[发明专利]一种检测穿戴时间和运动力度的运动鞋及预防损伤方法

权利要求书

1.一种基于检测穿戴时间和运动力度的运动鞋的预防运动损伤的方法，其特征在于：

所述检测穿戴时间和运动力度的运动鞋，包括重力传感器(1)、计时器(2)、压力传感器(3)、控制器(5)、气垫(6)、运动鞋本体(9)、鞋底(11)和控制中心(12)，其特征在于：所述运动鞋本体(9)的下表面固定有鞋底(11)，且运动鞋本体(9)的内部固定有气垫(6)，所述重力传感器(1)嵌入固定在鞋底(11)的内部顶端，所述计时器(2)嵌入固定在鞋底(11)的内部顶端位于重力传感器(1)的一侧，所述控制器(5)嵌入固定在鞋底(11)的内部顶端位于计时器(2)的一侧，所述压力传感器(3)嵌入固定在鞋底(11)的内部底端；

其中，重力传感器(1)采用超薄重力传感器，包括粘叠在一起的线路板(101)和顶盖(106)，线路板(101)具体是粘叠在顶盖(106)的顶部，所述线路板(101)上焊接有光信号发射芯片(102)，光信号接收芯片(103)和光信号接收芯片(104)；所述顶盖(106)的左侧壁、前侧壁、右侧壁上依次设置有三条支撑边(109)、(1010)、(1011)，所述三条支撑边(109)、(1010)、(1011)的顶部，在顶盖(106)的中部围绕形成方形倒角腔体(107)，方形倒角腔体(107)的内部装有钢柱(105)，所述支撑边(109)、(1010)、(1011)的顶部之间，间隔形成三个导光槽(108)；三个导光槽(108)的外围，支撑边(109)、(1010)之间，支撑边(1010)、(1011)之间，支撑边(109)、(1011)之间，对应的顶盖(106)的底部设置有三个圆弧形边(1013)、(1012)、(1015)，用来遮挡光信号，以使光信号不会从钢柱(105)与顶盖(106)底部之间形成的缝隙中穿梭过去；所述支撑边(109)、(1010)，支撑边(1010)、(1011)，支撑边(109)、(1011)分别与顶盖(106)的左侧壁，右侧壁，后侧壁及圆弧形边(1013)、(1012)、(1015)对应围绕形成三个空腔(1014)，用来容纳线路板上的光信号接收芯片(103)，光信号接收芯片(104)和光信号发射芯片(102)；当超薄重力传感器在旋转时，由于重力的作用，钢柱(105)会遮挡或者开放不同的导光槽(108)，从而使光信号接收芯片(103)，光信号接收芯片(103)处于受光或者不受光的状态，使光信号接收芯片(103)，光信号接收芯片(104)发出不同的信号，钢柱(105)将光信号发射芯片(102)的光信号折射给光信号接收芯片(103)，光信号接收芯片(104)，当接收到光信号后光信号接收芯片(103)，光信号接收芯片(104)就会导通，与外部应用设备的线路连接，输出相应的高电平1或低电平0；

所述重力传感器(1)、计时器(2)和压力传感器(3)的信号发射端均与控制器(5)的信号接收端通讯连接；

所述运动鞋本体(9)的上表面开设有第一通孔(4)，且鞋底(11)的下表面设置有防滑纹(10)；

所述运动鞋本体(9)的上表面开设有第二通孔(7)，且第二通孔(7)的内插有鞋带(8)；

所述气垫(6)和鞋底(11)均采用弹性材料；

还包括控制中心(15)，所述控制器(2)的信号发射端与控制中心(15)的信号接收端连接；

所述方法包括如下步骤：

步骤102，重力传感器1感应到重力和重力方向改变均会传输信号给控制器5，控制器5将重力和重力方向改变的信号传输给给计时器2，计时器2开始计时，下一次收到重力和重力方向改变的信号，计时器2结束本段计时开始下端计时，并将本段计时数据信号传输给控制器5，则可收集到时间特征数据；时间特征数据包括地面接触时间、飞行阶段持续时间、摆动阶段持续时间和节奏；

步骤104，压力传感器3检测运动鞋本体9受到的压力，收集3D物理特征数据，并将收集到的3D物理特征传输信号给控制器；

步骤106，控制器将3D物理特征和时间特征的数据发送给控制中心，控制中心将3D物理特征和时间特征的数据进行过滤和存储，并发送给KNN模型算法端；

步骤108，KNN模型算法端将3D物理特征和时间特征的数据分别通过KNN模型算法进行计算，计算对象间距离来作为各个对象之间的非相似性指标；

步骤110，通过算法模型对步骤108中的结果进行投票；

步骤112，基于投票模型给出推断所做的运动是否有可能对使用者造成损伤；

其中，所述步骤108具体包括：

在KNN中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离一般使用欧氏距离：

或曼哈顿距离：

同时，KNN通过依据K个对象中占优的类别进行决策，而不是单一的对象类别决策，这两点就是KNN算法的优势；

KNN算法的思想为：就是在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类，其算法的描述为：

(1)计算测试数据与各个训练数据之间的距离；

(2)按照距离的递增关系进行排序；

(3)选取距离最小的K个点；

(4)确定前K个点所在类别的出现频率；

(5)返回前K个点中出现频率最高的类别作为测试数据的预测分类。