The invention discloses a flexible gait monitoring method based on artificial intelligence calculation, which is characterized by using multiple sets of pressure data of human knees and soles during walking to train a neural network capable of running on the FPGA, and then inputting real-time collected pressure data into the trained neural network for comparison and recognition, so as to realize intelligent monitoring of human shape and health. The training of collateral is to connect the knee and sole pressure signals collected by sensor arrays after ADC conversion module into the artificial intelligence learning system based on three-layer network structure for learning, and to complete the training of neural network input feature comparison module and real-time input pressure signal for comparison and recognition, so as to realize the intelligent monitoring of human body shape and health. Compared with the prior art, the invention has the advantages of high prediction accuracy, simple structure, convenient use, effective intelligent monitoring of human body shape and health, and reliable and effective data support for reliable analysis and research of human body shape and health status.
【技术实现步骤摘要】
一种基于人工智能计算的柔性步态监测方法
本专利技术涉及人工智能学习
,尤其是一种能在FPGA上运行的人工智能计算进行学习的柔性步态监测方法。
技术介绍
步态是人类步行的行为特征,涉及足、踝、膝、髋、躯干、颈、肩和臂的肌肉和关节协同运动,通过对步态进行分析和研究,可以对人体形态和人体健康状态进行预测。良好的步行习惯有助于人们保持身心健康,经年累月不规范的步行姿态会加重对小腿三头肌和跟腱的压力刺激,给身体带来危害。伴随着可穿戴技术的迅速发展,将步态监测装置实现小型化、可穿戴化,将在青少年的运动姿态养成、患者的术后复健等方面发挥重要作用,使运动足态矫正训练的覆盖率大大提升。申请号为CN201610519761.7,专利名称为一种步态参数的采集方法及设备,公开了一种步态数据的采集方法,包括:获取左、右脚的声音信号曲线;根据峰值检测算法提取出该声音信号曲线中表征节点足触地声音的峰值位置和非节点足触地声音的峰值位置,然后计算每一步的步距Lsd=V声(t2-t1);其中,V声为声音在空气中传播的速度,t1和t2分别是固定在不同脚的步态数据采集装置采集到同一次单脚触地所发出的声音的时刻,其中,t2为采集到非节点足触地声音的时间,t1为采集到节点足触地声音的时间,通过采集走路声音信号对人日常行走监测。步态可细分为八个阶段,分别为初始着地期,支撑反应期,中点支撑期,支撑后期,摆动前期,摆动早期,摆动中期和摆动后期。在不同步态阶段,人体膝盖和足部形态不同,初始着地期膝屈0o,脚跟触地;支撑反应期膝屈0o-20o,脚掌着地,重心逐渐移至脚中心,足底平行;中点支撑期膝屈20o ...
【技术保护点】
1.一种基于人工智能计算的柔性步态监测方法,其特征在于利用步行时人体膝盖和足底多组压力数据训练一个能在FPGA上运行的神经网络,然后将实时采集的多组压力数据输入完成训练的神经网络进行比对和识别,实现人体形态健康的智能监测,所述神经网络的训练按下述步骤进行:第一步:将柔性压力传感阵列采集的步行时人体膝盖和足底多组压力信号输入ADC转换模块进行模数信号的转换;第二步:将上述多组数字压力信号输入由输入层神经元、隐含层神经元和输出层神经元三层网络架构的人工智能学习系统进行学习,并由输出层神经元将其学习结果输至训练参数对比单元;第三步:上述学习结果经训练参数对比单元比对后,满足设定的训练参数,则训练结束;若上述学习结果未能满足设定的训练参数,则经修正权值的调整后返回输入层神经元,并由输入层神经元再次进入隐含层神经元及输出层神经元,如此进行多次循环学习的训练,直至学习结果满足设定的训练参数;第四步:将完成训练的神经网络和实时数字压力信号输入特征比对模块,进行计算和识别,实现人体形态健康的智能监测。
【技术特征摘要】
1.一种基于人工智能计算的柔性步态监测方法,其特征在于利用步行时人体膝盖和足底多组压力数据训练一个能在FPGA上运行的神经网络,然后将实时采集的多组压力数据输入完成训练的神经网络进行比对和识别,实现人体形态健康的智能监测,所述神经网络的训练按下述步骤进行:第一步:将柔性压力传感阵列采集的步行时人体膝盖和足底多组压力信号输入ADC转换模块进行模数信号的转换;第二步:将上述多组数字压力信号输入由输入层神经元、隐含层神经元和输出层神经元三层网络架构的人工智能学习系统进行学习,并由输出层神经元将其学习结果输至训练参数对比单元;第三步:上述学习结果经训练参数对比单元比对后,满足设定的训练参数,则训练结束;若上述学习结果未能满足设定的...
【专利技术属性】
技术研发人员:吴幸,田希悦,张嘉言,王茜,顾俊杰,
申请(专利权)人:华东师范大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。