一种步态参数的采集方法及设备与流程

本发明涉及步态研究技术领域，特别涉及步态参数采集的采集方法及设备。

背景技术：

步态是指人或动物通过肢体运动并前进的一种周期性的形式和样子。(如行走，奔跑，脚步移动等)。不同文献对步态的定义有所不同，在本文中，步态就是描述走路特点的一种周期性现象，并且每个周期可以被分为多个部分进行研究和分析。

步态的研究和分析是对人类运动功能的综合研究，包括对人类运动特征的测量、描述和数量的评估。通过对步态的分析和研究，可以识别出步态周期，计算出步态运动学和动力学参数等。因此，近年来，相关步态的研究在运动训练、疾病诊断、康复医疗、身份识别等方面都起到了非常重要的作用和应用。例如，在一些运动训练中，可以应用步态分析来分析出运动员在训练过程中出现的一些问题，然后帮助他们提成成绩；在疾病诊断中，应用步态分析来判断一些骨科或者神经性疾病，如中风等；在康复医疗中，可以应用步态分析来监护病人的治愈过程；在生物医疗工程中，步态分析已经成为一种基本的辅助方法来识别人的运动特征；在身份识别中，不同的人，在步态风格的微小变化可以被用作生物标识符来识别个体的人。

综上所述，如何方便、快捷、低廉、准确的采集步态数据(尤其是步态参数)成为步态研究领域的重点。而目前采集步态数据的方法主要有：

①基于计算机视觉的方法

此方法需要限定在布置摄像头的特定环境中使用，设备成本较高，且不利于保护个人隐私。

②基于肌电信号传感器的方法

此方法通过分析人体自然行走过程中下肢前后肌群的表面肌电变化,并且需要在下肢多处肌肉处均捆绑测量电信号的贴片，使用起来也不方便。

③基于压力测试板的方法

此方法需要限定在布置压力测试板的特定环境中使用，安装难度大，设备成本较高。

技术实现要素：

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种步态参数的采集解决方案。

根据本发明的一个方面，提供了一种步态参数的采集方法，包括：

1)获取左、右脚的声音信号曲线，所述左、右脚的声音信号曲线是在被测者行走过程中，固定在被测者左脚的左脚步态数据采集装置和固定在被测者右脚的右脚步态数据采集装置分别采集到的随时间变化的声音信号曲线；

2)根据峰值检测算法提取出该声音信号曲线中表征节点足触地声音的峰值位置和非节点足触地声音的峰值位置，然后计算每一步的步距L_sd＝V_声(t₂-t₁)；

其中,V_声为声音在空气中传播的速度，t₁和t₂分别是固定在不同脚的步态数据采集装置采集到同一次单脚触地所发出的声音的时刻，其中，t₂为采集到非节点足触地声音的时间，t₁为采集到节点足触地声音的时间；对于左脚步态数据采集装置，左脚就是节点足，右脚就是非节点足，对于右脚步态数据采集装置，右脚就是节点足，左脚就是非节点足。

其中，所述步骤2)中，根据声音信号曲线计算每一步的步距的方法包括：

21)对于每条声音信号曲线，分别通过峰值检测算法进行检测，提取出峰值位置及其对应的时刻；其中，声音信号曲线包括左脚采集节点的声音信号曲线和右脚采集节点的声音信号曲线；

22)对于每个峰值位置，通过其频谱范围判别该峰值位置是否为脚触地的声音信号；

23)当多个脚触地的声音对应的峰值位置距离接近时，将这些脚触地的声音对应的峰值组合成代表同一步的一个峰值组，从而得出每条声音信号曲线中代表每一步的峰值组，同时选择代表每一步的峰值位置；

24)进一步判断各个峰值位置是节点足还非节点足触地的声音，从而得出每一步的所述的t₂和t₁；

25)根据步距L_sd＝V_声(t₂-t₁)，计算每一步的步距。

其中，所述步骤21)中，所述峰值检测算法采用差分法、阈值法、小波法、或者句法检测法。

其中，所述步骤22)中，对于每个峰值位置，检测其频率范围，如果频率范围涵盖从低频到高频的频段，则判断该峰值位置对应于脚触地的声音，如果频率范围仅限于低频频段，则判断该峰值位置对应于风声。

其中，所述步骤23)中，选择代表每一步的峰值位置的方式是：对于每一步，均选择其对应的峰值组中的第一个峰值位置，或者均选择其对应的峰值组中的最后一个峰值位置作为代表该步的峰值位置；

所述步骤24)还包括：对于同一声音信号曲线的两个相邻峰值组，当这两个峰值组之间具有风声，且后一个峰值组的信号强度大于前一个峰值组的信号强度时，判定后一个峰值组对应于节点足触地的声音，前一个峰值组对应于非节点足触地的声音，进而判断出各个峰值位置是节点足还非节点足触地的声音。

其中，所述步骤2)还包括：获取被测者的步宽L_sw，根据步宽和所计算出的每一步的所述步距L_sd，计算出每一步的步长

其中，所述步骤2)中，获取步宽的方法包括：提示用户原地踏步，利用左脚步态数据采集装置和右脚步态数据采集装置分别采集用户原地踏步过程中的声音信号曲线，并计算原地踏步过程中的每一步的所述步距L_sd，将原地踏步过程的步距L_sd的平均值作为所述步宽。

其中，所述步骤2)还包括：基于所述声音信号曲线，以及根据峰值检测算法提取出该声音信号曲线中表征节点足触地声音的峰值位置和非节点足触地声音的峰值位置，计算步数、步频、步速、步行距离、步行时间、单步时间和步态周期中的一项或多项。

其中，所述步骤2)还包括：根据基于所述声音信号曲线，以及根据峰值检测算法提取出该声音信号曲线中表征节点足触地声音的峰值位置和非节点足触地声音的峰值位置；以及被测者行走过程中左脚步态数据采集装置和右脚步态数据采集装置采集到的对地面的超声测距信号，计算支撑初期、支撑中期、支撑末期、摆动期和足廓清中的一项或多项。

根据本发明的另一个方面，还提供了一种步态参数的采集设备，包括：分别固定在被测者左、右脚的左脚步态数据采集装置和右脚步态数据采集装置，以及与左脚步态数据采集装置和右脚步态数据采集装置均互联的步态参数分析设备；

所述左脚步态数据采集装置和右脚步态数据采集装置用于在被测者行走过程中，分别采集随时间变化的声音信号曲线；

所述步态参数分析设备用于获取所述随时间变化的声音信号曲线，根据峰值检测算法提取出该声音信号曲线中表征节点足触地声音的峰值位置和非节点足触地声音的峰值位置，然后计算每一步的步距L_sd＝V_声(t₂-t₁)；

其中,V_声为声音在空气中传播的速度，t₁和t₂分别是固定在不同脚的步态数据采集装置采集到同一次单脚触地所发出的声音的时刻，其中，t₂为采集到非节点足触地声音的时间，t₁为采集到节点足触地声音的时间；对于左脚步态数据采集装置，左脚就是节点足，对于右脚步态数据采集装置，右脚就是节点足。

与现有技术相比，本发明的优点在于：

1、本发明可以检测和采集人体时的步态特征数据，对数据进行处理分析，计算出步长，步速，步幅，步态周期等步态参数。

2、本发明的采集装置为可穿戴装置，具有低廉、方便、快捷等优点。

3、本发明不需要在特定环境中使用，特别适合于监测人的日常行走过程的步态。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1是根据本发明的一个实施例的步态采集和分析设备工作原理的示意图；

图2是根据本发明的一个实施例的步态采集节点的模块示意图；

图3是根据本发明的一个实施例的将步态采集设备预装在鞋上的示意图；以左脚鞋为例，从左到右，步态采集设备的位置分别位于鞋的外侧、前侧、后侧、底部前、底部中、底部后；

图4是根据本发明的一个实施例的将步态采集设备佩戴在脚踝处的示意图；以右脚为例，从左到右，步态采集设备分别被佩戴在脚踝的外侧、后侧、前侧；

图5是根据本发明的一个实施例的步态距离参数说明示意图；

图6是根据本发明的一个实施例的步态周期参数说明示意图；

图7是根据本发明的一个实施例的步态支撑期足跟、足掌、足尖、足趾触地示意图；

图8是根据本发明的一个实施例的步态期间声音能量曲线的示意图；

图9是根据本发明一个实施例的左脚采集节点和右脚采集节点各自的声音信号曲线的局部放大对比图；其中上半部分为左脚节点采集到的声音信号，下半部分为右脚节点采集到的声音信号。

具体实施方式

下面结合附图和具体实施方式对本发明作详细说明。

根据本发明的一个实施例，提供了一种仅需使用可穿戴传感器来实现步态参数采集的方法。该方法中，单独使用可穿戴的声传感器采集步态数据，然后根据所采集的声学步态数据，基于一定的算法，对数据进行处理分析，从而计算出诸如步长、步速、步幅、步态周期等步态参数。

该实施例中，涉及基于声传感器的可穿戴步态数据采集装置和与智能终端这两个功能实体。其中，可穿戴步态数据采集装置包括能够采集声波信号的麦克风单元和能够发射和接收超声波信号的超声测距单元。并且，可穿戴步态数据采集装置能够将采集到的数据传输至用于处理信号的智能终端。智能终端作为本实施例的步态数据分析端，它可以是普通PC，也可以是移动智能终端，例如智能手机、PDA等。

图1示出了本实施例的步态数据采集装置和步态数据分析端的示意图。其中，步态数据采集装置包括左脚步态数据采集节点和右脚步态数据采集节点。图2示意性地示出了步态数据采集节点的模块组成图。参考图2，每个步态数据采集节点包括存储单元、微处理器(MCU)、电源单元、无线收发单元(主要用于与步态数据分析端连接并发送采集节点的数据给步态数据分析端，可以是例如蓝牙或者WIFI或者电信网络等)、信号采集器(可以是例如能够同时接收普通声波和超声波的麦克风)、信号发射器(例如带有超声发射功能的麦克风)。在具体实现上，可以根据实际情况，使用硬件尺寸较小、能够节约空间的信号采集器和信号发射器来实现采集声波信号的麦克风单元和能够发射和接收超声波信号的超声测距单元这两个功能实体，例如在实际实现时，超声测距单元可以和麦克风单元合二为一。在采集数据时，由信号采集器(例如麦克风)采集声音信号和超声信号，所采集到的信号发送到MCU进行处理。另外，MCU还用于对无线收发单元收发的数据、存储单元数据的进出等进行调度。

下面，进一步介绍本实施例的步态参数采集方法，该方法包括下列步骤：

步骤1：将左脚步态数据采集节点和右脚步态数据采集节点分别固定在被测人的左脚和右脚。在双足(本文中“足”和“脚”的意思相同，二者可以互相替换)上同时使用两个步态数据采集设备节点，将左右脚的数据进行分析融合，可以获得比单足测量方式更准确的信息。具体地，可以将步态数据采集节点穿戴在鞋底处的不同位置，参考图3所示，步态数据采集节点可以在生产鞋时预装在鞋里，a表示步态数据采集节点，可以看出预装位置可以是鞋帮的前侧、外侧或后侧，也可以是鞋底的靠近前脚掌处、中部或者靠近脚跟处。优选地，左脚步态数据采集节点和右脚步态数据采集节点佩戴在左右脚的对称位置上。另外，步态数据采集节点中的信号采集器和信号发射器也可以分开布置，例如信号采集器预装在鞋底，信号发射器预装在鞋帮的后侧。

在另一个实施例中，步态数据采集节点也可以是独立与鞋子的装置，独立的步态数据采集节点可以穿戴在双脚脚踝处。如图4所示，步态数据采集节点a可以用松紧绷带b固定在脚踝外侧、后侧或前侧。优选地，左脚步态数据采集节点和右脚步态数据采集节点佩戴在左右脚的对称位置上。双脚穿戴上步态数据采集节点后，可以根据需要调整松紧绷带，使其紧紧固定在足部，不发生移动。这种佩戴方式有利于用户穿戴的舒适度，同时也能够很好地使步态数据采集节点与足部固定，进而步态参数采集的准确性。应注意的是当将步态采集设备佩戴在脚踝前侧时，由于超声波信号受脚面的阻挡和干扰，会对采集和计算足廓清参数有影响，故当采用这种佩戴方式时，可能会难以采集和计算足廓清参数。而如果将步态采集设备穿戴在脚踝内侧，可能会对正常行走带来影响，进而影响步态及采集到的步态参数。

在进行步态数据采集时，将采集设备(节点)上电开机，双足节点程序启动，在被测对象开始行走后，采集被测对象的步态行走数据。

步骤2：在被测人行走过程中，左脚步态数据采集节点和右脚步态数据采集节点分别采集由于脚步行走而产生的声音信号以及超声测距信号。所采集的声音信号和超声测距信号实时地通过无线收发单元传送给步态数据分析端，步态数据分析端接收声音信号和超声测距信号，并根据这些信号计算步态参数。

下面结合一个实施例详细说明计算步态参数的方法。本实施例中，可以计算的步态参数包括步距、步长、步宽、步幅、步数、步频、步速、步行距离、步行时间、单步时间、步态周期、支撑期、摆动期以及足廓清。

图5示出了步距、步长、步宽、步幅等步态参数的示意图。其中，步距(step distance)是：行走时左右足跟(或足尖)先后着地时两点间的直线距离。由于行走时前足跟落地时，后足还在支撑期(即所谓的步行双支撑期)，因此，穿戴在后足的采集节点能够拾取由于前后足跟落地时的声音信号。所以，步距L_sd的计算方法是:

L_sd＝V_声(t₂-t₁)

其中,V_声为声音在空气中传播的速度，即340m/s；

t₁和t₂分别是两个不同采集节点采集到同一次单脚触地所发出的声音的时刻。其中，t₂为采集到非节点足触地声音的时间；为便于描述，下文中将步态数据采集节点简称为采集节点。非节点足是相对于采集节点而言的，对于左脚采集节点，右脚就是非节点足，对于右脚采集节点，左脚就是非节点足。t₁为采集到节点足触地声音的时间；对于左脚采集节点，左脚就是节点足，对于右脚采集节点，右脚就是节点足。

当右脚触地时，右脚采集节点首先接收到本次触地的声音信号，即记录下了采集到节点足触地声音的时间t₁，片刻后，左脚采集节点也会接收到本次触地的声音信号，即记录下了采集到非节点足触地声音的时间t₂。这样就可以计算出右脚迈出的步距。同理，当左脚触地时，左脚采集节点首先接收到本次触地的声音信号，即记录下了采集到节点足触地声音的时间t₁，片刻后，右脚采集节点也会接收到本次触地的声音信号，即记录下了采集到非节点足触地声音的时间t₂。这样就可以计算出左脚迈出的步距。

本实施例中，右脚采集节点和左脚采集节点会各自采集声音信号，声音信号是以声音能量(或声强)随时间变化的曲线的形式呈现，如图8所示，因此本文中也将声音信号称为声音信号曲线。在声音信号曲线中，足触地声音对应于曲线中的峰值。对于每个采集节点来说，其声音信号曲线中既包含节点足触地声音对应的峰值也包含非节点足触地声音对应的峰值。图9示出了一个例子中的左脚采集节点和右脚采集节点各自的声音信号曲线的局部放大对比图。参考图9，每一步通常会产生两个比较明显的触地声音，一个是足跟触地的声音，一个是前脚掌触地的声音。因此，本实施例中，计算步距的具体方法包括：

步骤201：对于左脚采集节点的声音信号曲线以及右脚采集节点的声音信号曲线，分别通过峰值检测算法进行检测提取出峰值位置及其对应的时刻。本实施例中，峰值检测算法采用差分法，具体可参考：张爱华，王平，丑永新.基于动态差分阈值的脉搏信号峰值检测算法.《吉林大学学报:工学版》,2014,44(3):847-853。此处不再赘述。

步骤202：对于每个峰值位置，通过其频谱范围判别是否为脚触地的声音信号。发明人发现，对于峰值检测算法所提取的峰值来说，主要干扰是风声造成的峰值(如图9所示，其中虚线框示出的就是风声对应的峰值)。而风声的频谱范围通常仅限于低频，因此，本实施例中通过检测每个峰值位置的频谱饱满程度即可判断该峰值位置是否为脚触地的声音。脚步声本质上一种撞击声，故声音频率从低频到高频比较饱满。

步骤203：识别出脚跟(或脚尖)触地声音对应的峰值位置。对于所识别出的脚步声(即脚触地的声音)对应的峰值位置，当多个脚步声对应的峰值位置距离接近(即横坐标轴上的位置接近，即时间接近)时，将这些脚步声作为同一步中脚的不同部位触地的声音，同一步的脚的不同部位触地的声音在声音信号曲线中表现为一组峰值，本实施例中称为峰值组。在划分出峰值组后，将该峰值组中第一次出现的峰值位置作为该步的脚跟触地声音，将该峰值组中最后一次出现的峰值位置作为该步的前脚掌触地声音。其中，前脚掌触地声音也可以被认为是足尖落地的声音，这与每个人的行走习惯相关。在图9的例子中，每一步包括脚跟触地声音和前脚掌触地声音，但在其他例子中，每一步可能包括更多的触地声音，例如：包括脚跟触地声音、脚掌触地声音和脚尖触地声音，甚至有时还会包括脚尖蹬地的声音(例如在跑步时)。虽然人的步行习惯多种多样，但是基于本文的描述，本领域技术人员易于理解，取峰值组中的第一个峰值位置或者最后一个峰值位置，即可完成步距的计算。

步骤204：进一步判断各个峰值位置是节点足还非节点足触地的声音。本实施例中，基于两个依据进行判别，其一是节点足触地的声音通常大于非节点足触地的声音，其二是在节点足触地前通常具有风声，这是因为节点足落地前处于摆动状态，此时位于该足的采集节点能够接收到摆动过程中的风声。因此，本实施例中，对于同一声音信号曲线的两个相邻峰值组，当这两个峰值组之间具有风声，且后一个峰值组的信号强度大于前一个峰值组的信号强度时，判定后一个峰值组为节点足触地的声音，前一个峰值组为非节点足触地的声音。

步骤205：综合左右脚采集节点的声音信号曲线，提取出同一步的足跟触地声音(或足尖触地声音)在两个声音信号曲线中的采集时刻，从而得到节点足触地声音的时间t₁和采集到非节点足触地声音的时间t₂，然后根据前述公式，即步距L_sd＝V_声(t₂-t₁)计算出每一步的步距。参考图9，可以看出非节点足触地声音会略微晚于足节点足触地声音。

步宽(step width)是：左右两足间的横向距离，通常以足跟中点为测量点。步宽是反映步态稳定性的指标，步宽越窄，步态的稳定性越差。由于正常人原地踏步时两脚间的步宽和其正常步行时两脚间的步宽是基本相等的。所以，本实施例中，在开始采集数据之前，可以在被测者双脚分别佩戴上采集节点后，提示被测者先原地踏步几步，这样，根据计算步距的方法，即可直接得到每步的步宽，然后取这几步踏步的平均值，即可得到被采集者的步宽L_sw：

$L_{sw}=\frac{L_{sd1}+L_{sd2}+...+L_{sdn}}{n}$

其中，L_sd1为第1步原地踏步的步距；

L_sd2为第2步原地踏步的步距；

L_sdn为第n步原地踏步的步距；

n为原地踏步的步数。

步长(step length)是：行走时左右足跟(或足尖)先后着地时两点间的纵向直线距离。如图5所示，在已知步距和步宽的情况下，可由勾股定理计算步长L_sl：

$L_{sl}=\sqrt{{L_{sd}}^2-{L_{sw}}^2}$

步幅(stride)是：同一侧足跟前后连续两次着地点间的纵向直线距离，它相当于左、右两个步长相加，人的步长一般约为100～160cm。如图5所示，计算步幅L_stride：

L_stride＝L_sl左+L_sl右

其中L_sl左和L_sl右分别是左步长(迈出左脚的步长)和右步长(迈出右脚的步长)。

步数(step number)是：步行时左右足总共迈出的数量。在步行过程中，双足均佩戴采集节点，采集节点可以根据采集到的步行声音信号，采用相关的峰值检测算法，计算全部的峰值组(峰值组已在前文中介绍，此处不再赘述)的数量，即为步数。

步频(step frequency)：单位时间内行走的步数称为步频，是衡量脚步快慢的参数。正常人平均自然步频约为95～125steps/min。根据图8所示，在步行过程中，双足均佩戴本发明所述的采集节点，采集节点可以根据采集到的步行声音信号，采用相关的峰值检测算法，计算步数n。步行期间根据声音信号峰值对应的时间，即可计算得到步数对应的时间t。所以，步频

f_step＝n/t

步速(step velocity)：单位时间内行走的距离称为步行速度。正常人平均自然步速约为1.2m/s左右。如果已知步幅和步频，则步速如下：

如果步数n能被2整除，即走了偶数倍数量的步，

则步速V_step＝L_stride.f_step

如果步数n不能为2整除，即走了奇数倍数量的步，此时，当最后一步左脚迈出，

则步速

当最后一步右脚迈出，则步速

其中：t_step为步行时间；L_sl左为左步长；L_sl右为右步长。

步行距离(step range)：从迈步开始点为起点至双脚同时停止时为终点的行的长度，步行距离D_step.t_step。其中，t_step为步行时间；V_step为步速。

步行时间(step time)：从迈步开始点(起点)至双脚同时停止(终点)的步行的时间长短。在一个例子中，其计算方法是，当双足迈步时，同时启动双足的采集节点程序，即开始计时。行走过程中，双足声音采集节点不断采集声音数据。当步行停止，根据声音信号峰值检测，得到最后一步峰值对应的时间，即为步行时间。

单步时间(single step time)：步行周期中迈一步所需要的时间，即从一侧下肢足跟首次着地至对侧下肢足跟再次着地为止所用时间。其计算方法是，行走时前足跟落地时，后足还在支撑期(即所谓的步行双支撑期)，穿戴在后足的采集节点能够拾取由于前后足跟落地时的声音信号。所以，单步时间T_single＝t₂-t₁。其中，t₂为非节点足触地声音采集时的时间；t₁为节点足触地声音采集时的时间。详细解释可参考前文中对计算步距公式的描述，此处不再赘述。

步态周期(gait cycle)：在行走时，一侧足跟着地到该侧足跟再次着地的过程被称为一个步行周期。其计算方法是，行走时，同一只足跟落地时，穿戴在足部的采集节点能够拾取足跟落地时的声音信号。根据相应的声音峰值检测方法，可以提出峰值，连续两个峰值对应的时间差，即为步态周期。

支撑初期(可分为左、右支撑初期)：左(或者右)足跟着地到左(或者右)全足放平时期。在此时期，左或者右足底吸收地面的冲击，并开始承重，也称缓冲期。该时期通常约占用步态周期的15％的时间段。如参考图6、图7和图8所示，其计算方法是，行走时，同一侧足跟落地时，穿戴在足部的采集节点能够拾取足部相关部位落地时的声音信号，同侧全足放平，一般来说会伴随着如图7所示三个声音动作：足跟着地、足掌着地和足尖着地。根据相应的声音峰值检测方法，可以提取出足跟落地、足掌着地和足尖着地的峰值，将足掌着地和足尖着地的峰值对应的时间减去足跟落地的峰值对应的时间，即对应的时间差，就是支撑初期。

支撑中期(可分为左、右支撑中期)：左(或者右)全足放平到左(或者右)足跟离地时期。在此时期，身体全部体重转移到支撑足。该时期通常约占用步态周期的30％的时间段。全足放平的时间可以通过声音峰值检测方法计算(参考支撑初期计算方法)，足跟离地的时间，通过穿戴在足部的采集节点的超声测距模块，判断距离地面的距离是否超过预设阈值来判断(实际应用时，一般是利用一个阈值来判断，该阈值并非是零)，如果距离刚刚超过预设阈值，则表示此时就是足跟离地时间。全足放平到该足足跟离地的时间差，即为支撑中期。

支撑末期(可分为左、右支撑末期)：左(或者右)足跟离地到左(或者右)趾离地时期。此间，身体重量逐步向对侧转移，并产生蹬地动作，推动身体向前。该时期通常占用步态周期的15％的时间段。足跟离地的时间，可以通过穿戴在足部的采集节点的超声测距模块来计算(参考支撑中期计算方法)，足趾离地时，根据足趾与地面蹬踏时产生的声音信号(如图7所示)，可以根据峰值检测的方法，计算出对应的时间。足跟离地到足趾离地的时间差，即为支撑末期。

摆动期(可分为左、右摆动期)：在左(或者右)足趾离地至左(或者右)足跟着地前的活动，主要动作是下肢前向运动减速，准备足着地的姿势。该时期通常占用步态周期的约10％的时间段。由足趾离地(参考支撑末期)和足跟着地(参考支撑初期)的计算方法，可以计算足趾离地到下一次该足足跟着地的时间差，即为摆动期。

足廓清：指的是脚摆动过程中脚与地面之间的最大间隙。根据穿戴在足部的采集节点的超声测距模块，可以计算在脚摆动过程中该脚距离地面的最大距离。

根据本发明的方法，可以仅通过声音和超声采集装置来采集数据，并通过对所采集数据的简单的计算而获得包括步距、步宽、步长、步数、步频、步速、步行距离、步行时间、单步时间、步态周期、以及脚的支撑初期(左、右)、支撑中期(左、右)、支撑末期(左、右)、摆动期(左、右)、和足廓清在内的各种步态数据。由此，这种通过计算来获得所需步态数据的方法，能够降低数据采集的复杂度，从而提高数据采集的效率，并且能够通过准确地计算出所需的步态数据。并且，由于减少了所需采集的数据种类，可以采用计算机模块或者其他计算设备来实现对数据的计算过程，而不需要预设复杂的采集环境，由此降低数据采集的所需成本。

此外，本发明所使用的数据采集装置可以采用能够采集声音和超声信号的例如麦克风的小体积装置。因此，可以可穿戴地使用所述数据采集装置，以进一步方便采集步态数据。并且，还可采用价格相对低廉的装置以进一步节约在采集装置上所消耗的成本。

需要指出的是，在一些实施例中，采集装置可以仅包括麦克风单元，即该采集装置不包含超声测距单元。依靠采集装置中麦克风单元所采集的声音数据，仍然能够测出步距、步宽、步长、步数、步频、步速、步行距离、步行时间、单步时间、步态周期等步态参数。

在一些实施例中，可以采用差分法以外的其他峰值检测算法来从声音信号曲线中提取峰值位置。例如：阈值法，可参考文献：Patrick S.Hamilton,Willis J.Tompkins.Quantitative investigation of QRS detection rules using MIT/BIH Arrhythmia database.IEEE Transactions on Biomedical Engineering33(12):1157-1165·January 1987；小波法，可参考文献：AG Ramakrishnan，S Saha.ECG coding by wavelet-based linear prediction.《IEEE Transactions on Biomedical Engineering》,1997,44(12):1253-61；或者句法检测，可参考文献：SL Horowitz.A syntactic algorithm for peak detection in waveforms with applications to cardiography.《Communications of the Acm》,1975,18(5):281-285。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管上文参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。