取待评估者的正常步态和疲劳步态,通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,以基于所述步态信息提取疲劳度信息;提取模块,用于提取待评估者的步态信息,并对所述步态信号进行步态周期的分割,对采集到的周期信号进行异常检测和归一化,检测并剔除异常的周期信号,以提取每个人的正常行走的模版和疲劳行走的模版;计算模块,用于实时评估用户的运动状态,提取待评估者行走时的步态信息生成当前步态模版,计算当前步态模版与正常行走的模版和疲劳行走的模版之间的距离,得到疲劳度评估结果。
根据本发明实施例的基于步态的疲劳度评估***,对疲劳度检测所使用的设备充分简单,采集疲劳步态的流程相对精确,获得每个人在不疲劳和疲劳时的步态信息向量,因而可以实时对每个人进行更为精确且连贯的疲劳评价,可以连续获得用户的步态疲劳值,简单易实现。
另外,根据本发明上述实施例的基于步态的疲劳度评估***还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述疲劳试验包括采用与下肢疲劳相关的蹲起作为获得步态疲劳的方式、采用蹲起测速的方式、利用运动与休息循环的方式中的一种或者多种方式。
进一步地,在本发明的一个实施例中,所述采集模块进一步用于通过所述步态采集鞋采集所述佩戴者的行走时脚底的压力信息与脚步运动的信息;通过所述多种惯性传感器采集所述佩戴者的运动信息。
进一步地,在本发明的一个实施例中,还包括:预处理模块,用于在提取所述待评估者的步态信息之后,对所述步态信息利用低通滤波器进行滤波去掉高频噪声信号,并且对所述步态信息进行模式识别,提取走路状态的步态信息。
进一步地,在本发明的一个实施例中,所述提取模块进一步用于采用极值检测法,将极值点之间的信号作为一个步态周期的信号;或者,通过脚步压力信号进行判断,以通过设定的预设阈值分割检测脚离地的时间和再次离地的时间,并将脚离地与再次离地之间的信号作为一个步态周期的信号。
进一步地,在本发明的一个实施例中,疲劳度的计算公式为:
其中,d1为当前步态模版与正常行走的模版之间的距离,d2为当前步态模版与和疲劳行走的模版之间的距离。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例提供的基于步态的疲劳度评估方法的流程示意图;
图2为根据本发明实施例提供的疲劳步态信息的提取方法的流程图;
图3为根据本发明实施例提供的利用DTW在时间上对齐的对齐前后示意图;
图4为根据本发明实施例提供的利用DTW计算得到的差异度将异常的周期信息进行剔除之后的示意图;
图5为根据本发明实施例提供的一种疲劳度计算示意图;
图6为根据本发明实施例提供的另一种疲劳度计算示意图;
图7为根据本发明实施例的基于步态的疲劳度评估***的示例图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于步态的疲劳度评估***及方法,首先将参照附图描述根据本发明实施例提出的基于步态的疲劳度评估方法。
具体而言,图1为本发明实施例所提供的一种基于步态的疲劳度评估方法的流程示意图。
如图1所示,该基于步态的疲劳度评估方法包括以下步骤:
在步骤S101中,设计疲劳试验获取待评估者的正常步态和疲劳步态,通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,以基于步态信息提取疲劳度信息。
其中,本发明实施例可以通过一种或者多种方式设计疲劳试验,比如:采用与下肢疲劳相关的蹲起作为获得步态疲劳的方式、采用蹲起测速这种客观测量而非用户主观评估的方式、利用运动-休息循环的方式获取步态的长期疲劳而非短期疲劳等。
在本发明的一个实施例中,通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,包括:通过步态采集鞋采集佩戴者的行走时脚底的压力信息与脚步运动的信息;通过多种惯性传感器采集佩戴者的运动信息。
可以理解的是,综合考量采集信息的难易程度和数据与步态疲劳的相关性,本发明实施采用多种惯性传感器模块结合步态采集鞋的方式来采集步态信息。
具体而言,步态鞋可以采集行走时脚底的压力信息,包含脚底主要受力点(第一到五趾骨、脚跟、大拇指、足跟等),以及脚步运动的信息,包含三轴加速度计、三轴角速度计和三轴磁力计。惯性传感器模块同样可以测量当前佩戴位置的运动信息,包含三轴加速度计、三轴角速度计和三轴磁力计。这些模块可以采用贴合或者绑带的方式容易的附在身体的各个部位,包含大腿、小腿、膝盖、腰部、前胸等部位。
下面将通过一个示例阐述疲劳步态信息的提取方法,如图2所示,具体如下:
在实验前需保证用户在采集前三天内没有进行过重体力劳动,并且采集当天没有进行长时间的走动和运动。让用户佩戴设备自由行走一段时间,提取并存储用户的正常步态。然后让用户按照自己的意愿做蹲起运动,研究表明蹲起运动所产生的下肢疲劳与步态疲劳最为相关。通过视频或者其他方式测量用户的蹲起速度,允许用户在每隔一段时间如10分钟后休息5到10分钟以使得短期疲劳能够迅速恢复。重复运动和休息这个循环直到用户的蹲起速度降到初始速度的一定比例以下如50%以下,认定其达到了疲劳状态。让用户佩戴设备自由的行走一段时间,提取并存储用户的疲劳步态。
在步骤S102中,提取待评估者的步态信息,并对步态信号进行步态周期的分割,对采集到的周期信号进行异常检测和归一化,检测并剔除异常的周期信号,以提取每个人的正常行走的模版和疲劳行走的模版。
在本发明的一个实施例中,在提取待评估者的步态信息之后,还包括:对步态信息利用低通滤波器进行滤波去掉高频噪声信号,并且对步态信息进行模式识别,提取走路状态的步态信息。
具体而言,对步态信息的进行前处理,包括:1.对提取的步态信息进行前处理,对信号用低通滤波器进行滤波去掉高频噪声信号。2.对步态进行模式识别,确定是在走路状态而非站立或静止状态。一种可行的实施方案是采用一个时间窗并窗口内对各个维度步态信号的能量进行累积计算,用阈值法或者机器学习(如支持向量机或者决策树)的办法进行判断,某个或某几个维度的信号能量低于阈值可考虑为静止或者轻微运动的信号而非走路的状态。
进一步地,在本发明的一个实施例中,对步态信号进行步态周期的分割,包括:采用极值检测法,将极值点之间的信号作为一个步态周期的信号;或者,通过脚步压力信号进行判断,以通过设定的预设阈值分割检测脚离地的时间和再次离地的时间,并将脚离地与再次离地之间的信号作为一个步态周期的信号。
具体而言,步态信息的提取具体如下:
首先对步态信号进行步态周期的分割,可采用极值检测法(局部信号的最大值或者最小值),将极值点之间的信号作为一个周期的信号。另一个方法是通过脚步压力信号进行判断,通过设定阈值分割检测脚离地的时间和再次离地的时间,并将这之间的信号作为一个步态周期的信号。对采集到的周期信号做异常检测和归一化,这里可以用DTW(DynamicTime Warping,动态时间规整)的方法检测出异常的周期信号,DTW可以检测出每个步态周期内采集到步态信息与其他周期的步态信息的相似性,将差异较大的步态周期信息剔除,并将每格步态周期的信息进行对准。
对采集到的步态信息生成步态模版。由于每个人的步态特征都是唯一的,因此需要对每一个人的正常步态和疲劳步态生成模版,具体方法是提取多个步态周期的步态信息,对他们做归一化保证各个步态周期的步态信息有相同长度,然后提取他们的均值作为步态模版,数学上可以表示为一个高维向量。
具体流程可以表述为,首先采集N个周期的步态信息:
{M1(t),M2(t),…,Mi(t),…,MN(t)}
其中Mi(t)={mi1(t),mi2(t),…,miF(t)}为采集到各个维度的信号,例如mi1(t)为脚低传感器1的压力信号,mi2(t)为脚底惯性传感器加速度X轴上的信号等等。
由于每个步态周期的时间会有一定的差异,对应在M1(t),M2(t),…会有不同的长度,利用差值法对步态周期的信号做归一化,变成等长信号。再由于每个周期的步态信息在时间上有差异,需用利用DTW在时间上对齐,如图3所示。
同样利用DTW计算得到的差异度将异常的周期信息进行剔除,如图4所示。
处理之后的信息可以表示为:{M1(n),M2(n),…,Mi(n),…,MK(n)};
在步骤S103中,实时评估用户的运动状态,提取待评估者行走时的步态信息生成当前步态模版,计算当前步态模版与正常行走的模版和疲劳行走的模版之间的距离,得到疲劳度评估结果。
可以理解的是,评估时首先根据步态模式识别确定行走状态,对步态信息进行提取和处理并生成模版。
具体而言,所表述的***可以实时采集使用者一个或者几个周期的步态信息。对步态信息进行同样的前处理和周期提取并生成模版。计算当前步态模版与非疲劳行走模版之间的距离d1和与疲劳模版之间的距离。可能计算距离的方式包括绝对距离、欧几里得距离、DTW距离。用DTW距离的好处是并不需要提前对当前步态模版做归一化。疲劳度的定义为:
其中,d1为当前步态模版与正常行走的模版之间的距离,d2为当前步态模版与和疲劳行走的模版之间的距离。
当使用者不疲劳时d1=0,此时的疲劳度为0;当使用者非常疲劳时d2=0,此时的疲劳度为100%,如图5所示。
由于步态由多个***如运动神经、肌肉、大脑记忆等决定,对于不同的人来说,其步态模版是唯一且相互之间有着显著不同特征的,这可以反映在每个人的模版和在空间的方向会显著不同,而传统的利用统计模型的方法或者神经网络的方法很难考虑到每个人的差异。而本发明实施例方法对不同的人可以很好的包含这种差异性,如图6所示。
综上,本发明实施例的方法具有如下有益效果:
(1)本发明实施例对疲劳度检测所使用的设备是充分和简单的。充分性表现在研究表明疲劳对于步态的影响是非常大的,因此提取步态信息对于检测疲劳衡量疲劳度是充分的。另一方面是对于步态信息的提取,大量研究表明提取附着在身体尤其是下肢的惯性传感器信息和脚底部的压力信息对于获取步态信息是充分的。简单表现在本方案所采取的便携步态鞋和惯性传感器在使用上是简单的,不影响用户正常步态的表达,不限制使用者的运动和活动范围。
(2)本发明实施例采集疲劳步态的流程是相对精确的。采用疲劳量表和用户自评的方式与用户的主观意愿和整体感受相关,个体差异很大。而本方案采取测量用户蹲起速度的方式,允许用户进行间隔休息,去除了短期疲劳的影响。另外研究表明蹲起是一种有效获得用户下肢疲劳的方式摒弃其跟步态疲劳相关性比较大。并且本发明实施例的方法客观可评价,准确性相应提高很多。
(3)由于每个人的步态是独一无二的,这同样适用于疲劳步态,因而用机器学习的方式整体评价步态的变化是不准确的。每个人疲劳时表现的特征都不一样,例如有的人小腿更易疲劳而有的人跟腱更容易疲劳,在本方案里这反映在所测步态信息所得的高维向量在方向上是可能显著不同的。由于本方实施例的方案获得了每个人在不疲劳和疲劳时的步态信息向量,因而对于每个人的疲劳评价是更为精确且连贯的,可以连续获得用户的步态疲劳值。
其次参照附图描述根据本发明实施例提出的基于步态的疲劳度评估***。
图7是本发明实施例的基于步态的疲劳度评估***的方框示意图。
如图7所示,该基于步态的疲劳度评估***10包括:采集模块100、提取模块200和计算模块300。
其中,采集模块100用于设计疲劳试验获取待评估者的正常步态和疲劳步态,通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,以基于步态信息提取疲劳度信息;提取模块200用于提取待评估者的步态信息,并对步态信号进行步态周期的分割,对采集到的周期信号进行异常检测和归一化,检测并剔除异常的周期信号,以提取每个人的正常行走的模版和疲劳行走的模版;计算模块300用于实时评估用户的运动状态,提取待评估者行走时的步态信息生成当前步态模版,计算当前步态模版与正常行走的模版和疲劳行走的模版之间的距离,得到疲劳度评估结果。本发明实施例的***10可以对于每个人进行更为精确且连贯的疲劳评价,可以连续获得用户的步态疲劳值,简单易实现。
进一步地,在本发明的一个实施例中,述疲劳试验包括采用与下肢疲劳相关的蹲起作为获得步态疲劳的方式、采用蹲起测速的方式、利用运动与休息循环的方式中的一种或者多种方式。
进一步地,在本发明的一个实施例中,采集模块100进一步用于通过步态采集鞋采集佩戴者的行走时脚底的压力信息与脚步运动的信息;通过多种惯性传感器采集佩戴者的运动信息。
进一步地,在本发明的一个实施例中,本发明实施例的***10还包括:预处理模块。其中,预处理模块用于在提取待评估者的步态信息之后,对步态信息利用低通滤波器进行滤波去掉高频噪声信号,并且对步态信息进行模式识别,提取走路状态的步态信息。
进一步地,在本发明的一个实施例中,提取模块200进一步用于采用极值检测法,将极值点之间的信号作为一个步态周期的信号;或者,通过脚步压力信号进行判断,以通过设定的预设阈值分割检测脚离地的时间和再次离地的时间,并将脚离地与再次离地之间的信号作为一个步态周期的信号。
进一步地,在本发明的一个实施例中,疲劳度的计算公式为:
其中,d1为当前步态模版与正常行走的模版之间的距离,d2为当前步态模版与和疲劳行走的模版之间的距离。
需要说明的是,前述对基于步态的疲劳度评估方法实施例的解释说明也适用于该实施例的基于步态的疲劳度评估***,此处不再赘述。
根据本发明实施例提出的基于步态的疲劳度评估***,对疲劳度检测所使用的设备充分简单,采集疲劳步态的流程相对精确,获得每个人在不疲劳和疲劳时的步态信息向量,因而可以实时对每个人进行更为精确且连贯的疲劳评价,可以连续获得用户的步态疲劳值,简单易实现。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于步态的疲劳度评估方法,其特征在于,包括以下步骤:
设计疲劳试验获取待评估者的正常步态和疲劳步态,通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,以基于所述步态信息提取疲劳度信息;
提取待评估者的步态信息,并对所述步态信号进行步态周期的分割,对采集到的周期信号进行异常检测和归一化,检测并剔除异常的周期信号,以提取每个人的正常行走的模版和疲劳行走的模版;以及
实时评估用户的运动状态,提取待评估者行走时的步态信息生成当前步态模版,计算当前步态模版与正常行走的模版和疲劳行走的模版之间的距离,得到疲劳度评估结果。
2.根据权利要求1所述的方法,其特征在于,所述疲劳试验包括采用与下肢疲劳相关的蹲起作为获得步态疲劳的方式、采用蹲起测速的方式、利用运动与休息循环的方式中的一种或者多种方式。
3.根据权利要求1所述的方法,其特征在于,所述通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,包括:
通过所述步态采集鞋采集所述佩戴者的行走时脚底的压力信息与脚步运动的信息;通过所述多种惯性传感器采集所述佩戴者的运动信息;
在提取所述待评估者的步态信息之后,还包括:
对所述步态信息利用低通滤波器进行滤波去掉高频噪声信号,并且对所述步态信息进行模式识别,提取走路状态的步态信息。
4.根据权利要求1所述的方法,其特征在于,所述对所述步态信号进行步态周期的分割,包括:
采用极值检测法,将极值点之间的信号作为一个步态周期的信号;
或者,通过脚步压力信号进行判断,以通过设定的预设阈值分割检测脚离地的时间和再次离地的时间,并将脚离地与再次离地之间的信号作为一个步态周期的信号。
6.一种基于步态的疲劳度评估***,其特征在于,包括:
采集模块,用于设计疲劳试验获取待评估者的正常步态和疲劳步态,通过多种惯性传感器结合步态采集鞋采集佩戴者的正常和疲劳步态信息,以基于所述步态信息提取疲劳度信息;
提取模块,用于提取待评估者的步态信息,并对所述步态信号进行步态周期的分割,对采集到的周期信号进行异常检测和归一化,检测并剔除异常的周期信号,以提取每个人的正常行走的模版和疲劳行走的模版;以及
计算模块,用于实时评估用户的运动状态,提取待评估者行走时的步态信息生成当前步态模版,计算当前步态模版与正常行走的模版和疲劳行走的模版之间的距离,得到疲劳度评估结果。
7.根据权利要求6所述的***,其特征在于,所述疲劳试验包括采用与下肢疲劳相关的蹲起作为获得步态疲劳的方式、采用蹲起测速的方式、利用运动与休息循环的方式中的一种或者多种方式。
8.根据权利要求6所述的***,其特征在于,所述采集模块进一步用于通过所述步态采集鞋采集所述佩戴者的行走时脚底的压力信息与脚步运动的信息;通过所述多种惯性传感器采集所述佩戴者的运动信息;。
在提取所述待评估者的步态信息之后,还包括:
预处理模块,用于对所述步态信息利用低通滤波器进行滤波去掉高频噪声信号,并且对所述步态信息进行模式识别,提取走路状态的步态信息。
9.根据权利要求6所述的***,其特征在于,所述提取模块进一步用于采用极值检测法,将极值点之间的信号作为一个步态周期的信号;或者,通过脚步压力信号进行判断,以通过设定的预设阈值分割检测脚离地的时间和再次离地的时间,并将脚离地与再次离地之间的信号作为一个步态周期的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010968205.4A CN112263244A (zh) | 2020-09-15 | 2020-09-15 | 基于步态的疲劳度评估***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010968205.4A CN112263244A (zh) | 2020-09-15 | 2020-09-15 | 基于步态的疲劳度评估***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112263244A true CN112263244A (zh) | 2021-01-26 |
Family
ID=74349002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010968205.4A Pending CN112263244A (zh) | 2020-09-15 | 2020-09-15 | 基于步态的疲劳度评估***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112263244A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113080996A (zh) * | 2021-04-08 | 2021-07-09 | 大同千烯科技有限公司 | 一种基于目标检测的心电图分析方法及装置 |
CN113284601A (zh) * | 2021-06-10 | 2021-08-20 | 上海大学 | 一种基于激光步态检测的云平台管理*** |
CN113331829A (zh) * | 2021-06-09 | 2021-09-03 | 吉林大学 | 一种足底信息监测方法及智能鞋垫装置 |
CN117100255A (zh) * | 2023-10-25 | 2023-11-24 | 四川大学华西医院 | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105962929A (zh) * | 2015-03-13 | 2016-09-28 | 胡渐佳 | 脑波数据分段记录方法以及记录和显示装置 |
CN107212890A (zh) * | 2017-05-27 | 2017-09-29 | 中南大学 | 一种基于步态信息的运动识别和疲劳检测方法及*** |
CN108742637A (zh) * | 2018-05-31 | 2018-11-06 | 北京辰安科技股份有限公司 | 基于步态识别装置的身体状态检测方法和检测*** |
-
2020
- 2020-09-15 CN CN202010968205.4A patent/CN112263244A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105962929A (zh) * | 2015-03-13 | 2016-09-28 | 胡渐佳 | 脑波数据分段记录方法以及记录和显示装置 |
CN107212890A (zh) * | 2017-05-27 | 2017-09-29 | 中南大学 | 一种基于步态信息的运动识别和疲劳检测方法及*** |
CN108742637A (zh) * | 2018-05-31 | 2018-11-06 | 北京辰安科技股份有限公司 | 基于步态识别装置的身体状态检测方法和检测*** |
Non-Patent Citations (1)
Title |
---|
刘家锋: "《模式识别》", 31 August 2014, 哈尔滨工业大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113080996A (zh) * | 2021-04-08 | 2021-07-09 | 大同千烯科技有限公司 | 一种基于目标检测的心电图分析方法及装置 |
CN113331829A (zh) * | 2021-06-09 | 2021-09-03 | 吉林大学 | 一种足底信息监测方法及智能鞋垫装置 |
CN113331829B (zh) * | 2021-06-09 | 2022-08-05 | 吉林大学 | 一种足底信息监测方法及智能鞋垫装置 |
CN113284601A (zh) * | 2021-06-10 | 2021-08-20 | 上海大学 | 一种基于激光步态检测的云平台管理*** |
CN117100255A (zh) * | 2023-10-25 | 2023-11-24 | 四川大学华西医院 | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 |
CN117100255B (zh) * | 2023-10-25 | 2024-01-23 | 四川大学华西医院 | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Celik et al. | Gait analysis in neurological populations: Progression in the use of wearables | |
Yoneyama et al. | Accelerometry-based gait analysis and its application to Parkinson's disease assessment—part 1: detection of stride event | |
CN112263244A (zh) | 基于步态的疲劳度评估***及方法 | |
EP3468450B1 (en) | Method and system for analyzing human gait | |
KR102107379B1 (ko) | 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치 | |
Muscillo et al. | An adaptive Kalman-based Bayes estimation technique to classify locomotor activities in young and elderly adults through accelerometers | |
Yuwono et al. | Unsupervised nonparametric method for gait analysis using a waist-worn inertial sensor | |
Hutabarat et al. | Recent advances in quantitative gait analysis using wearable sensors: a review | |
Panagiota et al. | Assessment of human gait speed and energy expenditure using a single triaxial accelerometer | |
Malik et al. | An intelligent recovery progress evaluation system for ACL reconstructed subjects using integrated 3-D kinematics and EMG features | |
CN112401876A (zh) | 用于人的步态检测的方法和*** | |
Lou et al. | IMU-based gait phase recognition for stroke survivors | |
Jiang et al. | Exploration of gait parameters affecting the accuracy of force myography-based gait phase detection | |
Lueken et al. | Estimation of stride time variability in unobtrusive long-term monitoring using inertial measurement sensors | |
US20070118044A1 (en) | Method and device for identifying; measuring and analyzing abnormal neurological responses | |
Aubol et al. | Tibial acceleration reliability and minimal detectable difference during overground and treadmill running | |
Wong et al. | Activity recognition and stress detection via wristband | |
Suriani et al. | Optimal accelerometer placement for fall detection of rehabilitation patients | |
Perez et al. | A smartphone-based system for clinical gait assessment | |
Gruber et al. | Monitoring gait complexity as an indicator for running-related injury risk in collegiate cross-country runners: A proof-of-concept study | |
CN116746913A (zh) | 一种基于压力传感器监测步态和身体健康的设备 | |
Dehzangi et al. | Activity detection using fusion of multi-pressure sensors in insoles | |
Yuwono et al. | Unsupervised segmentation of heel-strike IMU data using rapid cluster estimation of wavelet features | |
Zaeni et al. | Classification of the Stride Length based on IMU Sensor using the Decision Tree | |
Kim et al. | Abnormal Gait Recognition based on Integrated Gait Features in Machine Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210126 |
|
RJ01 | Rejection of invention patent application after publication |