[发明专利]一种基于边云协同的患者步态实时预测方法

权利要求书

1.一种基于边云协同的患者步态实时预测方法，其特征在于：具体包括如下过程：

步骤1，分别采集患者的下肢髋关节、膝关节和踝关节的姿态运动信息及患者的足底压力分布数据；

步骤2，将步骤1采集的足底压力分布数据在边缘计算的深度学习模型中进行分析；

步骤3，将步骤1采集的患者的下肢髋关节、膝关节和踝关节的姿态运动信息在云服务器的深度学习模型中进行预测；

步骤4，将步骤2和步骤3所得结果在边缘计算服务器上进行同步，从而实现对患者步态的快速识别与预测。

2.根据权利要求1所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述步骤1中，采用柔性足底压力传感器采集患者的足底压力分布信息。

3.根据权利要求2所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述步骤1中，每个足底压力传感器具有99个有效独立感应器；两只脚上各穿戴一个足底压力传感器。

4.根据权利要求1所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述步骤1中，采用无线九轴姿态传感器采集下肢髋关节、膝关节和踝关节的姿态运动信息，分别在患者的下肢髋关节、膝关节和踝关节处各穿戴一个无线九轴姿态传感器；人体两个腿上共穿戴6个无线九轴姿态传感器。

5.根据权利要求4所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述无线九轴姿态传感器分别对人体关节运动在三个矢量方向上的加速度、角加速度和角度变化进行感知。

6.根据权利要求2所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述步骤2的具体过程为：

步骤2.1，利用柔性足底压力传感器对患者的足底压力进行采集；

步骤2.2，使用柔性足底压力传感器配套的采集电路模块，对采集的压力进行模数转换，得到左右足底的数值为压力值，并重构成两个数值矩阵；

步骤2.3，柔性足底压力传感器中的电路模块通过无线通信模块将步骤2.2获取的两个数值发送至边缘机器设备，边缘机器设备在接收到数据之后，将数据输入到深度卷积网络中进行训练，输出最优模型。

7.根据权利要求6所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述步骤3的具体过程为：大数据中心云服务器接收到九轴姿态传感器采集到的当前时刻的下肢关节姿态数据后，从数据库中取出上一时刻的下肢关节姿态数据一起拼接为108*1的数值矩阵，并将数据矩阵输入到深度学习网络中进行训练，输出最优模型。

8.根据权利要求7所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述步骤2和步骤3中，深度卷积网络包括输入层、隐藏层、输出层和卷积核；所述深度卷积网络训练时采用的损失函数如下公式(1)所示：

其中，L表示计算函数，Y表示样本真实值，F(X)表示模型预测值。

9.根据权利要求7所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述步骤4的具体过程为：大数据云服务器中心将步骤3处理完成的结果发送至边缘计算服务器，边云计算服务器将根据接收到的数据的时间戳与步骤2所得的边缘计算的结果进行关联，并整合为一个11*1的状态矢量，将该状态矢量发送给STM32底层驱动系统，STM32底层驱动系统根据该状态矢量对下肢康复机器人进行机械控制，以实现康复训练的调整。

10.根据权利要求9所述的一种基于边云协同的患者步态实时预测方法，其特征在于：所述步骤4进行过程中，需要满足的条件为：建立的云服务器与边缘服务器计算时间恰好匹配。