TWI657800B - 步態分析方法與系統 - Google Patents
步態分析方法與系統 Download PDFInfo
- Publication number
- TWI657800B TWI657800B TW106138187A TW106138187A TWI657800B TW I657800 B TWI657800 B TW I657800B TW 106138187 A TW106138187 A TW 106138187A TW 106138187 A TW106138187 A TW 106138187A TW I657800 B TWI657800 B TW I657800B
- Authority
- TW
- Taiwan
- Prior art keywords
- acceleration
- gait
- acceleration sensor
- autocorrelation coefficient
- gait analysis
- Prior art date
Links
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
- A61B5/72—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
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7435—Displaying user selection data, e.g. icons in a graphical user interface
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本發明提出一種步態分析方法,適用於一步態分析系統,其包括多個加速度感測器。此方法包括:對於每一個時間點與每一個加速度感測器,根據加速度感測器在感測軸所感測到的加速度值來計算根和平方;根據第一加速度感測器與第二加速度感測器的根和平方來計算互相關係數;計算第一加速度感測器的根和平方的第一自相關係數;計算第二加速度感測器的根和平方的第二自相關係數;以及根據互相關係數、第一自相關係數與第二自相關係數來計算第一步態指標。
Description
本發明是有關於一種步態分析方法,且特別是有關於一種利用加速度感測器的步態分析方法與系統。
不對稱的步態(gait)通常會妨礙走路,甚至會導致跌倒。步態分析可以提供醫師一些評估資訊,藉此醫師可以擬定適當的治療計畫。例如,步態分析所提供的資訊可以讓醫師判斷人的腳踝或是膝蓋等出現了異常,藉此在適當的位置提供治療。另一方面,跌倒也是老人或是慢性中風(chronic stroke)患者常發生的事情,對於這樣族群的人來說,跌倒可能會導致嚴重的後果。例如,中風的人相比沒有中風的人來說,更容易因為跌倒而導致髖部骨折,進而失去行動能力。因此,如何有效地做步態分析,為此領域技術人員所關心的議題。
本發明的實施例提出一種步態分析方法,適用於一步態分析系統。步態分析系統包括多個加速度感測器,
每一個加速度感測器具有多個感測軸。步態分析方法包括:對於每一個時間點與每一個加速度感測器,根據對應的加速度感測器在感測軸所感測到的多個加速度值來計算一根和平方。其中加速度感測器包括第一加速度感測器與第二加速度感測器,第一加速度感測器是對應至步態的第一腳,第二加速度感測器是對應至步態的第二腳,第一腳不同於第二腳。此方法還包括:根據第一加速度感測器與第二加速度感測器的根和平方來計算互相關係數;計算第一加速度感測器的根和平方的第一自相關係數;計算第二加速度感測器的根和平方的第二自相關係數;以及根據互相關係數、第一自相關係數與第二自相關係數來計算關於步態的第一步態指標。
在一些實施例中,計算互相關係數的步驟是根據以下方程式(1)來執行。
k為時間點,N為時間點的個數,Cc(k)為在時間點k的互相關係數,a1(n)為第一加速度感測器在時間點n的根和平方,a2(n-k)為第二加速度感測器在時間點(n-k)的根和平方。
在一些實施例中,計算第一自相關係數的步驟是根據以下方程式(2)來執行。
在一些實施例中,計算第二自相關係數的步驟
是根據以下方程式(3)來執行。
在一些實施例中,計算第一步態指標的步驟是根據以下方程式(4)來執行。
在一些實施例中,步態分析方法更包括:計算互相關係數到達最大值的一延遲時間;以及根據時間點的個數來正規化延遲時間以取得第二步態指標。
在一些實施例中,步態分析方法更包括:根據第一步態指標與第二步態指標來訓練機器學習模型,並根據機器學習模型判斷步態是否正常。
在一些實施例中,步態分析方法更包括:對加速度感測器的根和平方執行遞迴定量分析,並將遞迴圖顯示於顯示螢幕上。
以另外一個角度來說,本發明的實施例提出一種步伐分析系統,包括多個加速度感測器與一控制器。每一個加速度感測器具有多個感測軸。這些加速度感測器包括第一加速度感測器與第二加速度感測器,第一加速度感測器是對應至步態的第一腳,第二加速度感測器是對應至步態的第二腳,第一腳不同於第二腳。控制器用以接收每一個加速度感測器在感測軸所感測到的多個加速度值。對於每一個時間點與每一個加速度感測器,控制器根據對應的加速度感測器在感測軸所感測到的加速度值來計算一根和平方,根據第一
加速度感測器與第二加速度感測器的根和平方來計算一互相關係數,計算第一加速度感測器的根和平方的第一自相關係數,計算第二加速度感測器的根和平方的第二自相關係數,並且根據互相關係數、第一自相關係數與第二自相關係數來計算關於步態的第一步態指標。
在一些實施例中,控制器根據上述方程式(1)來計算互相關係數。控制器根據上述方程式(2)來計算第一自相關係數。控制器根據上述方程式(3)來計算第二自相關係數。控制器根據上述方程式(4)來計算第一步態指標。控制器還用以計算互相關係數到達最大值的一延遲時間,並根據時間點的個數來正規化此延遲時間以取得第二步態指標。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
100‧‧‧步態分析系統
111~116‧‧‧加速度感測器
120‧‧‧控制器
131、132‧‧‧腳
210、220、310‧‧‧曲線
Cc‧‧‧互相關係數
T‧‧‧延遲時間
410‧‧‧繪圖區
420‧‧‧輸入區
430‧‧‧參數設定區
501~505‧‧‧步驟
[圖1]是根據一實施例繪示步態分析系統的示意圖。
[圖2]是根據一實施例來繪示步伐分割的示意圖。
[圖3]是根據一實施例繪示計算第二步態指標的示意圖。
[圖4]是根據一實施例繪示圖形介面的示意圖。
[圖5]是根據一實施例繪示步態分析方法的流程圖。
關於本文中所使用之『第一』、『第二』、...等,並非特別指次序或順位的意思,其僅為了區別以相同技術用語描述的元件或操作。
圖1是根據一實施例繪示步態分析系統的示意圖。請參照圖1,步態分析系統100包括多個加速度感測器111~116與控制器120。在一些實施例中,控制器120可以實作為中央處理器、微處理器、微控制器、數位信號處理器、基頻處理器、影像處理晶片或特殊應用積體電路等。每個加速度感測器111~116具有垂直、前後(anterior-posterior)與內外(medio-lateral)等三軸的感測軸。然而,在其他實施例中,每個加速度感測器111~116也可以具有更多或更少個感測軸,本發明並不在此限。控制器120可以透過有線或無線的方式來接收加速度感測器111~116在上述感測軸所感到的加速度值。例如,控制器120可以無線保真(wireless fidelity,WiFi)、近場通訊(near field communication,NFC)、藍芽(Bluetooth)或其他合適的方式來取得加速度值。
加速度感測器111~116是成對地設置在人的雙腳131、132上,其中第一腳131上的加速度感測器111、113、115是分別對應至第二腳132上的加速度感測器112、114、116。具體來說,加速度感測器111、112是設置在雙側外髁上方3公分,加速度感測器113、114是設置在雙側外踝上方3公分,而加速度感測器115、116是設置在雙側足背,例如是第四塊蹠骨(metatarsal)的頭部下兩公分。然
而,上述的設置位置僅為範例,在其他實施例中這些加速度感測器也可以設置在其他合適的位置。每組成對的加速度感測器(例如加速度感測器111、112)所偵測的加速度值都可用來計算出兩個步態指標,以下將說明其計算方式。
在一些實施例中,控制器120在收集到加速度感測器111~116所偵測到的加速度值以後,會先執行一些訊號分析前處理,這些訊號分析前處理可包括濾波、去雜訊、頻率域轉換、移除極值等等。舉例來說,由於人類正常步態的頻率會集中在某一個頻帶(例如15赫茲以下),因此在一些實施例中可先將這些加速度值做傅立葉轉換,並根據巴特沃斯濾波器來濾波,其中截止頻率(cut-off frequency)可設定為15赫茲。然而,本發明並不限制訊號分析前處理的內容。
接下來,可以將這些加速度值分割為多個步伐(stride)。圖2是根據一實施例來繪示步伐分割的示意圖。請參照圖1與圖2,在圖2中的橫軸代表時間,縱軸代表加速度值的大小,曲線210、220分別對應著腳131、132。腳131、132的其中之一是設定為參考腳,另一隻則設定為對側腳,參考腳是作為一個步伐的起始點,在一些實施例中可以根據使用者的慣用手來設定參考腳。在一些實施例中使用者為中風的患者,其中一隻腳有受中風影響,另一隻則沒有,因此可以把沒有受影響的腳設定為參考腳。在一些實施例中,也可以由使用者來設定哪一隻腳為參考腳。然而,本發明並不限制設定參考腳的機制。由於腳跟著地時在垂直方
向上會有最大的加速度值,因此可以將參考腳的腳跟連續兩次著地之間的時間設定為一個步伐,然而本領域具有通常知識者當可採用任意適當的步伐切割(segmentation)演算法,本發明並不在此限。在此實施例中,每個步伐中的加速度值會被正規化為N個取樣點,而一個步伐週期是用100%來表示,其中N為正整數,例如為120個。因此,在圖2中從0%至500%表示著5個步伐週期。在一些實施例中,可以先讓使用者走一段距離(例如15公尺),並且取中間數個步伐做後續的分析。
接下來,對於步伐中的每一個時間點(共N個)與每一個加速度感測器,都可以計算出對應的根和平方。具體來說,三個感測軸上的加速度值可分別表示為向量,分別表示上述的垂直、前後、內外等三個方向的加速度值,而根和平方是根據以下方程式(1)來計算。
其中RSS為根和平方,在此以加速度感測器115、116為例,假設a1表示加速度感測器115上的根和平方,而a2表示加速度感測器116上的根和平方,a1、a2可分別表示如下方程式(2)、(3)。
a1=a1(1),a1(2),a1(3),...,a1(n),...,a1(N) …(2)
a2=a2(1),a2(2),a2(3),...,a2( n ),...,a2(N) …(3)
其中a1(1)表示在第一個時間點,根據加速度感測器115所感測的加速度值所計算出的根和平方,以此類推。接下來,可根據加速度感測器115、116的根和平方來
計算互相關係數(cross-correlation),如以下方程式(4)所示。
其中k為時間點。N為時間點的個數。Cc(k)為在時間點k的互相關係數。此外,可計算根和平方a1的自相關係數,以及根和平方a2的自相關係數,分別表示如以下方程式(5)、(6)。
Ac1(k)與Ac2(k)分別表示兩個加速度感測器115、116的自相關係數。接著,根據上述的互相關係數Cc、自相關係數Ac1與自相關係數Ac2可計算關於步態的第一步態指標,如以下方程式(7)所示。
其中max(Cc)表示互相關係數Cc(-119)~Cc(119)中的最大值。第一步態指標Ccnorm是介於0到1之間,如果接近1,表示根和平方a1與a2之間有很強的關聯,第一步態指標Ccnorm越大,表示步態的對稱性(symmetry)越好。在一些實施例中,控制器120可以在第一步態指標Ccnorm小於一個臨界值時傳送一個訊息,用以表示不好的對稱性,或者是在第一步態指標Ccnorm大於另一個
臨界值時傳送一個訊息,用以表示好的對稱性。上述的訊息可以用語音、影像、文字等方式呈現給使用者,或者是傳送至另一個電子裝置,本發明並不在此限。
在一些實施例中,還可以藉由計算互相關係數Cc到達最大值的一延遲時間,並根據正整數N來正規化此延遲時間以取得第二步態指標。圖3是根據一實施例繪示計算第二步態指標的示意圖。請參照圖3,橫軸為時間(已經過正規化),縱軸表示互相關係數Cc的大小。曲線310是在延遲時間T到達最大值,請參照以下方程式(8),此延遲時間表示為Tmax(Cc)。而正規化的步驟如以下方程式(9)所示。
Tmax(Cc)=argmax k Cc(k)…(8)
值得注意的是,第二步態指標Ts的正負號可以用來表示是參考腳落後對側腳,或者是對側腳落後參考腳。在此實施例中,第二步態指標Ts的絕對值越小表示步態越穩定。
根據上述的演算法,對於每一個步伐都可以計算出一個第一步態指標Ccnorm與一個第二步態指標Ts。在一些實施例中,可以計算多個(例如5個)步伐的步態指標,取平均以後再輸出。根據實驗的結果,相較於沒有摔倒過的人來說,中風過且有摔倒過的人有較小的第一步態指標Ccnorm與較大的第二步態指標Ts。因此,這兩個指標至少可用來辨識出中風且有摔倒過的患者。
請參照圖1,每兩個成對的加速度感測器都可以
產生第一步態指標Ccnorm與第二步態指標Ts。在一些實施例中,加速度感測器115、116的位置相對地較下方,因此可以提供比較多步態的資訊。因此,在一些實施例中可以僅輸出加速度感測器115、116所對應的第一步態指標Ccnorm與第二步態指標Ts。然而,在一些實施例中,根據加速度感測器111~114所計算出的步態指標也可用來分析步態,本發明並不在此限。
在一些實施例中,步態指標Ccnorm與步態指標Ts可用來做為特徵向量的一部份,此特徵向量可用來輸入至一個機器學習模型,根據此機器學習模型可以判斷步態是否正常。此機器學習模型可以是支持向量機(support vector machine,SVM)、類神經網路等其他適用的模型。當採用支持向量機時,所採用的支持向量機可以是線性或是非線性的。此外,除了上述兩個步態指標,其他的參數也可以加入至特徵向量中。舉例來說,在一些實施例中可以對每個加速度感測器的根和平方執行遞迴定量分析(recurrence quantification analysis,RQA),而遞迴定量分析的相關量測值,例如為回歸率(recurrence rate,RR)、百分比決定值(percent determinism,DET)、遞迴圖對角線(diagonal lines)的平均長度等都可以加入至特徵向量中。在一些實施例中,也可以計算根和平方的熵值(entropy)作為特徵向量的一部份,本發明並不在此限。
在一些實施例中,可以僅根據加速度感測器115、116的根和平方來產生特徵向量,也可以根據加速度
感測器113~116的根和平方來產生特徵向量。在一些實施例中,也可以對於每一個加速度感測器(111~116)都產生對應的特徵向量,以判斷每一個部分是否異常。舉例來說,根據加速度感測器115、116的根和平方可以計算出一個特徵向量來訓練一個第一支持向量機模型,此模型是用來判斷踝關節以下的部分是否異常;根據加速度感測器113、114的根和平方可以計算出另一個特徵向量來訓練一個第二支持向量機模型,此模型是用來判斷踝關節以上的部分是否異常。在此,踝關節以上的部分被稱為是近端部分,而踝關節及以下的部分被稱為是遠端部分。如果判斷踝關節以下的部分是正常,則表示踝關節動作控制佳,遠端的部分不需要進一步的治療或訓練,並可以再進一步判斷踝關節以上的部分是否正常。如果踝關節以上的部份是正常的,則表示近端部分動作控制佳,不需要進一步的治療或訓練;如果踝關節以上的部分異常,則表示近端部分動作控制差,需要進一步的治療或訓練。如果判斷踝關節以下的部分是異常,則表示踝關節動作控制差,遠端的部分需要進一步的治療或訓練,並可以再進一步判斷踝關節以上的部分是否正常。上述的治療或訓練可以是震動(vibration)或其他合適的療程或輔具介入,本發明並不在此限。
在一些實施例中,控制器120是電性連接至一電子裝置或是包含在電子裝置裡面。此電子裝置可以是個人電腦、伺服器、智慧型手機、平板電腦或任意形式的嵌入式系統。此電子裝置具有一顯示螢幕,控制器120會在顯示螢
幕上顯示一圖形介面,並在此圖形介面上繪示關於步態分析的相關資訊。舉例來說,圖4是根據一實施例繪示圖形介面的示意圖。在圖4的實施例中,圖形介面包括了繪圖區410、輸入區420與參數設定區430。繪圖區410中可繪示加速度值、根和平方、遞迴圖(recurrence plot)、特徵向量、步伐分析結果等,本發明並不在此限。舉例來說,可以對某一個加速度感測器的根和平方執行遞迴定量分析,並將遞迴圖顯示於繪圖區410中。輸入區420中可以提供一或多個圖形物件,讓使用者輸入要分析的檔案、所要繪示的感測軸等。參數設定區430也提供一或多個圖形物件,用以讓使用者輸入各種參數。上述的圖形物件(graphical object)可以是具有圖形介面的任意物件,例如按鈕、下拉選單、文字框或其他合適的物件。此外,圖4的圖形介面僅是一範例,本發明並不限制要如何呈現步態分析的結果。
圖5是根據一實施例繪示步態分析方法的流程圖。請參照圖5,在步驟501中,對於每一個時間點與每一個加速度感測器,根據對應的加速度感測器在感測軸所感測到的多個加速度值來計算一根和平方。在步驟502中,根據第一加速度感測器與第二加速度感測器的根和平方來計算互相關係數。在步驟503中,計算第一加速度感測器的根和平方的第一自相關係數。在步驟504中,計算第二加速度感測器的根和平方的第二自相關係數。在步驟505中,根據互相關係數、第一自相關係數與第二自相關係數來計算關於步態的第一步態指標。然而,圖5中各步驟已詳細說明如上,
在此便不再贅述。值得注意的是,圖5中各步驟可以實作為多個程式碼或是電路,本發明並不在此限。此外,圖5的方法可以搭配以上實施例使用,也可以單獨使用。換言之,圖5的各步驟之間也可以加入其他的步驟。
以另外一個角度來說,本發明也提出了一電腦程式產品,此產品可由任意的程式語言及/或平台所撰寫,當此電腦程式產品被載入至電腦系統並執行時,可執行上述的方法。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
Claims (12)
- 一種步態分析方法,適用於一步態分析系統,該步態分析系統包括多個加速度感測器,每一該些加速度感測器具有多個感測軸,該步態分析方法包括:對於每一多個時間點與每一該些加速度感測器,根據對應的該加速度感測器在該些感測軸所感測到的多個加速度值來計算一根和平方,其中該些加速度感測器包括一第一加速度感測器與一第二加速度感測器,該第一加速度感測器是對應至一步態的一第一腳,該第二加速度感測器是對應至該步態的一第二腳,該第一腳不同於該第二腳;根據該第一加速度感測器與該第二加速度感測器的該些根和平方來計算一互相關係數;計算該第一加速度感測器的該些根和平方的一第一自相關係數;計算該第二加速度感測器的該些根和平方的一第二自相關係數;以及根據該互相關係數、該第一自相關係數與該第二自相關係數來計算關於該步態的一第一步態指標。
- 如申請專利範圍第1項所述之步態分析方法,其中計算該互相關係數的步驟是根據以下方程式(1)來執行, 其中k為該些時間點的其中之一,N為該些時間點的個數,Cc(k)為在該時間點k的該互相關係數,a1(n)為該第一加速度感測器在該時間點n的該根和平方,a2(n-k)為該第二加速度感測器在該時間點(n-k)的該根和平方。
- 如申請專利範圍第2項所述之步態分析方法,其中計算該第一自相關係數的步驟是根據以下方程式(2)來執行:其中Ac1(k)為該第一自相關係數,計算該第二自相關係數的步驟是根據以下方程式(3)來執行:其中Ac2(k)為該第二自相關係數。
- 如申請專利範圍第3項所述之步態分析方法,其中計算關於該步態的該第一步態指標的步驟是根據以下方程式(4)來執行:其中Ccnorm為該第一步態指標,max(Cc)表示該些互相關係數Cc(k),k=0,±1,±2,...,±N-1中的最大值。
- 如申請專利範圍第4項所述之步態分析方法,其中該步態分析方法更包括:計算該互相關係數到達最大值的一延遲時間;以及根據該些時間點的個數來正規化該延遲時間以取得一第二步態指標。
- 如申請專利範圍第5項所述之步態分析方法,更包括:根據該第一步態指標與該第二步態指標來訓練一機器學習模型,並根據該機器學習模型判斷該步態是否正常。
- 如申請專利範圍第5項所述之步態分析方法,更包括:對該些加速度感測器的其中之一的該些根和平方執行一遞迴定量分析,並將一遞迴圖顯示於一顯示螢幕上。
- 一種步態分析系統,包括:多個加速度感測器,其中每一該些加速度感測器具有多個感測軸,該些加速度感測器包括一第一加速度感測器與一第二加速度感測器,該第一加速度感測器是對應至一步態的一第一腳,該第二加速度感測器是對應至該步態的一第二腳,該第一腳不同於該第二腳;以及一控制器,用以接收每一該些加速度感測器在該些感測軸所感測到的多個加速度值,其中對於每一多個時間點與每一該些加速度感測器,該控制器根據對應的該加速度感測器在該些感測軸所感測到的該些加速度值來計算一根和平方,根據該第一加速度感測器與該第二加速度感測器的該些根和平方來計算一互相關係數,計算該第一加速度感測器的該些根和平方的一第一自相關係數,計算該第二加速度感測器的該些根和平方的一第二自相關係數,並且根據該互相關係數、該第一自相關係數與該第二自相關係數來計算關於該步態的一第一步態指標。
- 如申請專利範圍第8項所述之步態分析系統,其中該控制器根據以下方程式(1)來計算該互相關係數,其中k為該些時間點的其中之一,N為該些時間點的個數,Cc(k)為在該時間點k的該互相關係數,a1(n)為該第一加速度感測器在該時間點n的該根和平方,a2(n-k)為該第二加速度感測器在該時間點(n-k)的該根和平方。
- 如申請專利範圍第9項所述之步態分析系統,其中該控制器根據以下方程式(2)來計算該第一自相關係數:其中Ac1(k)為該第一自相關係數,該控制器根據以下方程式(3)來計算該第二自相關係數:其中Ac2(k)為該第二自相關係數。
- 如申請專利範圍第10項所述之步態分析系統,其中該控制器根據以下方程式(4)來計算該第一步態指標:其中Ccnorm為該第一步態指標,max(Cc)表示該些互相關係數Cc(k),k=0,±1,±2,...,±N-1中的最大值。
- 如申請專利範圍第11項所述之步態分析系統,其中該控制器還用以計算該互相關係數到達最大值的一延遲時間,並根據該些時間點的個數來正規化該延遲時間以取得一第二步態指標。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106138187A TWI657800B (zh) | 2017-11-03 | 2017-11-03 | 步態分析方法與系統 |
US15/826,629 US20190133493A1 (en) | 2017-11-03 | 2017-11-29 | Method and system for analyzing gait |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106138187A TWI657800B (zh) | 2017-11-03 | 2017-11-03 | 步態分析方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI657800B true TWI657800B (zh) | 2019-05-01 |
TW201918225A TW201918225A (zh) | 2019-05-16 |
Family
ID=66326460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106138187A TWI657800B (zh) | 2017-11-03 | 2017-11-03 | 步態分析方法與系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20190133493A1 (zh) |
TW (1) | TWI657800B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI757022B (zh) * | 2020-02-14 | 2022-03-01 | 謝基生 | 基於α型多光譜影像分析步態足印的系統與方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10588814B1 (en) | 2018-06-14 | 2020-03-17 | Atti International Services Company, Inc. | Enhanced visual and audio cueing system for rollators |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110218463A1 (en) * | 2008-11-14 | 2011-09-08 | European Technology For Business Limited | Assessment of Gait |
CN103400123A (zh) * | 2013-08-21 | 2013-11-20 | 山东师范大学 | 基于三轴加速度传感器及神经网络的步态类型鉴别方法 |
CN106510721A (zh) * | 2016-12-12 | 2017-03-22 | 施则威 | 行走平衡评价方法及装置、行走平衡监测方法及*** |
-
2017
- 2017-11-03 TW TW106138187A patent/TWI657800B/zh active
- 2017-11-29 US US15/826,629 patent/US20190133493A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110218463A1 (en) * | 2008-11-14 | 2011-09-08 | European Technology For Business Limited | Assessment of Gait |
CN103400123A (zh) * | 2013-08-21 | 2013-11-20 | 山东师范大学 | 基于三轴加速度传感器及神经网络的步态类型鉴别方法 |
CN106510721A (zh) * | 2016-12-12 | 2017-03-22 | 施则威 | 行走平衡评价方法及装置、行走平衡监测方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI757022B (zh) * | 2020-02-14 | 2022-03-01 | 謝基生 | 基於α型多光譜影像分析步態足印的系統與方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190133493A1 (en) | 2019-05-09 |
TW201918225A (zh) | 2019-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Montanini et al. | A footwear-based methodology for fall detection | |
US20200245900A1 (en) | Systems and methods for real-time data quantification, acquisition, analysis, and feedback | |
US20180177436A1 (en) | System and method for remote monitoring for elderly fall prediction, detection, and prevention | |
JP6359343B2 (ja) | 動作情報処理装置及び方法 | |
US20140330171A1 (en) | Method and device for monitoring postural and movement balance for fall prevention | |
Gopalai et al. | A wearable real-time intelligent posture corrective system using vibrotactile feedback | |
Stenum et al. | The effect of walking speed on local dynamic stability is sensitive to calculation methods | |
JP6433805B2 (ja) | 運動機能診断装置及び方法、並びにプログラム | |
JP6649323B2 (ja) | 歩行解析システム及び方法 | |
JP6535778B1 (ja) | 運動能力評価システム | |
Caldara et al. | A novel body sensor network for Parkinson's disease patients rehabilitation assessment | |
JP2017202236A (ja) | 歩行分析方法及び歩行分析装置 | |
TWI657800B (zh) | 步態分析方法與系統 | |
US20200375503A1 (en) | Lower limb muscle strength evaluation method, non-transitory computer-readable recording medium storing lower limb muscle strength evaluation program, lower limb muscle strength evaluation device, and lower limb muscle strength evaluation system | |
JP6281876B2 (ja) | 運動器評価システム及び運動器評価方法 | |
González et al. | Estimation of temporal gait events from a single accelerometer through the scale-space filtering idea | |
Eltoukhy et al. | Concurrent validity of depth-sensing cameras for noncontact acl injury screening during side-cut maneuvers in adolescent athletes: A preliminary study | |
Nazarahari et al. | Foot angular kinematics measured with inertial measurement units: A reliable criterion for real-time gait event detection | |
US20210186436A1 (en) | Joint disorder risk evaluation device, system, method, and program | |
JP2008161228A (ja) | 歩行解析システム | |
Kobsar et al. | Validity of a novel method to measure vertical oscillation during running using a depth camera | |
Dell'Acqua et al. | An assistive tool for monitoring physical activities in older adults | |
CN107242853A (zh) | 腰部活动风险评估和监测设备 | |
Jeon et al. | The smart shoes providing the gait information on IoT | |
JP7455991B2 (ja) | 情報処理装置、および情報処理方法 |