[发明专利]一种异常步态识别设备及方法

权利要求书

1.一种异常步态识别设备，其特征在于，包括：左脚智能鞋、右脚智能鞋、左小腿数据采集设备、右小腿数据采集设备、左大腿数据采集设备、右大腿数据采集设备、躯干数据采集设备、接数据接收器、云服务器；其中，左脚智能鞋包括左脚IMU模块、左脚压力传感器、左脚MCU模块，左脚IMU模块、左脚压力传感器分别通过信号线连接左脚MCU模块；右脚智能鞋包括右脚IMU模块、右脚压力传感器、右脚MCU模块，右脚IMU模块、右脚压力传感器分别通过信号线连接右脚MCU模块；左小腿数据采集设备包括通过信号线连接的左小腿IMU模块和左小腿MCU模块，右小腿数据采集设备包括通过信号线连接的右小腿IMU模块和右小腿MCU模块；左大腿数据采集设备包括通过信号线连接的左大腿IMU模块和左大腿MCU模块，右大腿数据采集设备包括通过信号线连接的右大腿IMU模块和右大腿MCU模块；躯干数据采集设备包括躯干IMU模块、蓝牙模块、躯干MCU模块，躯干IMU模块、蓝牙模块分别通过信号线连接躯干MCU模块；左脚MCU模块、左小腿MCU模块、左大腿MCU模块、躯干MCU模块通过信号线依次连接，右脚MCU模块、右小腿MCU模块、右大腿MCU模块、躯干MCU模块通过信号线依次连接；躯干MCU模块通过蓝牙模块无线连接数据接收器，数据接收器又通过上位机软件模块连接云服务器；其中：

步骤1.1，分别通过左脚智能鞋、右脚智能鞋收集脚部在整个步行周期中的三轴角速度原始数据、三轴加速度原始数据以及双脚压力原始数据；

步骤1.2，分别通过左小腿数据采集设备、右小腿数据采集设备收集小腿部分在整个步行周期中的三轴角速度原始数据、三轴加速度原始数据；

步骤1.3，分别通过左大腿数据采集设备、右大腿数据采集设备收集整个步行周期中的三轴角速度原始数据、三轴加速度原始数据；

步骤1.4，通过躯干数据采集设备收集躯干部分在整个步行周期中的三轴角速度数据、加三轴加速度原始数据；

步骤2，数据传输：

步骤2.1，通过躯干数据采集设备中的蓝牙模块将步骤1中的参数信息发送至数据接收器；

步骤2.2，数据接收器通过串口传输到上位机软件模块；

步骤2.3，上位机软件模块通过互联网将步骤1中的参数信息发送至云服务器；

步骤3，异常步态分析：

步骤3.1，建立了异常步态识别模型，异常步态包括：冻结步态、慌张步态、划圈步态、内翻步态、外翻步态、足下垂步态、长短腿步态；

步骤3.1.1，建立冻结步态模型：运用傅里叶变换对左脚智能鞋、右脚智能鞋采集的行走方向三轴加速度原始数据进行频谱分析，正常行走频域的幅值在0.8以内，发生冻结步态时在3～8HZ的频率范围内有超过0.8的幅值产生，则判断是冻结步态发生；

步骤3.1.2，建立慌张步态模型：根据步骤1中的双脚压力原始数据，计算左脚的压力中心坐标COP_X和右脚的压力中心坐标COP_Y的分布，

COP_X＝∑F_iX_i/∑F_i

COP_Y＝∑F_iY_i/∑F_i

其中，F_i为各个压力点的压力值，(X_i，Y_i)为每个压力点距离原点的坐标，根据慌张步态特点，压力中心一般分布在脚掌，当COP_X和COP_Y满足50％以上都位于脚掌区域，则判断是慌张步态；

步骤3.1.3，建立划圈步态模型：利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据，按照步态周期划分，脚尖离地时开始积分三轴角速度中的Z轴角速度，当脚跟着地时停止积分，此时得到一个积分角度，也就是外旋角度，当外旋角度大于30度的时候判断是有划圈步态发生；

步骤3.1.4，建立足内、外翻步态模型：

(1)利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据、三轴加速度原始数据，实时计算行走过程中的翻转角度，翻转角度结合加速度和角速度的特性，采用一阶互补滤波，翻转角度具体算法如下：

angle1＝K₁*angle_m+(1-K₁)*(angle1+gyro_m*dt)；

angle_m＝accx/accz；

其中，K₁为固定值，取K₁＝0.1，其中gyro_m为y轴角速度，accx、accz分别为x轴加速度、z轴加速度；

(2)当翻转角度出现大于30度的时候判断为发生足内翻，小于-30度判断为是发生足外翻；

步骤3.1.5，建立足下垂步态模型：

(1)利用左脚智能鞋、右脚智能鞋采集的三轴角速度原始数据、三轴加速度原始数据，计算脚底模块的俯仰角度foot_pitch，计算方法如下：

foot_pitch＝K₁*angle_foot_pitch+(1-K₁)*(angle1+gyro_foot_pitch*dt)；

取K₁＝0.1，angle_foot_pitch和gyro_foot_pitch分别为加速度计算的角度以及角速度，

angle1为翻转角度；

(2)利用左小腿数据采集设备、右小腿数据采集设备采集的三轴角速度原始数据、三轴加速度原始数据，计算小腿模块的俯仰角度crus_pitch，计算方法如下：

crus_pitch＝K₁*angle_crus_pitch+(1-K₁)*(angle1+gyro_crus_pitch*dt)；

取K₁＝0.1，angle_crus_pitch和gyro_crus_pitch分别为加速度计算的角度以及角速度，angle1为翻转角度；

(3)计算踝关节的关节活动度曲线的跖屈角度angle＝crus_pitch-foot_pitch；

(4)当关节活动度曲线中的跖屈角度大于20度时，判断为是足下垂步态发生；

步骤3.1.6，建立长短腿步态模型：

(1)提取左脚智能鞋、右脚智能鞋采集的步态参数：跨步时间、步幅长度，左脚步态参数采用左脚跨步时间或左脚步幅长度，右脚步态参数采用右脚跨步时间或右脚步幅长度；

(2)跨步时间：取左脚智能鞋的y轴加速度曲线相邻两个波峰的时间间隔为左脚跨步时间，取右脚智能鞋的y轴加速度曲线相邻两个波峰的时间间隔为右脚跨步时间；

(3)步幅长度：将左脚智能鞋的y轴加速度曲线相邻两个波峰之间的加速度做二次积分得到左脚步幅长度，将右脚智能鞋的y轴加速度曲线相邻两个波峰之间的加速度做二次积分得到右脚步幅长度，公式如下：

L＝∫∫a_y(t)dt

(4)比较左右脚步态参数的对称性：L＝左脚步态参数/右脚步态参数；

(5)当L0.8或者L1.2判断为是长短腿步态发生；

步骤4，对比步骤1中所采集的使用者的步态信息并结合步骤3中的公式进行运算，分别与步骤3中的冻结步态模型、慌张步态模型、划圈步态模型、内翻步态模型、外翻步态模型、足下垂步态模型、长短腿步态模型对比，判断异常步态。