CN114286644A - 用于确定高级生物力学步态参数值的方法和*** - Google Patents

用于确定高级生物力学步态参数值的方法和*** Download PDF

Info

Publication number
CN114286644A
CN114286644A CN202080045976.4A CN202080045976A CN114286644A CN 114286644 A CN114286644 A CN 114286644A CN 202080045976 A CN202080045976 A CN 202080045976A CN 114286644 A CN114286644 A CN 114286644A
Authority
CN
China
Prior art keywords
values
sole
value
angular velocity
acceleration
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
Application number
CN202080045976.4A
Other languages
English (en)
Inventor
卡里姆·奥姆尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Digital Insole
Zhuoer Technology Co
Original Assignee
Digital Insole
Zhuoer Technology Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Digital Insole, Zhuoer Technology Co filed Critical Digital Insole
Publication of CN114286644A publication Critical patent/CN114286644A/zh
Pending legal-status Critical Current

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
    • A61B5/68—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
    • A61B5/103—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
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0204—Operational features of power management
    • A61B2560/0214—Operational features of power management of power generation or supply
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physical Education & Sports Medicine (AREA)
  • General Business, Economics & Management (AREA)
  • Dentistry (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种根据由鞋底的一个或多个运动传感器产生的数据确定高级生物力学步态参数值的方法，所述方法包括如下步骤：步骤(200)：获取由鞋底的一个或多个运动传感器产生的数据；步骤(300)：计算所述鞋底的取向值；步骤(600)：识别与运动单元相关联的活动；步骤(700)：识别所述活动已识别的运动单元的至少两个关键时刻；以及步骤(800)：确定高级生物力学步态参数值，所述确定包括针对所识别的关键时刻中的至少一个并且根据所述鞋底的加速度值、角速度值和/或方向值计算生物力学步态参数值。

Description

用于确定高级生物力学步态参数值的方法和***
技术领域
本发明涉及步态表征领域，更具体地涉及生物力学步态参数值的确定，其可用于监测日常或体育活动，或监测研究对象的生理状况。本发明涉及一种用于根据由鞋底的一个或多个运动传感器产生的数据来确定高级生物力学步态参数值的方法。本发明还涉及一种可以实施这种方法的用于确定高级生物力学步态参数值的***。
背景技术
人的步态是一个复杂的循环过程，主要是为了在静态和动态条件下支撑直立姿势和保持平衡，为此需要肌肉、骨骼和神经***的协同作用。
多年来，已经开发了许多***对人类步态进行研究。例如，这些***涉及使用配备有压力传感器或惯性传感器的鞋，这些传感器位于鞋底、鞋上或脚踝处。特别是，已经有几个团队专注于使用和处理惯性传感器数据来分析人体运动。目前，这些基于一个或多个传感器的***提供了传统的“步行”参数值，由于计算通常完全在外部终端上进行，因此这些参数值表示有关步数的信息。
人类行走可以反映出步态所涉及的某些感觉、神经和生物力学***的状态。因此，其他团队已试图研究高级生物力学步态参数，例如那些取决于两脚之间空间关系的参数，例如步长和步宽。测量此类生物力学步态参数通常需要专门的设备，例如视频运动捕捉***，因此测量限制在实验室内进行。微型惯性测量装置(加速度计和陀螺仪)的技术进步为实验室外测量进展提供了机会。然而，在对来自此类传感器的高级生物力学步态参数进行评估时通常会导致标准偏差过高而无法正确使用。然后，它们需要在处理算法中实施大量的偏移校正。
例如，高级生物力学步态参数分析已应用于老龄化、跌倒风险、脊髓损伤、糖尿病神经病变和神经***疾病的背景下(Rebula等人，《步态姿势》，2013年9月；38(4)：974–980)。这项研究表明，使用加速度和角速度类型的运动数据需要根据误差的线性假设进行修正，然后求取所计算的参数值的近似值。
跨步阶段的足部抬高是残疾受试者行走质量和安全的重要指标。在一项专门研究该参数的研究中，获得了大约4.1厘米(cm)的平均误差(Mariani等人，美国电气与电子工程师协会学报，生物医学工程；2012；59：3162–3168)。而在另一项研究中，根据作者的说法，观察到的性能下降主要是由于扁平足相位检测算法的使用，当步态不是很自然时，该算法有一些局限性，特别是在步态与个人必须越过障碍有关的情况下(Benoussaad等人，传感器(巴塞尔)，2015年12月23日；16(1)，pii：E12)。因此，当前用于确定生物力学步态参数值的***并不令人满意，因为这些***无法精确计算这些参数。
发明内容
本发明旨在克服现有技术的缺点。特别地，本发明旨在提供一种用于确定高级生物力学步态参数值并且能够生成可变性较低的高级生物力学步态参数值的方法。此外，该方法的步骤对计算资源的需求较低使得该方法可以实时地实现。
为此，本发明涉及一种根据由鞋底的一个或多个运动传感器产生的数据来确定高级生物力学步态参数值的方法，所述方法由一个或多个分析模块执行，包括如下步骤：
-获取由鞋底的一个或多个运动传感器产生的数据，所述数据包括加速度值、角速度值和/或磁场值；
-计算鞋底的取向值，其中鞋底的所述取向值根据包括加速度值、角速度值和/或磁场值的数据相对于地面参考系来计算；
-识别与运动单元相关联的活动，所述活动的识别包括：将活动参数值与所述鞋底的加速度值、角速度值和/或取向值，或根据所述鞋底的加速度值、角速度值和/或取向值所计算的全局描述性参数值进行比较；
-识别活动已识别的运动单元的至少两个关键时刻，所述识别关键时刻的步骤包括：将运动参数值与至少一个预定阈值进行比较，所述预定阈值与所识别的活动相关联并且所述运动参数值包括鞋底的加速度值、角速度值和/或取向值；以及
-确定高级生物力学步态参数值，所述确定包括针对所识别的关键时刻中的至少一个并且根据鞋底的加速度值、角速度值和/或取向值来计算生物力学步态参数值。
这种方法与现有方法的区别尤其在于：一方面识别出与运动单元相关联的活动；另一方面针对至少一个已识别关键时刻来确定生物力学步态参数值。虽然传统***通常试图从可能的预处理序列中识别出步态参数，但根据本发明的方法是建立在对活动的第一次识别、仅在与活动相关联的运动单元上确定参数值、以及适应于所述活动的阈值的基础上的。从而提高了计算的准确性，降低了结果的可变性。根据本发明的方法可以可靠地监测用户的步态。此外，某些生物力学参数只有在与一个周期中的关键时刻相关联时才有意义。然而，由于这些步骤，该方法首次使获得与特定时刻相关联的准确生物力学参数值成为可能，这些参数值随后成为高级生物力学参数。与每时每刻都在计算参数的文献相反，本文中的计算优选地针对特定的已识别时间进行。
根据该方法的其他可选特征：
-生物力学步态参数选自：推进速度、疲劳率、菲克(Fick)角、推进方向和减速方向。在诸如根据本发明的方法中使用惯性运动传感器进行步态表征的上下文中从未提出过此类参数。所以，当使用根据本发明的方法能够获得这些参数时，将开辟表征步态的新方式。
-关键时刻包括：脚后跟着地、脚趾着地、脚后跟离地和/或脚趾离地。这些关键时刻是最有用的。
-所述方法还包括如下步骤：对鞋底的加速度值、角速度值和取向值进行预处理，所述预处理步骤包括以下至少一种处理：频率滤波、加速度值的重力抑制、重力抑制，噪声抑制和/或鞋底加速度值、角速度值和取向值的偏移抑制。
-预处理步骤在集成到鞋底的电子盒中进行。该预处理步骤可以在外部电子设备，例如手机或计算机服务器中进行。然而，预处理步骤优选地在集成到鞋底中的电子盒中进行。也就是说，电子盒优选地置于鞋底中，而不是附在脚踝上或固定在鞋的顶部。这就提高了所述方法的准确性。
-所述方法还包括识别运动单元的步骤。这一步骤可以通过本领域技术人员已知的各种方法来实施。
-识别与运动单元相关联的活动的步骤包括：根据加速度值、角速度值和/或磁场值计算一个或多个全局描述性参数，所述全局描述性参数包括峰度或偏度系数值。优选地，根据加速度值和角速度值计算全局描述性参数。此类全局描述性参数可以更有效地对活动进行区分。
-识别与运动单元相关联的活动的步骤还包括：根据加速度值、角速度值和/或磁场值计算一个或多个全局描述性参数，所述全局描述性参数包括一个或多个具有预定模式的相似系数值。预定模式的使用增加了该方法的准确性。
-识别与运动单元相关联的活动的步骤还包括概率识别步骤和/或确定性识别步骤。这些步骤中的一个或多个的存在为识别与运动单元相关联的活动提供了更大的确定性。
-识别至少两个关键时刻的步骤在集成到鞋底的电子盒中进行。该识别步骤可以在外部电子设备，例如手机或计算机服务器中进行。然而，该识别步骤优选地在集成到鞋底中的电子盒中进行。类似地，确定高级生物力学步态参数值的步骤在集成到鞋底中的电子盒中进行。然而，在某些情况下，例如对于一些高级生物力学参数而言，该步骤可以有利地在外部电子装置中进行。
-所述方法还包括计算高级生物力学参数值的组合模式的步骤，所述高级生物力学参数值的组合模式对应于高级生物力学参数值的组合或高级生物力学参数的时间相关行为组合。这种生物力学参数的组合模式可以有利地与用户的生理状态相关联。这是特别有利的，因为它可以生成能够与生理状态或预定病理状态相关联的新模式，并因此根据步态表征来访问用户的风险数据。
本发明还旨在提供一种用于确定高级生物力学步态参数值并且能够生成可变性较低的高级生物力学步态参数值的***。
本发明还涉及一种根据由鞋底的一个或多个运动传感器产生的数据确定高级生物力学步态参数值的***，其特征在于，所述***包括：
-两组由鞋底的一个或多个运动传感器组成的传感器组，其中第一组能够与第一鞋底或鞋相关联，第二组能够与第二鞋底或鞋相关联，每组均被配置为生成包括加速度值、角速度值和/或磁场值的数据；
-一个或多个分析模块，其被配置为确定高级生物力学步态参数值，所述一个或多个分析模块被配置为：
—获取由一个或多个运动传感器产生的数据；
—计算鞋底的取向值，其中鞋底的所述取向值根据包括加速度值、角速度值和/或磁场值的数据相对于地面参考系来计算；
—识别与运动单元相关联的活动，所述活动的识别包括：将活动参数值与鞋底的加速度值、角速度值和/或取向值，或根据鞋底的加速度值、角速度值和/或取向值所计算的全局描述性参数值进行比较；
—识别活动已识别的运动单元的至少两个关键时刻，所述识别关键时刻的步骤包括：将运动参数值与至少一个预定阈值进行比较，所述预定阈值与所识别的活动相关联并且所述运动参数值包括鞋底的加速度值、角速度值和/或取向值；以及
—确定高级生物力学步态参数值，所述确定包括针对所识别的关键时刻中的至少一个并且根据鞋底的加速度值、角速度值和/或取向值来计算生物力学步态参数值。
此外，所述一对由鞋底的一个或多个运动传感器组成的传感器组对应于适于集成到一对鞋底中的一对电子盒。
该***还可以有利地包括多个处理模块，每个处理模块均被配置为执行高级生物力学步态参数值的确定步骤的一部分。
附图说明
本发明的其他优点和特征将在阅读以说明性和非限制性示例的方式给出的以下描述并参考附图后显现：
图1示出了表示根据本发明实施例的方法的图示。
图2示出了根据本发明实施例的两个鞋底的纵向横截面俯视图，每个鞋底均包含一个将容纳一个盒的空腔，盒的每个天线都位于面向每只脚的外边缘。
图3示出了从上方看到的打开的电子盒，具体包括电子板、可充电电池、连接器和天线。
图4示出了电子盒的分解剖面图，具体包括可充电电池、电子板以及由两部分组成的外壳。
图5示出了表示根据本发明实施例的方法的图示，其中部分计算在与鞋相关联(例如，集成到鞋底中)的电子盒中进行。
图6示出了表示根据本发明实施例的方法的图示，其中计算在外部终端中执行。
参考根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。
在附图中，流程图和框图说明了根据本发明的各种实施例的***、方法和计算机程序产品的可能实现方式的架构、功能和操作。就这一点来说，流程图或框图中的每个方框可以示出***、设备、模块或代码，其包括用于实现一个或多个指定逻辑功能的一个或多个可执行指令。在一些实施方式中，与方框相关联的功能可以以与图中所示不同的顺序出现。例如，根据所涉及的功能，连续示出的两个方框实际上可以基本上同时执行，或者有时可以以相反的顺序执行这些方框。流程图和/或流程图中的每个方框，以及流程图和/或流程图中方框的组合，可以由执行指定功能或动作或执行特殊硬件和计算机指令的组合的特殊硬件***来实现。
具体实施方式
在以下描述中，在本发明的含义内，“步态”对应于用户的姿势、运动(Movements)、移动(Locomotion)和平衡。“平衡”特别地对应于与身体稳定性相关的姿势平衡，更具体而言，对应于用户重心的稳定性。但是，它可以结合静态和动态平衡。
在本发明的含义内，“步态表征”对应于一个或多个值的赋值，例如用户脚部的轨迹或运动的分数、排名或标记等。这种步态表征能够获得表示步态的生物力学参数的一个或几个数值或字母数字值。
在本发明的含义内，“生物力学参数”是指用户步态的特征。在本发明的含义内，“高级生物力学参数”是指在一个周期的关键时刻确定的用户步态特征，因此确定更加复杂。
“鞋底”是指将用户脚部与地面分开的物体。鞋可以包括与使用者脚部直接接触的上鞋底层和与地面或更普遍地与外部环境直接接触的下鞋底层。鞋还可以包括可拆卸的鞋内底。
“可拆卸”是指在不必破坏附着装置的情况下能够容易地分离、移除或拆卸的能力，这要么是因为没有附着装置，要么是因为附着装置可以轻松快速地拆卸(例如槽口、螺钉、舌片、凸耳、夹子等)。例如，“可拆卸”应理解为物体不是通过焊接或任何其他不允许拆卸物体的方式附着的。
在本发明的含义内，“模型”或“规则”或“算法”应理解为操作或指令的有限序列，这些操作或指令用于通过对预定义组Y内的数据进行分类或分区来计算一定的值，并且用于在分类内对分数或对一个或多个数据的排序进行赋值。例如，这个有限操作序列的实现允许将标签Y分配给由一组特征或参数X描述的观测值，因此例如通过实施函数f可能会获得Y，并得到观测值X。
Y＝f(X)+e
其中，e表示噪声或测量误差。
在本发明的含义内，“监督学习方法”是指一种用于根据基于n个标记观测值(X1...n，Y1...n)来定义函数f的方法，其中Y＝f(X)+e。
“无监督学习方法”是指对数据进行优先级排序或将数据集划分为不同的同质组的方法，其中同质组具有共同的特征并且观测值没有被标记。
“基本恒定”是指相对于比较值而言变化小于30％，优选小于20％，甚至更优选小于10％的值。
在本发明的含义内，除非上下文另有说明，否则“处理”、“计算”、“确定”、“显示”、“转换”、“提取”、“比较”或更广泛的“可执行操作”是指由设备或处理器执行的动作。就这一点而言，所述操作涉及数据处理***(例如计算机***或电子计算设备)的动作和/或过程，该***用于对计算机***的存储器中或其他用于存储、传输或显示信息的设备中以物理(电子)量表示的数据进行操纵和转换。这些操作可能基于应用程序或软件。
术语或表述“应用程序”、“软件”、“程序代码”和“可执行代码”是指一组指令中的任何表达式、代码或符号，这些指令旨在进行数据处理以直接或间接(例如在转换为另一个代码的操作之后)执行特定功能。示例性程序代码可以包括但不限于子程序、功能、可执行应用程序、源代码、目标代码、库和/或设计用于在计算机***上执行的任何其他指令序列。
在本发明的含义内，“处理器”是指至少一个硬件电路，其被配置为根据包含在代码中的指令来执行操作。硬件电路可以是集成电路。处理器的示例包括但不限于中央处理单元、图形处理器、专用集成电路(ASIC)和可编程逻辑电路。
在本发明的含义内，“联接”是指与一个或多个中间元件直接或间接连接。两个元件可以机械联接、电气联接或通过通信通道链接。
在本说明书中甚至更早之前，相同的附图标记用于指代相同的元件。
在此提醒，双脚包含人体所有骨骼的四分之一。在每只脚中，可以识别出26块骨头、33块肌肉、16个关节和107条韧带。脚在站立时承受身体的重量并能够移动，从而在平衡、减震和推进方面起着关键作用。脚部还可以执行几种类型的运动。此外，脚部有近7200个神经末梢，因此所有疾病和其他不适症，尤其是神经***疾病，都可以直接或间接地在我们的脚上检测到，另一方面，还可以从我们走路或运动的方式中检测到。
发明人已经测试了多种方法来量化用户的姿势和步态。他们选择了集成有惯性传感器的***，这些***最有可能以工业化可承受的成本提供快速响应。实际上，现有方法通常基于压力传感器或基于分布在鞋和/或鞋底或脚踝上的多个传感器。传感器的这种分布导致***稳健性的降低。
然而，大多数基于惯性传感器数据(加速度和角速度)的测试方法在计算某些高级生物力学参数值时表现出过于强调偏差，这限制了它们作为步态表征标准的使用。
事实上，发明人在测试常规的惯性平台数据处理方法时，正如其他方法一样，强调了人与人之间和自身行走的可变性，当数据处理操作不当时，这种可变性会导致偏差。此外，在使用滑动窗口模式来分析脚部原始数据的处理方法中，功耗和内存消耗将设备的自主性降低到几十分钟。即使在电话、联网手表或远程服务器上进行计算时也是如此。
针对这些缺点，发明人开发了一种方法1，用于根据由鞋底的一个或多个运动传感器生成的数据确定高级生物力学步态参数值，如图1示意性所示。
根据第一方面，本发明涉及一种用于确定高级生物力学步态参数值的方法。特别地，该方法由一个或多个分析模块实施。优选地，多个分析模块中的每个分析模块被配置为执行该方法的一部分。
特别地，如下所述，这种方法是根据由鞋底的一个或多个运动传感器产生的数据实现的。一些运动传感器可以分布在鞋底中或者可以定位在鞋上以跟随鞋底的运动。运动传感器也可以全部集成到与第一只鞋相关联的第一盒和与同一双鞋中的第二只鞋相关联的第二盒中。
如图1所示，根据本发明的这种方法具体包括以下步骤：步骤200：获取由鞋底的一个或多个运动传感器产生的数据；步骤300：计算鞋底的取向值；步骤600：识别与运动单元相关联的活动；步骤700：识别活动已识别的运动单元的至少两个关键时刻；以及步骤800：确定高级生物力学步态参数值。
此外，根据本发明的方法还可以包括有利的步骤，例如：步骤100：了解用户的步态；步骤400：对运动传感器生成的数据和/或在本方法的上下文中计算的值进行预处理；步骤500：识别运动单元；步骤900：传输数据，或步骤950：存储数据。
如图2所示，根据本发明的方法可以包括了解用户步态的步骤100。该步骤100具体可包括：定义用户的多个活动参数值。例如，当用户在确定的时间段内重复执行运动、姿势和步态时，可以根据多个值对活动参数值，包括诸如静态或动态模式或其他模式，进行记录和分类。
因此，某种动态模式可以表示用户的运动，例如作为非限制性示例，表示“脚步”；并且静态模式可以以有利但非限制性的方式表示“跪”类型的用户姿势。特别地，预定模式可能已经标准化为对应于一个周期的时间段，其中该周期可以是步行周期。存在不同类型的活动，例如踏步、上台阶、下台阶、跨步、跳跃、压低身子、跌落、跺脚、跪等。因此，根据用户进行的运动的复杂程度，一个周期也可以对应多个不同类型的活动。
该学习步骤100可以在所述用户第一次使用运动传感器时实施并且也可以不时地重复，以提高识别与运动单元相关联的活动的步骤600的准确性。
因此，根据本发明的方法还可以包括生成参数值，每个参数值与活动相关联并且更具体地与每个活动的一组参数值相关联。然后，该方法可以包括生成多组参数值以涵盖用户的若干活动。更优选地，该方法包括生成至少四组参数值。
例如，用户的活动参数值可能存储在电子盒中，其中，右脚参数值存储在与右脚相关联的电子盒中，而左脚参数值存储在与左脚相关联的电子盒中。
用户的活动参数值也可以被传输到外部终端，外部终端可以将它们存储或将它们传送到其他终端。
根据本发明的方法包括获取由鞋底的一个或多个运动传感器产生的数据的步骤200。通过阅读本说明书可以理解，优选地对两个鞋底中的每一个鞋底执行该获取步骤。特别是在本发明的上下文中，该步骤可以对应于获取由一个或多个盒的一个或多个运动传感器产生的数据，例如每个盒都集成到鞋底中。
特别地，所获取的数据包括加速度值、角速度值和/或磁场值。优选地，所获取的数据包括加速度值、角速度值和磁场值。该获取步骤还可以包括获取其他数据，例如地理位置数据、温度数据、压力数据等。
根据本发明的方法至少部分地基于惯性单元产生的数据。因此，该方法还可以包括根据包括一个或多个惯性平台的鞋底的运动传感器生成原始数据的步骤。这些原始数据通常是在给定的时间段内生成的，具体取决于用户的步态。
特别地，惯性平台可以包含在第一和第二盒中。因此，原始数据可以来自例如包含在每个盒中的陀螺仪、加速度计和磁力计。此外，根据有利的实施例，原始数据由两个盒在预定的时间段内收集，该时间段可以例如从一毫秒到几小时。
优选地，运动传感器，更优选地电子盒，被配置为彼此通信并且仅在来自另一个电子盒的消息被第一个电子盒接收到之后才开始产生运动数据。因此，例如两个盒的惯性平台的数据生成优选地是同步的，这实现了对用户的步态进行更精细和更准确的分析。在没有这种同步的情况下，根据第一盒的数据计算的高级生物力学参数与根据第二盒的数据计算的高级生物力学参数的高精度融合将无法计算新的高级生物力学运动参数。
特别地，根据本发明的方法还可以包括第一组运动传感器和第二组运动传感器之间的校准步骤210。如下文将描述的，每组运动传感器可以与鞋相关联并且可以采用第一和第二电子盒的形式。
校准步骤可以包括传输来自第一组运动传感器的信号和接收来自第二组运动传感器的信号以校准时间测量装置(优选地，时钟)。通过这种校准，第一和第二盒在同一时间窗口内检测和收集用户的姿势或步态数据。事实上，第一盒和第二盒收集的数据可以被两个两个地分析，特别是对于一些高级生物力学步态参数而言。因此，收集的数据将被并行分析，从而避免数据之间的任何误差以及任何分析错误。
根据本发明的方法还包括计算鞋底的取向值的步骤300。
鞋底的取向特别地对应于鞋底沿三个正交轴x、y和z的角位置。因此，优选地，计算鞋底的取向值的步骤300允许计算三个轴x、y和z中的每一个的角位置值。
鞋底的取向值根据包括加速度值、角速度值和/或磁场值的数据相对于地面参考系来计算。特别地，所述取向值根据加速度值、角速度值和磁场值来计算。
许多算法，例如融合算法，都可用于计算鞋底的取向值。
例如，根据本发明的方法可以基于与概率模型相结合的滤波器来实现用于融合加速度计、陀螺仪和磁力计数据的算法。或者，根据本发明的方法可以基于与概率模型相结合的滤波器来实现用于融合加速度计和陀螺仪数据的算法。
这种方法还可以实现卡尔曼型滤波器算法及其变体。因此，例如，可以使用线性卡尔曼滤波器、扩展卡尔曼滤波器、加法扩展卡尔曼滤波器、乘法扩展卡尔曼滤波器、立方卡尔曼滤波器或粒子滤波器。
或者，根据本发明的方法还可以实现Premerlani&Bizard融合算法、Mahony融合算法或Madgwick融合算法。
此外，这种方法还可以实现基于方向余弦或四元数形成的旋转矩阵。
根据本发明的方法还包括对鞋底的一个或多个运动传感器产生的数据进行预处理的步骤400。此外，该预处理步骤可以涉及在根据本发明的方法的实施的上下文中计算的值，例如鞋底的取向值。
特别地，该预处理步骤可以对应于对鞋底的加速度值、角速度值和取向值进行预处理。例如，该预处理步骤可以特别地包括选自以下的至少一种处理：频率过滤、加速度值的重力抑制、重力抑制、加速度值的噪声抑制，以及鞋底角速度值和/或取向值的偏移抑制。
如图5所示，该预处理步骤400可由包含在运动传感器中并且更具体地包含在第一和第二盒中的数据处理模块来实现。
或者，该预处理步骤400可由包含在外部终端20中的数据处理模块来实现。
根据本发明的方法还可包括识别运动单元的步骤500。在本发明的含义内，运动单元对应于步行周期、跑步周期或爬楼梯周期。
这些周期可以定义为从一只脚的初始接触到同一只脚下一次发生相同事件的时间段。
在本发明的上下文中，可以使用许多划分方法。因此，该步骤可以例如包括用于研究脚步运动的常规步骤(例如Pan-Tompkins方法)的实施，或用于阈值、最大值和/或最小值的检测。
根据本发明的方法还包括识别与运动单元相关联的活动的步骤600。
该识别步骤可以例如由外部终端的处理模块执行。这样的步骤能够对数据进行过滤，以便在接下来的步骤中仅在合格/确认的运动单元上计算高级生物力学参数。因此，提高了测量的准确度。
优选地，该识别活动的步骤包括：将活动参数值与鞋底的加速度值、角速度值和/或取向值，或根据鞋底的加速度值、角速度值和/或取向值所计算的全局描述性参数值进行比较。
活动参数值可以是在学习步骤100中例如在确定性识别的情况下生成的活动参数值，和/或例如在概率性识别的情况下生成的预定活动参数值。
根据鞋底的加速度值、角速度值和/或取向值计算的全局描述性参数可以是例如方差、均值、中值、峰度或偏度系数。
特别地，识别与运动单元相关联的活动的步骤600包括：根据加速度值、角速度值和/或磁场值，例如根据加速度值和角速度值或根据加速度值、角速度值和磁场值，计算一个或多个全局描述性参数。全局描述性参数优选地包括峰度或偏度系数值。然而，全局描述性参数还可以具有其他值或系数。例如，全局描述性参数可以优选地对应于具有预定模式的相似系数值。
此外，识别与运动单元相关联的活动的步骤600还可以包括概率识别步骤和/或确定性识别步骤。
优选地，识别与运动单元相关联的活动的步骤600包括概率识别步骤和确定性识别步骤。事实上，确定性识别尽可能地遵循人的运动，而概率识别则轻松地丰富了识别的可能性，从而适应用户的需要。
概率识别阶段基于预先建立的模型，然后活动的识别结合了运动单元对应于一个活动而不是另一个活动的概率的计算。
概率识别例如包括如下子步骤：计算用于描述鞋底运动的全局描述性参数；将计算出的全局描述性参数与预定义的训练模型进行比较；以及根据比较结果对活动进行识别。
例如，预先建立的学习模型可以通过监督或无监督的方法建立。在监督学习方法中，神经网络、分类树或回归树在根据本发明的方法的上下文中属于最稳健和最有效的机器学习技术。
例如，可以使用监督学习步骤来教导树状结构根据相关联的活动对运动单元进行分类。为此，该方法优选地包括预备步骤：接收标记(与相关联的活动一起)值，例如鞋底的加速度值、角速度值和/或取向值，或根据鞋底的加速度值、角速度值和/或取向值计算的全局描述性参数值。
在优选实施例中，监督学习用于训练CART(盎格鲁-撒克逊术语中的“分类和回归树”)类型的算法。然后，CART类型的算法可以被配置为根据所选值来预测活动并计算置信区间或预测误差。或者，也可以使用LSTM(盎格鲁-撒克逊术语中的“长短期记忆”)类型的神经网络来建立预先建立的学习模型。
确定性识别步骤建立在用户在学习步骤期间所做的参考运动的基础上。然后，确定性识别步骤可以结合相似性分数的生成。
此外，识别与运动单元相关联的活动的步骤600还可以包括计算每个活动参数值与所选的用于识别的值之间的相似度值的步骤。
因此，识别与运动单元相关联的活动的步骤600还可以包括在参数值之间进行分类，以便一方面确定对应于所研究的运动单元的一个或多个活动，以及另一方面确定相似度。此外，识别步骤600还可以包括：当运动单元允许产生超过预定阈值的相似度值时验证运动单元的步骤。
可以针对第一盒和第二盒生成的数据来计算相似度值。例如，这些计算可由外部终端20执行。有利地，由于数据是同步的，对于同一时间段而言，第一次计算第一盒的数据的相似度值，第二次计算第二盒的数据的相似度值。因此，可以更可靠地并以更高的准确度量化用户的姿势或步态。
因此，该方法可以包括从相似度值中选择代表运动单元的活动的步骤。特别地，如果在相同的时间点并且假定数据测量优选地同步的情况下，代表第一组传感器的运动单元的第一活动与代表第二组传感器的运动单元的第二活动相同，则该步骤包括对活动进行选择。通过这种方式，在对活动进行选择之前，就能够从双脚获取数据并进一步提高方法的准确性。
此外，如果相似度值没有超过预定阈值，则该方法可能涉及忽略该运动单元，因为它不对应于明确表征的活动，因此可能会导致所进行的高级生物力学参数测量的不准确。
根据本发明的方法包括识别活动已识别的运动单元的至少两个关键时刻的步骤700。
特别地，识别关键时刻的步骤包括将鞋底的取向值与至少一个预定阈值进行比较。优选地，至少一个预定阈值与所识别的活动相关联。因此，根据识别的活动，可以对一个或多个预定阈值进行修改以能够更精细地分析和更准确地计算高级生物力学参数值。
尽管大多数现有技术方法寻求确定用于适应所有周期的预定阈值或算法，但本发明是建立在活动识别与基于一个或多个特别适合于该活动的预定阈值的关键时刻的选择相结合的基础上。
例如，与所识别的活动相关联的预定阈值可以对应于被超过的预定值的识别、或从正值到负值的变化的识别、或指示关键时刻的一系列值的特定模式的识别。因此，预定阈值可以对应于第二局部最小值、局部最大值或局部最小值和最大值的序列的识别。
运动参数值包括例如鞋底的加速度值、角速度值和/或取向值。
作为识别运动单元的至少两个关键时刻的步骤700的一部分，可以使用许多划分模型，每个划分模型均具有不同的粒度级别。例如，可以将运动分为两个主要阶段，即姿势和倾斜。尽管如此，还是可以分成更多的阶段。例如，可以考虑三个阶段、四个阶段、五个阶段、六个阶段或更多个阶段以适应特定用途。
优选地，该方法包括识别活动已识别的运动单元的至少四个关键时刻的步骤700。撞击时刻对应于脚(例如脚后跟)接触地面、脚趾着地、脚后跟离地以及脚趾离地的精确时刻。这些关键时刻有助于识别各个阶段，例如支持阶段(从撞击阶段开始，直到脚后跟离地结束)、推进阶段(脚后跟离地时开始，直到第一个脚趾离地时结束)和腾空阶段(从第一个脚趾离地时开始，直到脚后跟着地时结束)。
该方法还包括确定高级生物力学步态参数值的步骤800。
优选地，该确定步骤包括根据鞋底的加速度值、角速度值和/或取向值计算所识别的关键时刻中的至少一个的生物力学步态参数。该计算步骤根据可被转换的(例如过滤、校正等)鞋底的加速度值、角速度值和/或取向值来完成。
有利地，高级生物力学步态参数可选自：推进速度、疲劳率、菲克(Fick)角、推进方向和减速方向。
特别地，该确定步骤还可以包括针对至少一个识别的关键时刻，根据在所述至少一个识别的关键时刻的加速度值计算鞋底的速度值。优选地，该确定步骤还可以包括针对至少一个识别的关键时刻，根据所述至少一个识别的关键时刻的加速度值计算鞋底的速度值，并且所述识别的关键时刻对应于脚趾离地。因此，根据本发明的方法可以计算推进速度，优选地在用户的每只脚处的推进速度。
当脚趾离地时，这种推进速度是步态表征中的关键生物力学参数，并且现有程序并未建议这样的推进速度。
菲克角特别地对应于相对于行走方向和两脚之间的张角。本发明上下文中的菲克角对应于针对至少两个关键时刻、优选至少三个关键时刻、甚至更优选四个关键时刻计算的值。
推进方向特别地对应于脚趾离地时抬离地面的方向与脚的轴线之间的角度。本发明上下文中的推进方向对应于针对至少两个关键时刻、优选至少三个关键时刻、甚至更优选四个关键时刻计算的值。
特别地，减速方向对应于脚后跟着地时减速方向与脚的轴线之间的夹角。本发明上下文中的减速方向对应于针对至少两个关键时刻、优选至少三个关键时刻、甚至更优选四个关键时刻计算的值。
此外，在本发明的上下文中已经确定，腾空阶段期间的推进速度(例如当脚趾离地时)与鞋底速度之间的关系表明用户是否疲劳。因此，根据本发明的方法还包括计算疲劳率，其中所述疲劳率对应于腾空阶段期间推进速度与鞋底速度之间的比率。
此外，根据本发明的方法还可包括以下步骤：根据从与右脚相关联的第一组运动传感器获得的高级生物力学步态参数值和从与左脚相关联的第二组运动传感器获得的高级生物力学步态参数值，计算新的高级生物力学步态参数值。
因此，根据本发明的方法可以根据惯性平台产生的信号来计算表示用户步态的准确的高级生物力学参数。如下文将详述的，计算这些高级生物力学参数可以部分地在嵌入鞋底的电子盒中完成，也可以完全在外部终端中完成。或者，计算这些高级生物力学参数可以完全在一个或多个嵌入式电子盒中完成。
更优选地，根据本发明的方法可用于计算以下生物力学参数中的至少一个，例如至少两个的值：腾空阶段脚的稳定性、步前推距离、步长、步宽、步角、步幅长度和/或步幅宽度。
这构成了各种生物力学参数的列表，并且本发明不限于这些特定参数的计算。实际上，根据惯性平台生成的数据，本发明能够计算出多个不同的生物力学参数，其列表仅受它们对用户的有用性的限制。
例如，该方法可用于计算推进取向值。在推进阶段，该生物力学参数更具体地对应于脚的角度，例如相对于地面的角度。类似地，该方法可用于计算许多其他生物力学参数的值。
此外，在本发明的上下文中，根据本发明的方法还可以包括计算所谓的同步生物力学参数值的步骤。在本发明的含义内，所谓的同步生物力学参数是指需要根据两组运动传感器的数据计算的生物力学参数，其中每组运动传感器与一双鞋中的一个鞋底相关联。例如，在该上下文中，该方法还包括根据由第一电子盒计算的一个或多个生物力学参数和由第二电子盒计算的一个或多个生物力学参数来计算所谓的同步生物力学参数值的步骤。该实施例是特别有利的，因为它能够获得步态的精细特征。
此外，在本发明的上下文中，根据本发明的方法还可以包括计算生物力学参数的组合模式的步骤。在本发明的含义内，生物力学参数的组合模式对应于生物力学参数(即，生物力学参数值)的组合或对应于根据生物力学参数的时间函数的行为的组合。这种生物力学参数的组合模式可以有利地与用户的生理状态相关联。该实施例是特别有利的，因为它可以生成能够与生理状态或预定病理状态相关联的新模式，并因此根据步态表征来访问用户的风险数据。或者，可以通过外部终端携带的处理模块来计算生物力学参数的组合模式，然后对其进行比较。
生物力学参数的组合模式可以例如包括步速值、步幅长度值和步行速度的组合。生物力学参数的这种组合模式使得能够根据这三个参数中的每一个的单独值来确定步行障碍，该步行障碍例如可能由帕金森病步的恶化引起。
此外，根据本发明的方法可以被配置为计算右腿的生物力学参数相对于左腿的生物力学参数之间的偏度。
此外，根据本发明的方法可以被配置为计算与一条腿或两条腿相关联的生物力学参数的可变性。
有利地，根据本发明的方法还包括建档步骤，该建档步骤包括在第一使用期内建立用户的档案。例如，该第一使用期可以持续一天、一周或一个月。第一使用期优选地持续足够的时间以计算一组高级生物力学步态参数，该组生物力学步态参数随着时间的推移是稳定的，优选地具有低可变性(例如小于20％，优选地小于10％)。建立用户的档案通常需要几天到几周的时间。
有利地，如果其中一个盒断开与另一个盒的连接或失去与另一个盒的时间同步，则该方法包括对两个盒进行同步的步骤。因此，已连接的盒发送搜索信号，而断开连接的盒接收搜索信号并与已连接的盒同步。
优选地，该方法还可以包括向外部终端传输数据的步骤900。该传输步骤优选地在特别的基础上进行。特别地，该步骤可对应于将所有生成的和/或计算的数据传输到外部终端。
特别地，该传输步骤可由电子盒的通信模块执行。
此外，该方法还可以包括将外部终端接收到的数据传输到一个或其他可能参与计算高级生物力学步态参数值或对其进行显示的外部终端。
所传输的数据例如可以是由运动传感器生成的原始数据、预处理数据或计算出的数据，例如鞋底的取向值。
该方法还可包括存储高级生物力学步态参数值的步骤950。该方法还可包括存储运动传感器生成的值、预处理数据或计算出的数据，例如鞋底的取向值。特别地，该步骤可以对应于存储由外部终端接收、生成和/或计算的所有数据。
有利地，与在短时间内(例如少于5分钟)存储在例如高速缓存存储器上的原始数据和/或预处理数据相反，高级步态参数值会存储更长的时间，例如存储在存储器中。
有利地，计算一个或多个高级生物力学步态参数值是实时完成的，也就是说，在由鞋底的一个或多个运动传感器生成数据之后的不到1小时，优选地不到10分钟，更优选地不到1分钟，甚至更优选地不到10秒。
根据另一方面，本发明涉及一种用于根据由鞋底的一个或多个运动传感器生成的数据确定高级生物力学步态参数值的***1。
优选地，这样的***包括被配置为执行根据本发明及其各种实施例的方法的模块，无论这些实施例是优选的、有利的还是不优选的、不有利的。
特别地，根据本发明的***包括两组由鞋底的一个或多个运动传感器组成的传感器组101、102，以及被配置为确定高级生物力学步态参数值的一个或多个分析模块120、121、122、220。
优选地，第一组适于与第一只鞋相关联，而第二组适于与第二鞋底相关联，每一组均被配置为生成包括加速度值、角速度值和/或磁场值的数据。
优选地，该***包括多个分析模块，其中两个分析模块120、121、122可以在鞋处(例如，在两个电子盒内)与运动传感器相关联，并且另一个分析模块220可以与外部终端20相关联。
这些分析模块被配置为一起执行以下操作：
-获取由一个或多个运动传感器生成的数据；
-计算鞋底的取向值，其中鞋底的所述取向值根据包括加速度值、角速度值和/或磁场值的数据相对于地面参考系来计算；
-识别与运动单元相关联的活动，所述活动的识别包括：将活动参数值与鞋底的加速度值、角速度值和/或取向值，或根据鞋底的加速度值、角速度值和/或取向值所计算的全局描述性参数值进行比较；
-识别活动已识别的运动单元的至少两个关键时刻，所述识别关键时刻的步骤包括：将运动参数值与至少一个预定阈值进行比较，所述预定阈值与所识别的活动相关联并且所述运动参数值包括鞋底的加速度值、角速度值和/或取向值；以及
-确定高级生物力学步态参数值，所述确定包括针对所识别的关键时刻中的至少一个并且根据鞋底的加速度值、角速度值和/或取向值来计算生物力学步态参数值。
这些动作都可以在不同分析模块之间冗余地执行。
特别地，根据本发明的***1可以包括一对鞋底10，该鞋底包括根据本发明的电子盒101、102以及可能的外部终端20。
可以在根据本发明的***1的上下文中使用的鞋底11、12可以例如对应于鞋的外底或内底。这些鞋底可以是可拆卸的或永久地集成到鞋的鞋底组件中。
通常，构成所述一对鞋底10的鞋底11、12中的每个都包括电子盒101、102。如图2所示，电子盒101，102优选地位于中底部分。
图3详细描述了根据本发明的电子盒。这款电子盒仅重几克，体积小巧，可节省空间，适合任何内底和/或外底。这种小体积限制了对用户舒适度的不利影响，并具备了通过在工业过程中更便宜、更容易地将该技术集成到鞋底中来优化生产成本的优势。
此外，根据本发明的电子盒包括惯性平台110、111、112，其被配置为生成关于该对鞋底10的用户步态的一组数据。
当用户行走时，惯性平台110获取表示脚沿着X、Y、Z轴的运动参数(加速度和/或速度，例如角速度等)的信号。此外，然后可以对该数据进行处理以生成至少一个加速度信号。例如，惯性平台包括至少一个加速度计和一个陀螺仪。优选地，它包括几个加速度计和陀螺仪。电子盒还可以包括一个或多个磁力计，以获取与三个维度上的磁场值相对应的三个附加原始信号。
每个电子盒还可以包括其他传感器，包括倾角计、气压计、温度传感器和高度计以提高精度。
此外，根据本发明的电子盒还包括数据处理模块120、121、122，其可以被配置为使用预定义算法对生成的所有数据进行转换。
该处理模块集成在电子盒中，可用于对运动传感器产生的数据进行预处理，并生成鞋底的取向值。然后，可以将该数据发送到外部终端20，如图5所示，以生成高级生物力学步态参数值。
或者，如图6所示，集成在电子盒中的处理模块可用于获取运动传感器产生的数据，并将其发送到外部终端20，以生成高级生物力学步态参数值。
因此，根据本发明的电子盒还包括数据存储模块130、131、132，其被配置为存储变换后的数据中的至少一部分和/或由处理模块生成的数据中的至少一部分。根据本发明的***允许使用低容量数据存储模块进行操作。它可以被配置为存储惯性平台产生的数据。有利地，数据存储模块130、131、132被配置为存储转换后的数据中的至少一部分，但不存储所生成的数据。因此，其容量不受生成的原始数据的影响。转换后的数据可对应于由处理模块预处理的数据或对应于生物力学参数。
此外，根据本发明的电子盒包括通信装置。因此，特别地，每个盒，无论是从设备还是主设备，都被设计为能够独立地与另一个盒通信和/或直接与终端通信，以便能够交换它自身的关于其脚部的姿势/运动/活动的信息，即它通过鞋的内底和/或外底的各种传感器接收到的数据。
优选地，根据本发明的电子盒包括第一通信装置140、141、142，其被配置为使得至少一个鞋底的电子盒100能够将数据的至少一部分传输到外部终端20。这些数据可以实时或以延迟模式传输到外部终端20。外部终端20例如可以是诸如平板电脑、移动电话(盎格鲁-撒克逊术语中的“智能手机”)、计算机或服务器等远程***。
有利地，每个电子盒还包括被配置为使得第一鞋底的电子盒101能够与第二鞋底的电子盒102通信的第二通信装置。特别地，两个电子单元被配置为彼此通信并且仅在从另一个电子盒接收到消息之后才开始生成关于用户脚部运动的数据。
第一通信装置和第二种通信装置可由相同装置组成。
第一和第二通信装置适于通过至少一个通信网络接收和发送数据。优选地，通信经由诸如WiFi、3G、4G和/或蓝牙之类的无线协议来操作。优选地，通信协议是BLE或ANT+协议。这些通信协议能够实现低能耗。
有利地，由于限位于放置在人体下方的盒子内，所以天线应该优选地放置在盒子内面向鞋底外侧的一侧。天线的这种定位是优选的，因为实验室测试表明，从鞋底或鞋发出的70％的信号会被人体吸收。因此，该天线必须定位在脚的***并以这样的方式定向，即信号始终可以传输到外部终端和/或第二个鞋底的盒中。优选地，所述天线可以是印制在电子卡上的天线。或者，天线可以印制在盒的内侧并通过布线连接到电子板。天线可以优选地相对于电子板位于下部。因此，电子板与天线接触。
此外，根据本发明的电子盒包括电源160、161、162。电源优选为电池类电源，可充电或不可充电均可。优选地，电源是可充电电池。此外，它还可以与通过运动或外部能量充电的***结合使用。具体地，利用外部能量充电的***可以是有线充电***、感应充电***或光伏***。
此外，根据本发明的电子盒可以包括有线连接装置160，优选地由可移除的突片保护。该有线连接装置可以是例如USB或FireWire端口。有利地，USB端口也是防水或防潮的。此外，USB端口有利地由聚合物托梁覆盖以使其在使用中具有更大的阻力。如上所述，该有线连接装置可用于对电池充电，但也可用于交换数据以及例如用于更新承载电子盒的各种组件的电子板的固件。
优选地，可拆卸的突片或USB盖能够保护USB端口免受异物影响。例如，可拆卸的突片可用于保护USB端口免受水或灰尘的影响。这种突片可以优选地由弹性体或聚氨酯类聚合物制成。
电子盒的这些各种组件优选地布置在电子板170(或印刷电路)上。此外，电子盒的各种装置和模块在图2和图3中分别示出，但是本发明还可以提供各种类型的布置，例如组合了这里描述的所有功能的单个模块。类似地，这些装置可以分成若干电子板或组合在单个电子板上。另外，当对设备、装置或模块采取动作时，它实际上是由设备或模块中的微处理器执行的，该微处理器由存储在存储器中的指令代码控制。类似地，如果对应用程序采取动作，它实际上是由设备中的微处理器执行的，该微处理器的存储器中存储有与应用程序对应的指令代码。当设备或模块发送或接收消息时，该消息由通信接口发送或接收。
此外，***1包括适于接收数据的外部终端20。外部终端20通常是平板电脑、移动电话(盎格鲁-撒克逊术语中的“智能手机”)、网关、路由器、计算机或服务器。它可能能够将此数据传输到远程服务器。然后，例如可以通过Web界面访问该远程服务器。
因此，用户可以访问与他/她的日常体力活动相关联的数据以及与若干生物力学参数相关联的数据，例如姿势、旋前/旋后、冲击力、步长、接触时间、跛行、平衡，以及其他与用户相关并描述他/她的运动、行走、姿势和动作的若干参数，从而跟踪它们的演变。
有利地，专用应用程序安装在该外部终端上以处理由盒传输的信息并允许用户与本发明进行交互。然后，例如可以通过Web界面访问该远程服务器。与远程服务器的所有通信都可以受到保护，例如通过HTTPS协议和AES 512加密。因此，这可以允许负责监视用户的医务人员经由客户端访问数据。
此外，根据本发明的电子盒包括电源160、161、162。电源优选为电池类电源，可充电或不可充电均可。优选地，电源是可充电电池。可以使用不同的技术进行充电，例如：
-使用充电器进行充电，其中连接器与鞋底齐平；
-使用集成在鞋底中的机械充电设备，例如能够通过步行提供电能的压电装置进行充电；
-使用非接触式设备，例如通过感应进行充电；和/或
-使用光伏设备进行充电。
此外，根据本发明的电子盒可以包括有线连接装置180，优选地由可移除的突片保护。该有线连接装置可以是例如USB或FireWire端口。如上所述，该有线连接装置可用于对电池充电，但也可用于交换数据以及例如用于更新承载电子盒的各种组件的电子板的固件。
有利地，***1被配置为以一种或多种算法实施生物力学参数值，优选对其进行预先校准。这些算法可能是根据不同的学习模型构建的，特别是分区、监督或无监督模型。无监督学习算法可以例如选自无监督高斯混合模型、分层自下而上分类(盎格鲁-撒克逊术语中的分层合并聚类)、分层自上而下分类(盎格鲁-撒克逊术语中的分层***聚类)。或者，该算法基于被配置为实现排序规则的风险的最小化并因此能够获得更有效规则的监督统计学习模型。在这种情况下，计算、确定和估计步骤都可以基于模型在数据集上训练并且被配置为对标签(例如与记录的步态相似或不同的步态)进行预测。例如，出于校准目的，可以使用表示具有已知标签的情况的数据集，例如帕金森病的生物力学参数特征。数据集还可以包括多个标签。该算法可以通过使用所选择的监督统计学习模型推导出来，所述监督统计学习模型例如可以从内核方法(例如大边距分离器-支持向量机SVM、核岭回归)、集合方法(例如决策树)、层次划分、k均值划分、决策树、逻辑回归或神经网络中选择。
此外，外部终端20可以包括：
-警报模块，其适用于向用户和可能的医务人员发出一个或多个生物力学参数的异常演变的警报，这些参数可能对应于一种或多种病理的发作或发作风险的增加；
-通信模块，其适用于直接联系和通知健康专业人士或用户在应用程序中选择和预先指定的任何其他人；和/或适于定期向用户提供与他/她的日常活动和生物力学参数随时间演变相关联的信息，
-矫正模块，其适合于例如通过外部终端提出解决方案，通过建议将体育锻炼或矫正插件集成到脚下来矫正或预防畸形；以及
-预后模块，其适于通过例如经由表示用户步态演变的值来监测全部或部分步行参数的演变来测量神经学、医学或其他治疗方案的效果以及可能的有效性；以及适于向用户或直接向他/她的医生或任何其他预定人传达根据所述用户的步态收集的数据观测到的全部或部分演变。

Claims (15)

1.一种根据由鞋底的一个或多个运动传感器产生的数据确定高级生物力学步态参数值的方法，所述方法由一个或多个分析模块执行，包括如下步骤：
-步骤(200)：获取由鞋底的一个或多个运动传感器产生的数据，所述数据包括加速度值、角速度值和/或磁场值；
-步骤(300)：计算所述鞋底的取向值，其中所述鞋底的所述取向值根据包括加速度值、角速度值和/或磁场值的数据相对于地面参考系来计算；
-步骤(600)：识别与运动单元相关联的活动，所述活动的识别包括：将活动参数值与所述鞋底的加速度值、角速度值和/或取向值，或根据所述鞋底的加速度值、角速度值和/或取向值所计算的全局描述性参数值进行比较；
-步骤(700)：识别所述活动已识别的运动单元的至少两个关键时刻，所述识别关键时刻的步骤包括：将运动参数值与至少一个预定阈值进行比较，所述预定阈值与所识别的活动相关联并且所述运动参数值包括所述鞋底的加速度值、角速度值和/或取向值；以及
-步骤(800)：确定高级生物力学步态参数值，所述确定包括针对所识别的关键时刻中的至少一个并且根据所述鞋底的加速度值、角速度值和/或取向值计算生物力学步态参数值。
2.根据权利要求1所述的方法，其特征在于，所述高级生物力学步态参数选自：推进速度、疲劳率、菲克(Fick)角、推进方向和减速方向。
3.根据权利要求1或2中任一项所述的方法，其特征在于，所述关键时刻包括：脚后跟着地、脚趾着地、脚后跟离地和/或脚趾离地。
4.根据权利要求1至3中任一项所述的方法，其特征在于，还包括步骤(400)：对所述鞋底的所述加速度值、角速度值和取向值进行预处理，所述预处理步骤(400)包括以下至少一种处理：频率滤波、加速度值的重力抑制、重力抑制，噪声抑制和/或所述鞋底的加速度值、角速度值和取向值的偏移抑制。
5.根据权利要求4所述的方法，其特征在于，所述预处理步骤(400)在集成到所述鞋底中的电子盒中进行。
6.根据权利要求1至5中任一项所述的方法，其特征在于，还包括识别运动单元的步骤(500)。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述识别与运动单元相关联的活动的步骤(600)包括：根据所述加速度值、角速度值和/或磁场值计算一个或多个全局描述性参数，所述全局描述性参数包括峰度或偏度系数值。
8.根据权利要求1至6中任一项所述的方法，其特征在于，所述识别与运动单元相关联的活动的步骤(600)包括：根据所述加速度值、角速度值和/或磁场值计算一个或多个全局描述性参数，所述全局描述性参数包括一个或多个具有预定模式的相似系数值。
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述识别与运动单元相关联的活动的步骤(600)包括概率识别步骤和/或确定性识别步骤。
10.根据权利要求1至9中任一项所述的方法，其特征在于，所述识别至少两个关键时刻的步骤(700)在集成到所述鞋底的电子盒中进行。
11.根据权利要求1至10中任一项所述的方法，其特征在于，所述确定高级生物力学步态参数值的步骤(800)在集成到所述鞋底中的电子盒中进行。
12.根据权利要求1至11中任一项所述的方法，其特征在于，还包括计算高级生物力学参数值的组合模式的步骤，所述高级生物力学参数值的组合模式对应于高级生物力学参数值的组合或高级生物力学参数的时间相关行为的组合。
13.一种根据由鞋底的一个或多个运动传感器产生的数据确定高级生物力学步态参数值的***(1)，其特征在于，所述***包括：
-两组由一个或多个鞋底运动传感器组成的传感器组(101、102)，其中第一组能够与第一鞋底或鞋相关联，第二组能够与第二鞋底或鞋相关联，每组均被配置为生成包括加速度值、角速度值和/或磁场值的数据；
-一个或多个分析模块(120、121、122、220)，其被配置为确定高级生物力学步态参数值，所述一个或多个分析模块被配置为：
-获取由鞋底的一个或多个运动传感器产生的数据；
-计算所述鞋底的取向值，其中所述鞋底的所述取向值根据包括加速度值、角速度值和/或磁场值的数据相对于地面参考系来计算；
-识别与运动单元相关联的活动，所述活动的识别包括：将活动参数值与所述鞋底的加速度值、角速度值和/或取向值，或根据所述鞋底的加速度值、角速度值和/或取向值所计算的全局描述性参数值进行比较；
-识别所述活动已识别的运动单元的至少两个关键时刻，所述识别关键时刻的步骤包括：将运动参数值与至少一个预定阈值进行比较，所述预定阈值与所识别的活动相关联并且所述运动参数值包括所述鞋底的加速度值、角速度值和/或取向值；以及
-确定高级生物力学步态参数值，所述确定包括针对所识别的关键时刻中的至少一个并且根据所述鞋底的加速度值、角速度值和/或取向值计算生物力学步态参数值。
14.根据权利要求13所述的用于确定高级生物力学步态参数值的***(1)，其特征在于，所述一对由鞋底的一个或多个运动传感器组成的组(101、102)对应于适于集成到一对鞋底(10)中的一对电子盒。
15.根据权利要求14所述的用于确定所述高级生物力学步态参数值的***(1)，其特征在于，所述***包括多个处理模块，每个所述处理模块被配置为执行高级生物力学步态参数值的确定步骤的一部分。
CN202080045976.4A 2019-04-25 2020-04-25 用于确定高级生物力学步态参数值的方法和*** Pending CN114286644A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FRFR1904412 2019-04-25
FR1904412A FR3095527B1 (fr) 2019-04-25 2019-04-25 Procédé et système de détermination d’une valeur de paramètre biomécanique avancé de démarche
PCT/FR2020/050714 WO2020217037A1 (fr) 2019-04-25 2020-04-25 Procede et systeme de determination d'une valeur de parametre biomecanique avance de demarche

Publications (1)

Publication Number Publication Date
CN114286644A true CN114286644A (zh) 2022-04-05

Family

ID=68210894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080045976.4A Pending CN114286644A (zh) 2019-04-25 2020-04-25 用于确定高级生物力学步态参数值的方法和***

Country Status (5)

Country Link
US (1) US20220240814A1 (zh)
EP (1) EP3958738B1 (zh)
CN (1) CN114286644A (zh)
FR (1) FR3095527B1 (zh)
WO (1) WO2020217037A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7124965B2 (ja) * 2019-05-29 2022-08-24 日本電気株式会社 情報処理装置、歩行環境判定装置、歩行環境判定システム、情報処理方法及び記憶媒体
FR3121595B1 (fr) 2021-04-07 2023-08-25 Digitsole Procede et dispositif d’inference d’une ligne de pression plantaire
FR3121832A1 (fr) 2021-04-14 2022-10-21 Zhor Tech Procédé d’encodage de données de capteur de mouvement, dispositif et système associés
FR3121831A1 (fr) 2021-04-14 2022-10-21 Zhor Tech Procédé d’encodage de données de capteur de mouvement, dispositif et système associés
EP4304472A1 (fr) 2021-04-14 2024-01-17 Zhor Tech Procédé d'encodage de données de capteur de mouvement, dispositif et système associés
FR3128366A1 (fr) 2021-10-21 2023-04-28 Digitsole Procede et systeme de validation d’une correction orthopedique pour un individu

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080214360A1 (en) * 2006-03-03 2008-09-04 Garmin Ltd. Method and apparatus for estimating a motion parameter
CN105311815A (zh) * 2014-07-31 2016-02-10 精工爱普生株式会社 运动解析装置、运动解析***以及运动解析方法
CN105719158A (zh) * 2014-12-22 2016-06-29 阿迪达斯股份公司 零售商店运动传感器***和方法
US20170042453A1 (en) * 2014-02-17 2017-02-16 Hong Kong Baptist University Algorithms for gait measurement with 3-axes accelerometer/gyro in mobile devices
CN106725512A (zh) * 2017-02-22 2017-05-31 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
EP3257437A1 (en) * 2016-06-13 2017-12-20 Friedrich-Alexander-Universität Erlangen-Nürnberg Method and system for analyzing human gait
US20180020950A1 (en) * 2014-03-25 2018-01-25 Imeasureu Limited Lower limb loading assessment systems and methods
CN108236560A (zh) * 2016-12-23 2018-07-03 法玛科技顾问股份有限公司 步态活动促进的电动步行辅具及其应用方法
US20180263532A1 (en) * 2017-03-20 2018-09-20 Samantha Smulyan Technologies for indicating detection of toe walking

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631195B (zh) * 2015-12-18 2017-12-26 合肥工业大学 一种可穿戴式多信息融合的步态分析***及其方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080214360A1 (en) * 2006-03-03 2008-09-04 Garmin Ltd. Method and apparatus for estimating a motion parameter
US20170042453A1 (en) * 2014-02-17 2017-02-16 Hong Kong Baptist University Algorithms for gait measurement with 3-axes accelerometer/gyro in mobile devices
US20180020950A1 (en) * 2014-03-25 2018-01-25 Imeasureu Limited Lower limb loading assessment systems and methods
CN105311815A (zh) * 2014-07-31 2016-02-10 精工爱普生株式会社 运动解析装置、运动解析***以及运动解析方法
CN105719158A (zh) * 2014-12-22 2016-06-29 阿迪达斯股份公司 零售商店运动传感器***和方法
EP3257437A1 (en) * 2016-06-13 2017-12-20 Friedrich-Alexander-Universität Erlangen-Nürnberg Method and system for analyzing human gait
CN108236560A (zh) * 2016-12-23 2018-07-03 法玛科技顾问股份有限公司 步态活动促进的电动步行辅具及其应用方法
CN106725512A (zh) * 2017-02-22 2017-05-31 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
US20180263532A1 (en) * 2017-03-20 2018-09-20 Samantha Smulyan Technologies for indicating detection of toe walking

Also Published As

Publication number Publication date
FR3095527B1 (fr) 2022-09-09
WO2020217037A1 (fr) 2020-10-29
EP3958738A1 (fr) 2022-03-02
FR3095527A1 (fr) 2020-10-30
US20220240814A1 (en) 2022-08-04
EP3958738B1 (fr) 2023-06-14

Similar Documents

Publication Publication Date Title
CN114286644A (zh) 用于确定高级生物力学步态参数值的方法和***
Zhang et al. Accurate ambulatory gait analysis in walking and running using machine learning models
CN111432679B (zh) 一种可集成在鞋底内的微缩电子盒
US10918312B2 (en) Wearable and connected gait analytics system
US10660395B2 (en) Smart terminal service system and smart terminal processing data
Mannini et al. Gait phase detection and discrimination between walking–jogging activities using hidden Markov models applied to foot motion data from a gyroscope
Mannini et al. Walking speed estimation using foot-mounted inertial sensors: Comparing machine learning and strap-down integration methods
Chelius et al. A wearable sensor network for gait analysis: A six-day experiment of running through the desert
US20220312902A1 (en) Method and system for calculating personalised values of parameters of a sole with a view to designing made-to-measure soles
US20210369143A1 (en) Method and system utilizing pattern recognition for detecting atypical movements during physical activity
JP6998518B2 (ja) 運動機能推定情報生成装置、運動機能推定システム、運動機能推定情報生成方法、運動機能推定方法及び記録媒体
US20180236352A1 (en) Wearable inertial electronic device
Lueken et al. Estimation of stride time variability in unobtrusive long-term monitoring using inertial measurement sensors
JP7316534B2 (ja) 情報処理装置、個人識別装置、個人識別システム、情報処理方法及び記憶媒体
US20220221330A1 (en) Information processing device, weight estimation device, weight estimation system, information processing method, and storage medium
US20240197208A1 (en) Method for encoding motion sensor data, and associated device and system
US20240032820A1 (en) System and method for self-learning and reference tuning activity monitor
US20220338735A1 (en) Method and system for analysing the use of an item of footwear
Digo et al. Comparison of IMU set-ups for the estimation of gait spatio-temporal parameters in an elderly population
JP7251621B2 (ja) 情報処理装置、個人識別装置、個人識別システム、情報処理方法及び記憶媒体
Ershadi et al. GAIToe: Gait Analysis Utilizing an IMU for Toe Walking Detection and Intervention
US20240197203A1 (en) Method and device for inferring a plantar pressure line
US20240138757A1 (en) Pelvic inclination estimation device, estimation system, pelvic inclination estimation method, and recording medium
US20240041355A1 (en) Musculoskeletal strain
US20240138713A1 (en) Harmonic index estimation device, estimation system, harmonic index estimation method, and recording medium

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