测量足底压力中心轨迹的方法、模型建立方法及智能鞋垫与流程
本发明涉及到智能穿戴设备领域，特别是涉及到一种测量足底压力中心轨迹的方法、模型建立方法及智能鞋垫。
背景技术：
跌倒是引发老年人的产生健康风险的主要因素。年龄超过65岁的老年人每年发生跌倒的概率高达28％～33％。跌倒问题不仅容易造成老年人产生严重的物理伤害及心理影响，使老年人丧失自主生活能力，甚至引发死亡事故。在我国，跌倒事故每年造成的直接或间接经济损失高达252～1000亿元。
为了减少老年人发生跌倒事故，科学家们提出了很多预防跌倒措施。其中，跌倒风险评估被认为是一种有效的预防跌倒措施。跌倒风险评估能够帮助判断易发生跌倒的高危人群，从而制定更有针对性，有效的防跌倒的干预方案。
跌倒风险评估通常依赖于特定的生物力学参数，这些参数也被称作为跌倒风险判定指数。其中，姿态稳定性是一种极为重要的跌倒风险判定指数。现有研究证实了姿态稳定性与跌倒风险的相关性。而足底压力中心轨迹是一个能反映姿态稳定性的重要参数。因此，足底压力中心轨迹被常被用于老年人的跌倒风险评估。
传统的测量足底压力中心轨迹的方法主要依赖于测力台或是压力平板。在一个典型的生物力学实验设备中，测力台通常被嵌入在一个行走平台下。然而，可移动的测力台或是压力平板，由于存在空间上的限制，仅适用于实验使用。
近年来，出现了很多基于鞋垫的足部压力测量系统，例如美国tekscan有限公司开发的f-scan测量系统、novel有限公司开发的novelpedar系统等。这些鞋垫系统能捕获足底压力分布的信息，并精确的计算足底压力中心轨迹，同时它们能够在户外环境中使用，具有极高的应用价值。然而，这些系统设备的价格普遍过高。上面提到的f-scan及pedar系统的价格从1万美元到2万美元不等。
最近几年，基于低成本的力敏传感器的智能鞋垫的研究受到了很大的关注。这些智能鞋垫采用了不同的力敏传感器技术，如力敏电阻(fsr)，织物或纺织品压力传感阵列和压电力敏传感器等，采用的力敏传感器的数量也不同，其范围从4个fsr到64个力敏传感器阵列不等。
现有的采用低成本力敏传感器计算足底压力中心轨迹的智能鞋垫的测量精度较差。原因在于采用加权平均估算法。加权平均估算法是通过对每个力敏传感器检测的压力进行加权平均计算。其中，加权因子(系数)则是由预定义的传感器坐标确定。然而，由于不同类型的力敏传感器本身的材料性质上的差异，以及选取的力敏传感器数量和放置位置的不同，导致在采用单一的加权平均估算法计算时，对足底压力中心轨迹的估算存在较大误差。
技术实现要素：
本发明的主要目的为提供一种测量足底压力中心轨迹的方法、模型建立方法及智能鞋垫，在保证足底压力测量精度的同时降低智能鞋垫的成本。
本发明提供了一种测量足底压力中心轨迹方法，包括以下步骤：
测量智能鞋垫上各个力敏传感器的电信号，所述智能鞋垫包括多个力敏传感器；
在非线性回归模型中，根据各个力敏传感器的电信号、坐标及模型系数，计算足底压力中心坐标。
优选地，所述电信号为电压输出值。
优选地，所述足底压力中心坐标包括横坐标x和纵坐标y，分别由下式求得：
上式中，n表示力敏传感器的个数，
优选地，所述n的值为12。
本发明还提供了一种模型建立方法，用于测量足底压力中心轨迹，包括以下步骤：
测量智能鞋垫上的传感器坐标，记为(xi，yi)，所述智能鞋垫包括多个力敏传感器，xi表示第i个力敏传感器的横坐标，yi表示第i个力敏传感器的纵坐标；
使用所述智能鞋垫在测力台进行模拟试验，获得多组足底压力中心坐标以及与其对应的多个电信号，所述足底压力中心坐标由所述测力台测得，所述电信号分别由各个力敏传感器测得，所述足底压力中心坐标包括足底压力中心横坐标和足底压力中心纵坐标；
分别在x方向和y方向建立非线性回归模型，所述x方向的非线性回归模型包括以下参数：足底压力中心横坐标、传感器横坐标、电信号；所述y方向的非线性回归模型包括以下参数：足底压力纵中心坐标、传感器纵坐标、电信号；通过最小二乘法对所述非线性回归模型进行拟合，计算各个力敏传感器在x方向和y方向的模型系数。
优选地，所述电信号为电压输出值。
优选地，所述x方向和y方向的非线性回归模型可分别由以下公式表示：
上式中，n表示力敏传感器的个数，
优选地，所述n的值为12。
本发明还提供了一种智能鞋垫，包括鞋垫本体、处理器及多个力敏传感器，所述处理器、力敏传感器嵌设于所述鞋垫本体内，所述处理器用于执行上述任意一项所述的测量足底压力中心轨迹方法。
优选地，所述力敏传感器的厚度为0.2～0.5mm，直径为8-15mm。
本发明提供了一种测量足底压力中心轨迹方法、模型建立方法及智能鞋垫，测量足底压力中心轨迹方法采用低成本的力敏传感器测量电信号，然后通过非线性回归模型计算足底压力中心位置，使得在低成本条件下准确地测量足底压力中心轨迹获得实现。而在模型建立方法中，通过智能鞋垫在测试台上进行测验，获得了非线性回归模型所需的模型参数。与现有精度高的智能鞋垫相比，使用本发明的智能鞋垫测量足底压力中心轨迹，精度十分近似，但成本大为降低。
附图说明
图1为本发明测量足底压力中心轨迹方法一实施例的流程示意图；
图2为本发明测量足底压力中心轨迹方法一实施例力敏传感器的安放位置示意图；
图3为本发明测量足底压力中心轨迹方法一实施例测试获得的模型系数及标准差的对照表；
图4为本发明测量足底压力中心轨迹方法一实施例测足底压力中心轨迹与实际轨迹的对比参照图；
图5为本发明模型建立方法一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明提供了一种测量足底压力中心轨迹方法，包括以下步骤：
s10、测量智能鞋垫上各个力敏传感器的电信号，所述智能鞋垫包括多个力敏传感器；
s20、在非线性回归模型中，根据各个力敏传感器的电信号、坐标及模型系数，计算足底压力中心坐标。
步骤s10中，可按图2的方式在智能鞋垫上设置力敏传感器。图2中的数字表示传感器的编号。以本实施例为例，力敏传感器的个数为12。力敏传感器的形状为圆片。每个力敏传感器都在坐标系有对应的坐标。力敏传感器主要是为了测量鞋垫各部位受到的压力。人体在智能鞋垫上产生的压力在力敏传感器上转化为电信号，这种电信号一般是电压值。
步骤s20中，在获取到各个力敏传感器的电信号、坐标及模型系数后，可在以下的非线性回归模型中计算足底压力中心坐标，足底压力中心坐标包括横坐标x和纵坐标y，具体为：
上式中，n表示力敏传感器的个数，
非线性回归模型中的模型系数是模型测验测试过程中获得的。具体测试过程可以参照下面的模型建立方法的实施例。参照图3，图3是一组经测试获得的模型系数，est即为模型系数，std为模型系数的标准差。
参照图4，本发明实施例还对上述低成本智能鞋垫的测量精确度进行了验证。图中实线表示使用高精度鞋垫测试结果，记为实际轨迹，虚线表示本实施例的智能鞋垫测试结果。本发明实施例智能鞋垫估算的足底压力中心轨迹和实际轨迹之间的均方根误差(rmse)在x和y轴方向分别为为1.74mm和2.05mm，相关性系数分别为0.97和0.93。结果表明，使用本发明实施例的智能鞋垫，测量精准度已非常接近高精度鞋垫，且成本大为下降。
参照图5，本发明实施例还提供了一种模型建立方法，用于测量足底压力中心轨迹，包括以下步骤：
s01、测量智能鞋垫上的传感器坐标，记为(xi，yi)，所述智能鞋垫包括多个力敏传感器，xi表示第i个力敏传感器的横坐标，yi表示第i个力敏传感器的纵坐标；
s02、使用所述智能鞋垫在测力台进行模拟试验，获得多组足底压力中心坐标以及与其对应的多个电信号，所述足底压力中心坐标由所述测力台测得，所述电信号分别由各个力敏传感器测得，所述足底压力中心坐标包括足底压力中心横坐标和足底压力中心纵坐标；
s03、分别在x方向和y方向建立非线性回归模型，所述x方向的非线性回归模型包括以下参数：足底压力中心横坐标、传感器横坐标、电信号；所述y方向的非线性回归模型包括以下参数：足底压力纵中心坐标、传感器纵坐标、电信号；通过最小二乘法对所述非线性回归模型进行拟合，计算各个力敏传感器在x方向和y方向的模型系数。
本实施例中，主要涉及非线性回归模型的测试过程以及模型系数的计算。
首先，在步骤s01中，先对需要测试的智能鞋垫进行测量，确定各力敏传感器的位置。参照图2，可用平面直角坐标系的点表示力敏传感器的位置，记为传感器坐标。
步骤s02中的测试过程包括了：招募受试人，要求受试人穿着上述智能鞋垫，完成站立，起立坐下，行走等一系列日常动作，并记录数据。该数据包括了每个测量时刻的足底压力中心坐标、各个力敏传感器测得的电信号。力敏传感器可采用力敏传感器。人体在智能鞋垫上产生的压力在力敏传感器上转化为电信号，这种电信号一般是电压值。以本实施例为例，力敏传感器的个数为12。力敏传感器的形状为圆片。每个力敏传感器都在坐标系有对应的坐标。
步骤s03中，建立如下式的非线性回归模型：
上式中，n表示力敏传感器的个数，
然后代入相应的测量数据，通过最小二乘法，计算得出上式中的模型系数
本发明还提供了一种智能鞋垫，包括鞋垫本体、处理器及多个力敏传感器，所述处理器、力敏传感器嵌设于所述鞋垫本体内，所述处理器用于执行上述任意一项所述的测量足底压力中心轨迹方法。
在本实施例中，本发明提出的智能鞋垫包括鞋垫本体，处理器及多个力敏传感器。鞋垫本体中包含12个集成的力敏传感器，可采用interlink公司的fsr402力敏传感器。放置于脚踝的集成模块主要由处理器，蓝牙模块和电池模块组成。处理器可采用arm公司搭载高性能cortex-m3内核的stm32芯片。鞋垫中还配备了电池为600mah的5v聚合物锂电池。智能鞋垫还内置了蓝牙模块，可采用自行开发的hc-06蓝牙模块。
12个力敏传感器覆盖了重要的脚底压力分布区域，如大脚趾，跖趾关节(mtp)关节，脚的弓形部位和脚后跟等位置。
本实施例的力敏传感器可选用的尺寸厚度为0.2～0.5mm，直径为8-15mm。以本实施例为例，每个fsr402具有由玻璃纤维树脂制成的12.7毫米直径感应区域。然后将其连接到直径为18.1毫米的基座上，这有助于使施加的力均匀分布在其表面，并降低力敏传感器饱和的可能性。
每个fsr402按制造商推荐的方法，分别连接到一个电压电流转换(v2c)电路。连接电线经过特别筛选的，厚度约为0.4mm，从而可以最大限度地减少鞋垫不均匀表面的影响。该v2c转换电路将fsr电阻值转换为反向电压输出，随后通过10位模拟-数字(a2d)模块将其转换为可读的电压输出，记为vi。
智能鞋垫中的处理器接受来自力敏传感器的电信号，并加载其在鞋垫中的存储器储存的传感器坐标、非线性回归模型及模型参数，执行上述任意一项所述的测量足底压力中心轨迹方法，获得足底压力中心轨迹。该足底压力中心轨迹可以通过蓝牙模块传送到相应的设备上，或通过数据接口被计算机系统所读取。
本发明提供了一种测量足底压力中心轨迹方法、模型建立方法及智能鞋垫，测量足底压力中心轨迹方法采用低成本的力敏传感器测量电信号，然后通过非线性回归模型计算足底压力中心位置，使得在低成本条件下准确地测量足底压力中心轨迹获得实现。而在模型建立方法中，通过智能鞋垫在测试台上进行测验，获得了非线性回归模型所需的模型参数。与现有精度高的智能鞋垫相比，使用本发明的智能鞋垫测量足底压力中心轨迹，精度十分近似，但成本大为降低。
以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
- 还没有人留言评论。精彩留言会获得点赞！