本發(fā)明屬于移動(dòng)健康監(jiān)測(cè)，具體涉及一種基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法。

背景技術(shù)：

1、步態(tài)作為一種潛在的無(wú)創(chuàng)生物標(biāo)記物，反映了個(gè)體的運(yùn)動(dòng)特征。研究發(fā)現(xiàn)，步態(tài)時(shí)空參數(shù)能反映出個(gè)體的健康狀況、認(rèn)知水平、跌倒風(fēng)險(xiǎn)和生活質(zhì)量，從而在臨床診斷和健康評(píng)估中發(fā)揮重要作用。步態(tài)分析就是研究步行規(guī)律的檢查方法，旨在通過(guò)生物力學(xué)和運(yùn)動(dòng)學(xué)手段，對(duì)可測(cè)的步態(tài)參數(shù)進(jìn)行計(jì)算、分析與解釋?zhuān)瑥亩笇?dǎo)康復(fù)評(píng)估和治療，有助于臨床診斷、療效評(píng)估及機(jī)理研究等。傳統(tǒng)的步態(tài)分析技術(shù)主要依賴(lài)于視覺(jué)、傳感器和其他組合/混合方法，運(yùn)動(dòng)捕捉系統(tǒng)和壓力傳感器通常作為金標(biāo)準(zhǔn)設(shè)備，雖然可以提供專(zhuān)業(yè)的結(jié)果，但通常需要大量的成本和輔助人員，許多用戶(hù)難以接觸。

2、步態(tài)分析的關(guān)鍵在于檢測(cè)步態(tài)事件，如足跟著地和足趾離地。常見(jiàn)的步態(tài)事件檢測(cè)方法是基于閾值和峰值檢測(cè)算法來(lái)識(shí)別步態(tài)相位。然而，由于個(gè)體行走方式的變化和身體缺陷，這些算法在處理噪聲數(shù)據(jù)時(shí)存在一定的局限性，如對(duì)噪聲干擾敏感、模型魯棒性差、數(shù)據(jù)采集和預(yù)處理復(fù)雜等。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法，通過(guò)智能手機(jī)內(nèi)置傳感器獲取人體運(yùn)動(dòng)時(shí)的實(shí)時(shí)傳感器數(shù)據(jù)，對(duì)原始數(shù)據(jù)進(jìn)行處理并構(gòu)建數(shù)據(jù)集，訓(xùn)練深度學(xué)習(xí)模型檢測(cè)步態(tài)事件，能夠準(zhǔn)確理解和識(shí)別多樣化的步態(tài)特征，高效便捷，在允許范圍內(nèi)有效降低對(duì)真實(shí)步態(tài)信息的干擾，確保更可靠的步態(tài)事件檢測(cè)結(jié)果，為非實(shí)驗(yàn)室環(huán)境下的步態(tài)分析提供一種廣泛使用的工具。

2、本發(fā)明提供一種基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法，其步驟包括：

3、原始數(shù)據(jù)收集：通過(guò)智能手機(jī)內(nèi)置傳感器收集行走時(shí)產(chǎn)生的實(shí)時(shí)加速度、角速度、設(shè)備旋轉(zhuǎn)角度數(shù)據(jù)，以作為步態(tài)事件檢測(cè)的基礎(chǔ)；

4、數(shù)據(jù)處理：去除傳感器收集的原始數(shù)據(jù)中的噪聲；

5、特征提?。号懦▌?dòng)幅度較小的傳感器數(shù)據(jù)；

6、構(gòu)建數(shù)據(jù)集：使用滑動(dòng)窗口的方式構(gòu)建輸入輸出數(shù)據(jù)對(duì)，以作為模型訓(xùn)練的樣本數(shù)據(jù)；

7、建立模型：以moderntcn作為基礎(chǔ)模型架構(gòu)，引入雙向門(mén)控循環(huán)單元bigru以及交叉注意力機(jī)制；

8、模型訓(xùn)練：使用構(gòu)建的數(shù)據(jù)集對(duì)建立的模型進(jìn)行訓(xùn)練；

9、步態(tài)事件檢測(cè)：將智能手機(jī)內(nèi)置傳感器收集的實(shí)時(shí)數(shù)據(jù)輸入到訓(xùn)練好的模型中，模型輸出對(duì)應(yīng)的步態(tài)事件檢測(cè)結(jié)果。

10、基于上述方案，利用智能手機(jī)內(nèi)置的加速度、角速度以及旋轉(zhuǎn)角度傳感器收集實(shí)時(shí)步態(tài)數(shù)據(jù)，實(shí)現(xiàn)了高效便捷的步態(tài)事件檢測(cè)。去除原始數(shù)據(jù)中的噪聲并排除較小幅度的波動(dòng)后，構(gòu)建包含滑動(dòng)窗口的數(shù)據(jù)集用于提供給模型進(jìn)行訓(xùn)練，確保模型能夠準(zhǔn)確理解和識(shí)別多樣化的步態(tài)特征?；趍oderntcn基礎(chǔ)的模型設(shè)計(jì)，融合了雙向門(mén)控循環(huán)單元bigru和交叉注意力機(jī)制，為步態(tài)事件檢測(cè)引入了時(shí)間序列連續(xù)性記憶和多信息融合處理能力。bigru的雙向信息傳遞特性賦予模型更好的場(chǎng)景理解能力，而交叉注意力機(jī)制則能在多特征中精準(zhǔn)定位重要信息，進(jìn)一步提升模型對(duì)步態(tài)細(xì)節(jié)的識(shí)別精度，能夠在允許范圍內(nèi)有效降低對(duì)真實(shí)步態(tài)信息的干擾，以確保更可靠的步態(tài)事件檢測(cè)結(jié)果。

11、根據(jù)本發(fā)明的一個(gè)實(shí)施方式，所述數(shù)據(jù)處理中，采用卡爾曼濾波估計(jì)和低通濾波器去除原始數(shù)據(jù)中的噪聲。

12、根據(jù)本發(fā)明的一個(gè)實(shí)施方式，所述構(gòu)建數(shù)據(jù)集，具體包括：

13、a.設(shè)置滑動(dòng)窗口大??；

14、b.輸入樣本構(gòu)建：每個(gè)窗口內(nèi)的數(shù)據(jù)作為一個(gè)輸入樣本，包含加速度、角速度和設(shè)備旋轉(zhuǎn)角度的排除較小波動(dòng)幅度數(shù)據(jù)后的多維特征；

15、c.輸出標(biāo)簽構(gòu)建：根據(jù)壓力鞋墊檢測(cè)的參考標(biāo)準(zhǔn)步態(tài)事件，標(biāo)記智能手機(jī)對(duì)應(yīng)采樣點(diǎn)的步態(tài)事件類(lèi)型。

16、根據(jù)本發(fā)明的一個(gè)實(shí)施方式，所述建立模型，具體包括：

17、在moderntcn輸入層保留變量維度，并采用基于分片的變量獨(dú)立嵌入方式；

18、在moderntcn主干網(wǎng)絡(luò)部分的每個(gè)模塊包含深度可分離卷積dwconv、兩個(gè)逐點(diǎn)卷積前饋網(wǎng)絡(luò)convffn1和convffn2；

19、在moderntcn主干網(wǎng)絡(luò)部分之后引入雙向門(mén)控循環(huán)單元bigru；

20、在雙向門(mén)控循環(huán)單元bigru之后引入交叉注意力機(jī)制；

21、交叉注意力機(jī)制的輸出作為最終的時(shí)間序列表示。

22、根據(jù)本發(fā)明的一個(gè)實(shí)施方式，步驟還包括：

23、模型評(píng)估：將模型檢測(cè)步態(tài)事件與參考標(biāo)準(zhǔn)步態(tài)事件的時(shí)間差作為誤差，評(píng)估模型的效果。

24、本發(fā)明還提供一種基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)系統(tǒng)，包括：

25、數(shù)據(jù)收集裝置，用以收集行走實(shí)時(shí)加速度、角速度、設(shè)備旋轉(zhuǎn)角度數(shù)據(jù)；

26、數(shù)據(jù)處理模塊，用以去除數(shù)據(jù)噪聲；

27、特征提取與數(shù)據(jù)集構(gòu)建模塊，用以篩選數(shù)據(jù)特征并構(gòu)建輸入輸出數(shù)據(jù)對(duì)；

28、深度學(xué)習(xí)模型，用以在訓(xùn)練后對(duì)步態(tài)事件進(jìn)行檢測(cè)；顯示模塊，用于展示步態(tài)事件檢測(cè)結(jié)果。

29、根據(jù)本發(fā)明的一個(gè)實(shí)施方式，所述數(shù)據(jù)收集裝置包括：

30、智能手機(jī)設(shè)備，該設(shè)備內(nèi)置有加速度傳感器、角速度傳感器和方向傳感器；

31、數(shù)據(jù)采集模塊，用于通過(guò)智能手機(jī)設(shè)備的內(nèi)置傳感器實(shí)時(shí)收集行走過(guò)程中的三軸加速度數(shù)據(jù)、三軸角速度數(shù)據(jù)以及手機(jī)在三維空間中相對(duì)于地球坐標(biāo)系的旋轉(zhuǎn)角度數(shù)據(jù)；

32、佩戴裝置，用于將智能手機(jī)固定于用戶(hù)身體。

33、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述實(shí)施方式的步態(tài)事件檢測(cè)方法。

34、本發(fā)明還提供一種電子設(shè)備，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)上述實(shí)施方式的步態(tài)事件檢測(cè)方法。

35、本發(fā)明的有益效果包括：

36、(1)數(shù)據(jù)收集方面，本發(fā)明利用智能手機(jī)內(nèi)置傳感器，可以方便地獲取人體運(yùn)動(dòng)時(shí)的實(shí)時(shí)數(shù)據(jù)，相比傳統(tǒng)的動(dòng)作捕捉系統(tǒng)和壓力傳感器等專(zhuān)業(yè)設(shè)備，智能手機(jī)更加便攜、易于使用，且成本低廉；

37、(2)數(shù)據(jù)處理方面，本發(fā)明采用卡爾曼濾波和低通濾波相結(jié)合的方法，有效去除了原始傳感器數(shù)據(jù)中的噪聲干擾；同時(shí)，通過(guò)特征提取，排除了變化幅度較小的傳感器信號(hào)，減少了數(shù)據(jù)冗余，降低了模型計(jì)算復(fù)雜度。

38、(3)模型設(shè)計(jì)方面，本發(fā)明以moderntcn為基礎(chǔ)架構(gòu)，引入了bigru和交叉注意力機(jī)制，進(jìn)一步增強(qiáng)了模型對(duì)時(shí)序依賴(lài)的捕捉能力，以及對(duì)關(guān)鍵特征的自適應(yīng)聚合能力。

39、(4)模型評(píng)估方面，本發(fā)明以模型檢測(cè)步態(tài)事件與參考標(biāo)準(zhǔn)步態(tài)事件的時(shí)間差作為評(píng)估指標(biāo)，直觀(guān)地反映了檢測(cè)的準(zhǔn)確性。通過(guò)對(duì)比不同深度學(xué)習(xí)模型在不同步行速度下的表現(xiàn)，充分驗(yàn)證了本發(fā)明模型的優(yōu)越性和魯棒性。

技術(shù)特征：

1.一種基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法，其特征步驟包括：

2.根據(jù)權(quán)利要求1所述的基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法，其特征在于，所述數(shù)據(jù)處理中，采用卡爾曼濾波估計(jì)和低通濾波器去除原始數(shù)據(jù)中的噪聲。

3.根據(jù)權(quán)利要求1所述的基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法，其特征在于，所述構(gòu)建數(shù)據(jù)集，具體包括：

4.根據(jù)權(quán)利要求1所述的基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法，其特征在于，所述建立模型，具體包括：

5.根據(jù)權(quán)利要求1-4任一項(xiàng)所述的基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法，其特征在于，步驟還包括：

6.一種基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)系統(tǒng)，其特征在于，包括：

7.根據(jù)權(quán)利要求6所述的基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)系統(tǒng)，其特征在于，所述數(shù)據(jù)收集裝置包括：

8.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至5中任一項(xiàng)所述的步態(tài)事件檢測(cè)方法。

9.一種電子設(shè)備，其特征在于，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)如權(quán)利要求1至5中任一項(xiàng)所述的步態(tài)事件檢測(cè)方法。

技術(shù)總結(jié)
本發(fā)明提供一種基于智能手機(jī)內(nèi)置傳感器與深度學(xué)習(xí)的步態(tài)事件檢測(cè)方法，能夠準(zhǔn)確理解和識(shí)別多樣化的步態(tài)特征，高效便捷，有效降低對(duì)真實(shí)步態(tài)信息的干擾，確保更可靠的步態(tài)事件檢測(cè)結(jié)果，為非實(shí)驗(yàn)室環(huán)境下的步態(tài)分析提供一種廣泛使用的工具。步驟包括：通過(guò)智能手機(jī)內(nèi)置傳感器收集行走時(shí)產(chǎn)生的實(shí)時(shí)加速度、角速度、設(shè)備旋轉(zhuǎn)角度數(shù)據(jù)；去除傳感器收集的原始數(shù)據(jù)中的噪聲；排除波動(dòng)幅度較小的傳感器數(shù)據(jù)；使用滑動(dòng)窗口的方式構(gòu)建輸入輸出數(shù)據(jù)對(duì)；以ModernTCN作為基礎(chǔ)模型架構(gòu)，引入雙向門(mén)控循環(huán)單元BiGRU以及交叉注意力機(jī)制；使用構(gòu)建的數(shù)據(jù)集訓(xùn)練模型；將智能手機(jī)內(nèi)置傳感器收集的實(shí)時(shí)數(shù)據(jù)輸入到訓(xùn)練好的模型中，模型輸出對(duì)應(yīng)的步態(tài)事件檢測(cè)結(jié)果。

技術(shù)研發(fā)人員：陶帥,張昊,趙潔,孔麗文,王拓寬,孫巖,郭偉韜,許圳緯,李樊鄖
受保護(hù)的技術(shù)使用者：大連大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19