冻结步态识别方法和装置及步态检测仪与流程

本发明实施例涉及步态识别技术领域，尤其涉及一种冻结步态识别方法和装置及步态检测仪。

背景技术

步行，即徒步行走，主要是通过下肢是人体位移的一种复杂的运动。步行是人类基本的活动方式之一，人体步态是指人体步行过程中所有的动作、所表现的姿态及行为特征。人体步态识别对各个领域均具有显著的意义，如体育运动、生物识别、康复治疗以及健康诊断等领域。例如，在健康诊断方面，步态识别可以判断是否患病以及区分患者的症状等。其中，对于很多疾病，如帕金森病(parkinson’sdisease，以下简称pd)等，都会引发患者异常步态，随着病情的加剧，患者会有较大概率出现慌张步态、步态冻结、起步难等问题。通过异常步态识别，如冻结步态识别可以为判断是否患有pd等疾病以及评价患病情况提供很好的依据。

在实现本申请的过程中，发明人发现相关技术存在以下技术问题：现有的判断冻结步态的方法存在很多误判的情况，准确度低。

技术实现要素：

本发明的主要目的在于提供一种冻结步态识别方法和装置及步态检测仪，可以有效的减少误判，提高判断冻结步态准确度。

本发明实施例公开了如下技术方案：

为解决上述技术问题，本发明实施例提供了一种冻结步态识别方法，所述方法包括：

接收步态信息；

根据所述步态信息，确定下肢动力学参数；

判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件；

当所述下肢动力学参数满足第一预设条件、第二预设条件及第三预设条件中的任意一个时，确定步态为冻结步态。

在一些实施例中，所述下肢动力学参数包括下肢运动参数及足底压力参数，所述下肢运动参数包括下肢的加速度和/或下肢的角速度。

在一些实施例中，所述判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：

根据所述下肢运动参数及所述足底压力参数确定站立相及摆动相；

将所述下肢运动参数进行频谱分析，得到异常步态频段的能量及正常运动频段的能量；

判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

在一些实施例中，所述第一预设条件为：所述站立相与所述摆动相的第一比值大于第一预设阈值；

所述第二预设条件为：所述异常步态频段的能量与所述正常运动频段的能量的第二比值大于第二预设阈值；

所述第三预设条件为：所述第一比值小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述第二比值小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值。

在一些实施例中，所述判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：

获取冻结步态的样本数据；

根据所述样本数据对分类模型进行训练，已得到训练后的分类模型；

根据所述训练后的分类模型，判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

为解决上述技术问题，本发明实施例还提供了一种冻结步态识别装置，所述装置包括：

步态信息接收模块，用于接收步态信息；

下肢动力学参数确定模块，用于根据所述步态信息，确定下肢动力学参数；

判断模块，用于判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件；

冻结步态确定模块，用于当所述下肢动力学参数满足第一预设条件、第二预设条件及第三预设条件中的任意一个时，确定步态为冻结步态。

在一些实施例中，所述下肢动力学参数包括下肢运动参数及足底压力参数，所述下肢运动参数包括下肢的加速度和/或下肢的角速度。

在一些实施例中，所述判断模块具体用于：

根据所述下肢运动参数及所述足底压力参数确定站立相及摆动相；

将所述下肢运动参数进行频谱分析，得到异常步态频段的能量及正常运动频段的能量；

判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

在一些实施例中，所述第一预设条件为：所述站立相与所述摆动相的第一比值大于第一预设阈值；

所述第二预设条件为：所述异常步态频段的能量与所述正常运动频段的能量的第二比值大于第二预设阈值；

所述第三预设条件为：所述第一比值小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述第二比值小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值。

在一些实施例中，所述判断模块判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：

获取冻结步态的样本数据；

根据所述样本数据对分类模型进行训练，已得到训练后的分类模型；

根据所述训练后的分类模型，判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

为解决上述技术问题，本发明实施例还提供了一种步态检测仪，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：

接收步态信息；

根据所述步态信息，确定下肢动力学参数；

判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件；

当所述下肢动力学参数满足第一预设条件、第二预设条件及第三预设条件中的任意一个时，确定步态为冻结步态。

在一些实施例中，所述下肢动力学参数包括下肢运动参数及足底压力参数，所述下肢运动参数包括下肢的加速度和/或下肢的角速度；

所述至少一个处理器执行判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：

根据所述下肢运动参数及所述足底压力参数确定站立相及摆动相；

将所述下肢运动参数进行频谱分析，得到异常步态频段的能量及正常运动频段的能量；

判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

在一些实施例中，所述第一预设条件为：所述站立相与所述摆动相的第一比值大于第一预设阈值；

所述第二预设条件为：所述异常步态频段的能量与所述正常运动频段的能量的第二比值大于第二预设阈值；

所述第三预设条件为：所述第一比值小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述第二比值小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值。

在一些实施例中，所述至少一个处理器执行判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：

获取冻结步态的样本数据；

根据所述样本数据对分类模型进行训练，已得到训练后的分类模型；

根据所述训练后的分类模型，判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

在一些实施例中，所述冻结步态识别系统还包括：步态信息采集装置，所述步态信息采集装置与所述至少一个处理器连接；

所述步态信息采集装置用于采集步态信息，并将所述步态信息发送至所述至少一个处理器；

其中，所述步态信息采集装置包括至少一个惯性传感器及至少一个压力传感器，所述至少一个处理器分别与所述至少一个惯性传感器及所述至少一个压力传感器连接；

所述步态信息包括第一步态信息及第二步态信息；

所述至少一个惯性传感器用于采集第一步态信息，并将所述第一步态信息发送至所述至少一个处理器，所述第一步态信息用于确定所述下肢运动参数；

所述至少一个压力传感器用于采集第二步态信息，并将所述第二步态信息发送至所述至少一个处理器，所述第二步态信息用于确定所述足底压力参数。

为解决上述技术问题，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上所述的冻结步态识别方法。

为解决上述技术问题，本发明实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的冻结步态识别方法。

本发明实施例通过判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件，来确定步态是否为冻结步态，从而有效的减少误判，提高判断冻结步态准确度，进而为判断是否患有pd等疾病、评价患病情况及制定治疗方案等提供很好的依据。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明实施例提供的一种冻结步态识别方法的应用环境示意图；

图2是本发明实施例其中一提供的一种冻结步态识别方法的流程示意图；

图3是本发明实施例提供的步态周期的示意图；

图4是本发明另一实施例提供的一种冻结步态识别方法的流程示意图；

图5是本发明实施例提供的一种冻结步态识别装置示意图；

图6是本发明实施例提供的步态检测仪的硬件结构示意图。

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作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。

此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1，为本发明实施例提供的一种冻结步态识别方法的应用环境示意图。该冻结步态识别方法可用于识别步态是否为冻结步态(freezingofgait，以下简称fog)。该冻结步态识别方法可以应用到各种步态检测设备上，包括但不限于：步态检测仪、步态分析仪等。现以步态检测仪为例进行说明。如图1所示，步态检测仪100包括：步态信息采集装置10、通信模块20、至少一个处理器30以及存储器40。

其中，所述至少一个处理器30分别与所述通信模块20以及存储器40连接。并且，所述至少一个处理器30与所述存储器40通信连接，以便相互之间进行数据、信息等传输。所述通信模块20分别与所述至少一个处理器30及所述步态信息采集装置10连接。所述至少一个处理器30与所述步态信息采集装置10通过所述通信模块20，实现数据、信息之间的传输。

所述步态信息采集装置10用于采集步态信息，并将所述步态信息发送至所述至少一个处理器30。具体的，通过通信模块20将所述步态信息发送至所述至少一个处理器30。其中，所述步态信息为用于分析得到用户在步行过程中描述步态特性的参数的信息。具体的，所述步态信息采集装置10将所述步态信息发送至所述至少一个处理器30，所述至少一个处理器30根据所述步态信息确定可用于描述在步行过程中的步态特性的参数，如根据所述步态信息确定下肢动力学参数，再根据下肢动力学参数得到步行周期、步频、步长、站立相及摆动相等。其中，所述下肢动力学参数包括但不限于：下肢运动参数、足底压力参数等，所述下肢运动参数包括但不限于：下肢的加速度和/或下肢的角速度等。

所述步态信息采集装置10包括至少一个惯性传感器101及至少一个压力传感器102。所述至少一个处理器30通过通信模块20分别与所述至少一个惯性传感器101及所述至少一个压力传感器102进行数据、信息传输。

进一步的，所述至少一个惯性传感器101用于采集第一步态信息，并将所述第一步态信息发送至所述至少一个处理器30。具体的，通过所述通信模块20将所述第一步态信息发送至所述至少一个处理器30。其中，所述第一步态信息是指通过至少一个惯性传感器101采集得到的，可用于分析获得用户的步态特征的信息。具体的，所述第一步态信息用于确定所述下肢运动参数，如下肢的加速度和/或下肢的角速度等。在本发明实施例中，所述至少一个惯性传感器101可以包括4个九轴惯性传感器，具体的，可以为“加速度计+陀螺仪+电子罗盘”的组合方式。在用户步行过程中，4个九轴惯性传感器分别安装于用户的左大腿、右大腿、左小腿以及右小腿上，以便采集第一步态信息。例如，在用户步行过程中，4个九轴惯性传感器可以采集得到小腿或大腿的重力传感值等信息。

所述至少一个压力传感器102用于采集第二步态信息，并将所述第二步态信息发送至所述至少一个处理器30。具体的，通过所述通信模块20将所述第二步态信息发送至所述至少一个处理器30。其中，所述第二步态信息是指通过至少一个压力传感器102采集得到的，可用于分析获得用户的步态特征的信息。具体的，所述第二步态信息用于确定所述足底压力参数。在本发明实施例中，所述至少一个压力传感器102可以包括2个压力传感器，具体的，该压力传感器可以为压电传感器或薄膜压力传感器(forcesensingresistor，以下简称fsr)等。在用户步行过程中，2个压力传感器分别安装于用户的左脚后跟以及右脚后跟上，以便采集第二步态信息。例如，2个fsr薄膜压力传感器，分别嵌入到用户的左右鞋垫内，以便采集得到步行过程中脚的前掌和后跟处的压力、脚从抬起到落地的时间等信息。

所述通信模块20用于实现所述至少一个处理器30与所述步态信息采集装置10之间的通信。所述通信模块20可以为无线通信模块，如蓝牙模块、红外模块、wifi模块等。

所述至少一个处理器30接收来自步态信息采集装置10发送的步态信息。具体的，所述至少一个处理器30分别接收来自所述至少一个惯性传感器101发送第一步态信息，以及来自所述至少一个压力传感器102发送的第二步态信息。所述至少一个处理器30与所述存储器40连接。其中，所述存储器40存储有可被所述至少一个处理器30执行的指令，所述指令被所述至少一个处理器30执行，以使所述至少一个处理器30能够根据所述步态信息，确定下肢动力学参数。然后，判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，当所述下肢动力学参数满足第一预设条件、第二预设条件及第三预设条件中的任意一个时，确定所述步态为冻结步态。其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件。

其中，所述处理器30可以为具有一定逻辑处理、运算能力的芯片，如单片机、微控制单元(microcontrollerunit；mcu)等。

可以理解的是，上述对于步态检测仪100各组成部分的命名仅是出于标识的目的，并不应理解为对本发明的实施例的限制，并且，至少一个惯性传感器101及至少一个压力传感器102的数量的设置仅是出于示意性的目的，并不应理解为对本发明的实施例的限制。在一些其它实施例中，也可以为其它数量，只要能完成第一步态信息或第二步态信息的采集即可。

冻结步态(freezingofgait，以下简称fog)是pd一种较为特别的步态异常。fog是指患有pd或高度步态障碍而无其他已知原因的情况下产生的一种短暂性的不能产生有效步伐的症状，冻结步态时，患者感觉脚被粘到地面，不能抬起来或抬起很困难，并持续数秒；主要发生于转身和启步时，但当患者遇见空间障碍物、压力状态下及注意力分散时也可发生。fog是pd最令人困扰以及难以理解的症状之一，增加了患者跌倒的概率，严重影响患者的生存质量。准确客观地识别并评估冻结步态十分重要，尤其在临床干预、治疗等方面。

而目前医学上对fog没有明确的症状描述以及发病机理，因此无法建立统一的、识别准确度高的冻结步态识别算法，存在很多误判的情况。例如，基于惯性传感器的步态识别方法一般由数据采集、特征提取和步态分类三个阶段组成。在数据采集阶段，将惯性传感器固定于身体表面的一个或多个部位，用于测量表征人体运动状态的各物理量。在特征提取阶段，通过分析有限长度时间窗口内的数据，提取描述步态行为的属性组，即特征向量。在步态分类阶段，利用分类算法进行步态识别。在实现上述步态识别方法的过程中，由于各种分类算法存在一定的局限性，并且目前医学上对fog没有明确的症状描述以及发病机理，通过一种分类算法可能无法很好的判断出冻结步态，从而导致误判，将步态为冻结步态的判断为正常步态。

因此，基于上述问题，本发明的主要目的在于提供一种冻结步态识别方法和装置及步态检测仪，冻结步态识别方法通过判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件，来确定步态是否为冻结步态，从而有效的减少误判，提高判断冻结步态准确度，进而为判断是否患有pd等疾病、评价患病情况及制定治疗方案等提供很好的依据。

下面结合附图，对本发明实施例作进一步阐述。

实施例1：

本发明实施例为本发明提供的一种冻结步态识别方法的其中一实施例。如图2为本发明其中一实施例提供的一种冻结步态识别方法的流程示意图。所述冻结步态识别方法可用于检测步态是否为冻结步态。所述冻结步态识别方法可由任何合适类型的，具有一定逻辑运算能力，能够实现冻结步态识别功能的步态检测设备的处理器执行，如步态检测仪的处理器等。下面以步态检测仪的处理器为例进行具体说明。

参照图2，所述冻结步态识别方法包括：

201：接收步态信息。

其中，所述步态信息为用于分析得到用户在步行过程中描述步态特性的参数的信息。

所述步态检测仪的处理器可以接收来自步态信息采集装置发送的步态信息。其中，该步态信息采集装置可以为在步行过程中采集步态信息的各种传感器。具体的，该步态信息采集装置包括但不限于：惯性传感器、压力传感器等。

所述步态检测仪的处理器接收步态信息可以包括：接收来自惯性传感器发送的第一步态信息，以及接收来自压力传感器发送的第二步态信息。其中，所述第一步态信息主要用于确定下肢运动参数，如下肢的加速度和/或下肢的角速度等。所述第二步态信息主要用于确定足底压力参数，如在步行过程中脚的前掌和后跟处的压力等。

202：根据所述步态信息，确定下肢动力学参数。

其中，所述下肢动力学参数包括但不限于：下肢运动参数及足底压力参数，所述下肢运动参数包括下肢的加速度和/或下肢的角速度。

203：判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

由于各种分类算法存在一定的局限性，并且目前医学上对fog没有明确的症状描述以及发病机理，通过一种分类算法可能无法很好的判断出冻结步态，从而导致误判，将步态为冻结步态的判断为正常步态。例如，冻结步态从表现上看，部分表现为近似静止不动或静态状态，部分表现为小腿或大腿出现有高频震颤或高频状态，或者还有除静止不动或高频震颤的其它表现。而采用一种分类算法时，可能只能对一种表现的冻结步态识别的效果比较好，对其它表现的冻结步态分辨率、敏感度较低，从而导致误判等。

基于上述问题，所述步态检测仪的处理器通过判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个的方式来减少误判提高判断冻结步态准确度。其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件。

具体的，所述步态检测仪的处理器判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：根据所述下肢运动参数及所述足底压力参数确定站立相及摆动相；将所述下肢运动参数进行频谱分析，得到异常步态频段的能量及正常运动频段的能量；判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

其中，所述第一预设条件为：所述站立相与所述摆动相的第一比值大于第一预设阈值，以便判别表现为近似静止不动或静态状态的冻结步态。所述第二预设条件为：所述异常步态频段的能量与所述正常运动频段的能量的第二比值大于第二预设阈值，以便判别表现为高频震颤或高频状态的冻结步态。所述第三预设条件为：所述第一比值小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述第二比值小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值，以便判别除静态状态及高频状态之外的冻结步态。

进一步的，下面对基于所述站立相与所述摆动相的第一比值以便判别表现为近似静止不动或静态状态的冻结步态进行具体描述：

人体的步行是一个持续的、规律的周期性运动。在步态分析中，通常将在行走时一侧足跟着地到该侧足跟再次着地的过程称为一个步行周期。通常步行周期用时间秒(s)表示。一般成人的步态周期约为1s-1.32s左右。在步行过程中每个步态周期都包含着一系列典型姿位的转移，通常把这种典型姿位变化划分出一系列时段，称之为步态时相(gaitphase/period)。一个步行周期可分为：站立相(stancephase)和摆动相(swingphase)，一般用该时相所占步态周期的百分数(gc％)作为单位来表达，有时也用秒(s)表示。其中，步态周期和时相如图3所示。

下面结合图3，对步态周期的站立相及摆动相进行具体说明。

1、站立相

站立相指下肢接触地面及承受重力的时间，正常情况下，占步行周期的60％。所述站立相为单足站立相与双足站立相之和。所述站立相为有脚接触地面的时间。双足站立相为在一个步行周期中，当一侧下肢完成足跟抬起到足尖向下蹬踏离开地面的时期内，另一侧下肢同时进行足跟着地和全足底着地动作，产生的双足同时着地的阶段。单足站立相为一侧下肢足跟着地到同侧足尖离地的时间，包括左脚站立相、右脚站立相。其中，单足站立相占大部分时间。正常情况下，单足站立相占一个步行周期的40％，双足站立相占一个步行周期的20％。

2、摆动相

摆动相是指足离开地面向前迈步到再次落地之间的时间。正常情况下，摆动相占一个步行周期的40％。

所述基于所述站立相与所述摆动相的第一比值以便判别表现为近似静止不动或静态状态的冻结步态具体可以包括：判断所述站立相与所述摆动相的第一比值是否大于第一预设阈值。

其中，第一预设阈值可以根据需要自定义设置，也可为预先配置于所述步态检测仪的处理器中的值。

冻结步态是pd一种较为特别的步态异常。冻结步态的帕金病患者主观感受为脚像是被粘在地上，抬不起来，常在起步，转弯，跨越障碍时出现。由于当步态表现为近似静止不动或静态状态的冻结步态时，站立相会明显上升,摆动相会减小或不变，通过判断所述站立相与所述摆动相的第一比值是否大于第一预设阈值可以对表现为近似静止不动或静态状态的冻结步态进行很好的判别，从而达到减少误判、提高准确度的效果。

进一步的，下面对基于所述异常步态频段的能量与所述正常运动频段的能量以便判别表现为高频震颤或高频状态的冻结步态的冻结步态进行具体描述：

所述步态检测仪的处理器将所述下肢运动参数进行频谱分析，具体的，在步行过程中，对下肢的加速度进行频谱分析，从而得到异常步态频段的能量及正常运动频段的能量。其中，异常步态频段的频率区间为：3hz-8hz；正常运动频段的频率区间为：0-3hz。

所述步态检测仪的处理器基于所述异常步态频段的能量与所述正常运动频段的能量以便判别表现为高频震颤或高频状态的冻结步态的冻结步态具体包括：判断所述异常步态频段的能量与所述正常运动频段的能量的第二比值是否大于第二预设阈值，若所述第二比值大于第二预设阈值，则所述步态为异常步态。其中，第二预设阈值可以根据需要自定义设置，也可为预先配置于所述步态检测仪的处理器中的值。

由于是基于所述异常步态频段的能量与所述正常运动频段的能量来进行冻结步态判断的，因此可以很好地对表现为高频震颤或高频状态的冻结步态的冻结步态进行检测。

由于目前医学上对fog没有明确的症状描述以及发病机理，因此，为了进一步防止误判，保守起见，可以基于所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足所述第三预设条件，来判别表现为除静态状态及高频状态之外的冻结步态的冻结步态。具体的，判断所述站立相与所述摆动相的第一比值是否小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述异常步态频段的能量与所述正常运动频段的能量的第二比值是否小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值。

在一些实施例中，为了进一步提高判断冻结步态准确度，除了采用上述阈值的方式来判断冻结步态，可以利用机器学习算法来进行冻结步态具体判断。具体的，所述判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：

获取冻结步态的样本数据；其中，该样本数据可以是所述步态检测仪的处理器从各个医院的系统的数据库中获取的与冻结步态相关的数据；

根据所述样本数据对分类模型进行训练，已得到训练后的分类模型；其中，通过样本数据对分类模型进行训练，以修正分类模型，减少偏差；

根据所述训练后的分类模型，判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。具体的，将所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量作为训练后的分类模型的输入，便可确定以上特征是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

在一些其它实施例中，为了提高异常步态判断的准确性，所述步态检测仪的处理器还可以通过网络从其它设备(如服务器、云服务器等)中下载的机器学习算法来判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

本领域技术人员可以理解的，当通过网络从其它设备(如服务器、云服务器等)中下载的机器学习算法时，所述步态检测仪的处理器主要是利用机器学习算法来判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，而不学习样本，所以，极大的减轻了所述步态检测仪的处理器的计算压力，这样，不仅提高了所述步态检测仪的处理器的处理速度，同时还可以提高计算准确率。对于样本的学习和学习更多的样本后，更新机器学习算法的过程，是在服务器或云服务器等中进行的，利用云服务器强大的云计算能力来完成上述样本的机器学习。

在一些其它实施例中，还可以利用模糊算法、决策树、深度学习算法等识别算法来判断所述异常步态频段的能量和所述正常运动频段的能量是否符合异常步态特征，以确定步态是否为异常步态。

204：当所述下肢动力学参数满足第一预设条件、第二预设条件及第三预设条件中的任意一个时，确定步态为冻结步态。

具体的，只要满足所述站立相与所述摆动相的第一比值大于第一预设阈值、所述异常步态频段的能量与所述正常运动频段的能量的第二比值大于第二预设阈值、所述第一比值小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述第二比值小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值中的任意一个，便可确定步态为冻结步态。否则，判断该步态为正常步态。

所述步态检测仪的处理器通过判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个来确定所述步态为冻结步态，以便根据识别结果评价患病情况及制定治疗方案等提供依据。

需要说明的是，在本发明实施例中未详尽描述的技术细节，可参考上述实施例的描述。

本发明实施例通过判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件，来确定步态是否为冻结步态，从而有效的减少误判，提高判断冻结步态准确度，进而为判断是否患有pd等疾病、评价患病情况及制定治疗方案等提供很好的依据。

实施例2：

本发明实施例为本发明提供的一种冻结步态识别方法的另一实施例。如图4为本发明另一实施例提供的一种冻结步态识别方法的流程示意图。所述冻结步态识别方法可用于检测步态是否为冻结步态。所述冻结步态识别方法可由任何合适类型的，具有一定逻辑运算能力，能够实现冻结步态识别功能的步态检测设备的处理器执行，如步态检测仪的处理器等。下面以步态检测仪的处理器为例进行具体说明。

参照图4，所述冻结步态识别方法包括：

401：接收步态信息。

402：根据所述步态信息，确定下肢动力学参数。

403：判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件。

404：当所述下肢动力学参数满足第一预设条件、第二预设条件及第三预设条件中的任意一个时，确定步态为冻结步态。

需要说明的是，本发明实施例中的步骤401-404与上述实施例中的步骤201-204相似，本发明实施例中所述步骤401-404中未详尽描述的技术细节，可参考上述实施例中步骤201-204的具体描述，因此，在此处便不再赘述。

405：当所述步态为冻结步态时，发送提示信息至神经刺激设备，以使所述神经刺激设备根据所述提示信息对用户进行定点刺激。

其中，所述提示信息为用于表征步态为冻结步态的信息。

406：记录步态为冻结步态的时间以及统计预设时间段内冻结步态发送的频率，根据所述时间及所述频率生成评价报告。

其中，所述评价报告用于表征用户是否患有pd等疾病及评价患病情况。

需要说明的是，本领域普通技术人员，根据本发明实施例的描述可以理解，在不同实施例中，在不矛盾的情况下，所述步骤405-406可以有不同的执行顺序，如先执行所述步骤406再执行所述步骤406等。

还需要说明的是，在本发明实施例中未详尽描述的技术细节，可参考上述实施例的描述。

本发明实施例通过判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件，来确定步态是否为冻结步态，从而有效的减少误判，提高判断冻结步态准确度，进而为判断是否患有pd等疾病、评价患病情况及制定治疗方案等提供很好的依据。

实施例3：

本发明实施例为本发明提供的一种冻结步态识别装置的实施例。如图5为本发明实施例提供的一种冻结步态识别装置示意图。其中，所述冻结步态识别装置50可配置于任何合适类型的，具有一定逻辑运算能力的步态检测设备的处理器中，如配置于步态检测仪的处理器中等。

参照图5，所述冻结步态识别装置50包括：

步态信息接收模块501，用于接收步态信息。

其中，所述步态信息为用于分析得到用户在步行过程中描述步态特性的参数的信息。

所述步态信息接收模块501可以接收来自步态信息采集装置发送的步态信息。其中，该步态信息采集装置可以为在步行过程中采集步态信息的各种传感器。具体的，该步态信息采集装置包括但不限于：惯性传感器、压力传感器等。

所述步态信息接收模块501具体用于：接收来自惯性传感器发送的第一步态信息，以及接收来自压力传感器发送的第二步态信息。其中，所述第一步态信息主要用于确定下肢运动参数，如下肢的加速度和/或下肢的角速度等。所述第二步态信息主要用于确定足底压力参数，如在步行过程中脚的前掌和后跟处的压力等。

下肢动力学参数确定模块502，用于根据所述步态信息，确定下肢动力学参数。

其中，所述下肢动力学参数包括但不限于：下肢运动参数及足底压力参数，所述下肢运动参数包括下肢的加速度和/或下肢的角速度。

判断模块503，用于判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

由于各种分类算法存在一定的局限性，并且目前医学上对fog没有明确的症状描述以及发病机理，通过一种分类算法可能无法很好的判断出冻结步态，从而导致误判，将步态为冻结步态的判断为正常步态。而采用一种分类算法时，可能只能对一种表现的冻结步态识别的效果比较好，对其它表现的冻结步态分辨率、敏感度较低，从而导致误判等。

基于上述问题，判断模块503通过判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个的方式来减少误判提高判断冻结步态准确度。

判断模块503具体用于：根据所述下肢运动参数及所述足底压力参数确定站立相及摆动相；将所述下肢运动参数进行频谱分析，得到异常步态频段的能量及正常运动频段的能量；判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件。

进一步的，所述第一预设条件为：所述站立相与所述摆动相的第一比值大于第一预设阈值，以便判别表现为近似静止不动或静态状态的冻结步态。所述第二预设条件为：所述异常步态频段的能量与所述正常运动频段的能量的第二比值大于第二预设阈值，以便判别表现为高频震颤或高频状态的冻结步态。所述第三预设条件为：所述第一比值小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述第二比值小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值，以便判别除静态状态及高频状态之外的冻结步态。

在一些实施例中，为了进一步提高判断冻结步态准确度，判断模块503除了采用上述阈值的方式来判断冻结步态，可以利用机器学习算法来进行冻结步态具体判断。具体的，所述判断模块503判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：获取冻结步态的样本数据；根据所述样本数据对分类模型进行训练，已得到训练后的分类模型；根据所述训练后的分类模型，判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

冻结步态确定模块504，用于当所述下肢动力学参数满足第一预设条件、第二预设条件及第三预设条件中的任意一个时，确定步态为冻结步态。

具体的，只要满足所述站立相与所述摆动相的第一比值大于第一预设阈值、所述异常步态频段的能量与所述正常运动频段的能量的第二比值大于第二预设阈值、所述第一比值小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述第二比值小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值中的任意一个，冻结步态确定模块504便可确定步态为冻结步态。否则，判断该步态为正常步态。

所述步态检测仪的处理器通过判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个来确定所述步态为冻结步态，以便根据识别结果评价患病情况及制定治疗方案等提供依据。

在一些实施例中，所述冻结步态识别装置50还包括：

提示信息发送模块505，用于当所述步态为冻结步态时，发送提示信息至神经刺激设备，以使所述神经刺激设备根据所述提示信息对用户进行定点刺激。

其中，所述提示信息为用于表征步态为冻结步态的信息。

评价报告生成模块506，用于记录步态为冻结步态的时间以及统计预设时间段内冻结步态发送的频率，根据所述时间及所述频率生成评价报告。

其中，所述评价报告用于表征用户是否患有pd等疾病及评价患病情况。

需要说明的是，在本发明实施例中，所述提示信息发送模块505及评价报告生成模块506在不同的实施例中，可以不是必选模块。

还需要说明的是，在本发明实施例中，所述冻结步态识别装置50可执行本发明实施例所提供的冻结步态识别方法，具备执行方法相应的功能模块和有益效果。未在冻结步态识别装置50的实施例中详尽描述的技术细节，可参见本发明实施例所提供的冻结步态识别方法。

实施例4：

图6是本发明实施例提供的步态检测仪硬件结构示意图。如图6所示，所述步态检测仪60包括：

一个或多个处理器601以及存储器602，图6中以一个处理器601为例。

处理器601和存储器602可以通过总线或者其他方式连接，图6中以通过总线连接为例。

存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的冻结步态识别方法对应的程序指令/模块(例如，附图5所示的步态信息接收模块501、下肢动力学参数确定模块502、判断模块503、冻结步态确定模块504、提示信息发送模块505以及评价报告生成模块506)。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块，从而执行步态检测仪60的各种功能应用以及数据处理，即实现所述方法实施例的冻结步态识别方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据步态检测仪60使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至步态检测仪60。所述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个指令/模块存储在所述存储器602中，当所述指令被所述一个或者多个处理器601执行时，以使所述至少一个处理器能够执行：接收步态信息；根据所述步态信息，确定下肢动力学参数；判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，其中，所述第一预设条件为判别静态状态的冻结步态的条件，所述第二预设条件为判别高频状态的冻结步态的条件，所述第三预设条件为判别除静态状态及高频状态之外的冻结步态的条件；当所述下肢动力学参数满足第一预设条件、第二预设条件及第三预设条件中的任意一个时，确定步态为冻结步态。

其中，所述下肢动力学参数包括下肢运动参数及足底压力参数，所述下肢运动参数包括下肢的加速度和/或下肢的角速度。

其中，所述至少一个处理器601执行判断所述下肢动力学参数是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：

根据所述下肢运动参数及所述足底压力参数确定站立相及摆动相；

将所述下肢运动参数进行频谱分析，得到异常步态频段的能量及正常运动频段的能量；

判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

其中，所述第一预设条件为：所述站立相与所述摆动相的第一比值大于第一预设阈值；

所述第二预设条件为：所述异常步态频段的能量与所述正常运动频段的能量的第二比值大于第二预设阈值；

所述第三预设条件为：所述第一比值小于或等于所述第一预设阈值且所述第一比值大于第三预设阈值，并且，所述第二比值小于或等于所述第二预设阈值且所述第一比值大于第四预设阈值。

为了进一步提高判断冻结步态准确度，至少一个处理器601除了采用上述阈值的方式来判断冻结步态，可以利用机器学习算法来进行冻结步态具体判断。具体的，所述至少一个处理器601执行判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个，包括：

获取冻结步态的样本数据；

根据所述样本数据对分类模型进行训练，已得到训练后的分类模型；

根据所述训练后的分类模型，判断所述站立相、所述摆动相、所述异常步态频段的能量与所述正常运动频段的能量是否满足第一预设条件、第二预设条件及第三预设条件中的任意一个。

在本发明实施例中，所述步态检测仪60还包括：步态信息采集装置。所述步态信息采集装置与所述至少一个处理器连接。

其中，所述步态信息采集装置用于采集步态信息，并将所述步态信息发送至所述至少一个处理器。所述步态信息包括第一步态信息及第二步态信息。

所述步态信息采集装置包括：至少一个惯性传感器及至少一个压力传感器，所述至少一个处理器601分别与所述至少一个惯性传感器及所述至少一个压力传感器连接。

其中，所述至少一个惯性传感器用于采集第一步态信息，并将所述第一步态信息发送至所述至少一个处理器601，以便所述至少一个处理器601根据所述第一步态信息，确定所述下肢运动参数。所述至少一个压力传感器用于采集第二步态信息，并将所述第二步态信息发送至所述至少一个处理器601，以便于所述至少一个处理器601根据所述第二步态信息，确定所述足底压力参数。

所述步态检测仪60可执行上述方法实施例所提供的冻结步态识别方法，具备执行方法相应的功能模块和有益效果。未在步态检测仪实施例中详尽描述的技术细节，可参见上述方法实施例所提供的冻结步态识别方法。

本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上所述的冻结步态识别方法。例如，执行以上描述的图4中的方法步骤401至步骤406，实现图5中的模块501-506的功能。

本发明实施例提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的冻结步态识别方法。例如，执行以上描述的图4中的方法步骤401至步骤406，实现图5中的模块501-506的功能。

需要说明的是，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模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。

通过以上的实施例的描述，本领域普通技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现所述实施例方法中的全部或部分流程是可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如所述各方法的实施例的流程。其中，所述的存储介质可为只读存储记忆体(read-onlymemory,rom)或随机存储记忆体(randomaccessmemory,ram)等。

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；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；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范围。