一种基于足底压力监测的人体姿态评估方法

本发明涉及人工智能诊断，具体为一种基于足底压力监测的人体姿态评估方法。

背景技术：

1、在现代社会中，人体姿态的科学评估日益受到重视，尤其是在医学、运动科学和辅助技术领域中。一个人的行走姿态与其整体的健康状况密切相关。例如，不正确的步态和体位可能导致慢性疼痛、关节损伤和其他一系列的健康问题。这一问题尤其对那些由于年龄、伤病或其他原因在体态控制上存在问题的人群而言更为严重。传统的人体姿态评估主要依赖于物理测量和专业人员的主观判断，这些方法往往涉及到高昂的成本、专业设备的需求以及对专业知识的依赖。为了克服这些挑战，技术领域内的研究者和工程师开始探讨更为便捷和普及的姿态评估方法。

2、近年来，穿戴式传感器技术的发展为动态步态分析提供了新的可能。特别是，利用足底压力传感器来收集行走过程中的步态数据，已经成为一种颇具潜力的方法。这种方法的优势在于可以在日常生活中无干扰地实时收集数据，而不是在实验室环境下进行受限的观测。这一领域的创新还包括利用机器学习和数据挖掘技术来分析收集到的大量步态数据。借助这些高级技术，我们能够在更精细的层面上理解步态与个体之间的复杂关系。通过整合来自多个不同来源(例如，鞋垫的压力分布数据、个体的体重、身高等信息)的数据，我们能够建立更为全面和准确的人体姿态评估模型。当前的挑战在于如何充分利用这些可用的数据并将其转化为实用、准确的姿态评估工具。此外，如何保证评估模型的普适性和准确性，同时简化数据收集和处理的流程，使之更适应于普通消费者和专业人员的需求，也是需要进一步探讨和研究的问题。

技术实现思路

1、本发明的目的在于提供一种基于足底压力监测的人体姿态评估方法，以解决上述背景技术中的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于足底压力监测的人体姿态评估方法，包括以下步骤：

4、s1.个人信息输入与处理：在评估前输入待评估人员的基本信息；

5、s2.足底压力数据的收集与处理：使参与评估的人员穿戴足底压力监测设备，收集相关信号，进行数据采集，设定足底压力测试评估时间为8-10分钟，压力值采样率为80ms-100ms；被评估人开始进行8-10分钟的正常行走，在被评估人经过8-10分钟的行走后，将行走过程中产生的数据进行采集，并标定左脚、右脚以及步频；

6、s3.算法分析：依照采集到的足底压力数据与个人基本信息数据来进行算法分析，算法将综合考虑用户的基本信息和实时的压力分布数据，利用机器学习和数据分析技术，深入解读每一个步态周期中足底压力的变化及其可能反映出的姿态问题，并够识别出可能的马走、外翻步态步态异常模式；

7、s4.人体状态评估：通过步骤s3中的评估算法开始进行人体姿态评估，根据算法分析的结果，人体姿态评估系统生成详细的人体状态评估报告，这份报告包括用户的基本步态特征、可能存在的姿态问题、潜在的健康风险的多方面信息，并通过报告提供一系列基于分析结果的建议和干预措施，帮助用户改善姿态、预防关节疾病和优化运动表现。

8、作为优选：所述步骤s1中的基本信息包括但不限于体重、身高、年龄、性别，以基本信息作为评估模型的基础输入，帮助算法理解并调整对于足底压力数据的解读和分析。

9、作为优选：所述步骤s2中足底压力监测设备还包括足底穿戴设备以及高精度压力传感器，足底压力监测设备通过足底穿戴设备以及高精度压力传感器收集用户在行走过程中的足底压力分布数据，数据包括足底各部位的压力大小、压力的变化动态以及步态周期的关键信息，并通过无线技术，将数据实时传输至数据处理单元或云平台进行分析处理。

10、作为优选，所述步骤s1中个人信息输入与处理的具体步骤为：

11、s1-1.将收集到的各项个人信息数据视作评估特征的一部分，并通过mlp(多层感知机)block进行处理，使个人信息数据经过精确的数据正则化，并确保各项特征进入模型的一致性和比例平衡；

12、s1-2.将数据被送入mlp(多层感知机)模块进行处理，依序经过两个线性整合层(linear layer)进行特征维度的调整和初步学习，并穿插relu激活函数增加模型的非线性表达能力；

13、s1-3.通过mlp模块内部两个dropout层，随机省略一部分神经元的激活，降低模型过拟合的风险，确保模型在面对未知数据时保持较好的泛化能力和稳健性；

14、s1-4.经过mlp模块后，个人信息数据得到深度学习和特征提取，为后续的步态和姿态评估提供基线数据支持。

15、作为优选，所述步骤s2中足底压力数据的收集与处理的具体步骤为：

16、s2-1.首先，在足底放置n个压力传感器来实时采集每一步行走过程中的压力分布情况；

17、s2-2.其次，进行足底步态数据分析流程，将收集到的每个通道的压力数据送入一维卷积层(conv1d)进行初步的特征提取和数据转换；

18、s2-3.然后，将经过一维卷积层的压力数据和嵌入后的时间戳数据通过拼接(concat)操作进行合并，将合并后的数据输入到一个多头注意力机制(multi-headattention mechanism)的模块中；

19、s2-4.最后，将数据通过另一个一维卷积层和最大池化层(maxpool)进行进一步的特征提炼和数据降维。

20、作为优选，所述步骤s3中算法分析的具体步骤为：

21、s3-1.首先，将两个获取的特征图进行拼接(concat)操作，整合个人基础信息与其步态信息；

22、s3-2.其次，这些融合后的数据经过一个层标准化(layer normalization，layernorm)操作，来统一不同特征的数值范围，经过一个自注意力机制模块，该模块能够对输入数据进行一种上下文关系的学习和抽象，捕获数据中的潜在关系和依赖，尤其是在处理序列数据时展现出较强的表现力；

23、s3-3.然后，将数据再次经过一个layer norm操作，再流入一个多层感知机(multilayer perceptron,mlp)进行处理；

24、s3-4.最后，通过softmax函数处理mlp的输出，将其转化为各种潜在疾病的概率分布，通过比较这些输出概率，识别出模型预测的最可能的疾病或不良姿态类别，并据此为进一步的诊断或干预提供依据。

25、作为优选：

26、所述步骤s2-1中每一个压力传感器对应一个数据通道，保证压力数据的精准度和空间分布的科学性，同时每一个压力传感器的采样率为f，通过采样率的收集，构造一个时间-压力变化的序列，通过时间序列反映在整个步态周期中，压力如何随时间在各个传感器位置点上变化，选定的f能直接影响到时间序列数据的分辨率与精度，确保能够精准地捕捉到步态中的微小变化，从而在后续的分析与评估阶段，提供丰富而精确的原始输入数据，之后对左右脚的数据进行了时间戳标标定，为不同类型的时间分配了一个可以学习且预测过程中存在意义的时间戳；

27、所述步骤s2-2中通过卷积操作，达到局部捕捉足底压力的空间分布特性，进一步压缩和抽象原始的数据特征，并将时间戳信息经过一个嵌入层(embedding)处理，把原始的时间戳映射为一系列的向量，增强模型对时间信息的解释和学习能力；

28、所述步骤s2-3中自注意力机制(self-attention mechanism)对数据进行处理，允许模型在考虑单一数据点的同时，获得其在整个序列中的上下文信息，有助于捕捉步态序列中的长距离依赖关系；

29、所述步骤s2-4中通过堆叠n个这样的注意力块，让数据通过层层的处理和转换，不断提取和累积足底压力数据中的深层次特征，并通过这些操作和处理，得到了一张关于足底压力分布的特征图。

30、作为优选：所述步骤s3-3中的mlp通过一个或多个隐藏层进行非线性变换，进一步提取数据的高阶特征和内在规律，在每一个layer norm之前，采用残差连接(residualconnection)策略，有助于梯度在深层网络中的传播，在一定程度上防止模型训练过程中可能遇到的梯度消失或梯度爆炸问题。

31、本发明所达到的有益效果是：

32、本发明通过简便易行的方式为用户提供准确、实时的步态和姿态分析，从而在更广泛的层面上推动健康管理和医疗辅助的实施，通过这种方法，人们能够更容易地获得关于自己步态和姿态的有价值信息，并据此采取适当的措施以预防潜在的健康问题。