一种利用足底压力信号检测人体步态的方法技术

本发明专利技术公开了一种利用足底压力信号检测人体步态的方法。利用柔性阵列压力传感器采集足底压力信息，建立运动步态数据集；进行预处理操作；建立改进的MobileNet

【技术实现步骤摘要】
一种利用足底压力信号检测人体步态的方法


[0001]本专利技术属于人体步态识别以及深度学习
的一种人体步态检测方法，具体涉及了一种利用足底压力信号和改进神经网络检测人体步态的方法。

技术介绍

[0002]近些年来，随着人工智能技术的快速发展，利用深度学习技术进行人体步态识别的研究受到了越来越多有关专家和学者的关注。目前，人体运动步态识别的技术在很多领域都有重要的应用，如健康检测、康复护理、人机协作等领域，将人体运动步态识别技术引入虚拟现实可以给使用者带来更好的体验，所以人体运动步态识别技术的研究是有必要的。
[0003]在深度学习时代，人体步态识别算法的研究得到了一定的进展。按照算法所使用的特征信息的不同可以分为两大类，一类是将人体步态关键点的相关信息作为特征，例如利用关键点的联合分布直方图或3D位置的旋转与位移特征，通过RNNs、LSTM以及CNN等手段完成分类识别；一类是利用足底压力信息作为特征，例如利用自组织映射神经网络(SOM)和足底压力传感信息对人体动作进行聚类分析。
[0004]随着5G技术和智能手机的普及率越来越高，这对将深度学习算法部署在移动终端上有了更大的需求。另一方面，由于为了获得更高的性能，神经网络模型的层数逐渐增加，最高可达到上千层，然而过大的模型并不适宜部署在移动终端上，这就推动了SqueezeNet，MobileNet等轻量化网络的产生，并且MobileNet网络模型经过V1，V2，V3的发展。
[0005]MobileNet
‑
V3网络模型虽然在MobileNet
‑
V2网络模型的基础上得到了一定程度的改进，例如其在COCO数据集上的检测精度与MobileNet
‑
V2网络模型大致相同，但进一步提高其推理速度及分类准确度仍然存在很大的问题。

技术实现思路

[0006]针对算法模型在轻量化的同时又需要具有较高的分类准确率的问题，本专利技术提供了一种利用足底压力信号检测人体步态的方法。
[0007]本专利技术所采用的技术方案如下：
[0008](1)利用柔性阵列压力传感器采集足底压力信息，建立运动步态数据集；
[0009](2)对(1)所得到的运动步态数据集进行双线性插值、归一化和级联等操作后，完成对运动步态数据集的预处理过程；
[0010](3)建立改进的MobileNet
‑
V3算法模型；
[0011](4)将(2)中预处理完成的运动步态数据集送入(3)的模型中进行训练和测试；
[0012](5)将测试完成的模型部署于手机端，利用柔性阵列压力传感器采集的左右脚压力数据通过蓝牙实时传送至手机端，预测当前步态。
[0013]所述的步骤(1)中，所述的柔性阵列压力传感器主要有多个压敏传感器以行列阵列构成，在人体的左右脚均分别均布有多个压敏传感器，根据人脚的形状分别在脚底布置
多个压敏传感器，每个压敏传感器的结构均为三明治结构，包括两层电极材料和一层力敏材料，两层电极材料中间夹一层力敏材料。
[0014]所述的柔性阵列压力传感器中，
[0015]各列方向的压敏传感器均连接到列多选一开关后输出，同一列方向的各个压敏传感器的一端均连接到列多选一开关的同一输入端，不同列方向的压敏传感器的一端分别连接到列多选一开关的不同输入端，列多选一开关的唯一输出端经参考电阻后引出连接到外部的接收电路上；
[0016]各行方向的压敏传感器均连接到行多选一开关后输出，同一行方向的各个压敏传感器的另一端连接到一起后再连接到行多选一开关的同一输入端，不同行方向的压敏传感器的一端分别连接到行多选一开关的不同输入端，行多选一开关的唯一输出端引出连接到外部的接收电路上；
[0017]各个压敏传感器按照顺序排序，每个压敏传感器的另一端经各自的一个二极管连接到上一个压敏传感器的另一端，最后一个压敏传感器的另一端经二极管连接到行多选一开关的一个输入端。由此传感器之间通过串联二极管的方式减少串扰现象。
[0018]柔性阵列压力传感器采集到的数据以纵轴为时间序列，横轴表示不同的传感器采集到的数据，每种步态都有128列有效数据。
[0019]所述的步骤(1)中，通过分别在站立、坐下、平地行走、上楼梯以及下楼梯五种人体步态下利用柔性阵列压力传感器采集足底压力数据，以1.5秒作为时间窗口长度，以1秒作为时间滑动窗口步长提取利用柔性阵列压力传感器采集到的数据，得到有效样本数据组成运动步态数据集。
[0020]所述的步骤(2)中，是将在人体的左右脚各自采集的传感器数据在通道方向上堆叠级联在一起。
[0021]所述的步骤(3)中，改进的MobileNet
‑
V3算法模型是将原有MobileNet
‑
V3算法模型中的倒残差结构全部替换为沙漏结构；
[0022]所述的倒残差结构主要由第一层逐点卷积层PW、一层深度卷积层DW和第二层逐点卷积层PW依次连接构成，第一层逐点卷积层PW的输入作为倒残差结构的输入，同时第一层逐点卷积层PW的输入和第二层逐点卷积层PW的输出进行相加操作后作为倒残差结构的输出。
[0023]所述的沙漏结构主要由第一层深度卷积层DW、第一层逐点卷积层PW、第二层逐点卷积层PW、第二层深度卷积层DW依次连接构成，第一层深度卷积层DW的输入作为沙漏结构的输入，同时第一层深度卷积层DW的输入和第二层深度卷积层DW的输出进行相加操作后作为沙漏结构的输出；沙漏结构是将倒残差结构中的深度卷积层和逐点卷积层颠倒设置，并且在最后增加了一层深度卷积层。
[0024]深度卷积层是对于输入的每一个通道单独使用一个卷积核进行卷积操作，而逐点卷积是使用大小为1
×
1的卷积核对输入进行卷积操作。
[0025]同时将原有MobileNet
‑
V3算法模型中除了输出层外的其余神经网络层的h
‑
swish激活函数和relu6激活函数均全部替换为mish函数，mish函数在输入小于零时函数值不直接等于零而是平滑的过渡至零，在输出层保留softmax激活函数；
[0026]同时将原有MobileNet
‑
V3算法模型中的每个沙漏结构的第二层逐点卷积层PW和
第二层深度卷积层DW之间添加压缩激励模块，压缩激励模块主要由一层全局平均池化层、连续两层全连接层和一个scale操作构成，第二层逐点卷积层PW输出的特征图分别输入到压缩激励模块的全局平均池化层和缩放scale操作中，全局平均池化层输出依次经连续两层全连接层后输入到scale操作，每层全连接层之后均设置一个mish激活函数，通过scale操作获得最终压缩激励模块的输出，进而输入到第二层深度卷积层DW。第二层逐点卷积层PW输出的特征图经压缩激励模块被压缩为1
×1×
C的向量，再将该向量与原特征图进行scale操作。这样设置注意力机制将其应用于沙漏结构，使得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用足底压力信号检测人体步态的方法，其特征在于，方法具体包含以下步骤：(1)利用柔性阵列压力传感器采集足底压力信息，建立运动步态数据集；(2)对(1)所得到的运动步态数据集进行双线性插值、归一化和级联等操作后，完成对运动步态数据集的预处理过程；(3)建立改进的MobileNet
‑
V3算法模型；(4)将(2)中预处理完成的运动步态数据集送入(3)的模型中进行训练和测试；(5)将测试完成的模型部署于手机端，利用柔性阵列压力传感器采集的左右脚压力数据通过蓝牙实时传送至手机端，预测当前步态。2.根据权利要求1所述的一种利用足底压力信号检测人体步态的方法，其特征在于：所述的步骤(1)中，所述的柔性阵列压力传感器主要有多个压敏传感器以行列阵列构成，在人体的左右脚均分别均布有多个压敏传感器，每个压敏传感器的结构均为三明治结构，包括两层电极材料和一层力敏材料，两层电极材料中间夹一层力敏材料。3.根据权利要求1所述的一种利用足底压力信号检测人体步态的方法，其特征在于：所述的柔性阵列压力传感器中，各列方向的压敏传感器均连接到列多选一开关后输出，同一列方向的各个压敏传感器的一端均连接到列多选一开关的同一输入端；各行方向的压敏传感器均连接到行多选一开关后输出，同一行方向的各个压敏传感器的另一端连接到一起后再连接到行多选一开关的同一输入端；每个压敏传感器的另一端经各自的一个二极管连接到上一个压敏传感器的另一端，最后一个压敏传感器的另一端经二极管连接到行多选一开关的一个输入端。4.根据权利要求1所述的一种利用足底压力信号检测人体步态的方法，其特征在于：所述的步骤(1)中，通过分别在站立、坐下、平地行走、上楼梯以及下楼梯五种人体步态下利用柔性阵列压力传感器采集足底压力数据，以1.5秒作为时间窗口长度，以1秒作为时间滑动窗口步长提取利用柔性阵列压力传感器采集到的数据，得到有效样本数据组成运动步态数据集。5.根据权利要...

【专利技术属性】
技术研发人员：吴化平，陈海宁，苏彬彬，由淋元，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：