一种基于人工智能计算的柔性步态监测方法技术

本发明专利技术公开了一种基于人工智能计算的柔性步态监测方法，其特点是利用步行时人体膝盖和足底多组压力数据训练一个能于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是将传感阵列采集的膝盖和足底压力信号经ADC转换模块处理后接入三层网络架构的人工智能学习系统进行学习，完成训练的神经网络输入特征比对模块与实时输入的压力信号进行比对和识别，实现人体形态健康的智能监测。本发明专利技术与现有技术相比具有预测的准确率高，结构简单，使用方便，实现人体形态健康的有效智能监测，为人体形态和健康状态进行可靠分析和研究提供可靠、有效的数据支持。

A Flexible Gait Monitoring Method Based on Artificial Intelligence Computing

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-0o，脚中心支撑，足跟逐渐离地；支撑后期膝屈0o，足跟离地，脚掌着地；摆动前期膝屈0o-40o，足部逐渐离地；摆动早期膝屈程度由40o变为60o，足部离地；摆动中期膝屈程度由60o变为30o，足部离地；摆动末期膝屈30o-0o，足部离地，这八个步态阶段中人体膝部和足部有着不同的形态，产生的压力也不同。初始着地期膝部不受力，足跟受力，脚掌不受力；支撑反应期膝部由无压力到受较小压力，足跟受力，脚掌受力；中点支撑期膝部由受较小压力到不受力，足跟受力，脚掌受力；支撑后期膝部不受力，足跟不受力，脚掌受力；摆动前期膝部由不受力到受较小压力，足跟不受力，脚掌不受力；摆动早期膝部由受较小压力到受较大压力，足跟不受力，脚掌不受力；摆动中期膝部由受较大压力到受较小压力，足跟不受力，脚掌不受力；摆动后期膝部不受力，足跟不受力，脚掌不受力。现有技术大多关注足部对步态的影响，未考虑膝部对步态的影响，以至对步态的分析和研究可靠性差，大大影响对人体形态和人体健康状态的预测。
技术实现思路
本专利技术的目的是针对现有技术的不足而设计的一种基于人工智能计算的柔性步态监测方法，采用柔性压力传感阵列采集步行时人体膝盖和足底压力信号，多组压力数据经电路模块处理后输至人工智能学习系统，对采集的数据进行神经网络的学习和训练，利用训练成功的神经网络可对人体步行各阶段进行识别，实现人体形态健康的有效智能监测，为人体形态和健康状态进行可靠分析和研究提供可靠、有效的数据支持。本专利技术的目的是这样实现的：一种基于人工智能计算的柔性步态监测方法，其特点是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。所述柔性压力传感阵列为64×64传感阵列，且贴附于膝盖和足底，采集初始着地期、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八个步态阶段的压力数据。所述ADC转换模块由选通电路与模数转换电路串接而成，所述选通电路采用CD4067芯片。本专利技术与现有技术相比具有预测的准确率高，结构简单，使用方便，实现人体形态健康的有效智能监测，为人体形态和健康状态进行可靠分析和研究提供可靠、有效的数据支持。附图说明图1为本专利技术流程图；图2为步态阶段及膝部和足部受力过程图；图3为实施例图。具体实施方式参阅附图1，本专利技术利用步行时人体膝盖和足底多组压力数据训练一个神经网络，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1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2进行模数信号的转换，所述ADC转换模块2由串接的选通电路21和模数转换电路22组成；所述选通电路采用CD4067芯片。第二步：将上述多组数字压力信号输入由输入层神经元31、隐含层神经元32和输出层神经元33三层网络架构的人工智能学习系统3进行学习，并由输出层神经元33将其学习结果输出。第三步：将上述学习结果输入训练参数对比单元34，若满足设定的训练参数要求，则训练结束；若上述学习结果未满足设定的训练参数要求，则经过修正权值35修正各层神经元的权值后再次返回输入层神经元31，并由输入层神经元31再次输入到隐含层神经元32，并由隐含层神经元32进入输出层神经元33进行学习，直到学习结果满足训练参数对比单元34中设定的训练参数。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4进行计算和识别，实现人体形态健康的智能监测。参阅附图2，人步行时，其步态可细分为：初始着地期（足跟受力，脚掌与膝部不受力）→支撑反应期（足后跟、膝部与足前掌受力）→中点支撑期（足后跟、足前掌与膝部受力）→支撑后期（膝部和足跟不受力，足前掌受力）→摆动前期（膝部受力，足跟与脚掌不受力）→摆动早期（膝部受力，足部与脚掌不受力）→摆动中期（膝部受力，足部与脚掌不受力）→摆动后期（膝部受力，足部与脚掌不受力）八个步态阶段。八种步态对足部和膝部造成的压力分布不同，膝盖伴随着弯曲伸直，足底着力点在足跟与脚掌间变化，膝盖的弯曲导致膝盖处的柔性压力传感器1感受到的压力值发生变化。足底着力于足跟时，柔性压力传感阵列1的足跟部分受力显著，足底着力于脚掌时，柔性压力传感阵列1的脚掌部分受力显著。贴附于膝盖和足底的柔性压力传感阵列1采集的信号由ADC转换模块2将模拟信号转换为数字信号后输送至人工智能学习系统3，基于多组压力数据对神经网络进行训练，训练成功的神经网络可对人体步行阶段进行识别。通过以下具体实施例对本专利技术作进一步的详细说明。实施例1参阅附图3，所述柔性压力传感阵列1为64×64传本文档来自技高网...

【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