人体日常行为动作的足底压力特征提取方法与流程

本发明属于特征提取领域，涉及一种人体日常行为动作的足底压力特征提取方法。

背景技术：

足底压力是指人体足底与地面接触时产生的足底与地面之间的作用力和反作用力，其分布情况揭示了足部运动的详细信息，对人类步态分析具有重要意义，广泛应用在身份识别、运动追踪、动作识别等领域。

足底压力情况最初是用于病态上的研究，这是由于脚部的压力分布与各种足部病理学有临床相关性。扫描和分析足底的压力分布至关重要，这将有助于手术后生物力学评估、矫形器设计以及改善患者的平衡控制、识别步态偏差或姿势障碍等研究。chen等人制作了压力鞋垫，使用离散接触力分布信号进行运动的模式识别，其鞋垫包括足部穿戴式接口和四个fsr压力传感器。achkar等在之后设计了包含压力传感器和惯性传感器的仪表鞋系统用于老年人日常活动和跌倒监测和诊断。对足底压力的处理一般包括最大值、最小值、平均值和标准方差等。夏懿采用其自行研制的压力测量板采集了行走过程的足底压力，使用时空hog特征来表征压力的分布，用于步态识别。其实验的数据属于对足底扫描的图像类结果，其识别率达到为93.5％，虚报率5.2％，较准确的刻画了通过足底压力分布对不同足印的划分。chen通过对离散的足底压力型号的总压力，几路通道的相关系数及三阶自回归系数对步态动作进行识别，得到可观的识别效果。足底压力是指人体足底与地面接触时产生的一种作用力信号，其大小与分布能反映人体腿、足结构、功能及整个身体姿势控制等信息，对人类步态分析具有重要意义，广泛应用在临床诊断、疾患程度测定、术后疗效评价和动作识别等领域。

技术实现要素：

本发明针对现有技术的不足，提出了一种人体日常行为动作的足底压力特征提取方法。首先，根据足底压力分布图，通过压力鞋垫采集第一跖骨、第二跖骨和脚跟区域各自的压力信号，计算压力比，总压力比，将各传感器的压力及总压力归一化，提取足底压力的第一特征子矢量和第二特征子矢量。根据在人体的各种运动模式下，足底压力传感器的当前值都与过去值相关，构建足底压力信号的ar模型，求得模型系数。通过实验对不同日常行为动作进行足底ar模型的aic计算，综合aic的值和维数，提出权衡可信度，使权衡的可信度最高所对应的阶数即为最合适阶数。把足底压力传感器的ar模型系数构建为第三特征矢量。本发明通过aic准则和权衡可信度来确定足底压力ar模型的阶数，有很好的效果。

为了实现以上目的，本发明方法主要包括以下步骤:

步骤(1)、在第一跖骨，第二跖骨，脚跟区域分别放置足底压力传感器，采集人体日常行为的足底压力信号；人体日常行为动作包括：站、坐椅子上或坐水平地面上、蹲、躺；平地走、上楼梯、下楼梯、跑步；站-坐椅子、坐椅子-站、站-坐水平地面、坐水平地面-站、站-蹲、蹲-站、坐-躺、躺-坐；走-跌倒、上楼-跌倒、下楼-跌倒、跑-跌倒。

步骤(2)设fi分别为足底3个压力传感器的压力大小，i＝1,2，3，fst为站立时的总压力，能表征人体的重量是否全由脚部承担；将各传感器的压力及总压力归一化，提取足底压力的第一特征子矢量f1和第二特征子矢量f2，特征矢量f1,f2的提取公式如下：

步骤(3)根据在人体的各种运动模式下，足底压力传感器的当前值都与过去值相关，构建足底压力信号的ar模型，求得模型系数η1,η2,…ηp，具体如下：

设xi为足底压力信号序列，则足底压力信号序列的ar模型的如下：

xi-η1xi-1-η2xi-2-...-ηpxi-p＝ci(2)

其中，p为ar模型的阶数，ci为误差系数，ηp即为ar系数；

ar模型可通过误差方程描述各阶的信号关系，p阶ar模型的误差方程如下：

cp+1＝xpη1+xp-1η2+...+x1ηp-xp+1

cp+2＝xp+1η1+xpη2+...+x2ηp-xp+2

……

cn＝xn-1η1+xn-1η2+...+xn-pηp-xn(3)

将式(3)各式写为矩阵形式：

c＝xη-y(4)

其中c＝[cp+1,cp+2,…cn]^t，η＝[η1,η2,…ηp]^t，y＝[xp+1,xp+2,…xn]^t；则η的最小二乘解为：η＝(x^tx)^-1x^ty；

步骤(4)通过实验对不同日常行为动作进行足底ar模型的aic计算；具体如下：

p阶ar模型残差方差无偏估计如下：

其中，

ar模型的aic:

aic＝nlogση²+2p(6)

根据式(6)通过实验对不同日常行为动作进行足底ar模型的aic计算；

步骤(5)综合aic的值和维数p，提出权衡可信度cre：

式中，aicnor为归一化aic值，p为ar模型的阶数即特征维数，k为维度权重指数；使权衡的可信度cre越高，所对应的阶数pc即为最合适阶数；

步骤(6)把3个足底压力传感器的ar模型系数构建为第三特征矢量f3＝[η1,η2,η3]。

本发明与已有的诸多足底压力信号的特征提取算法相比，具有如下特点：

基于足底压力的特征提取方法，ar模型具有较高的频率分辨力，对于短段的数据记录,仍能产生合理的谱估计。模型阶数的选择对谱估计特性有很大影响,阶数过低,会使谱估计分辨力低,得不到理想的结果,阶数过高,不仅会加大计算量,还会在谱估计上产生虚假的细节，本发明通过aic准则和权衡可信度cre来确定ar模型的阶数，有很好的效果。

附图说明

图1为本发明的实施流程图；

图2为部分步态和跌倒足底压力信号图

图3为部分静态总压力比；

图4为权衡可信度灰度图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例包括如下步骤：

步骤一，在第一跖骨，第二跖骨，脚跟区域分别放置足底压力传感器，采集足底压力信号。

步骤二，设fi(i＝1,2，3)分别为足底3个压力传感器的压力大小，fst为站立时的总压力，能表征人体的重量是否全由脚部承担。将各传感器的压力及总压力归一化，提取足底压力的第一特征子矢量f1和第二特征子矢量f2。

步骤三，根据在人体的各种运动模式下，足底压力传感器的当前值都与过去值相关，构建足底压力信号的ar模型，求得模型系数η1,η2,…ηp。

步骤四，通过实验对不同日常行为动作进行足底ar模型的aic(akaikeinformationcriterio)计算。

步骤五，综合aic的值和维数p，提出权衡可信度。使权衡的可信度越高，所对应的阶数即为最合适阶数。

步骤六，把3个足底压力传感器的ar模型系数构建为第三特征矢量f3＝[η1,η2,η3]。

如图2所示，足底总压力比形成的子矢量f2能较直观的鉴定脚步和地面的接触情况，进而区分静态，步态的动作大类等，图3为10组站、坐、躺的总压力比示意图，根据各自值的大小能轻易用阈值法识别出静态动作是否有支撑行为。

当aic(min)取到最小值时，即达到最适合的阶数。一般aic计算的适合阶数不会过高，但为了衡量阶数与aic值的关系取到最合适的阶数值，本发明将ar阶数限定在1阶～12阶之间。对于不同adls包括跌倒动作，各自进行足底ar模型的aic计算，并将各自的aic值记录于表1，表中加粗的值为该动作中aic最小的值。

表1adls与跌倒在不同ar阶数下的aic值

虽然aic的值越小，其所确定的阶数达到的特征提取效果也好，但所选阶数越高，会引起输入信号的维数增大，给后续的处理带来了一定的复杂度，很明显cre越大，该阶数越合适。图4为用上式计算的各数据的权衡可信度，其中纵坐标分别是编号为简写形式的各种adls，横坐标表示ar的阶数。对于每一行数据来说，颜色越浅表示权衡的可信度越高，则横坐标表示的阶数达到的特征提取效果也好。从每一行来看，浅色区域主要集中在阶数为1～5，因而本发明该实施例选择阶数3作为ar模型的参数。