阅读说明：本技术 基于足底压力传感器监测体态变化的装置和方法 (Device and method for monitoring posture change based on plantar pressure sensor ) 是由 王珊珊 梁同乐 孙利玲 刘文杰 翚京华 于 2019-12-16 设计创作，主要内容包括：本发明公开了一种基于足底压力传感器监测体态变化的装置和方法,涉及计算机技术领域,针对用户体态调整提醒存在滞后性的问题,提供了以下技术方案,包括数据采集模块、数据处理模块、模型构建模块、模型训练模块、模型更新模块和更新策略优化模块,通过实时采集用户在不同行为下的体态数据,利用主成分分析、聚类分析、机器学习方法等一系列研究手段,经过抽象建模,构建健康人群体态模型；并通过DNN模型迁移算法,对不同用户实现模型迁移；同时针对用户体态发展变化等特点,面向AIoT,基于模型一致性检验理论,考虑兼顾用户体验与模型整体表现的模型更新策略,制定出符合用户要求及体征的美化方案,达到为用户提供当前状态下体态信息的目的。(The invention discloses a device and a method for monitoring body state change based on a plantar pressure sensor, relates to the technical field of computers, and provides the following technical scheme aiming at the problem that hysteresis exists in user body state adjustment reminding; model migration is realized for different users through a DNN model migration algorithm; and aiming at the characteristics of the user body state development change and the like, the method is oriented to AIoT, based on a model consistency inspection theory, a model updating strategy which gives consideration to user experience and model integral expression is considered, and a beautifying scheme which meets the user requirements and physical signs is worked out, so that the purpose of providing body state information under the current state for the user is achieved.)

基于足底压力传感器监测体态变化的装置和方法

技术领域

本发明涉及计算机技术领域，更具体地说，它涉及一种基于足底压力传感器监测体态变化的装置和方法。

背景技术

弯腰驼背是困扰很多人的外观难题，除此以外还有走路外八字、内八字、斜肩站、二郎腿等诸多不良姿势影响着人们的体态美观。尽管用户自身知道体态优美的重要性，却因“忘记”，难以持续保持挺拔的身姿。目前纠正体态的常见工具为具有矫正功能的塑身衣、背部固定器、矫正鞋，主要有以下弊端：

(1)用户穿着或佩戴塑形衣或固定器舒适度欠佳，对身体有明显的压迫感；

(2)夏天穿着塑身衣有明显的闷热感；

(3)缺乏用户主观配合，体态美化功能不明显；

(4)矫正鞋为统一设计，不能因人而异，部分矫正鞋厂家提出请用户定期将鞋子送回服务点进行鞋底磨损分析，进而提醒用户应该如何注意体态调整，这种“事后”分析的方法往往难以取得显著的效果。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于足底压力传感器监测体态变化的装置和方法，具有为用户提供当前状态下体态信息的优点。

为实现上述目的，本发明提供了如下技术方案：

基于足底压力传感器监测体态变化的装置，包括以下模块：

数据采集模块，其通过足底压力传感器实时采集用户体态的原始数据样本；

数据处理模块，其用于对原始数据样本进行滤波和去噪处理以得到用户体态数据；

模型构建模块，其用于对用户体态数据提取特征并构建用户体态模型；

模型训练模块，其用于利用用户体态数据对已构建的用户体态模型进行训练；

模型更新模块，其用于通过模型迁移不断对用户体态模型进行更新，构建用户个性化体态模型并将其存储至云端或边缘端；

更新策略优化模块，其用于通过用户体态数据的一致性检验对模型更新模块中的用户体态模型的更新决策进行优化。

采用上述技术方案，数据采集模块通过足底压力传感器实时采集与用户体态相关的数据信息作为原始数据样本，将原始数据样本传送至数据处理模块，在数据处理模块内对样本进行滤波和去噪等处理，得到用户体态数据，该用户体态数据作为数据集传输至模型构建模块，模型构建模块利用用户体态数据构建用户体态模型，模型构建模块将其所构建的用户体态模型输出至模型训练模块，在模型训练模块内利用来自数据处理模块的用户体态数据对用户体态模型进行持续地训练，利用迁移学习对用户体态模型进行更新，得到用户个性化体态模型，装置内的更新策略模块对用户体态模型的更新策略进行优化，通过模型一致性检验针对用户体态数据实时校对模型准确性，当用户体态信息数据发生变化，持续偏离原始模型时，向模型训练模块发送指令信息，重新采集体态数据信息，利用迁移学习对模型进行快速更新。一致性检验的优势在于对体态监测结果的可靠性提供评估和保障，用户个性化体态模型的容错区间可以由体态训练师与用户同时制定，兼顾体态矫正的有效性和用户训练的舒适度。

足底压力的大小和分布能够有效地反映人体体态的变化，从而获取人体的某些生理或病理信息，即通过足底压力传感器能够获取到反应用户体态变化的数据，根据通过装置内各个模块的处理抽取出数据中所反馈的当前用户体态的信息，结合AIoT(ArtificialIntelligence&Internet of Things，AIoT)技术，将体态模型存储在云端、边缘端，实时采集用户体态信息，为综合分析体态变化过程提供支持，使用户通过本装置能够迅速得到当下个人的体态信息，并根据当下体态信息做出调整。

优选的，所述足底压力传感器为集成点阵式压力分布传感器，所述足底压力传感器包括多个感应点，多个所述感应点的直径为5mm，在水平方向或竖直方向上相邻感应点之间的距离均为7mm。

采用上述技术方案，通过设置密集的点阵式感应点，提高采集人体站、坐、行走时的原始数据样本数量，使得采集到的数据能够准确地反映当下用户的体态信息，提高后续建模的准确性。

优选的，所述数据处理模块还包括有人体步态周期分析模块，所述人体步态周期分析模块用于对原始数据样本进行单步分割。

采用上述技术方案，从人体步态周期分析，一个步态周期称为一个跨步，是指从一侧足跟着地到同侧腿足跟再次着地所经历的时间。一个跨步包括两个阶段：双腿支撑相和单腿支撑相。对于某一条腿来说，一个完整的步态周期包括支撑相和摆动相。人体在平地行走时，各周期大致有如下关系：

D_sz＝0.248D_ci+0.143

D_z＝0.752D_ci-0.143

D_dz＝0.752D_ci-0.143

其中：D_ci为一个步态周期；D_sz为单脚支撑期；D_dz为双脚支撑期；D_z为一个步行周期中某一条腿的支撑期。利用步态周期对采集到的原始数据样本进行单步分割，采集左/右脚支撑相的压力特征，利用主成分分析方法进行特征降维。

优选的，所述更新策略优化模块内设置有在线的一致性检验模型，所述一致性检验模型用于对用户体态数据和当下的用户体态模型进行对比评估后，向模型训练模块输入是否以所述用户体态数据对当下的用户体态模型进行优化的决策。

采用上述技术方案，当用户体态信息数据发生变化，持续偏离原始模型时，需要重新采集用户体态的原始数据样本，利用迁移学***数值时，则说明当下的用户体态模型需要优化更新。

优选的，所述模型构建模块包括通过深度神经网络DNN算法构建的用户体态模型。

采用上述技术方案，在模型构建模块内预先设置基于深度神经网络DNN算法的模型框架，将数据处理模块中的用户体态数据代入框架中，从而得到用户体态模型。

基于足底压力传感器监测体态变化的方法，包括以下步骤：

步骤(1)：以足底压力传感器作为数据采集模块获取用户体态信息的原始数据样本；

步骤(2)：在数据处理模块内对原始数据样本进行滤波和去噪，并进行步态分析处理得到用户体态数据；

步骤(3)：基于用户体态数据建立用户体态模型；

步骤(4)：通过迁移算法，优化用户体态模型，从而完成用户个性化体态模型的构建；

步骤(5)：将实时传输的用户体态数据同步传输至更新策略优化模块进行一致性检验，并根据检验结果做出用户个性化体态模型更新的决策；

步骤(6)：根据更新策略优化模块的指令，通过迁移学习更新用户个性化体态模型，并进行综合判断分析。

优选的，所述步骤(2)中经数据处理模块处理后得到的用户体态数据包括用户在不同行为下的足底压力数值、压力数值的变化曲线、受力时间，以及三维压力分布中心变化轨迹。

优选的，所述步骤(3)中通过深度神经网络算法框架对用户体态数据构建用户体态模型。

优选的，所述步骤(4)中采用对源和目标任务模型之间共享权值联合优化的学习框架，利用基于目标数据集的性能度量矩阵的强化学习模块实现对共享权值的计算，保证自适应输出每个源数据集中特征的权值。

综上所述，本发明具有以下优点：

(1)通过足底压力传感器作为监测体态的数据采集模块，足底压力传感器为可穿戴的智能传感器设备，降低了场地设备对体态监测的限制，将体态美化融入用户的日常行为活动；

(2)通过在本发明装置联接AIoT平台，可获取用户当前的体态并作为用户日常体态数据进行记录，为用户提供完备的体态数据变化参考；

(3)面对体态模型训练的高样本量、高时间成本问题，首次利用迁移学习算法(例如共享权值联合优化学习框架L2TL)。基于用户体态数据集自适应地推断域相似度，从而达到减少深度神经网络对数据样本量的高需求，缩短数据样本采集与用户体态模型训练的时间。为体态模型的准确率和实时性提供了保障。

附图说明

图1为本发明基于足底压力传感器监测体态变化的装置的结构示意图。

图2为人体足底压力图。

图3为人体步态周期图。

图4本发明基于足底压力传感器监测体态变化的方法中L2TL试验处理架构图。

具体实施方式

下面通过具体实施方式进一步详细说明：

一种基于足底压力传感器监测体态变化的装置，如图1所示，包括数据采集模块、数据处理模块、模型构建模块、模型训练模块、模型更新模块和更新策略优化模块。数据采集模块通过足底压力传感器实时采集用户体态的原始数据样本；数据采集模块的输出端联接数据处理模块的输入端，数据处理模块对原始数据样本进行滤波和去噪处理以得到用户体态数据，在此过程中得到的用户体态数据包括用户在不同行为下的足底压力数值、压力数值的变化曲线、受力时间，以及三维压力分布中心变化轨迹；模型构建模块对来自数据处理模块的用户体态数据进行特征提取，并构建用户体态模型；模型训练模块内利用实时传输的用户体态数据对已构建的用户体态模型进行训练；模型更新模块通过模型迁移对用户体态模型进行更新，构建用户个性化体态模型；模型训练模块还与更新策略优化模块联接，更新策略优化模块用于通过用户体态数据的一致性检验对模型更新模块中的用户体态模型的更新决策进行优化。

基于足底压力传感器监测体态变化的方法包括以下步骤：

步骤(1)利用足底压力传感器采集用户体态信息；

根据足底压力的大小和分布能够有效地反映人体体态的变化，从而获取人体的某些生理或病理信息，足底压力传感器设置为集成点阵式压力分布传感器，足底压力传感器包括多个感应点，每个感应点的直径均为5mm，在水平方向或竖直方向上相邻感应点之间的圆心距均为7mm，连续采集人体站、坐、行走时的压力信息，足底动力学信息是运动的内在力学成因，足底动力学信息与人体的足部生理结构及行走方式具有高度的关联性，数据采集模块通过足底压力传感器采集不同行为下的原始数据样本。

步骤(2)对采集数据进行去噪、滤波、聚类、分割等处理；

当用户在盲道、碎石路、泥泞或者草地等特殊路况行走时，此时足底压力传感器采集到的原始数据样本往往不具有普遍性的代表价值，因此需要通过数据处理模块对采集得到的原始数据样本进行滤波和去噪，降低足底压力传感器的数据采集过程中外界噪声的干扰。

在数据处理模块内对原始数据样本进行分割与特征降维。首先，从足底压力负担分析，人体站立时足底各处的压力分布如图2所示，颜色越深代表该区域的受力越大，即人体站立时足底各处的压力分布不同，标准体态与偏差体态的足部受力点不同。其次，从人体步态周期分析，步态周期如图3所示，一个步态周期称为一个跨步，是指从一侧腿足跟着地到同侧腿足跟再次着地所经历的时间。一个跨步包括两个阶段：双腿支撑相和单腿支撑相；对于某一条腿来说，一个完整的步态周期包括支撑相和摆动相。人体在平地行走时，各周期的基本关系如下：

D_sz＝0.248D_ci+0.143

D_z＝0.752D_ci-0.143

D_dz＝0.752D_ci-0.143

其中，D_ci为一个步态周期；D_sz为单脚支撑期；D_dz为双脚支撑期；D_z为一个步行周期中某一条腿的支撑期。利用步态周期对原始数据样本进行单步分割，采集左/右脚支撑相的压力特征，利用主成分分析方法进行特征降维。

步骤(3)利用DNN算法对标准体态与用户体态建模；

经数据处理模块处理得到的用户体态数据包括步频、步速、步长(左/右)、步宽、足底压力分布时空特征等，在模型构建模块内利用深度神经网络对体态特征建模，形成用户体态模型。

步骤(4)通过如共享权值联合优化的学习框架等迁移学习算法实现用户个性化体态模型迁移；

如图4所示，为降低重复训练用户体态模型所需要的高数据样本量与高时间成本，在模型训练模块内采用对源和目标任务模型之间共享权值联合优化的学习框架(Learningto Transfer Learn，L2TL)(迁移学习算法)，其中关于共享权值的计算是利用基于目标数据集的性能度量矩阵的强化学习模块(Reinforcement Learning，RL)实现，保证自适应输出每个源数据集中特征的权值。L2TL基于用户体态(目标)数据集自适应的推断域相似度，从而达到减少深度神经网络对数据样本量的高需求，缩短数据样本采集与用户体态模型训练的时长。

L2TL的目标是自适应学习权值分配，提出了一个优化源域及目标域共享权值的框架。

预训练目标函数如下：

其中，L为目标函数，由对应源域的目标函数L_S和对应目标域的目标函数L_T组成。与仅在源域中优化损失函数的DATL(即基于目标数据集的重要权值域自适应迁移学习方法)不同，L2TL的预训练通过同时在源域和目标域内的联合优化来实现。D_S和D_T分别表示给定的源(标准体态数据)和目标数据集(目标用户体态数据)，B_S和B_T分别表示源和目标批量大小，α_s[i]和α_t[i]分别表示第i轮迭代时的源域、目标域尺度参数，

为控制源域和目标域在优化过程中比重的权值参数，f_S和f_T分别表示利用神经网络求得的源和目标编码函数。整个目标函数的训练参数为Ω、ζ_S和ζ_T。为了最大程度地受益于源数据集，应当在源域和目标域内共享尽可能多的训练参数。基于预训练目标函数，T2TL的学习目标是从保持目标验证数据集中推广到未知样本中，并最大化下面的评估指标：

其中R是目标性能指标，例如用于分类的top-1准确度或曲线下面积(AUC)等指标项。Ω和ζ_T为预训练优化得到的参数。在微调过程中，首先考虑样本权值λ(x，y)＝1的Ns步源数据集的优化，然后考虑使用预训练权值的目标数据集优化：

第一步，使用基于梯度下降的优化方法优化损失函数，从而得出学习编码器Ω的权值以及分类器权值ζ_S和ζ_T：

在这个阶段，神经网络模型是固定的，通过对动作采样以确定各个权值。

第二步，优化策略权值

该策略权值基于上一阶段中计算得到的编码器权值(Ω、ζ_S、ζ_T)的目标验证集上的评估度量R最大化：

这一步处理利用策略模型求出

和α以实现奖励优化，是一个强化学习RL问题。

第三步，模型更新，完成用户个性化体态模型的构建。

步骤(5)利用模型一致性检验针对用户体态数据实时校对用户个性化体态模型的准确性；

本系统进一步对用户体态模型的更新策略进行优化。通过模型一致性检验(Conformal Prediction，CP)针对用户体态数据实时校对用户个性化体态模型的准确性。当用户体态数据发生变化，持续偏离原始模型时，重新采集用户的体态数据信息，利用迁移学习对当下的用户体态模型进行快速更新。一致性检验的优势在于对体态监测的可靠性提供评估和保障，用户个性化体态模型的容错区间可以由体态训练师与用户同时制定，兼顾体态矫正的有效性和用户训练的舒适度。

对于简单预测器，任何有限的样本序列(x₁,y₁),...,(x_n-1,y_n-1)和一个新的对象x_n。

预测结果：

一致性检验包含显著性水平(Significance Level)参数ε，即置信度为1-ε，反映了对预测结果的信任程度，任何有限的样本序列(x₁,y₁),...,(x_n-1,y_n-1)和一个新的对象x_n，一致性检验器输出标签空间Y的一个子集：

该子集满足：

对于任意ε_l＞ε₂。这意味着对于不同的显著性水平ε，预测的区域是标签空间Y的嵌套子集。通过改变ε的值，可以调节体态偏差容忍度的大小。

由于体态监测属于实时的数据采集，一致性检验的在线模式(Online Mode)下，具有较好的有效性。一致性检验的在线模式是指：当我们对单一体态评价完成后，该体态信息和它的体态标签作为新的样本加入到原有样本集中生成新样本集，然后基于新样本集对下一个对象进行评价。在预测的过程中，样本集在不断更新。当用户体态持续变化，累计的用户体态数据将使当下的用户体态模型的错误比例大于预设的显著性水平水平ε时，则说明当下的用户体态模型需要优化更新。

用户体态数据随时间t增长持续更新变化(n₁,n₂,…,n_t)，当错误预测比例超过预设显著性水平ε时，面向AIoT对云端、边缘端用户体态模型利用迁移学习方法进行模型调整。

步骤(6)通过迁移学习对用户发展的体态数据进行模型快速更新，然后进行综合判断分析。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。