一种人体行为数据的处理方法、装置及系统与流程

本发明涉及通信领域，具体地，涉及一种人体行为数据的处理方法、装置及系统。

背景技术：

人体行为是人和外界交互的最直观的反映，对人体行为进行数据采集与分析可判断人的各种生理和心理的内在特征，在医疗健康领域具有很好的应用前景。

现有的人体行为特征分析原理主要有光学原理、惯性传感器原理。其中，使用光学原理对病人行为特征进行分析研究存在如下一些缺点：(1)对实验环境要求高，如光线要求、实验仪器摆放要求等；(2)人体动作会对佩戴的红外发射器产生阻挡效果，影响实验数据采集。而使用惯性传感器原理，也有如下一些不足之处：(1)数据采集对象主要是正常人，即对正常人的动作进行了数据采集和动作识别；(2)对特征的定量分析不足，即使存在，也没有考虑到病人的行为特征与正常人的区别之处，将病人作为研究对象，其测量精度往往不高。

技术实现要素：

有鉴于此,本发明的目的在于提供一种人体行为数据的处理方法、装置及系统，以解决上述提及的至少一个问题。

一个方面，提供了一种人体行为数据的处理方法，该方法包括：接收来自佩戴在人体各部位的惯性传感器获取的人体行为数据，其中，人体行为数据包括以下至少之一：行走类数据、震颤类数据、和走圆数据；根据人体行为数据选择可分析数据段；根据可分析数据段分析人体行为数据对应的人体行为是否存在异常；以及显示分析结果。

另一方面，提供了一种人体行为数据的处理装置，该装置包括：数据接收单元，用于接收来自佩戴在人体各部位的惯性传感器获取的人体行为数据，其中，人体行为数据包括以下至少之一：行走类数据、震颤类数据、和走圆数据；选择单元，用于根据人体行为数据选择可分析数据段；分析单元，用于根据可分析数据段分析人体行为数据对应的人体行为是否存在异常；以及显示单元，用于显示分析结果。

又一方面，提供了一种人体行为数据的处理系统，该系统包括：上述的人体行为数据的处理装置以及佩戴在人体各部位的惯性传感器。

上述技术方案中的一个技术方案具有如下有益效果：通过对佩戴在人体各部分的多个惯性传感器获取的人体行为数据选择后进行分析，可以有效地观测测试者的身体状况，确定是否有异常情况。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是根据本发明实施例的人体行为数据处理方法的流程图；

图2是采用数据插值算法对数据进行插值处理过程的示意图；

图3是根据本发明实施例的人体行走数据及其数据片段选择的示意图；

图4是根据本发明实施例的人体抬脚数据及其数据片段选择的示意图；

图5是根据本发明实施例的基于图4选择的数据片段的抬脚高度计算结果示意图；

图6是根据本发明实施例的人体震颤数据及其数据片段选择的示意图；

图7是根据本发明实施例的基于图6选择的数据片段的震颤频率计算结果示意图；

图8是根据本发明实施例的基于图6选择的数据片段的震颤幅度计算结果示意图；

图9是根据本发明实施例的人体开步动作数据示意图；

图10是根据本发明实施例的人体走圆数据示意图；

图11是根据本发明实施例的人体行为数据处理装置的结构框图；

图12是根据本发明实施例的选择单元102的结构框图；

图13是根据本发明实施例的分析单元103的结构框图；

图14是根据本发明实施例的人体行为数据处理系统的结构框图；

图15是根据本发明实施例的人体行为数据处理系统采集人体行为数据的流程图；

图16是根据本发明实施例的人体行为数据处理系统对存储在数据库中的人体行为数据进行分析的流程图。

具体实施方式

在医疗诊断方面，使用惯性传感器研究人体各种疾病和个体行为的内在联系具有潜在的医疗价值与前景，例如，可以在疾病诊断上应用人体行为感知与分析系统，分析病人步态、四肢运动及震颤、头部运动等情况和疾病程度的关系。然而现有研究在医疗领域关心的这些特征的分析及其相关软件很少。例如，正常压力脑积水(normalpressurehydrocephalus,nph)是一种脑室扩大，但脑脊液压力正常的交通性脑积水综合征，其临床表现为具有特征性的“三联征”：步态障碍(步距宽、拖步、磁力步态)、认知功能减退及尿失禁，其中步态障碍为最具典型临床表现特征，且易与帕金森病性步态障碍等疾病相混淆，目前尚未有专门用于检测nph步态障碍的有效方法。

基于此，本发明实施例提供一种人体行为数据的处理方案，通过对佩戴在人体各部位的惯性传感器获取的人体行为数据进行分析，可以有效地分析测试者的身体情况，有效地检测nph步态障碍。

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。

图1是根据本发明实施例的人体行为数据处理方法的流程图，如图1所示，该方法包括：

步骤101，接收来自佩戴在人体各部位的惯性传感器获取的人体行为数据，其中，人体行为数据包括以下至少之一：行走类数据、震颤类数据、和走圆数据；

步骤102，根据人体行为数据选择可分析数据段；

步骤103，根据可分析数据段分析人体行为数据对应的人体行为是否存在异常；以及

步骤104，显示分析结果。

通过对佩戴在人体各部分的多个惯性传感器获取的人体行为数据选择后进行分析，可以有效地观测测试者的身体状况，检测nph步态障碍，以确定是否有异常情况，并且，使用惯性传感器可以有效解决对测量环境要求高和信号阻挡的问题。

在步骤103中，根据可分析数据段分析人体行为是否存在异常具体包括：首先根据可分析数据段确定人体行为数据对应的人体行为；之后根据预定规则分析人体行为是否存在异常。这里的预定规则可以是医学上对于某一病症的具体规定。

在实际操作中，多个惯性传感器可以分别佩戴在测试者的脚部、手部和腰部，用于分别测试人体行走、震颤和走圆时的数据，以检测测试者是否步态障碍。

具体地，当上述人体行为数据为行走类数据时，步骤101接收到的是佩戴在人体脚部的惯性传感器获取的行走类数据，其中，该行走类数据包括在人体脚部传感器的水平、或垂直方向上的线性加速度数据。

当上述人体行为数据为震颤类数据时，步骤101接收到的是佩戴在人体手部和头部的惯性传感器获取的震颤类数据，其中，该震颤类数据包括在人体手部和头部惯性传感器坐标上的减去重力分量的加速度数据。

当上述人体行为数据为走圆数据时，步骤101接收到的是佩戴在人体腰部的惯性传感器获取的走圆数据，其中，该走圆数据包括人体腰部惯性传感器获取的欧拉角数据。

在具体实施过程中，对于nph患者，可以将惯性传感器分别佩戴在测试者头部(额头正前方)、左右手上臂、左右手掌背面、腰部、左右脚背面。对病人行为特征数据进行采集，主要是采集三维加速度值、三维线性加速度值、重力在传感器坐标上的分量和欧拉角值。

在本发明实施例中，使用惯性传感器可以有效解决测量环境要求高和信号阻挡的问题，可以从算法上实现针对病人特殊情况的特征计算，如速度重建的误差修正算法等，也可以计算医疗领域关心的其他特征，如使用离散傅立叶变换分析震颤频率，使用离散频域积分算法计算震颤幅度等。

在步骤102中，根据人体行为数据选择可分析数据段具体包括：对人体行为数据进行插值处理；根据插值处理后的人体行为数据选择可分析数据段。通过插值处理，可以解决无线数据采集过程中存在的数据丢包问题。

数据丢包问题是指设定一定采集频率之后一段时间内采集到的数据数量存在不足，且丢失的数据在时间上不规则分布。这一问题属于传感器存在的固有问题，经多次实验，使用直接序列扩频(directsequencespreadspectrum，dsss)无线协议传输数据时，存在一定程度的丢包，且同时使用多个传感器进行数据传输时，丢失率会随着传感器数量的增加而增大。因此，为方便后续数据的处理分析，可以采用数据插值算法对数据进行插值处理，使得数据在时间上均匀分布。数据插值算法为线性插值，参见图2所示，具体计算方法为：

(1)假设我们已知坐标(x0,y0)与(x1,y1)和经过这两点的直线，要得到[x0,x1]区间内某一位置x在直线上的值，我们得到两点式直线方程：

这样，在代数上就可以表示成为：

(2)确定数据量：根据现有时间片段长度和数据频率计算出总数据数量，假设有2s的时间片段长度和100hz的数据频率，则可以计算出数据量为200。

(3)确定横轴时间值：结合数据量、时间片段和数据点在横轴(时间轴)上平均分布的规则，可以得到待计算加速度值的横轴时间点。

(4)计算时间点对应的加速度值。结合理论基础、加速度数据、横轴时间点，即可得到这些时间点上对应的加速度值，完成线性插值处理。

之后，就可以根据插值处理后的人体行为数据选择可分析数据段。

在本发明实施例中，上述行走类数据可以包括：行走相关类数据和非行走相关的距离类数据；震颤类数据包括：震颤频率类数据和震颤幅度类数据。人体行为数据还包括其他类，例如，走圆数据。相应的具体行为特征包括：步距、步速、步幅时间、支撑时间、开步动作延迟时间、左手震颤频率、左手震颤幅度、右手震颤频率、右手震颤幅度、头部震颤频率、头部震颤幅度、抬脚高度、走圆所需时间等13种。

为了更好地理解本发明实施例，以下分别详细描述每一类行为特征，优选地，其中用于数据片段选择的数据和选出的可分析数据片段都已经过插值处理。

(1)行走相关类特征

行走相关类特征包括行走相关时间类特征和行走相关距离类特征。由于脚支撑在地面上时加速度始终不变，可以对数据进行行走周期的划分，其中一个行走周期是指从刚开始抬脚到脚完全支撑于地面再到下一步刚开始抬脚这一时间段。在数据片段选择操作中，可以对左脚和右脚上的惯性传感器的三维加速度的每一维加速度进行图像展示之后进行数据片段的选择。

根据选择的数据片段，可计算行走相关时间类特征，适用于步幅时间和支撑时间特征的计算。步幅时间为每个选中的时间段长度，而支撑时间为相邻两个选中时间段之间的时间段，因此一次计算结束后，支撑时间数据量比步幅时间数据量少一个。

根据选择的数据片段，还可以计算行走相关距离类特征，适用于步距、步速特征的计算。行走相关距离类行为特征使用脚上惯性传感器的水平方向(北方向和东方向)线性加速度数据，进行离散时域积分计算，并使用积分误差修正算法来减小误差，从而得出这一步的步距。对每一个划分的数据片段进行该计算，即可得出每一步的步距，而在此基础上结合步数和时间长度可以计算出平均步距和步速。以下对计算方法进行详细说明。

离散时域积分算法主要有复化梯形积分法、复化simpson积分法等。本文中使用了复化梯形积分法，在实际操作中也可以使用复化simpson积分法。由于这两种离散时域积分算法已经是公认的算法，不再进行计算公式的描述。使用一次离散时域积分算法和两维线性加速度值，可以计算出水平方向的速度值。

使用离散时域积分算法后，积分结果会存在较大误差，因此可以使用误差修正算法来修正误差。误差修正算法基于一个既定的事实：每一步步幅最终的时间点上脚和传感器的速度值一定为0。因此，在一个片段中，初始速度和末时刻速度都应该为0，然而由于系统误差、积分算法误差等影响，积分算法到最后计算得到的速度并不是0，这也就会导致速度积分为位移时产生更大的误差。因此可以在加速度积分得到速度后进行速度修正，再将速度积分为位移，可以减小最终结果的误差。该误差修正算法也称为速度重建算法。在本发明实施例中，使用的修正公式如下：

其中，ve为末时刻的速度值。

之后，再对修正后的速度值使用一次离散时域积分算法，可以计算出距离值。最后还需要进行北方向距离值和东方向距离值的平方和开平方根运算，计算出一步的步距。

在完成行为特征的计算之后，可以根据不同的行为特征，进行不同的展示。图3示出了测试者的实际行走数据(左脚上惯性传感器采集到的三维加速度值)及选择的数据片段。

如图3所示，图中选择了6个数据片段，这些片段均是步幅时间，两个片段之间的时间段即为支撑时间。因此，根据数据片段选择，很容易得到步幅时间和支撑时间，即行走时间类特征。图中选取的6个数据片段分别为：5.62s～6.42s，6.82s～7.71s，8.14s～8.96s，9.34s～10.28s，10.68s～11.57s，11.94s～12.85s，得到6个步幅时间为：0.80s，0.89s，0.82s，0.94s，0.89s，0.91s，5个支撑时间为：0.40s，0.43s，0.38s，0.40s，0.37s，还可以得到平均步幅时间为0.875s，平均支撑时间为0.396s。

对这6段时间内的距离进行计算，计算方法为上文中行走距离类特征计算方法。经过第一次复化梯形积分法、速度重建算法、第二次复化梯形积分法，可以得到6次距离为0.745m，0.731m，0.717m，0.804m，0.770m，0.760m，可以计算出距离为4.527m，结合步数为6以及总时间长度为7.23s，还可以计算出平均步距为0.755m，平均步速为0.626m/s。

医生根据上述步幅时间、支撑时间和步速结果就可以判断测试者的身体是否有异常，是否需要进行必要地诊治。

(2)非行走相关距离类特征

非行走相关距离类特征的计算方法与行走相关距离类特征计算方法大致相同，但存在几点不同：

首先，计算使用的数据不同，非行走相关距离类特征使用脚上传感器垂直方向(垂直向上方向)的线性加速度数据；

其次，由于只使用一维数据，最终无需进行平方和开平方根运算。但是由于最终时间点脚支撑于地面即抬脚高度为0的事实，需要进行下式的修正算计以减小误差：

其中，se为末时刻的距离值。

图4是以测试者实际抬脚为例，采集测试者左脚惯性传感器的三维加速度值，如图4所示，上图中选择了从1.80s到4.24s的时间片段。根据选择的时间片段，可以计算左脚抬脚高度。根据该时间片段内的垂直方向线性加速度数据进行计算，可以得到图5(a)所示的左脚速度和图5(b)所示的左脚高度，在图5(b)中，光标指示图中时间点为抬脚高度为0.73m。

(3)震颤频率类特征

根据采集到的三维加速度和重力在传感器坐标上的分量，计算出减去重力分量的三维加速度值。使用离散傅立叶变换得到频谱，可以计算震颤的频率分布。这里使用的离散傅立叶变换方法为快速傅立叶变换，由于该算法是公知算法，这里不再进行公式描述。在变换后，横坐标需要转化为直观的频率，使用的转化公式为其中f0为数据采集频率(默认使用100hz)，k为fft变换后的横坐标值，t为数据片段的时间长度。

图6是以测试者手部震颤频率为例，采集左手惯性传感器的三维加速度值，如图6所示，三条曲线从上到下依次为y轴、x轴和z轴上的加速度，选择时间片段，根据上文中震颤频率类特征计算方法计算震颤频率，得到如图7所示的x轴、y轴和z轴的频谱图像，频谱的峰值处，对应的横坐标即震颤频率，为3.69hz。

(4)震颤幅度类特征

根据采集到的三维加速度和重力在传感器坐标上的分量，计算出减去重力分量的三维加速度值。使用离散频域二次积分算法，可以计算出震颤幅度。时域积分存在一个明显的缺点，就是误差会有累积效应，而频域积分的优点是没有误差累积效应，适合有一定周期的运动数据的幅度计算。具体的计算方法如下所示：

设加速度连续信号a(t)经过采样后的离散信号a(n)(n＝0,1,2,...,n-1)，a(n)的离散傅立叶变换(dft)结果为：

根据傅立叶变换的积分性质，得到位移信号s(n)的离散傅立叶变换为：

计算出的s(k)经过离散傅立叶反变换后取实部，即可得s(n)。

基于图6选择的时间片段，根据上述震颤幅度类特征计算方法来计算震颤幅度，得到如图8所示的x轴、y轴、z轴的震颤幅度变化图像，三轴上幅度峰值的绝对值可作为震颤幅度。

如图8所示，x轴震颤幅度值为0.00108m，0.00114m，0.00127m，0.00120m，0.00135m，0.00110m，0.00146m，0.00150m，0.00171m，0.00150m，0.00176m，0.00169m，0.00199m，0.00180m，0.00184m，0.00133m。据此可以得到x轴平均震颤幅度为0.001483m，即1.483mm。其他两个维度上的震颤幅度也可用同样的方法计算出。

(5)其他类特征

其他类特征包括开步动作延迟时间和走圆所需时间。

对于开步动作延迟时间，对左脚和右脚上惯性传感器的三维加速度数据可以进行可视化展示。将开始时间点设置为0，结束时间点设置为加速度值从初值到偏离初值的临界时间点，可以使用光标直接在图中标记并读出开步动作延迟时间特征值。

图9是测试者开步动作数据示意图，如图9所示，横轴为时间轴，纵轴为右脚惯性传感器获取的三维加速度，图中箭头表明的时间点可以读出此次的开步延迟为0.53s。

对于走圆所需时间，对腰部传感器的欧拉角数据进行可视化展示。将数据值从初始值到偏离初始值的临界时间点作为开始时间点，进行一个圆圈的行走后欧拉角值会恢复到初始值，因此可以将数据值从偏离初始值到恢复初始值的临界时间点作为结束时间点。最终两者相减即可得出走圆所需时间。

图10是测试者走圆数据示意图，如图10所示，横轴为时间轴，纵轴为腰部惯性传感器获取的欧拉角数据，包括俯仰角θ(pitch)、偏航角ψ(yaw)和滚转角φ(roll)，图中箭头表明的时间点可以读出此次的走圆所需时间为5.46-1.14＝4.32s。

由以上描述可以看出，通过人体各部位的惯性传感器获取的人体行为数据选择后进行分析，可以有效地研究测试者的身体状况，确定是否有异常情况，并且，使用惯性传感器可以有效克服现有技术中的应用光学原理分析人体行为特征方案对测量环境要求高和信号阻挡的问题。

表1综合示出了上述具体行为特征的含义、单位和计算方法，如表1所示：

表1

通过对上述具体行为特征的计算，可以有效分析测试者的身体状况，可以获知测试者身体是否有异常，以便及时作出就医处理。

基于相似的发明构思，本发明实施例还提供一种人体行为数据的处理装置。图11是根据本发明实施例的人体行为数据处理装置的结构框图，如图11所示，该装置包括：数据接收单元101、选择单元102、分析单元103和显示单元104，其中：

数据接收单元101，用于接收来自佩戴在人体各部位的惯性传感器获取的人体行为数据，其中，人体行为数据包括以下至少之一：行走类数据、震颤类数据、和走圆数据；

选择单元102，用于根据人体行为数据选择可分析数据段；

分析单元103，用于根据可分析数据段分析人体行为数据对应的人体行为是否存在异常；以及

显示单元104，用于显示分析结果。

通过选择单元102对数据接收单元101接收的佩戴在人体各部分的多个惯性传感器获取的人体行为数据进行选择，之后再由分析单元103进行分析，可以有效地观测测试者的身体状况，确定是否有异常情况，并且，使用惯性传感器可以有效解决对测量环境要求高和信号阻挡的问题。

具体地，如图12所示，选择单元102包括：插值处理模块1020和选择模块1021，其中：插值处理模块1020，用于对人体行为数据进行插值处理；选择模块1021，用于根据插值处理后的人体行为数据选择可分析数据段。通过插值处理，可以解决无线数据采集过程中存在的数据丢包问题。

如图13所示，分析单元103具体包括：行为确定模块1030和分析模块1031，其中：行为确定模块1030，用于根据可分析数据段确定人体行为数据对应的人体行为；分析模块1031，用于根据预定规则分析人体行为是否存在异常。这里的预定规则可以是医学上对于某一病症的具体规定。

在实际操作中，多个惯性传感器可以分别佩戴在测试者的脚部、手部和腰部，用于分别测试人体行走、震颤和走圆时的数据。

当数据接收单元101接收的人体行为数据为行走类数据时，数据接收单元101具体用于：接收来自佩戴在人体脚部的惯性传感器获取的行走类数据，其中，行走类数据包括在人体脚部惯性传感器的水平、或垂直方向上的线性加速度数据。

当数据接收单元101接收的人体行为数据为震颤类数据时，数据接收单元101具体用于：接收来自佩戴在人体手部和头部的惯性传感器获取的震颤类数据，其中，震颤类数据包括在人体手部和头部惯性传感器坐标上的减去重力分量的加速度数据。

当数据接收单元101接收的人体行为数据为走圆数据时，数据接收单元101具体用于：接收来自佩戴在人体腰部的惯性传感器获取的走圆数据，其中，走圆数据包括人体腰部惯性传感器的欧拉角数据。

在具体实施过程中，对于nph患者，可以将惯性传感器分别佩戴在测试者头部(额头正前方)、左右手上臂、左右手掌背面、腰部、左右脚背面。对病人行为特征数据进行采集，主要是采集三维加速度值、三维线性加速度值、重力在传感器坐标上的分量、欧拉角值。

在本发明实施例中，使用惯性传感器可以有效解决对测量环境要求高和信号阻挡的问题。

由于该装置解决问题的原理与人体行为数据处理方法相似，因此该装置的实施可以参见人体行为数据处理方法的实施，重复之处不再赘述。

基于相似的发明构思，本发明实施例还提供一种人体行为数据的处理系统。图14是该系统的结构框图，如图14所示，该系统包括上述的人体行为数据处理装置1以及佩戴在人体各部位的惯性传感器2。

通过惯性传感器2获取人体行为数据，再传输给人体行为数据处理装置1进行分析处理，可以有效地观测到测试者的身体状况，确定是否有异常情况，并且，使用惯性传感器可以有效解决对测量环境要求高和信号阻挡的问题。

在具体实施过程中，人体行为数据处理装置可以对惯性传感器进行参数设置，便于后续的数据采集和分析。

图15是根据本发明实施例的人体行为数据处理系统采集人体行为数据的流程图，如图15所示，该流程包括：

步骤1501，人体行为数据处理装置对惯性传感器进行初始化连接操作；

步骤1502，传感器序列号与实际佩戴的肢体位置进行匹配，匹配过程可以是根据传感器的序列号。当传感器连接成功时，可以获得每一个传感器的序列号。在初始化后，进行匹配操作时，会在窗口上显示每一个佩戴位置和检测到的传感器序列号的匹配选项，只要根据实际的佩戴情况来设定匹配选项，即可在后续采集数据和数据处理过程中实现佩戴位置和传感器序列号的正确匹配。以佩戴在左脚上的传感器为例，只需记录该传感器的序列号和其佩戴位置，即左脚，就可以在匹配操作时，在左脚对应的下拉框中选中对应的序列号，最后点击确定保存即可。这样，在后续进行左脚传感器的数据采集、存储和数据处理，就能正确进行；

步骤1503，对待采集数据类型和采集频率进行设置，同时可以选择是否打开摄像设备进行同步摄像；

步骤1504，开始数据采集操作；

步骤1505，完成采集数据之后，可以选择是否将数据保存到数据库中，如果选择保存数据，则进行步骤1506；

步骤1506，将数据保存到数据库中，否则，执行步骤1503，再次进行数据采集。

在实际操作中，在数据采集流程上，需要预先确定采集的数据类型和采集频率，根据数据分析的需要，将三维加速度和三维线性加速度、重力在传感器坐标上的分量、欧拉角值作为采集类型，100hz作为采集频率。其中，三维加速度是基于以传感器的长宽高三维为坐标轴建立的坐标系(未消除重力的影响)，三维线性加速度是基于东方向、北方向和垂直向上方向这三维为坐标轴建立的坐标系(已消除重力的影响)的加速度数据，重力在传感器坐标上的分量指重力在传感器的长宽高三维坐标轴上的分量，欧拉角值为传感器采集到的欧拉角pitch、yaw、roll三组值。在步骤1506中，可以使用mysql数据库管理系统，其具有轻量级、速度快、成本低的优点。存储数据步骤中的数据表设计很重要，为满足后续数据数据分析中灵活度高的需求，将每次每个传感器采集的数据进行单独的存储，使用时间作为主键，不同的数据类型作为属性。

图16是根据本发明实施例的人体行为数据处理系统对存储在数据库中的人体行为数据进行分析的流程图，如图16所示，该流程包括：

步骤1601，连接数据库；

步骤1602，从数据库中加载其中的某一具体数据系列，选择并提取某一需要特征计算或者数据可视化展示的数据系列；

步骤1603，若需要进行行为特征的分析，则进行步骤1604，若只需要生成数据图像，则进行步骤1607；

步骤1604，选择需要计算的行为特征并根据需求进行数据片段的选择操作，之后进行步骤1605；

步骤1605，对选择的行为特征进行对应的计算，之后进行步骤1606；

步骤1606，查看行为特征计算结果或者数据可视化图像，其中，行为特征计算结果会给出相应的计算结果展示，之后进行步骤1608。

步骤1607，选择数据并进行可视化图像展示；

步骤1608，行为特征计算结果或数据可视化图像查看完成后，选择是否退出，如果是，则退出，否则进行步骤1609；

步骤1609，是否更换数据类型，如果是，则转到步骤1602，否则转到步骤1603。

在步骤1604，在进行数据片段选择操作中，使用传感器的三维加速度数据，对其进行可视化展示，其中，横轴为时间，纵轴为加速度值(以重力加速度常量g作为单位)，其中，展示的三维加速度数据和选择出的数据片段都已经过插值处理。具体地根据不同行为特征选择数据片段的操作如下：

(1)对于行走相关类特征，包括行走相关时间类和行走相关距离类特征，根据行走的周期性特征进行数据片段选择，选择左脚或者右脚上惯性传感器三维加速度数据进行可视化展示。由于行走步态的周期性，可以观察到图像上加速度值存在明显的上下波动、平稳在稳定值附近这两种情况的交替，记录加速度值不在稳定值附近的片段即脚在运动的时间片段，舍弃稳定值附近的数据片段，即舍弃脚支撑在地面上的时间段。之后，使用记录下的时间段内的三维线性加速度作为数据进行后续计算。因此，每一个选择的数据片段代表走一步(从起步到完全落地)的时间段数据。显然一段时间内的测量存在多步，因此选取的数据片段和舍弃的数据片段都会有多个。

(2)对于非行走相关的距离类特征，适用于抬脚高度这一行为特征，选择左脚或者右脚上惯性传感器的三维加速度数据进行可视化展示。数据采集时，存在脚从地面到抬至最高点再回到地面的过程，由于一个抬脚过程开始时加速度为0，结束时加速度也为0，开始时间点为加速度值从稳定值到偏离稳定值的临界时间点，结束时间点为从非稳定值到稳定值的临界时间点。以这一时间段内对应的三维线性加速度值作为选定的数据片段。

(3)对于震颤频率类和震颤幅度类特征，选择左右手或者头部传感器的三维加速度数据进行可视化展示，再综合传感器加速度的周期性变化情况和视频录像进行数据片段选择。由于震颤会使得惯性传感器的加速度值的抖动，可以观察到图像上加速度值存在明显的上下波动。选取其中代表性较强的加速度值周期变化比较稳定的数据片段，并结合同步拍摄的视频观察某部位的震颤情况，综合选定最终待分析的数据片段。

(4)其他类特征，包括开步动作延迟时间和走圆所需时间两种行为特征，本文中不需要进行数据片段的选择操作。

在具体实施过程中，数据片段选定可以使用图像上鼠标触发的时间点记录功能，根据数据片段选择规则依次点击图中某些时间点，可以在图中用红线标记并使得该时间点被记录，用于后续的数据处理分析操作。

之后对选择的行为特征进行对应的计算，具体过程可以参见上述实施例的描述，此处不再赘述。

本发明实施例提供的人体行为数据处理系统实现了数据采集、数据存储、数据分析和数据可视化功能，在实际操作中，这些功能可以集成于跨平台的软件中。在目前的医疗康复行业中，还没有类似原理的人体行为分析系统，该系统存在对实验环境要求低、准确度较高、数据采集与分析操作简单的优点。针对病人动作的复杂性，该系统综合使用了算法如离散积分算法和积分误差修正算法，可以有效地获得所需的医学动作特征信息。并且，采集的数据可用于分析更多的行为特征，可以预留多种数据分析接口，以便于算法优化。

综上所述，本发明实施例提供了人体行为数据的处理方案，通过佩戴在人体各部分的惯性传感器对测试者的行为特征进行采集，主要是采集三维加速度值、三维线性加速度值、重力在传感器坐标上的分量、欧拉角值，之后对采集的数据进行分析，从而可以有效地观测测试者的身体状况，确定是否有异常情况。本发明实施例提供的方案，可以解决对测量环境要求高和信号阻挡的问题，可以解决现有技术中的由于光学原理需要人体动作尽量不让肢体对红外信号有阻挡，而造成的肢体动作不自然，进而影响实验数据的问题；以及也可以解决数据分析原理未具体针对测试者的实际情况，即忽略了病人与正常人之间动作特征差异的问题。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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保护范围之内。