一种通过足部运动状态进行个性化足型健康检测的方法与流程

本发明涉及足型健康检测技术领域，尤其涉及一种通过足部运动状态进行个性化足型健康检测的方法。

背景技术：

足型检测对于鞋企根据个人足型私人定制鞋、鞋子销售门店挑选客户最适合的鞋型有重要的作用。

业界用于足型检测的常用方法有三种：图像法、压力法及加速度法，上述三种方法被用于不同类型的门店中，用于采集足型数据，各有利弊：图像法：能全面采集足底以上的数据，但是对足底受力情况无法判别；压力法：能采集足底压力，但是脚有不同大小、胖瘦类型，需要不同类型的足底压力传感器；加速度法：分别能测试触地位置、触地时间、触地冲击力、腾空时间、腾空高度、内外八、内外翻、内外旋等，对于超重、超瘦、或病态的内外八、内外翻、内外旋无法准确判断，需要加压力法和图像法进行辅助。

上述三种方式同时使用，信息最为全面，但是成本增加，同时在人流量较大的门店使用时，给传输和计算资源都造成负担。

技术实现要素：

针对上述问题，本发明要解决的技术问题是提供一种通过足部运动状态进行个性化足型健康检测的方法。

本发明的一种通过足部运动状态进行个性化足型健康检测的方法，包括采集模块、传输模块和分析模块，通过采集计算压力数据，传输给分析模块，分析模块建立和完善识别模型，得出运动状态识别结果，包括以下步骤：

(1)采集计算压力数据：采集各鞋底四个区域左右、前后、垂直方向的压力数据，计算各压力占总压力的比重和对应时间数据；

(2)去噪：对采集的压力数据，通过小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作进行去噪，获取信噪比高的步态数据；

(3)时域频域特征提取：通过小波包分解、差分算法分别从鞋底的四个区域压力的左右、前后、垂直方向提取时域频域特征，用svm进行识别；

(4)特征融合识别：用模糊c均值法从提取的频域特征的多个小波包中挑选最小最优小波包集合，再基于模糊隶属度排序从中挑选最小最优小波包分解系数，得到最小最优步态频域特征子集，再与时域特征组合后得到步态特征集；

(5)特征融合建模：先训练分类器，用分类器识别步态样本，在人体站立、下蹲、起立、行走的不同状态下，分别建模形成不同运动状态的识别模型，再对同种运动再次细分；

(6)模型进行自适应完善：通过svm分类器适应度函数为svm分类器对样本划分正确率，每次输入新的样本，根据交叉验证法原理计算svm分类器识别率，进行适应度评估，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异的操作进一步优化训练参数。

优选的，所述采集模块为压力监测发电一体化模块，采样率≥100hz。

优选的，所述传输模块采用蓝牙、wifi或gprs无线传输方式传输给分析模块。

优选的，所述步骤(2)中小波变换采用硬阈值法其中cj，k为小波系数，λ为阈值。

优选的，所述步骤(3)中时域频域特征提取采用表征步态周期性、变化率和加速度的整体特征的时域法和表征谱特性的细节特征的频域法相结合的方法。

优选的，所述步骤(5)中训练分类器是指步态数据库中已经注册了n类步态样本，将样本输入分类器训练，根据输入值判定是1-n中哪一类，如果超出1-n范围，则新注册类别n+1类，然后重新更新分类器。

本发明有益效果：本发明为整个采集、去噪、特征提取、特征融合、建模、模型自适应完善的闭环流程各环节中采用的方法，各环节不同的处理方式有机融合共同构成了整个闭环运动状态识别方法，采用硬阈值法进行三个步骤的去噪、采用时域频域相结合进行特征提取、采用模糊c均值法选择最小最优步态频域与时域特征融合、svm建模、模型进行自适应完善等一体化闭环流程的运动状态识别方法，具有兼顾整体特征和局部特征的有机融合、算法随着样本量增加能不断自我改进的优点，且检测信息全面，降低了成本，可根据足部运动状态进行一定的健康检测，同时方便根据个人足型挑选出最合适的鞋型。

附图说明：

为了易于说明，本发明由下述的具体实施及附图作以详细描述。

图1为本发明方法流程示意图；

图2为采集脚底四个区域压力划分示意图；

图3为人体运动划分不同层级示意图；

图4为计步算法过程示意图；

图5为svm分层级对部分病态特征进一步精细区分过程示意图；

图6为模式识别环节方法模型示意图；

图7为三条件c1，c2和c3判断算法过程示意图。

图8为步态循环联合运动活动数据示意图。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1-8所示，本发明的一种通过足部运动状态进行个性化足型健康检测的方法，包括采集模块、传输模块和分析模块，采集模块在鞋底采集各区域左右、前后、垂直压力数据，各压力占总压力的比重、对应时间数据数据，通过传输模块无线传输给分析模块，分析模块通过建立和自适应完善的识别模型，给出运动状态识别结果，供远程健康大数据分析管理使用，得出运动状态识别结果，包括以下步骤：

(1)采集计算压力数据：采集各鞋底四个区域左右、前后、垂直方向的压力数据，计算各压力占总压力的比重和对应时间数据。鞋底如图2五个区域均匀分布着压力监测发电一体化模块，采样率≥100hz。采集的特征值：分别选择运动状态进行训练，先选择一种运动状态为例，如步行。采集计算各鞋底mff、lff、lmf、heel四个区域左右、前后、垂直压力数据，各压力占总压力的比重、对应时间数据；传输：采用蓝牙、wifi、gprs等无线传输方式，传给分析模块。

(2)去噪：对采集的压力数据，通过小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作进行去噪，获取信噪比高的步态数据。采集过程中电路中的电磁干扰是主要的干扰源，电磁干扰为高频噪声；而人体运动主要是在50hz以内的低频信号，由于小波变换有“数学显微镜”之称号，具有带通滤波功能，计算速度快，本发明选用小波变换阈值法。对采集到四个区域的压力数据，进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将四个区域的压力时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据。小波变换操作采用的是硬阈值法其中cj，k为小波系数，λ为阈值。

(3)时域频域特征提取：鞋底各区域作用力与运动步态相关，时频可表征步态周期性、变化率和加速度等整体特征，频域可表征谱特性等细节特征。采用小波包分解、差分算法分别从四个区域压力的三方向(左右、前后、垂直)提取频域时域特征，用svm进行识别。

1.时域特征提取：将去噪后的作用力中的垂直力曲线用一阶差分法检测前后、垂直方向曲线的波峰点和波谷点，作为作用力曲线的关键点，将垂直方向曲线的波谷点作为作用力曲线的参考点；以垂直方向曲线的关键点的力值及力值出现的时相、相邻关键点作用力变化率和冲量和对应的前后方向曲线上的关键点处的力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)表征全程的步态时域特征。

2.频域特征提取：波形对齐：作用力先按垂直力曲线上的参考点将作用力自动波形对齐，以提高频域特征对比性和分类能力。先用线性插值算法将作用力维数归一化到同一值，通过一阶差分算法搜索出归一化后作用力垂直方向力曲线上的波谷点，将波谷点作为参考点进行参照，用线性插值法将作用力中的左右、前后和垂直方向曲线波形对齐；将去噪后的作用力中的垂直力曲线用一阶差分算法检测出垂直方向的波谷点，作为作用力曲线的参考点；以参考点为基准，用线性插值法对作用力进行波形对齐，得到对齐后的作用力；再用l层小波包分解算法从作用力中提取出全程的步态频域特征。

(4)特征融合识别：先用模糊c均值法从提取的步态频域特征的多个小波包中挑选最小最优小波包集合，再用模糊c均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数，得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集；

(5)特征融合建模：采用svm进行步态识别，采用非线性映射径向基核函数将线性不可分的低维空间映射到线性可分的高维空间。先训练分类器，再用分类器识别步态样本。假设步态数据库中已经注册了个人n类步态样本，将样本输入分类器训练，根据输入值判定是1-n中哪一类，如果超出1-n范围，则新注册类别n+1类，然后重新更新分类器。

在人体站立、下蹲、起立、行走等的不同状态下，按照上述方法分别建模，形成不同运动状态的识别模型，这样可以用于不同运动状态远程健康检测，发现活动构成变化等发病迹象。

在上述不同运动划分基础上，同种运动再次细分。如：正常人站立和行走时，左、右足底压力峰值压力分布基本相同；而糖尿病患者及临界者，关节活动度变小导致前足/后足压力明显增大，且压力分布不均衡。这样如站立状态，又进一步划分为正常站立和病态站立。

步骤一、将判别内容分层分级，不同层级只采用原始数据。

针对我们跌倒检测和常见的人体行为分析的应用而言，加速度传感器能很好的区分人体行为的运动和静止状态，对于相似的运动行为就比较难于区分，特点是区分度大且混淆度也大。结合腕部角速度可以进行进一步的区分，但是加速度、角速度同时进行计算，运算量大，影响了时效性和电量功耗，故采用分层分级、降维分类、重点校验的方式，兼顾了计算量和准确性。

1.使用加速度传感器数据进行第一层级运动判断

智能腕表三轴加速度传感器，按照100hz的采样频率(人行走的频率一般在110步/分钟(1.8hz)，跑步时的频率不会超过5hz，选择100hz的采样频率可以比较准确地反应加速度变化)，采集x，y，z三个方向的作用力。

2.统计通过对轨迹的峰值出现的频率

用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小，在迈步时增加。如下图4所示，我们可以看到在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大。

3.进行滤波

采集过程中电路中的电磁干扰是主要的干扰源，电磁干扰为高频噪声；而人体运动主要是在50hz以内的低频信号，本发明选用小波变换阈值法。对于这种干扰，我们给检测加上阈值和步频判断来过滤，也就是说相邻两步的时间间隔至少大于0.2秒，过滤高频噪声。

步骤二、结合角速度进行细分运动环节、跌倒检测。

由于加速度适合用于方向明确的运动判别，而对于无法跌倒检测、运动周期环节、八字脚等判别，则需要使用角速度来判别。

基于运动学算法原理，检测四个步态事项时相：一个步态周期被分成了两个阶段，分别是“支撑阶段”(stancephase)和“摆动阶段”(swingphase)。并且又进一步分为了七个小部分，支撑阶段又分为脚跟接触、脚跟上升、脚趾接触以及脚趾下降四个环节。

如对于跌倒检测的判别，适合使用角速度信号向量模，ax，ay，az分别为加速度传感器x、y、z三轴方向输出向量模数据。用wx，wy，wz分别为陀螺仪x、y、z三轴方向输出向量模数据。

分析模块通过建立和自适应完善的识别模型，重点通过加速度传感器规律进行建模，并通过遗传算子的操作，给出运动状态识别结果，供远程健康大数据分析管理使用。

手持设备会有一些低幅度和快速的抽动状态，或是我们俗称的手抖，或者某个恶作剧用户想通过短时快速反复摇动设备来模拟人走路，这些干扰数据如果不剔除，会影响计步的准确值。

对采集到四个方向数据，进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据。小波变换采用硬阈值法其中cj，k为小波系数，λ为阈值。

跌倒具有大加速度和角速度峰值特征，这是因为摔倒过程中由于和低势物体碰撞产生的svm峰值比日常活动中步行、上楼梯等大多数一般过程要大。然而人体运动行为过程具有复杂性和随机性，使用单一的加速度相关信息判断人体摔倒行为的发生会带来很大的误判。使用svma及svmw相结合的信息阈值法可以区分跌倒与产生svm峰值较小的低强度运动。通过对人体摔倒过程及其它日常生活行为过程中实验结果数据svma和svmw进行分析，本文识别跌倒的加速度信号向量模阈值取svmat＝20m/s²和角速度信号向量模阈值取svmwt＝4rad/s。

步骤三、使用优化的svm分层级结合不同层级数据对部分病态特征的进一步精细区分。

采取如下方法：

(1)首先对数据进行降维：

a、b、c、d分别为左脚四个区域不同压力值/体重值，对样本人群整体取标准差，n为样本量，先训练分类器，再用分类器识别步态样本。先综合计算某人步态偏离整理人群的程度：

(2)对降维后的数据进行异常值判别，然后将x进行svm计算，分别计算，将数据库中已经注册了个人n类步态样本，将样本输入分类器训练，根据输入值判定是(1，n)中哪一类，如果超出(1，n)范围，则新注册类别n+1类，然后重新更新分类器。

在上述不同运动划分基础上，同种运动再次细分。如：正常人站立和行走时，左、右足底压力峰值压力分布基本相同；而糖尿病患者及临界者，关节活动度变小导致前足/后足压力明显增大，且压力分布不均衡。这样如站立状态，又进一步划分为正常站立和病态站立。计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵：f(n×m)＝x(n×p)·u(pxm)，其中，x是原数据矩阵，u是主成分载荷，得分矩阵f即为pca降维后所得到的最终结果。这样做的方式既使用到了固定工作样本集方法计算速度快的特点，又避免了其当向量的个数超出工作样本集的规模，算法仅优化支持向量中的一部分的存在范围局限性的问题。

通过上述方法挑出异常人群，结合大数据进行持续的训练细分：svm分类器适应度函数为svm分类器对样本划分正确率。利用加速度计的输出数据，采用三条件(c1，c2和c3)判断算法，并利用中值滤波的方法，便可有效地判断人体运动的步态，在这里，以状态“0”表示运动，状态“1”表示静止。

条件1(c1):加速度计输出合成幅值，处于给定的上下阈值之间，则人体静止。定义加速度计的输出合成幅值为:

定义给定阈值为:thamin＝8m/s和thamax＝11m/s，

并有:

条件2(c2):加速度计输出的局部方差，低于给定的阈值，则人体静止。定义加速度计输出的局部方差为:

其中，为此区间加速度计合成幅值的输出平均值，其表达式为:

s为半窗口采样数量，通常定义其值为15。定义给定阈值为:

并有:

条件3(c3):陀螺仪输出合成幅值，低于给定的阈值，则人体静止。定义陀螺仪输出的合成幅值为:

给定的阈值为:thωmax＝50/s，

并有:

三个条件之间采用“与”逻辑，即只有当3个条件的判断结果都为“1”时才认为步态处于绝对静止状态。再通过中值滤波方法，便可有效地判断连续输出的运动结果，剔除噪点，获得有效、合理的步态检测数据。

用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小，在迈步时增加。在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大，通过对轨迹的峰值进行监测计算和加速度阈值决策，即可实时计算用户运动状态。

(6)模型进行自适应完善：随着样本量的增加，svm分类器能够自适应不断优化完善，svm分类器适应度函数为svm分类器对样本划分正确率。每次输入新的样本，根据交叉验证法原理，计算svm分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数。

具体方法如下：

(1)对运动状态进行抽样计算

在判别时，可能由于其中某个状态标准差偏大，另一个状态标准差偏小，正好相抵，导致未发现异常，故再次进行随机抽样验证。

每次输入新的样本，根据交叉验证法原理，计算svm分类器识别率。

(2)对异常未发现的样本的特征值，使用svm分类器适应度函数，为svm分类器对样本划分正确率。通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。

每次输入新的样本，根据交叉验证法原理，计算svm分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数。

本发明的整个采集、去噪、特征提取、特征融合、建模、模型自适应完善的闭环流程各环节中采用的方法，各环节不同的处理方式有机融合共同构成了整个闭环运动状态识别方法。包括采用鞋底区域压力进行运动状态采集、采用硬阈值法进行三个步骤的去噪、采用时域频域相结合进行特征提取、采用模糊c均值法选择最小最优步态频域与时域特征融合、svm建模、模型进行自适应完善的一体化等一体化闭环流程的运动状态识别方法。