一种基于足底压力姿态识别的智能鞋垫的制作方法

本发明涉及智能穿戴设备技术领域，具体涉及一种基于足底压力姿态识别的智能鞋垫。

背景技术：

随着电子技术的不断发展及人们生活质量的提高，人们开始对我们的日常穿戴提出了更高的要求，智能穿戴发展迅速，智能鞋垫就是其中的一种。目前，智能鞋垫具有发热、定位等多种功能，能够监测用户的活动水平、行走健康等数据。跌倒是指突发的，不由自主的非故意的体位改变而倒在在地上或更低的平面上。由于现在越来越多的空巢老人、孤寡老人，人跌倒后，通常由于发现不及时，可能会错过最佳的救护时机，容易造成极大的生理伤害和心理伤害。

技术实现要素：

针对现有技术中的缺陷，本发明的目的之一在于提供一种基于足底压力姿态识别的智能鞋垫，根据足底压力识别人体的姿态，可准确判断人的行为姿态。

第一方面，本发明提供的基于足底压力姿态识别的智能鞋垫，包括压力传感器、三轴加速度传感器、三轴陀螺仪、处理器、存储器和无线通信模块，所述压力传感器分别设置在足前脚掌和脚后跟，分别采集前脚掌的压力分布和脚后跟的压力分布信息；所述三轴加速度传感器用于检测人在不同的姿态不同方向的加速度信息；所述三轴陀螺仪用于检测人在不同姿态不同方向的角速度信息，所述处理器用于根据压力信息、加速度信息和角速信息进行预处理和分析，识别出人体的姿态；所述存储器用于存储数据；所述无线通信模块用于数据传输。

可选地，所述处理器包括数据预处理单元，所述数据预处理单元用于对压力信息、加速度信息和角速信息分别依次进行放大、去噪、滤波、平滑和去耦处理。

可选地，所述处理器还包括分析单元，所述分析单元用于根据预处理后得到的数据进行分析识别人体姿态。

可选地，所述分析单元包括特征提取模块，所述特征提取模块用于从预处理后的数据中提取识别人体姿态的特征参数。

可选地，所述分析单元还包括人体姿态识别模块，所述人体姿态识别模块用于根据特征参数输入bp神经网络模型，识别出人体姿态。

可选地，所述bp神经网络模型的具体方法包括：bp神经网络模型包括输入层、输出层以及隐含层，输入层获取的压力传感器、三轴加速度传感器和三轴陀螺仪采集的数据，经过隐含层的运算得到隐含层的输出，然后经过输出层的运算得到输出层的输出。

可选地，所述鞋垫还包括定位模块，所述定位模块用于对鞋垫进行定位，并将定位信息发送到处理器。

可选地，所述鞋垫还包括无线充电模块，所述无线充电模块用于对鞋垫进行无线充电。

本发明的有益效果：

本发明的基于足底压力姿态识别的智能鞋垫，通过压力传感器、三轴加速度传感器和三轴陀螺仪采集脚的压力分布情况、根据采集的瞬时加速度和角速度数据进行分析处理，通过对人体姿态种类的训练学习，对采集的数据进行分类姿态识别，分类识别率高，可准确判断人的行为状态，并将识别后的数据通过无线通信模块发送出去。尤其适用于老年人使用，可及时发现老年人是否摔倒，可及时通知家人知晓老年人的状况。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明提供的基于足底压力姿态识别的智能鞋垫的实施例的结构框图；

图2示出了图1中处理器的结构框图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

图1、2示出了本发明提供的一种基于足底压力姿态识别的智能鞋垫，包括压力传感器、三轴加速度传感器、三轴陀螺仪、处理器、存储器和无线通信模块，所述压力传感器分别设置在足前脚掌和脚后跟，分别采集前脚掌的压力分布和脚后跟的压力分布信息；所述三轴加速度传感器用于检测人在不同的姿态不同方向的加速度信息；所述三轴陀螺仪用于检测人在不同姿态不同方向的角速度信息，所述处理器用于根据压力信息、加速度信息和角速度采集的信号速信息进行预处理和分析，识别出人体的姿态；所述存储器用于存储数据；所述无线通信模块用于数据传输。压力传感器分别设置在前脚掌和脚后跟处。本发明可识别人体的姿态包括静止、走路、弯腰、跑步和摔倒姿态。通过压力传感器记录前脚掌和脚后跟压力变化，可判断人在走路、弯腰或跑步。通过采集的加速度和角速度数据可判断人体处于走路、弯腰、跑步和摔倒中的一种或多种，可提高分类的准确性。人在不同的姿态，脚掌和脚跟的压力不同，分别设置在脚掌和脚后跟的压力传感器来采集各个姿态的脚掌和脚跟压力信息，不同的运动姿态，脚在x、y、z轴的角速度和加速度也不同，三轴加速度传感器和三轴陀螺仪分别采集x、y、z轴的角速度和加速度信息，压力信息、角速度信息和加速度信息分别输入到处理器，处理器对压力信息、角速度信息和加速度信息进预处理和分析，判断出人体的不同姿态。三轴加速度传感器的x、y、z三轴的定义，其参照物为脚，立正站立；x轴垂直于脚尖方向向右，y轴沿着脚尖方向向前，z轴方向根据右手定则确定(垂直脚面向上)；三轴陀螺仪的x、y、z三轴定义：其参照物为脚，立正站立；x轴角速度正方向为向右转(脚面向后翘起)，y轴角速度正方向向右转(脚面向右翻转)，z轴角速度正方向为向左转(脚面向左转向)。

本发明的智能鞋垫，通过压力传感器、三轴加速度传感器和三轴陀螺仪采集脚的压力分布情况及根据采集的瞬时加速度和角速度数据进行分析处理，通过对人的姿态种类的训练学习，对采集的数据进行分类姿态识别，可判断人的行为状态，分类识别率高，并将识别后的数据通过无线通信模块发送出去。尤其是老年人，如果摔倒后没有人知道，通过本发明的智能鞋垫可识别老年人的行为状态，及时发现老年人是否摔倒，可及时通知家人知晓老年人的状况。

处理器包括数据预处理单元，所述数据预处理单元用于对压力信息、加速度信息和角速信息分别依次进行放大、去噪、滤波、平滑和去耦处理。采用高斯滤波器对压力信息、加速度信息和角速信息进行去噪、滤波和平滑处理。所述处理器还包括分析单元，所述分析单元用于根据预处理后得到的数据进行采用bp神经网络模型分析识别人的姿态。分析单元包括特征提取模块，所述特征提取模块用于从预处理后的数据中提取识别人姿态的特征参数。分析单元还包括人体姿态识别模块，所述人体姿态识别模块用于根据特征参数输入bp神经网络模型，识别出人的姿态。

bp神经网络模型包括输入层、输出层以及隐含层，输入层获取的压力传感器、三轴加速度传感器和三轴陀螺仪输入数据，经过隐含层的运算得到隐含层的输出，然后经过输出层的运算得到输出层的输出。bp神经网络模型的训练方法步骤如下：s1：将经过预处理的传感器采集的信号做为x序列输入，y序列为待识别出的姿态序列；

s2：计算隐含层输出：根据输入x，输入层与隐含层的连接权值ωij和隐含层阈值aj计算隐含层输出hj，计算公式为其中，hj为隐含层输出，aj为隐含层阈值，l为隐含层神经元的数目，n为输入层神经元，ωij为隐含层和输出层的连接权值，f(x)是隐含层的激励函数，

s3：根据隐含层输出hj,隐含层和输出层的连接权值ωij和输出层阈值bk计算网络的预测输出ok,其中m为输出层神经元，预测输出与姿态列表标识进行对比，识别出姿态；

s4：计算误差，网络预测输出与期望输出的差值为计算预测误差ek，ek＝yk-ok,k＝1,2,....m(4)；

s5：网络权值更新根据网络的预测误差ek来更新输入层与隐含层的连接权值ωij和隐含层与输出层的连接权值ωjk，计算公式如下：

ωjk＝ωjk+ηhjek,j＝1,2,...l；k＝1,2...m(6)；

s6：根据网络的预测误差来更新隐含层阈值aj和输出层阈值bk，其中，η为学习率；

s7：判断ek是否无限小，如果不是，则返回执行s2；如果是k无限小，则结束。

通过上述方法得到训练好的bp神经网络模型。

bp神经网络模型的输入层和输出层的神经元为压力传感器、三轴陀螺仪和三轴加速度传感器采集的信号，设置采集每种姿态都是6s，频率是100hz，实验中采样频率为5hz。采用的数据库结构，每种姿态由50组数据，其中每组由5个实验者，每人10次记录，整个数据库中由250组包括五组姿态的数据，每组原始姿态数据是由3组长度为120s的数据组成。对数据库中原始姿态数据进行特征提取，计算每组数据的加速度幅值(svm)，标识运动姿态的运动强烈程度，数值越大代表运动越激烈，是人体姿态特征，计算公式

其中，ax(t)、ay(t)、az(t)分别为t时刻三轴加速度传感器在x轴、y轴、z轴所测得的加速度数据。通过对三轴加速传感器采集到的信号矢量幅值(svm)进行合一化处理，可使svm波形与实际姿态相对应，提高姿态识别的准确性。

将每种姿态的特征序列即svm序列作为网络的输入序列x，分别在不同姿态的svm序列上加姿态标识1、2、3、4、5，将5组序列分别存储在excel文件中命名为t1、t2、t3、t4、t5，每个excel文件中的行数都是121，其中，第一行是姿态标识，剩下120行是姿态信号的svm序列，输入层的神经元数设定120个，n＝120，姿态标识不计入输入序列中，x＝svm。输出层级神经元是5，即m＝5，根据要识别的姿态标识设定期望输出，当姿态标识为1时，期望输出向量是【10000】，当姿态标识为2时，期望输出向量是【01000】，当姿态标识为3时，期望输出向量是【00100】，当姿态标识为4时，期望输出向量是【00010】，当姿态标识为5时，期望输出向量是【00001】。期望输出即为当输入序列经过网络运算后的输出序列。采用仿真一层隐含层可达到预期效果，根据kolmogorov的经验公式设定内涵曾的神经元数，其中，l是隐含层的神经元数；n是输入层的神经元数；m是输出的神经元数；c是一个常数，c的取值范围是(1，10)。根据文中可得到输入串的神经元数n和输出层的神经元数m，l的取值范围是得到输入层神经元数n和输出层的神经元数m，l的取值范围(6,37)，通过仿真实验，可找到合适的隐含层层数和隐含层神经元数。设定神经网络参数为输入层神经元数n＝120，输出层神经元数m＝4，隐含层神经元数1～(6，37)，设定学习率0.1，最大步长为100。存储器中存储有250组数据(包括五组姿态数据)，每组姿态随机选择35组数据作为训练数据，即训练数据为175组，将训练数据通过上述的bp神经网络的训练过程进行训练，过程中由于隐含层的层数和神经元数直接影响识别率，可直接调整这2个参数提高识别率。记录识别率最高的网络参数，并将其作为测试网络，剩下的75组数据作为测试数据，输入训练完的网络，最后记录测试数据的识别率。根据训练数据所达到识别率为最高的网络参数为两层。根据训练好的bp神经网络模型，输入采集的数据，能准确识别人体姿态，可判断人的行为状态。

鞋垫还包括定位模块，所述定位模块用于对鞋垫进行定位，并将定位信息发送到处理器。定位模块可对使用者的当前位置进行定位，定位数据发送到处理器处理，处理器处理后通过无线通信模块将定位信息发送出去，可发送到其他人的手机，如果使用者迷路，可根据定位信息快速找到使用者。

鞋垫还包括无线充电模块，所述无线充电模块用于对鞋垫进行无线充电。无线充电模块可对鞋垫进行无线充电，防止使用者忘记充电导致鞋垫的不能正常运行，确保鞋垫能正常运行。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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，其均应涵盖在本发明的权利要求和说明书的范围当中。