基于行走年龄的健康评估系统的制作方法

本发明涉及大数据医疗技术领域，尤其涉及一种基于行走年龄的健康评估系统。

背景技术

大数据医疗界提出人体走路时的数据特征与其健康状况强相关，并提出了行走年龄这一定量刻画走路特点的特征，通过行走年龄与真实年龄的对比可以分析出人体的健康状况。

现有技术公开了采用三轴加速度传感器采集人体行走时加速度信号的方案，但是，如何根据得到的加速度信号获取人体的行走年龄，进而根据该行走年龄评估用户的健康状况，目前还没有一个行之有效的方法。

技术实现要素：

本发明提供一种基于行走年龄的健康评估系统，用以评估用户的健康状况。

本发明提供一种基于行走年龄的健康评估系统，包括：

可穿戴设备，智能终端和服务器；

所述可穿戴设备用于获取用户在预设时间段内的原始行走数据，并将所述原始行走数据发送给所述智能终端，所述原始行走数据包括：加速度数据或者角加速度数据；

所述智能终端用于根据所述原始行走数据，获取所述用户在所述预设时间段内的行走特征；根据所述行走特征，确定所述用户在所述预设时间段内的行走年龄；根据所述行走年龄评估所述用户在所述预设时间段内的健康状况；还用于将所述行走特征和所述行走年龄上传至所述服务器；

所述服务器用于存储所述行走特征和所述行走年龄。

可选的，所述可穿戴设备包括：三轴加速度传感器、处理器和蓝牙模块；

所述三轴加速度传感器用于采集所述用户不同时刻下在不同方向的加速度分量，所述处理器用于处理所述加速度分量，以得到所述预设时间段内n个时间点的加速度模值；所述蓝牙模块用于将所述原始行走数据发送给所述智能终端。

可选的，所述智能终端，包括：获取模块；

所述获取模块用于，根据所述预设时间段内n个时间点的加速度模值，采用

计算所述加速度数据对应的的谱线分量；其中，xk为第k个谱线分量，xn为所述n个时间点的加速度模值中，按时间排序后第n个加速度模值，n和k均为大于零的整数，n为大于零的整数；

根据所述谱线分量，采用以下公式计算特征p1～p13；

其中，xk为第k个谱线的分量，fk为第k个谱线的频率；

根据特征p1～p13，通过降维法获取用户的第一行走特征和第二行走特征；所述行走特征包括所述第一行走特征和第二行走特征。

可选的，所述智能终端，还包括：确定模块；

所述确定模块用于，从服务器中获取训练集，所述训练集包含每个样本对应的第一行走特征和第二行走特征；

根据所述每个样本对应的第一行走特征和第二行走特征，以及所述用户的第一行走特征和第二行走特征，构建第一行走特征和第二行走特征的平面交会图；

根据所述平面交会图，采用硬聚类k-means算法确定所述训练集中每个样本所属类别的第一类别信息，所述第一类别信息包括行走年龄；

根据所述类别信息，采用k临近算法确定所述用户的行走年龄。

可选的，所述确定模块，包括：第一确定子模块；

所述第一确定子模块用于，根据预设的策略在所述平面交会图上选择k个样本点作为当前聚类中心点；

根据所述训练集中除所述k个样本点外其他样本点到所述当前聚类中心点的距离，获取所述当前聚类中心点对应的k个聚类；

根据所述k个聚类，重新确定所述k个聚类对应的k个聚类中心点，将所述k个聚类中心点作为所述当前聚类中心点；

重复执行获取所述当前聚类中心点对应的k个聚类、以及重新确定所述k个聚类对应的k个聚类中心点的过程，直到重新确定所述k个聚类对应的k个聚类中心点在所述平面交会图中的位置不再变化时，根据所述k个聚类确定所述训练集中每个样本所属类别的第一类别信息。

可选的，所述确定模块，还包括：第二确定子模块：

所述第二确定子模块用于，根据所述平面交会图上每个样本点到用户特征点的距离，获取与所述用户特征点邻近的k个样本所属类别的第一类别信息，其中，用户特征点表示根据用户的第一行走特征和第二行走特征在所述平面交会图上构建的点；

根据与所述用户特征点邻近的k个样本所属类别的第一类别信息，确定所述用户的行走年龄。

可选的，所述智能终端，还包括：判断模块；

所述判断模块用于，判断所述用户在所述预设时间段内的行走年龄是否大于所述用户的真实年龄；

若是，则警告所述用户健康状况不佳，并提醒所述用户加强锻炼。

可选的，所述三轴加速度传感器以125hz的频率采集所述用户不同时刻下在不同方向的加速度分量。

可选的，所述智能终端为手机或者个人计算机；所述可穿戴设备为脚环或者鞋垫；所述服务器为云端服务器。

可选的，采用主要特征分析方法(principlecomponentanalysis,简称pca)计算用户的第一行走特征和第二行走特征。

本发明提供的基于行走年龄的健康评估系统，通过设置可穿戴设备，智能终端和服务器；其中，所述可穿戴设备用于获取用户在预设时间段内的原始行走数据，并将所述原始行走数据发送给所述智能终端，所述原始行走数据包括：加速度数据或者角加速度数据；所述智能终端用于根据所述原始行走数据，获取所述用户在所述预设时间段内的行走特征；根据所述行走特征，确定所述用户在所述预设时间段内的行走年龄；根据所述行走年龄评估所述用户在所述预设时间段内的健康状况；还用于将所述行走特征和所述行走年龄上传至所述服务器；所述服务器用于存储所述行走特征和所述行走年龄；上述系统可使用户及时了解自身健康状况，在健康状况不佳时，及时采取相应措施，提高了用户体验度。

附图说明

图1为本发明提供的基于行走年龄的健康评估系统的实施例一的结构示意图；

图2为本发明提供的基于行走年龄的健康评估系统的实施例二的结构示意图；

图3为智能终端的获取模块所执行的步骤；

图4为智能终端的确定模块所执行的步骤；

图5为智能终端的第一确定子模块所执行的步骤；

图6为智能终端的第二确定子模块所执行的步骤；

图7为k临近算法示意图。

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，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做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。

本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

现有技术公开了采用三轴加速度传感器采集人体行走时加速度信号的方案，但是，如何根据得到的加速度信号获取人体的行走年龄，进而根据该行走年龄评估用户的健康状况，目前还没有一个行之有效的方法。

本发明提供了一种行走年龄的确定方法和装置，可根据用户行走时的加速度信号确定用户的行走年龄，为分析用户健康状况提供了依据。

下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

图1为本发明提供的基于行走年龄的健康评估系统的结构示意图，如图1所示，本申请提供的基于行走年龄的健康评估系统，包括：可穿戴设备10、智能终端11和服务器12。

其中，可穿戴设备10用于获取用户在预设时间段内的原始行走数据，并将所述原始行走数据发送给所述智能终端11；所述原始行走数据包括：加速度数据或者角加速度数据。

可选的，为使采集到的信号更加精确，可将该可穿戴设备10固定在用户的腿部或者脚部，例如：可将上述可穿戴设备10设置为脚环或者鞋垫的形式。

可选的，上述可穿戴设备10可包括：三轴加速度传感器101、处理器102和蓝牙模块103，其中，三轴加速度传感器101用于采集用户不同时刻下在不同方向的加速度分量。处理器102用于处理所述加速度分量，以得到所述预设时间段内n个时间点的加速度模值。蓝牙模块103用于将该加速度模值作为原始行走数据发送给智能终端11。

其中，所述智能终端11用于根据所述原始行走数据，获取所述用户在所述预设时间段内的行走特征；根据所述行走特征，确定所述用户在所述预设时间段内的行走年龄；根据所述行走年龄评估所述用户在所述预设时间段内的健康状况；还用于将所述行走特征和所述行走年龄上传至所述服务器12。

可选的，智能终端11可实时接收原始行走数据，举例来说，以原始行走数据为加速度数据为例，可穿戴设备10中的三轴加速度传感器101以125hz的频率采集用户行走时的加速度分量，经过处理器处理后，得到预设时间段内n个时间点的加速度模值，可将该加速度模值同样以125hz的频率将该加速度数据发送给智能终端11。

需要说明的是：可穿戴设备10中的三轴加速度传感器101采集加速度分量的频率需大于人体走路的频率的两倍。

可选的，可穿戴设备10中的三轴加速度传感器101采集到不同时刻下在x轴，y轴和z轴的加速度分量后，可根据下面的公式对三个分量取模：

其中，a为某一时刻下的加速度模值，ax为该时刻下加速度在x轴的分量，ay为该时刻下加速度在y轴的分量，az为该时刻下加速度在z轴的分量。

可选的，预设时间段具体根据需求设定，本发明对此不做限定。

其中，行走特征的含义是：对于每个行走个体，均有唯一的行走特征与之对应，同一类别的人群具有相似的行走特征；例如：以年龄作为分类的标准，同一年龄阶段的人群应具有相似的行走特征。

其中，行走年龄是根据行走特征确定的年龄，例如：以年龄作为分类的标准，20～30岁为第一类，30～40岁为第二类，40～60岁为第三类，若根据用户的行走特征判断用户属于第一类，则用户的行走年龄即为20～30岁。

可选的，所述智能终端11可包括判断模块，在得到用户的行走年龄后，所述判断模块可用于，判断所述用户在所述预设时间段内的行走年龄是否大于所述用户的真实年龄；若是，则警告所述用户健康状况不佳，并提醒所述用户加强锻炼。

可选的，智能终端11可以为智能手机、平板电脑或个人计算机等。

其中，服务器12用于存储所有注册用户的历史行走特征和历史行走年龄，并为用户行走年龄的计算提供训练集，随着时间的推移，服务器12存储的行走特征的数量不断增加，训练集中样本的数量也随之不断增加，提高了计算所得行走年龄的准确度。

对于每个用户来说，可以随时从服务器12上获取自己的行走特征值和行走年龄值，以便分析身体状况随时间变化的趋势，增强了用户体验。

可选的，所述服务器12可为云端服务器，或者为任何能够实现上述功能的其他服务器类型。

本实施例提供的基于行走年龄的健康评估系统，通过设置可穿戴设备，智能终端和服务器；其中，所述可穿戴设备用于获取用户在预设时间段内的原始行走数据，并将所述原始行走数据发送给所述智能终端，所述原始行走数据包括：加速度数据或者角加速度数据；所述智能终端用于根据所述原始行走数据，获取所述用户在所述预设时间段内的行走特征；根据所述行走特征，确定所述用户在所述预设时间段内的行走年龄；根据所述行走年龄评估所述用户在所述预设时间段内的健康状况；还用于将所述行走特征和所述行走年龄上传至所述服务器；所述服务器用于存储所述行走特征和所述行走年龄；上述系统可使用户及时了解自身健康状况，在健康状况不佳时，及时采取相应措施，提高了用户体验度。

图2为本发明提供的基于行走年龄的健康评估系统的实施例二的结构示意图，如图2所示，本实施例提供的基于行走年龄的健康评估系统中，智能终端11，包括：获取模块111；图3为智能终端11的获取模块111所执行的步骤：

步骤101、根据所述预设时间段内n个时间点的加速度模值，采用

计算所述加速度数据对应的的谱线分量，其中，xk为第k个谱线分量，xn为所述n个时间点的加速度模值中，按时间排序后第n个加速度模值，n、k和n均为大于零的整数。

需要说明的是，本步骤中的原始行走数据还可以为角加速度数据，该角角加速度数据包括所述预设时间段内n个时间点的角加速度模值，根据该预设时间段内n个时间点的角加速度模值，可计算角加速度数据对应的谱线分量，具体计算方法和上述方法类似，在此不再赘述。

步骤102、根据所述谱线分量，采用以下公式计算特征p1～p13；

其中，xk为第k个谱线的分量，fk为第k个谱线的频率。

步骤103、根据特征p1～p13，通过降维法获取用户的第一行走特征和第二行走特征；所述行走特征包括所述第一行走特征p′和第二行走特征p″。

可选的，可采用主要特征分析方法(principlecomponentanalysis,简称pca)对特征p1～p13进行降维，得到一个二维的分量，将该二维分量分别作为第一行走特征和第二行走特征。该第一行走特征和第二行走特征共同构成所述用户在预设时间段内的行走特征。

本实施例提供的基于行走年龄的健康评估系统，通过在智能终端中设置获取模块，该获取模块将预设时间段内n个时间点的加速度模值进行傅里叶变换，得到加速度数据对应的谱线分量，然后根据该谱线分量，计算特征p1～p13，进而对该特征p1～p13进行降维处理，便可得到用户的行走特征。

可选的，本实施例提供的基于行走年龄的健康评估系统中，智能终端11，还包括：确定模块112；图4为智能终端11的确定模块112所执行的步骤：

步骤201、从服务器12中获取训练集，所述训练集包含每个样本对应的第一行走特征和第二行走特征。

其中，预设训练集是由多个样本构成，每个样本对应的第一行走特征和第二行走特征都是已知的。

步骤202、根据所述每个样本对应的第一行走特征和第二行走特征，以及所述用户的第一行走特征和第二行走特征，构建第一行走特征和第二行走特征的平面交会图。

可选的，可以以第一行走特征为横坐标，以第二行走特征为纵坐标绘制上述平面交会图；平面交会图上的点代表了预设训练集中的每个样本和所述用户，为方便描述，下面将平面交会图上代表预设训练集中的样本的点称为样本点，代表用户的点称为用户特征点。

步骤203、根据所述平面交会图，采用硬聚类k-means算法确定所述训练集中每个样本所属类别的第一类别信息，所述第一类别信息包括行走年龄。

步骤204、根据所述第一类别信息，采用k临近算法确定所述用户的行走年龄。

可选的，上述实施例提供的确定模块112，包括第一确定子模块113；图5为智能终端11的第一确定子模块113所执行的步骤：

步骤301、根据预设的策略在所述平面交会图上选择k个样本点作为当前聚类中心点。

可选的，可在平面交会图上的样本点中随机选取k个样本点作为当前聚类的中心点。

步骤302、根据所述训练集中除所述当前聚类中心点以外的其他样本点到所述当前聚类中心点的距离，获取所述当前聚类中心点对应的k个聚类。

假设，当前聚类中心点为k(1)、k(2)……k(k)，对于除当前聚类的中心点以外的每个样本点来说，可计算该样本点到每个当前聚类中心点的距离，若该样本距离k(1)最近，则可将该样本点归属于k(1)所代表的类，若该样本点距离k(2)最近，则可将该样本归属于k(2)所代表的类，以此类推。

采用上述方法对除当前聚类的中心点以外的每个样本点进行计算，从而可将平面交会图上的样本点划分为k(1)、k(2)……k(k)所代表的k个聚类。

步骤303、根据所述k个聚类，重新确定所述k个聚类对应的k个聚类中心点，将所述k个聚类中心点作为所述当前聚类中心点。

其中，当k个聚类确定后，聚类内的中心点的位置会相应发生改变，可重新计算k个聚类对应的k个聚类中心点，根据k个聚类，确定k个聚类中心点的方法和现有技术类似，在此不再赘述。

重复执行步骤302和步骤303，直到重新确定所述k个聚类对应的k个聚类中心点在所述平面交会图中的位置不再变化时，根据所述k个聚类确定所述训练集中每个样本所属类别的第一类别信息。

由于，在上述步骤302和步骤303的计算过程中，聚类中心点在交会图上的位置在小范围内波动，该范围内的样本点的第一类别信息是已知的。

可选的，最终确定k个聚类中心点后，对于每一个聚类，可将距离聚类中心点超过预设距离的样本点作为离群点删除。

可选的，上述实施例提供的确定模块112，包括第二确定子模块114；图6为智能终端11的第二确定子模块114所执行的步骤：

步骤401、根据所述平面交会图上每个样本点到用户特征点的距离，获取与所述用户特征点邻近的k个样本所属类别的第一类别信息，其中，用户特征点表示根据用户的第一行走特征和第二行走特征在所述平面交会图上构建的点。

其中，每个聚类中的样本点和该聚类的聚类中心点的类别信息是相同的，该类别信息包括行走年龄。举例来说：如果最后确定的k个聚类对应的k个聚类中心点分别为k’(1)、k’(2)……k’(k)，k’(1)代表的是行走年龄为20-30岁的类别，则与该k’(1)对应的那个聚类中所有样本的行走年龄均为20-30岁。

由于，平面交会图中每个样本点的类别信息确定后，在平面交会图上距离用户特征点最近的k个样本点的类别信息也就确定了。

步骤402、根据所述用户特征点邻近的k个样本所属类别的第一类别信息，确定所述用户的行走年龄。

图7为k临近算法示意图，如图7所示，圆形代表用户特征点，三角形代表一个聚类中的样本点，假设该聚类对应的行走年龄为20-30岁；正方形代表另一个聚类中的样本点，假设该聚类对应的行走年龄为30-40岁；如果k＝3，由于距离用户特征点最近的3个样本点中，三角形所占比例为2/3，用户特征点可被赋予三角形代表的那个聚类，即用户的行走年龄为20-30岁；如果k＝5，由于距离用户特征点最近的5个样本点中，正方形所占比例为3/5，因此用户特征点可被赋予正方形代表的那个聚类，即用户的行走年龄为30-40岁。

本实施例提供的基于行走年龄的健康评估系统，在智能终端中设置了第一确定子模块，该第一确定子模块，可通过k-means聚类算法获取训练集中每个样本所属类别的第一类别信息。在智能终端中设置了第二确定子模块，该第二确定子模块可根据上述第一类别信息，采用k临近算法确定所述用户的行走年龄，使得用户可根据该行走年龄及时获知自身健康状况，提高了用户体验度。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

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。