本发明属于信息技术领域和数字信号处理领域，具体涉及一种用于测量人体步态及步速的智能传感靴。
背景技术：
目前，人们在行人惯性导航中遇到的一个重要问题是提升行人步行速度的测量准确度。以智能手机为例，当前智能手机上普遍带有加速度传感器及gps。目前智能手机能够利用加速度传感器或融合加速度传感器和gps数据计算行人步行速度。大部分智能手机测算出的行走速度准确度不高，这是受限于其内置加速度传感器的精度，此外，行走时智能手机相对于携带者的不规律晃动也带来了较大的误差。
中国专利200510088617.4(公开号cn1723848a)公开了利用加速度传感器输出值计算行人的步数，并判断行人是在全速跑、慢跑、正常行走还是快速行走，然后结合人的体重估计卡路里消耗的方法。该专利中的方法只能定性估计行人走路或者跑步速度是快还是慢，无法准确定量计算出速度的具体大小。已有的相关工作一般通过步频乘以步长计算出步行速度，其中难点在于步长测量。有研究者使用一个固定的近似公式来作为步长:身高乘以0.413(女性)，0.415(男性)。其他的一些文献也使用了该方法。有研究指出，特定行人的步长会在±50％的范围变化。所以步长使用固定值必定会对步行速度估计结果带来较大误差。
目前实现行走速度的测量装置主要通过采集惯性测量单元测得的动力学数据(如三轴加速度，，角速度)来估计人的行走速度。不可避免地，在采用中低端惯性测量单元时，速度测量结果的精确度将会被其较大的噪声和漂移限制。而如果选用高端的惯性测量单元，又会带来显著的成本增加。
技术实现要素：
针对上述不足，本发明提供一种用于测量人体步态及步速的智能传感靴。
本发明所采用的技术方案如下：一种用于测量人体步态及步速的智能传感靴，包括：鞋子本体、测量电路和上位机，
所述鞋子本体的鞋垫上贴附有压力传感器，用于测量脚底部分关键部位的压力信号数据；
所述测量电路固定在鞋子本体上，包括单片机、惯性测量模块、电源模块、信号调理模块，
所述电源模块为整个电路提供工作电压；
所述惯性测量模块用于测量三轴加速度及角速度数据；
所述信号调理模块用于将压力传感器采集到的压力信号转换成电压信号；
所述单片机用于将电压信号、三轴加速度及角速度打包发送给上位机；
所述上位机采用模糊逻辑算法判断步态，采用循环神经网络算法计算当前步速。
进一步的，所述鞋垫的大脚趾和脚跟处各布置一个压力传感器，脚弓处布置两个压力传感器。
进一步的，所述采用模糊逻辑算法判断步态，具体如下：
利用sigmoid函数，将采集到的电压信号转换为模糊逻辑值f(x)：
式中，x代表测量到的电压信号，x0代表电压阈值，s代表敏感因子；
根据不同步态对应的足底压力分布特征，将各步态的发生概率表示成模糊逻辑的乘积形式；对应初接触步态的概率为：
uinitialcontact＝f(x1)*f(x2)*f(x3)*(1-f(x4))
将不同步态发生的概率存储于数组u中，数组下标对应不同概率，概率最大值所对应的步态即为当前时刻的步态，有phase＝argmax(u)。
进一步的，所述采用循环神经网络算法计算当前步速，具体如下：
上位机根据从当前时刻回溯一段时间内的压力传感器数据计算出64维的特征向量x(t)，将该特征向量输入循环神经网络后得到当前步速的估计；模型中利用下列公式计算隐藏状态：
h(t)＝δ(ux(t)+wh(t-1)+b)
式中：t为当前时刻，h(t)为当前隐藏状态，δ为循环神经网络的激活函数，u为特征向量的权重，x(t)为特征向量，w为隐藏状态的权重，h(t-1)为t-1时刻获得的隐藏状态，b为偏置值；
根据隐藏状态，利用下列公式计算当前时刻速度的估计值
式中：o(t)为中间层的输出，v为中间层的权重，c为中间层偏置；
公式中，u、v、w、b和c根据实验数据通过训练循环神经网络获得。
进一步的，所述测量电路设置在测量匣中，测量匣固定在鞋子本体上。
进一步的，所述单片机采用核心为atmega微控制器的主控板。
进一步的，所述惯性测量模块采用型号为mpu6050的产品。
进一步的，所述单片机和上位机之间通过蓝牙连接。
本发明的有益效果如下：本发明在鞋垫中加入了足底压力传感器，并可以实现在融合压力传感器和惯性测量模块的数据之后对行走速度做出一个更为准确的估计。同时，由于鞋子本体上的测量匣具有良好的固定，也就解决了在使用手机等移动智能硬件进行步速估计时容易出现的相对于携带者的不规则晃动。作为日常需要穿戴的物品，本智能传感靴也不会给携带者带来不便，得益于足底压力传感器的引入，该智能传感靴还可用于测算行走步态，解算人体姿态，分析路面情况等。
附图说明
图1是本发明的测量电路的电路图；
图2是本发明的足底压力传感器位置分配图；
图3是本发明进行实验后获得的步态判断结果图；
图4是本发明的循环神经网络的模型结构图；
图中：压力传感器1。
具体实施方式
下面结合附图对本发明的具体实施方式进行进一步详细描述。
本发明提供一种用于测量人体步态及步速的智能传感靴，包括：鞋子本体、测量电路和上位机，所述测量电路设置在测量匣中，测量匣固定在鞋子本体上；
所述鞋子本体的鞋垫上贴附有压力传感器，用于测量脚底部分关键部位的压力信号数据；
如图1所示，所述测量电路固定在鞋子本体上，包括单片机、惯性测量模块、电源模块、信号转换模块，所述电源模块为整个电路提供工作电压；所述惯性测量模块用于测量的三轴加速度及角速度数据；所述信号转换模块用于将压力传感器采集到的压力信号转换成电压信号，再发送给单片机；
所述单片机用于将电压信号、三轴加速度及角速度打包发送给上位机；
所述上位机采用模糊逻辑算法判断步态，采用循环神经网络算法计算当前步速。
所述单片机采用核心为atmega微控制器的主控板(arduinoblunonano)，所述惯性测量模块采用型号为mpu6050的产品。单片机能够实时采集足底关键部位压力传感器信号及三轴加速度角速度数据，并通过主控板的蓝牙串口无线传输给附近设备，其采样周期为50ms。
为了使用尽量少的压力传感器识别人行走时的步态特征，四个fsr402型传感器被放置于脚底的四个关键部位处，即大脚趾和脚跟处各布置一个压力传感器1，脚弓处布置两个压力传感器(见图2)。
fsr402型压力传感器是一种压敏电阻，其阻值随压力大小变化的关系由下式给出：
在信号调理模块中，使用分压电路将阻值变化转化为在0～5v之间变化的电压信号，供电电压vcc＝5v，分压阻值r0＝1kω,根据分压公式，有
其中r为压力传感器的阻值，vx为测量到的电压；
该模拟电压信号进一步通过微控制器上的四路10位adc采样并转化为微控制器可识别的数字信号。
三轴加速度及角速度由mpu6050惯性测量模块采集。人行走初始状态下，mpu6050芯片x轴竖直向上。根据重力加速度竖直向下的特性及惯性测量单元的初始位置，微控制器上电后会自动执行校正程序(因此佩戴传感靴并上电后需静止1-2s等待校正程序执行完毕)。校正完毕后，惯性测量模块与主控板之间按照i2c协议传输数据。在通信问题上，使用arduinoblunonano集成的蓝牙模块与外部设备进行数据交换。完成一次信号采集后，单片机将所有数据打包为一个数据包并通过蓝牙串口无线传输给上位机(智能手机)。其他设备(如手机，电脑)与单片机配对后，不仅可以通过蓝牙串口无线接收采集到的压力传感器及惯性测量模块数据，也可以对单片机进行无线烧录，方便地更改其flash内存储的程序。
应用该测量电路采集的压力传感器数据，采用模糊逻辑算法，可以判断人行走步态。首先，使用sigmoid函数将采集到的电压信号(反应足底压力特征)转换为零到一之间的模糊逻辑值：
式中，x代表测量到的电压信号，x0代表电压阈值，s代表敏感因子。转换出的模糊逻辑值越接近1，则表明电压信号越大，足底压力值越小。模糊逻辑值越接近0，则表明足底压力值越大，因此可以用1-f(x)表征足底压力大的程度。
根据医学理论，人体步态可以分为6个相位：initialcontact(初接触),loadingresponse(足放平),midstance(站立中期),terminalstance(蹬离期),preswing
(预摆动),swing(摆动)。在不同相位下，足底不同部位的压力大小表现出不同的特征，其对应关系可见表1.
表1.压力传感器特征与步态对应关系
根据不同步态对应的足底压力分布特征，将各步态的发生概率表示成模糊逻辑的乘积形式；对应初接触步态的概率为：
uinitialcontact＝f(x1)*f(x2)*f(x3)*(1-f(x4))
将不同步态发生的概率存储于数组u中，数组下标对应不同概率，概率最大值所对应的步态即为当前时刻的步态，有phase＝argmax(u)。
采用这种方法，可以对当前步态做出实时估计，步态判断的行走实验结果可见图3，图中voltage1表示脚跟处压力传感器的电压信号，voltage2和voltage3表示脚弓处压力传感器的电压信号，voltage4表示大脚趾处压力传感器的电压信号。
从估计的步态，原始的压力传感器信号以及惯性测量单元得到的加速度和角速度信号中，我们提取出特征，组合成一个64维的特征向量x(t)，并将其输入到已经训练好的循环神经网络中得到当前速度。循环神经网络结构可见图4。每一时刻的隐藏状态h(t)均与当前得到的特征向量x(t)与上一时刻获得的隐藏状态h(t-1)有关。当前隐藏状态h(t)的计算公式如下
h(t)＝δ(ux(t)+wh(t-1)+b)
式中：t为当前时刻，h(t)为当前隐藏状态，δ为循环神经网络的激活函数，u为特征向量的权重，x(t)为特征向量，w为隐藏状态的权重，h(t-1)为t-1时刻获得的隐藏状态，b为偏置值；
在当前时刻的速度的估计值
式中：o(t)为中间层的输出，v为中间层的权重，c为中间层偏置；
其中，循环神经网络(rnn)中的模型参数u,v,w,b,c需要通过训练确定。为了获得传感器数据与对应速度，我们在跑步机上做了大量实验：调定跑步机速度，实验者在穿戴传感靴的情况下奔跑足够长时间，记录下该段时间内传感器数据。改变跑步机速度，记录下不同速度下一段时间内对应的传感器数据。从这部分实验数据中划分一部分训练集，用于训练rnn。采用梯度下降算法优化模型结构参数，使得通过rnn估计出的速度与实际速度最接近。最终该模型在验证集上达到了100％的准确性。由于我们在训练过程中还采用了加入dropout层等方法防止过拟合，所以模型较好的提取了数据中的泛化特征，具有高泛用性和鲁棒性。
本发明还可以有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些变种都应属于本发明所附的权利要求保护范围。