一种高弓足检测系统及方法与流程

本发明属于医疗器械设计技术领域，具体涉及一种高弓足检测系统及方法。

背景技术：

与正常足相比，高弓足患者足弓较高。调查显示，在世界上约8％-15％的人患有高弓足。高弓足会导致神经肌肉问题，包括步态不稳定、足部疼痛和踝关节扭伤；对高弓足早期的认识和适当评估是治疗管理成功的关键，到目前为止，足部形态参数一种用于足部类型的分类，且多采用目视非定量检测、人体测量、足迹参数测量和影像学评价技术获得。然而这些方法需要足科医生有丰富的经验，经过反复的训练才能获得。

目前可通过设计相关检测仪器，使数据采集和足部功能分析自动化，然后根据运动学和动力学参数对足部特性进行评价，现有的仪器包括用于获取动力学参数的压力分布测量系统和3d压力板，以及用于获取动态参数的惯性传感器或视觉捕获系统；然而，通过这些系统进行检查耗时较长，其中许多仪器并不适用于定期评价，或由于费用高昂而无法供一般公众使用。我们希望引进便携式测量设备，以支持足部类型的评估。

在步态周期中，每一种脚型都与特定的足底压力分布模式相关联；其中，平足与外翻足的垂直地面反作用力峰值和足印面积在站立阶段存在差异；另外，5个跖趾关节的峰值压力和终末位相时压力中心的最小速度在正常足和高弓足之间也存在差异；足弓下最大力、拇指下力时积分、第5跖趾下压时积分及其归一化值在正常足和高弓足之间也存在差异；对于足型分类的自动化方法，目前主要采用人工神经网络、自适应神经模糊推理系统和k-means算法。然而目前还没有一种分类器能够使用捕获惯性数据和/或单点力传感器来有效识别高弓足。

技术实现要素：

针对现有技术中的上述不足，本发明提供的高弓足检测系统解决了现有的分类器中无法使用捕获惯性数据和/或单点力传感器来有效识别高弓足的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种高弓足检测系统，包括相互连接的智能鞋垫和上位机数据处理器；

所述智能鞋垫包括柔性印刷电路板、接口电路、adc转换电路和无线微控制器；

所述柔性印刷电路板上设置有9个力传感器，每个所述力传感器均通过接口电路与adc转换电路连接，所述adc转换电路和接口电路均与无线微控制器连接，所述无线微控制器与上位机数据处理器连接；

所述上位机数据处理器为通过1d神经网络对输入数据进行检测的计算机。

进一步地，所述柔性印刷电路板为鞋垫形状，所述9个力传感器分别设置于柔性印刷电路板上与脚底部对应的大脚趾处、五个跖骨头处、中足外侧处、内侧脚跟处和外侧脚跟处；

所述柔性印刷电路板包括第一柔性聚氯乙烯板和第二柔性聚氯乙烯板，所述第一柔性聚氯乙烯板设置于第二柔性聚氯乙烯板上方；

所述第一柔性聚氯乙烯板为厚度为0.8mm的软质柔性聚氯乙烯板；

所述第二柔性聚氯乙烯板为厚度为0.5mm的硬质柔性聚氯乙烯板。

进一步地，无线微控制器包括型号为nrf52832主控芯片及其外围电路；

所述主控芯片的外围电路包括振荡器电路、电源电路、跨阻放大器电路、程序下载电路、环境传感器电路和惯性传感器电路；

所述电源电路还与跨阻放大器电路、程序下载电路、环境传感器电路和惯性传感器电路连接；

所述跨阻放大器电路还与接口电路和adc转换电路连接。

进一步地，，所述力传感器的型号为a301；

所述adc转换电路中的主控芯片型号为ads7041；

所述接口电路中的主控芯片和跨阻放大器电路中的主控芯片均为型号为mcp6001的运算放大器；

所述环境传感器电路的主控芯片型号为bme280；

所述惯性传感器电路的主控芯片型号为bmi160。

一种高弓足检测方法，包括以下步骤：

s1、通过智能鞋垫采集用户行走时的步态数据，并上传至上位机数据处理器；

s2、通过上位机数据处理器对接收到的步态数据进行归一化处理；

s3、将归一化处理后的步态数据输入至训练好的1d卷积神经网络中，得到该步态数据对应的高弓足的检测结果。

进一步地，所述步骤s2对步态数据进行归一化处理的方法具体为：

将步态数据中所有数据序列的长度均通过填充零的方式获得时间长度相等的数据序列，实现步态数据的归一化。

进一步地，所述步骤s2中的1d神经网络包括依次连接的第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、扁平层、dropout层、第一全连接层、第二全连接层和输出层；

所述第一卷积层和第二卷积层的卷积核的个数均为64，卷积核的长度均为7；

所述第三卷积层和第四卷积层的个数均为128，卷积核的长度均为7；

所述第一最大池化层和第二最大池化层中的pool_size参数分别为7和5；所述第一全连接层和第二全连接层中神经元的个数均为128。

进一步地，所述第一卷积层、第二卷积层、第三卷积层和第四卷积层中对输入数据依次进行卷积计算和批归一化处理；

其中，卷积计算的公式为：

式中，cj为卷积后的第i个特征图；

xi为第i个通道的原始数据或第i个特征图；

*为卷积运算符；

wi为第i个卷积核；

bj为偏置项；

m为原始数据的通道数或者特征图的数据；

对卷积计算后的数据进行批归一化处理时，对每个小批数据均归一化为均值为0且方差为1的数据；

其中，第一卷积层、第二卷积层、第三卷积层和第四卷积层中的激活函数均为relu激活函数；

relu激活函数为：

式中，f(xij)为为激活函数；

cij为第i个通道或者第i个特征图的第j个取值。

进一步地，所述第一最大池化层和第二最大池化层中池化公式为：

式中，为第i个特征图池化后的取值；

xi(j·m:(j+1)·m)为特征图的输入值；

l为池化后特征图的数据长度；

length(x)为原始特征图的长度；

为向上取整运算操作符；

j为对输入特征图各次求最大值的迭代次数的编号，且j＝0,1,…,l；

m为模板的长度；

所述输出层中的激活函数为softmax非线性激活函数；

softmax非线性激活函数为：

式中，f(zj)为当前神经元j的输出概率；

zj为第j个输出神经元的前一层相关神经元的输出与对应权重的乘积。

进一步地，对1d卷积神经网络进行训练时的优化器为adadelta优化器。

本发明的有益效果为：本发明提供的高弓足检测系统及方法，通过自定义原型机的数据，其中包含了惯性和压力检测，同时记录的多模态传感器数据结合能够更好地反映高弓足的细节，能够更好的识别高弓足；通过1d卷积神经网络提取采集的步态数据对应的步态特征，被证明是处理压力和惯性传感器数据的合适选择，在脚型分类的应用中，可达到较好的判别性能，智能鞋垫与1d神经网络的结合可用于高弓足的筛选和进行检测。

附图说明

图1为本发明提供的高弓足检测系统结构图。

图2为本发明提供的无线微控制器中主控芯片的外围电路图。

图3为本发明提供的电源电路原理图。

图4为本发明提供的智能鞋垫中的接口电路原理图。

图5为本发明提供的接口电路中的参考电压输入电路原理图。

图6本发明提供的智能鞋垫中adc转换电路原理图。

图7本发明提供的智能鞋垫中跨阻放大器电路原理图。

图8本发明提供的智能鞋垫中的惯性传感器电路原理图。

图9本发明提供的智能鞋垫中环境传感器电路原理图。

图10为本发明提供的振荡器电路原理图。

图11为本发明提供的高弓足检测方法流程图。

图12为本发明提供的1d卷积神经网络结构图。

图13为本发明提供的实施例中接口电路的等效电路图。

图14为本发明提供的实施例中1d卷积神经网络训练和验证损失效果实验题图。

图15为本发明提供的实施例中混淆矩阵示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种高弓足检测系统，包括相互连接的智能鞋垫和上位机数据处理器；

智能鞋垫包括柔性印刷电路板、接口电路、adc转换电路和无线微控制器；

柔性印刷电路板上设置有9个力传感器，每个力传感器均通过接口电路与adc转换电路连接，adc转换电路和接口电路均与无线微控制器连接，无线微控制器与上位机数据处理器连接；上位机数据处理器为通过1d神经网络对输入数据进行检测的计算机。

上述柔性印刷电路板为鞋垫形状，9个力传感器分别设置于柔性印刷电路板上与脚底部对应的大脚趾处、五个跖骨头处、中足外侧处、内侧脚跟处和外侧脚跟处；图1中的t1-t9即为9个力传感器的设置位置。

柔性印刷电路板包括第一柔性聚氯乙烯板和第二柔性聚氯乙烯板，第一柔性聚氯乙烯板设置于第二柔性聚氯乙烯板上方；

第一柔性聚氯乙烯板为厚度为0.8mm的软质柔性聚氯乙烯板；

第二柔性聚氯乙烯板为厚度为0.5mm的硬质柔性聚氯乙烯板。

力传感器的型号为a301；该传感器的主动传感区域的直径为9.53mm，与现有的fsr(力敏电阻)相比，柔性圆形传感器具有更加优越的性能，因此常常被用于鞋垫原型中，根据以往对最大足底压力范围的研究，选择445n范围的传感器版本，大范围传感器的一个缺点是它在较窄范围内灵敏度较低，因此后续的接口电路设计决定了系统的整体灵敏度。

上述无线微控制器包括型号为nrf52832主控芯片及其外围电路；该无线微控制器确保了从传感器收集并传输这些数据；图2中展示了该无线微控制器中的主控芯片的外围电路。

主控芯片的外围电路包括振荡器电路、电源电路、跨阻放大器电路、程序下载电路、环境传感器电路和惯性传感器电路；电源电路还与跨阻放大器电路、程序下载电路、环境传感器电路和惯性传感器电路连接；跨阻放大器电路还与接口电路和adc转换电路连接。

该无线微控制器安装在鞋的前部，从而很好的反映了脚的运动轨迹，在该系统中型号为nrf52832的芯片作为一个系统芯片，其硬件结构包括有一个2.4g的无线电接收机和一个2.4g的无线电发射机，其兼容1mbps低功耗模式。在软件方面，nrf52832芯片中包括了一个名为softdevices132的可执行软件，它提供了蓝牙5协议栈的功能。智能鞋垫应用程序可执行文件和软设备可执行文件都存储在nrf52832的程序内存中。在没有采用节能策略的情况下，在传输功率最低的情况在，在主动数据传输过程中，设备的耗电量不超过2.4毫安，数据通过蓝牙低能量(ble)技术传输到接收数据的主机设备中。

如图3所示，电源电路包括相互连接的供电子电路(1)和电压转换电路(2)；其中供电子电路主要通过型号为cr2450的电池为整个系统供电，电压转换电路主要通过型号为ref3025的电压调节器为模拟电路部分(接口电路、adc转换电路和跨阻放大器电路)提供所需的基准电压。

如图4所示，展示了本发明中智能鞋垫的接口电路原理图，其中主控芯片的型号为mcp6001，该接口电路确保了9个力传感器与无线微控制器直接的数据传输的准确性；该接口电路还通过如图5所示的参考电压输入电路与电源电路连接，为接口电路提供所需的基准电压。

如图6所示，展示了本发明中的智能鞋垫中的adc转换电路；其中，主控芯片的型号为ads7041。

如图7所示，展示了本发明中的智能鞋垫中的跨阻放大器电路的电路原理图，其中的主控芯片型号为mcp6001。在该跨阻放大器电路中，首先，它的输出电压与作用在传感器上的压力呈现线性相关，这使得避免了在处理压力传感器电导率与施加在传感器上的力之间的非线性关系时的复杂性。其次，超简单放大器确保传感器上的电压是恒定的，从而避免了由于传感器电导依赖于施加的电压而造成的复杂性。

如图8所示，展示了本发明中的智能鞋垫中的惯性传感器电路原理图，该惯性传感器的型号为bmi160；该传感器由三轴加速度和陀螺仪组成，可采集运动数据，以及来自力传感器的运动数据。同时获得的动力学和运动学信息的足部运动，使完整的步态分析。

如图9所示，展示了本发明中的智能鞋垫中的环境传感器电路原理图，该环境传感器的型号为bme280；该环境传感器在力传感器校准期间以及在正常工作期间测量环境的湿度和温度；这些数据用于校正力传感器读数。以避免温度对读数的影响。

如图10所示，展示了本发明中的智能鞋垫中的振荡器电路，包括高频振荡子电路(1)和低频振荡子电路(2)；为了保证设备的稳定运行，无线微控制器选用两个外部振荡器代替内部振荡器，振荡器的稳定性和严格的定时对蓝牙协议的执行至关重要，同时也保证了稳定的采样率。其中，高频振荡子电路(1)包括晶振xt4，晶振xt4的振荡频率为3200mhz；在该系统中，利用高频振荡子电路的时钟信号构成对力传感器信号采样的时序。低频振荡子电路(2)包括晶振xt3，晶振xt3的振荡频率为32768hz；在该系统中，低频振荡子电路产生的时钟信号用于形成蓝牙协议所要求的关键时序。

如图11所示，本发明还提供了一种高弓足检测方法，包括以下步骤：

s1、通过智能鞋垫采集用户行走时的步态数据，并上传至上位机数据处理器；

s2、通过上位机数据处理器对接收到的步态数据进行归一化处理；

由于用户步态的变化，同一受试者的数据在不同测试时数据长度可能不同；不同受试者的不同次试验的数据序列长度也可能不同；因此需要将步态数据中所有数据序列的长度均通过填充零的方式获得时间长度相等的数据序列，实现步态数据的归一化。

s3、将归一化处理后的步态数据，输入至训练好的1d卷积神经网络中，得到该步态数据对应的高弓足的检测结果。

如图12所示，本发明中的1d神经网络包括依次连接的第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、扁平层、dropout层、第一全连接层、第二全连接层和输出层；其中的卷积层和池化层允许从低级到高级的自动特征提取，所有卷积运算的填充模式均为same，使得输入和输出有相同的维度；

上述第一卷积层和第二卷积层的卷积核的个数均为64，卷积核的长度均为7；第三卷积层和第四卷积层的个数均为128，卷积核的长度均为7；

第一最大池化层和第二最大池化层中的pool_size参数分别为7和5；与较大尺寸的滤波器相比，较小尺寸的滤波器需要学习的参数较小，还可以学习更复杂的特性；

第一全连接层和第二全连接层中神经元的个数均为128。

在本发明中的1d卷积神经网络中，扁平化层将最大池化层输出的二维特征图转换为一维矢量，实用批处理归一化和drop-out来缩短训练时间，提高网络性能；在神经网络的训练过程中，使用adadelta优化器进行网络优化，它是adagrad的一个扩展，随着学习的进行，学习速率单调递减。

本发明中的第一卷积层、第二卷积层、第三卷积层和第四卷积层中对输入数据依次进行卷积计算和批归一化处理；

其中，卷积计算的公式为：

式中，cj为卷积后的第i个特征图；

xi为第i个通道的原始数据或第i个特征图；

*为卷积运算符；

wi为第i个卷积核；

bj为偏置项；

m为原始数据的通道数或者特征图的数据；

对卷积计算后的数据进行批归一化处理时，对每个小批数据均归一化为均值为0且方差为1的数据；

其中，上一层输出数据的最小批次数据的均值为μβ为：

式中，xi为上一层的输出数据；

m为批处理数据的数量；

上一层输出数据的最小批次数据的方差为：

归一化处理的公式为：

式中，为归一化后的数据；

ε为防止分母为0加上的一个趋近于0的值；

对上一步输出的值进行重构得到的yi为：

式中，γ和β均为重构学习的参数；

其中，第一卷积层、第二卷积层、第三卷积层和第四卷积层中的激活函数均为relu激活函数；

relu激活函数为：

式中，f(xij)为为激活函数；

cij为第i个通道或者第i个特征图的第j个取值。

上述第一最大池化层和第二最大池化层中池化公式为：

式中，为第i个特征图池化后的取值；

xi(j·m:(j+1)·m)为特征图的输入值；

l为池化后特征图的数据长度；

length(x)为原始特征图的长度；

为向上取整运算操作符；

j为对输入特征图各次求最大值的迭代次数的编号，且j＝0,1,…,l；

输出层中的激活函数为softmax非线性激活函数；

softmax非线性激活函数为：

式中，f(zj)为当前神经元j的输出概率；

zj为第j个输出神经元的前一层相关神经元的输出与对应权重的乘积。

在本发明的一个实施例中，提供了力传感器采集数据信号时对应的硬件电路的工作原理，接口电路(图4)中一个传感器的简化功能图如图13所示；

在许多现代ad中，有一个选择电源电压作为参考电压的功能，我们利用它直接获得电导值：

这样，测量值就不依赖于模拟电源(vref)电压的值，实际上传感器在固定力下的电流-电压特性是非线性的，为了避免这种非线性的影响，模拟电源取自精确的2.5v调节器，在实际过程中需要依次激活力传感器，通过选择无线微控制器的输入输出引脚来实现，当前工作传感器与地面相连，其余传感器则处于非激活状态，无线微控制器的引脚设置以高阻态作为输入；此外，在抗干扰方面，将非活动传感器通过高阻抗电阻连接到接口电路的输入中，在高阻抗状态下，这些电阻的阻值比管脚的电阻小很多，因此将非激活传感器两端的电压设置为输入电压，避免了对激活传感器的任何影响，当传感器处于激活状态时，串联电阻在输入电压vi和grod之间，这样不会因为忽略电流而影响测量，图5中的电容和与串联电阻并联，为外部干扰提供了低阻抗路径，将串联电阻vi通过缓冲器u7，能避免有源传感器串联电阻的影响。

rc滤波器作为adc的抗混叠解决方案；它的截止频率远远高于单通道的要求。在选择它时，关键是要确保它的时间常数相对于所选的采样频率足够低，以避免前一个传感器的读数影响当前工作传感器的读数。本设计假设与来自传感器的强信号相比，干扰信号的分量的幅值非常低。

由于力传感器的电流电压特性是非线性的，传感器两端的电压与外加的力以及模拟电源电压呈非线性关系；这使得考虑所有关系的模型的推导变得复杂。跨阻抗放大器在传感器上保持恒定的电压，从而避免了相关的复杂性。

在目前的设计中，使用微控制器内置adc可以减少元器件的数量。但是，在选择nrf52832和vdd作为参考电压的情况下，输入级的增益必须选择在0.6或1之间。在前一种情况下，转换误差是不可接受的大，而在第二种情况下，输入范围是有限的；其中，vdd为nrf52832引脚13/36/48上的电压。

本发明中的智能鞋垫在数据采集过程中，涉及惯性传感器数据读取、力传感器控制和读取以及蓝牙低功耗数据传输，在数据采集过程中，所有传感器的采样频率均为100hz，所有的操作都是终端驱动的，数据读取都使用缓冲。主要利用惯性传感器内部缓冲区，就力传感器而言，在无线微控制器的存储器中有两个交替缓冲区，它的阅读和传感器的数据交换是由定时器控制，定时中断产生的频率比单一信道的频率高十倍。在每个中断事件中，随后的传感器被读取，下一个被激活。因此，有足够的时间使前一传感器的电压“尾部”淡出并且对应于新传感器的输出电压稳定；对于无线传输，数据被分为四种类型的包-分别用于左和右惯性传感器，以及左和右力传感器数据。数据包由报头计数器和校验和的标头和包含字段区分，力传感器数据包还包含有关内底尺寸的信息，同时还传输了有关电池电量的信息。为了在个人计算机(pc)上接收数据，我们设计了一个定制的数据接收模块，在计算机接收端，数据包被传送到一个虚拟串行端口接收。该数据接收模块为一个自定义的独立硬件模块，它连接到计算机的usb端口，实现与智能鞋垫的无线通信。

在本发明的一个实施例中，提供了利用本发明系统进行高弓足检测的试验过程：

试验中共有64名志愿者参加了试验，其中正常足部44例，高弓足患者20例，受试者特征如表1所示，在该试验过程中，受试者穿着合适尺寸的仪器鞋，以自然速度向前走7米，期间不允许突然改变步态，每个受试者进行20次试验，由摄像机记录下每一次试验，进一步分析由于无线传输损失而丢失数据的试验记录，因此，总共采集了1130条记录；

表1：研究对象特征

传统的脚型分类方法都是基于手工提取的足底压力特征，这些特征并不能完全反映脚型的特征，因为没有找到最具有鉴别性的特征，分类器可能无法达到最佳的性能，而深度学习的方法具有较强的学习能力特点。

在试验过程中，我们分别用惯性传感器和力传感器的数据对1d神经网络进行测试，并把它们放在一起，为了对网络进行训练，80％的样本用于训练，其余的样本用于测试，我们用100个训练样本来训练1d神经网络，通过1d神经网络获得准确率如表2所示，训练和验证损失如图14所示，混淆矩阵如图15所示，在图15中(a)为惯性数据的混淆矩阵；(b)为压力数据的混淆矩阵；(c)为所有数据的混淆矩阵。

表2：1dcnn的性能

为了与传统方法进行比较，我们测试了带有默认参数设置的随机森林分类器，因为它是对步态分析相关特征进行分类的较好方法；分类器采用计算得到的输入特征，这些是每个序列得到的最大值、最小值、平均值、范围、过零率、均方根值、方差、标准防擦、偏度和峰度，表3给出了该随机森林分类器的性能，该分类器在惯性传感器数据和力传感器数据上有较好的应用效果，在使用单模态数据时，使用力传感器数据的分类器精度由于使用惯性传感器数据的分类器；

表3：随机森林分类的性能

通过上述实验过程可以得到以下结论：1d神经网络在智能鞋垫数据处理方面表现出了良好的性能，压力数据测试数据集和所有数据的准确性分别达到了100％，在三个测试变量中，压力数据和全数据的性能最好，这一结果可以证明足底压力分布模式是足弓异常的可靠指标；惯性数据也被证明适用于高弓足检测，到目前为止，还没有参数可以用于评价足跟着地时高弓足和扁平足的不同，我们的惯性数据分类结果表明，1d神经网络能够找到具有鉴别能力的参数，虽然该系统中只使用了一个惯性传感器，但两种足部的识别解读达到了96.46％，增加传感器的数据和改进传感器的位置可以进一步提高精度，当我们将惯性数据和压力数据合并时，得到的精度与仅从压力数据得到的精度相等，多模态特征可用于足部类型的可靠识别，而使用手工提取特征的随机森林方法，在三个数据输入上的性能都不如1d神经网络。

本发明的有益效果为：本发明提供的高弓足检测系统及方法，通过自定义原型机的数据，其中包含了惯性和压力检测，同时记录的多模态传感器数据结合能够更好地反映高弓足的细节，能够更好的识别高弓足；通过1d卷积神经网络提取采集的步态数据对应的步态特征，被证明是处理压力和惯性传感器数据的合适选择，在脚型分类的应用中，可达到较好的判别性能，智能鞋垫与1d神经网络的结合可用于高弓足的筛选和进行检测。