一种基于智能手机的人体异常步态识别方法技术

本发明专利技术公开了一种基于智能手机的人体异常步态识别方法。本发明专利技术的方法可以有效的通过智能手机采集人体步态数据，提取相关的人体不同步态类型的特征信息，实现不同异常步态类型的分类识别。克服了传统异常步态分析和检测方法的局限性。

A Method of Human Abnormal Gait Recognition Based on Smart Phone

【技术实现步骤摘要】
一种基于智能手机的人体异常步态识别方法
本专利技术涉及计算机识别
，具体涉及一种基于智能手机的人体异常步态识别方法。
技术介绍
步行运动是人类最重要的日常活动之一，步态是指步行时的姿态。步态是人类的特殊特征，由体重、四肢长度、鞋跟、姿势及特有的动作等因素决定，因此步态可以作为一种生物测量手段来识别已知的人，并对未知对象进行分类。正常步态具有周期性和节律性，是人体骨骼系统、神经系统和肌肉系统协调运动的结果。然而，由于疾病、意外伤害等因素的影响，人体步态周期的某一个环节失调，造成步行障碍，使得人体平衡功能下降、行动迟缓甚至严重影响日常生活，我们称之为步态异常，此时的步态称为异常步态。通常异常步态主要包括支撑相异常和摆动相异常两大类。对患有神经系统或骨骼肌肉系统疾病而可能影响行走能力的患者来说，进行异常步态的分析、识别和评估是临床诊断的重要手段，也是制定步态矫正和康复治疗方案的必要依据。传统的异常步态识别和分析方法有两大类，其一，观察者对病患在行走过程中步态进行观察，并分析进行整体判断，包括重心的移动、身体倾向、膝关节的伸屈和裸关节的转动等，这就需要观察者具备一定的经验和专业医疗水平，但其主观性较强且难以量化分析。其二，通过专业的仪器辅助测量，如基于视频/图像或者临床医学的方式提取行走速度、节奏、步长、步宽、步态周期、支撑期、摆动期、单腿和双腿支撑期等步态信息参数，并将这些步态参数与正常参数对比，然后根据测量的数据进行诊断，这类方法则对场地和设施有较高要求，难以作为长期治疗过程中的日常监测手段。随着智能手机集合了多种传感器，如加速度计、红外线、陀螺仪和GPS等，各种传感器之间可以协同合作，全面感知行为状态。通过智能手机进行人体行为识别的研究取得了一定的进展，比如通过手机进行行为识别、身份识别、室内定位及车辆测速等。因此，通过智能手机内置的传感器获取人体运动时的实时传感器数据，将原始数据预处理后，提取数据特征，选择特征进行机器学习，最终获得人体步态行为识别，进行异常步态的监测和测量成为可能。由于智能手机便于携带，可以对病患进行日常不间断持续监测和测量，此外，智能手机的各类传感器可以根据采集的数据进行定量分析，可以对病患的步态异常的性质和程度做量化评估。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于智能手机的人体异常步态识别方法解决了异常步态检测不准确的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于智能手机的人体异常步态识别方法，包括以下步骤：S1、采集人体在走路时智能手机中加速度传感器和旋转矢量传感器的信号数据；S2、利用四元素坐标系对采集到的信号数据进行坐标转换，得到预处理后的信号数据；S3、利用双树复小波算法将预处理后的信号数据进行信号去噪，得到去噪后的信号数据；S4、通过去噪后的信号数据分析正常步态与异常步态的区别，并对其进行特征提取得到特征值；S5、根据提取到的特征值，通过机器学习算法构建IBK分类器模型，并从中选择出最优的IBK分类器模型；S6、通过最优的IBK分类器模型识别不同状态下的步态类型。进一步地：所述步骤S2中四元素坐标系的计算公式为：上式中，m2为四元素坐标系坐标，M为旋转矩阵，m1为原始坐标系坐标；其中，原始坐标系m1＝[x,y,z]T，(x，y，z)为原始手机坐标系，x轴为平行于机身的短边且以向右侧为正方向，y轴为平行于机身的长边且以向听筒方向为正方向，z轴为垂直于手机机身且以屏幕的朝向为正方向；旋转矩阵M的计算公式为：上式中，q1,q2,q3,λ均为实数，其计算公式为：上式中，nx、ny、nz分别为x轴、y轴、z轴的矢量，θ为旋转角度。进一步地：所述步骤S3的具体方法为：通过q-shift方法构造正交双树复小波滤波器h0(n)和g0(n)，通过滤波器h0(n)和g0(n)对预处理后的信号数据进行信号去噪。进一步地：所述滤波器h0(n)和g0(n)的关系式为：g0(n)＝h0(N-1-n),0≤n<N上式中，N为采集的总样本点，n为样本点的个数。进一步地：所述步骤S4中特征值的提取方法为：计算信号去噪后的数据统计量特征信息和经过多层变换后的小波系数特征信息相结合，形成特征值；所述统计量特征包括均值、均方差、平均绝对偏差和四分位距。进一步地：所述均值的计算公式为：上式中，N为采集的总样本点，xi为采集样本点为i时的传感器数据值所述均方差σ的计算公式为：所述平均绝对偏差XMAD的计算公式为：所述四分位距IQR的计算公式为：IQR＝Q3-Q1上式中，Q1为采集的样本点的数据按照从小到大次序排列后1/4处的数值，Q3为采集的样本点的数据按照从小到大次序排列后3/4处的数值。进一步地：所述IBK分类器模型的构建过程为：基于特征值构建IBK分类器模型，通过调整IBK分类器模型的具体参数，分析IBK分类器模型的优劣，选择最优的IBK分类器模型参数。本专利技术的有益效果为：本专利技术的方法可以有效的通过智能手机采集人体步态数据，提取相关的人体不同步态类型的特征信息，实现不同步态类型的分类识别。克服了传统异常步态分析和检测方法的局限性。附图说明图1为本专利技术流程图；图2为本专利技术中手机坐标系及世界坐标系示意图；图3为本专利技术中设计的正交双树复小波的滤波器设计示意图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。如图1所示，一种基于智能手机的人体异常步态识别方法，包括以下步骤：S1、采集人体在走路时智能手机中加速度传感器和旋转矢量传感器的信号数据；将智能手机放置在裤子右腿的口袋中。一般来说裤子与人体的大腿是紧密接触的，就可以把口袋中的智能手机的运动状态视为人体的运动状态。从而采集人体在走路时智能手机中加速度传感器和旋转矢量传感器的数据。如图2所示，在采集时，由于手机的姿势往往是任意的，导致智能手机的初始坐标系会发生一定的发展，进而导致三轴的加速度的映射值发生改变，难以稳定的反映人体的实际步态情况。因此需要将采集的数据转换到同一坐标系下进行处理。S2、利用四元素坐标系对采集到的信号数据进行坐标转换，得到预处理后的信号数据；本专利技术使用四元素法进行转换。四元素主要由四个数字构成，可以用来表达空间旋转：将一个空间向量乘以一个四元数，就相当于该向量绕着该四元数所描述的旋转轴转动它所描述的角度，从而得到一个新的向量。四元素坐标系的计算公式为：上式中，m2为四元素坐标系坐标，M为旋转矩阵，m1为原始坐标系坐标；其中，原始坐标系m1＝[x,y,z]T，(x，y，z)为原始手机坐标系，x轴为平行于机身的短边且以向右侧为正方向，y轴为平行于机身的长边且以向听筒方向为正方向，z轴为垂直于手机机身且以屏幕的朝向为正方向；旋转矩阵M的计算公式为：上式中，q1,q2,q3,λ均为实数，其计算公式为：上式中，nx、ny、nz分别为x轴、y轴、z轴的矢量，θ为旋转角度。S3、利用双树复小波算法将预处理后的信号数据进行信号去噪，得到去噪后的信号数据；具体方法为：通过本文档来自技高网...

【技术保护点】
1.一种基于智能手机的人体异常步态识别方法，其特征在于，包括以下步骤：S1、采集人体在走路时智能手机中加速度传感器和旋转矢量传感器的信号数据；S2、利用四元素坐标系对采集到的信号数据进行坐标转换，得到预处理后的信号数据；S3、利用双树复小波算法将预处理后的信号数据进行信号去噪，得到去噪后的信号数据；S4、通过去噪后的信号数据分析正常步态与异常步态的区别，并对其进行特征提取得到特征值；S5、根据提取到的特征值，通过机器学习算法构建IBK分类器模型，并从中选择出最优的IBK分类器模型；S6、通过最优的IBK分类器模型识别不同状态下的步态类型。

【技术特征摘要】
1.一种基于智能手机的人体异常步态识别方法，其特征在于，包括以下步骤：S1、采集人体在走路时智能手机中加速度传感器和旋转矢量传感器的信号数据；S2、利用四元素坐标系对采集到的信号数据进行坐标转换，得到预处理后的信号数据；S3、利用双树复小波算法将预处理后的信号数据进行信号去噪，得到去噪后的信号数据；S4、通过去噪后的信号数据分析正常步态与异常步态的区别，并对其进行特征提取得到特征值；S5、根据提取到的特征值，通过机器学习算法构建IBK分类器模型，并从中选择出最优的IBK分类器模型；S6、通过最优的IBK分类器模型识别不同状态下的步态类型。2.根据权利要求1所述的基于智能手机的人体异常步态识别方法，其特征在于，所述步骤S2中四元素坐标系的计算公式为：上式中，m2为四元素坐标系坐标，M为旋转矩阵，m1为原始坐标系坐标；其中，原始坐标系m1＝[x,y,z]T，(x，y，z)为原始手机坐标系；旋转矩阵M的计算公式为：上式中，q1,q2,q3,λ均为实数，其计算公式为：上式中，nx、ny、nz分别为x轴、y轴、z轴的矢量，θ为旋转角度。3.根据权利要求1所述的基于智能手机的人体异常步态识别方法，其特征在于，所述步骤S3的具体方法为：通过q-shift方法构造正交双树复小波滤波器h0(n)和g0(n)，通过滤波器h0(n)和g0(...

【专利技术属性】
技术研发人员：张伟，张学志，康慧，王雷雷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51