CN110840459A - 人体平衡能力获取方法及系统、计算机设备及介质 - Google Patents
人体平衡能力获取方法及系统、计算机设备及介质 Download PDFInfo
- Publication number
- CN110840459A CN110840459A CN201911133281.7A CN201911133281A CN110840459A CN 110840459 A CN110840459 A CN 110840459A CN 201911133281 A CN201911133281 A CN 201911133281A CN 110840459 A CN110840459 A CN 110840459A
- Authority
- CN
- China
- Prior art keywords
- pressure
- data
- dimensional
- plantar
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
- A61B5/4023—Evaluating sense of balance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本发明公开一种人体平衡能力获取方法及系统、计算机设备及介质。该方法的一具体实施方式包括:根据用户行走时足底二维压力分布时序数据获取足底压力时间周期;将连续的至少一个时间周期的足底二维压力分布时序数据累加为三维压力数据;对所述三维压力数据进行处理得到足底压力立体数据;将所述足底压力立体数据输入已训练的体素回归网络进行特征提取,得到所述体素回归网络输出的所述用户的Berg平衡量表数值。该实施方式可准确地获取人体平衡能力。
Description
技术领域
本发明涉及人工智能技术领域。更具体地,涉及一种人体平衡能力获取方法及系统、计算机设备及介质。
背景技术
人体平衡能力对预防人体跌倒以及临床预后评价具有极高的价值。目前,人体平衡能力评价方式主要是基于人体行走过程中采集的二维的足底压力图像,通过神经网络提取其中包含的步态特征,从而得到评价结果。上述方式提取的步态特征仅能反应出人体行走过程中静态的步态特征,评价结果的准确性不足。
因此,需要提供一种新的人体平衡能力获取方法及系统、计算机设备及介质。
发明内容
本发明的目的在于提供一种人体平衡能力获取方法及系统、计算机设备及介质,以解决现有技术存在的问题中的至少一个。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供了一种人体平衡能力获取方法,包括:
根据用户行走时足底二维压力分布时序数据获取足底压力时间周期;
将连续的至少一个时间周期的足底二维压力分布时序数据累加为三维压力数据;
对所述三维压力数据进行处理得到足底压力立体数据;
将所述足底压力立体数据输入已训练的体素回归网络进行特征提取,得到所述体素回归网络输出的所述用户的Berg平衡量表数值。
本发明第一方面提供的人体平衡能力获取方法,将由二维的足底压力图像构成的足底二维压力分布时序数据转换为三维的足底压力立体数据,并通过具有三维立体卷积核的体素回归网络对足底压力立体数据进行特征提取,能够基于时序数据获得人体行走过程中的足底压力的变化过程,即,通过体素回归网络提取足底压力立体数据中含有的人体行走过程中的动态的步态特征,进而可准确、定量、客观的评价人体在运动过程中的动态的平衡能力,可准确对不同的动态的步态特征进行分类,准确地获取人体的平衡能力。
可选地,所述根据用户行走时足底二维压力分布时序数据获取足底压力时间周期进一步包括:
将时刻t的足底压力分布数据p(x,y)求和,得到该时刻t的压力分布总和
其中x,y为足底压力采样区域采样点坐标;获得压力分布总和的局部最大值以及对应的时刻;
根据N+1个相邻局部最大值之间的时间长度为ΔT,得到所述足底压力时间周期为ΔT/N。
此可选方式,可快速准确地获取或者说划分用户行走过程中的足底压力时间周期。
可选地,所述获得压力分布总和的局部最大值进一步包括:
确定局部压力检测阈值,其中所述局部压力检测阈值为k×用户静止站立时所测得的压力总和,其中k为经验因子;
将时刻t的压力分布总和P(t)对t求导,得到压力分布总和的极值点;
若在一个极值点对应的预定时间范围内仅存在该极值点,则该极值点为所述局部最大值,否则,比较该时间范围内存在的各极值点,选取最大的极值点为所述局部最大值。
此可选方式,可保证获取的足底压力时间周期的准确性。
可选地,所述将连续的至少一个时间周期的足底二维压力分布时序数据累加为三维压力数据进一步包括:
对m个时间周期内的足底二维压力分布时序数据p(x,y)按照采样帧累加,得到三维压力数据V(x,y,z),其中z表示(x,y)坐标处的m个时间周期内的压力累加和,其中,m为大于等于1的整数。
可选地,所述对所述三维压力数据进行处理得到足底压力立体数据进一步包括:
对足底压力采样区域内的p×q个采样点处的压力进行采样,其中p为沿采样区域x方向上的采样点个数,q为沿采用区域y方向上的采样点个数,并且p:q按照足底尺寸在x和y方向的比例确定;
将所述z以所述累加和中的最大值zmax进行归一化并取整;
将归一化并取整后的所有z乘以划分参数r,
形成p×q×r三维矩阵,其中若采样点(u,v)没有采样到压力,则矩阵中的对应元素值为0,若采样点(u,v)采样到压力,则矩阵中的对应元素值为1,从而得到所述足底压力立体数据,其中1≤u≤p,1≤v≤q。
可选地,所述将所述足底压力立体数据输入已训练的体素回归网络进行特征提取,得到所述体素回归网络输出的所述用户的Berg平衡量表数值进一步包括:
利用卷积核为p’×q’×r’的立方体对所述足底压力立体数据进行第一卷积从而提取x方向数据特征,得到亚采样的一级三维数据,其中,所述p’、q’、r’分别为p、q、r除以最大公约数而得到;
利用卷积核为p’×q’×r’的立方体对所述一级三维数据进行第二卷积从而提取y方向数据特征,得到亚采样的二级三维数据;
利用卷积核为p’×q’×r’的立方体对所述二级三维数据进行第三卷积从而提取z方向数据特征,得到亚采样的三级三维数据;
将所述三级三维数据进行最大池化以压缩成一维数据;
将所述一维数据经过密集连接层输出所述用户的Berg平衡量表数值。
采用此可选方式,体素回归网络可精确高效地对输入的足底压力立体数据进行动态步态特征提取,并精确高效地进行分类,输出可直接反映人体平衡能力的Berg平衡量表数值。
可选地,所述用户的Berg平衡量表数值为所述用户的2进制的Berg平衡量表数值。
此可选方式可提升获取的用户的Berg平衡量表数值的准确性。
可选地,在将所述足底压力立体数据输入已训练的体素回归网络进行特征提取之前,该方法还包括:
根据多个标注了Berg平衡量表数值的样本用户的足底压力立体数据构建训练集和测试集;
根据所述训练集训练神经网络模型并根据所述测试集进行测试,得到所述已训练的体素回归网络。
此可选方式可保证训练得到的体素回归网络的有效性。
可选地,根据所述训练集训练神经网络模型进一步包括:利用Adam算法求解神经网络模型参数。
此可选方式可进一步保证训练得到的体素回归网络的有效性。
本发明第二方面提供了一种计算机设备,包括处理器,所述处理器执行程序时实现本发明第一方面提供的方法。
本发明第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面提供的方法。
本发明第四方面提供了一种人体平衡能力获取系统,包括
本发明第二方面提供的计算机设备和分布在用户鞋底上的压力传感器阵列;
所述压力传感器阵列用于获取用户行走时足底二维压力分布时序数据并发送至所述计算机设备。
本发明的有益效果如下:
本发明所述技术方案将由二维的足底压力图像构成的足底二维压力分布时序数据转换为三维的足底压力立体数据,并通过具有三维立体卷积核的体素回归网络对足底压力立体数据进行特征提取,能够基于时序数据获得人体行走过程中的足底压力的变化过程,即,通过体素回归网络提取足底压力立体数据中含有的人体行走过程中的动态的步态特征,进而可准确、定量、客观的评价人体在运动过程中的动态的平衡能力,可准确对不同的动态的步态特征进行分类,准确地获取人体的平衡能力。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明;
图1示出本发明实施例提供的人体平衡能力获取方法的流程图。
图2示出本发明实施例提供的人体平衡能力获取方法的数据走向示意图。
图3示出本发明实施例提供的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1和图2所示,本发明的一个实施例提供了一种人体平衡能力获取方法,包括:
根据用户行走时足底二维压力分布时序数据获取足底压力时间周期;
将连续的至少一个时间周期的足底二维压力分布时序数据累加为三维压力数据;
对所述三维压力数据进行处理得到足底压力立体数据;
将所述足底压力立体数据输入已训练的体素回归网络(Volumetric RegressionNetwork,VRN)进行特征提取,得到所述体素回归网络输出的所述用户的Berg平衡量表数值。
在一个典型的人体行走周期中,足底压力分别在来自于距下关节,跗跖关节和跌趾关节。足底压力会以准周期形式动态分布,而不同步态特征会影响每个周期的时序分布。本实施例提供的人体平衡能力获取方法,将由二维的足底压力图像构成的足底二维压力分布时序数据转换为三维的足底压力立体数据,并通过具有三维立体卷积核的体素回归网络对足底压力立体数据进行特征提取,能够基于时序数据获得人体行走过程中的足底压力的变化过程,即,通过体素回归网络提取足底压力立体数据中含有的人体行走过程中的动态的步态特征,进而可准确、定量、客观的评价人体在运动过程中的动态的平衡能力,可准确对不同的动态的步态特征进行分类,准确地获取人体的平衡能力。其中,Berg平衡量表是一种在临床中最为常见的半定量评估人体平衡能力的评价指标,大量科研文献以及实际临床证明,Berg平衡量表不但可以评价中风病人的平衡能力,也可以预测跌倒的风险。因此在本实施例采用Berg平衡量表数值定量步态特征,进而表征人体平衡能力。
在本实施例的一些可选的实现方式中,所述根据用户行走时足底二维压力分布时序数据获取足底压力时间周期进一步包括:
将时刻t的足底压力分布数据p(x,y)求和,得到该时刻t的压力分布总和
其中x,y为足底压力采样区域采样点坐标,得到P(t)之后可绘制出如图2所示的P(t)随每一时刻压力分布总和曲线;获得压力分布总和的局部最大值以及对应的时刻;
根据N+1个相邻局部最大值之间的时间长度为ΔT,得到所述足底压力时间周期为ΔT/N,需要说明的是,时间周期为ΔT/N的前提是人体行走大致匀速,而这是采集用于获取步态特征的足底压力图像时通常的要求。
此实现方式,可快速准确地获取或者说划分用户行走过程中的足底压力时间周期。
在本实施例的一些可选的实现方式中,所述获得压力分布总和的局部最大值进一步包括:
确定局部压力检测阈值,其中所述局部压力检测阈值为k×用户静止站立时所测得的压力总和,其中k为经验因子,在一个具体示例中,人体静止站立时测得的足底压力总和为f,可将局部压力检测的阈值设置为1.8×f,即k=1.8,可理解的是,单脚站立的足底压力最大值为2f,根据经验,行走过程中,足底压力只要超过1.8f即可判断为局部最大值;
将时刻t的压力分布总和P(t)对t求导,得到压力分布总和的极值点;
若在一个极值点对应的预定时间范围(例如200ms)内仅存在该极值点,则该极值点为所述局部最大值,否则,比较该时间范围内存在的各极值点,选取最大的极值点为所述局部最大值。
基于峰值检测算法的此实现方式,可保证获取的足底压力时间周期的准确性。
在本实施例的一些可选的实现方式中,所述将连续的至少一个时间周期的足底二维压力分布时序数据累加为三维压力数据进一步包括:
对m个时间周期内的足底二维压力分布时序数据p(x,y)按照采样帧累加,得到三维压力数据V(x,y,z),其中z表示(x,y)坐标处的m个时间周期内的压力累加和,
其中,m为大于等于1的整数,在一个具体示例中,m设定为3,此种情况将3个时间周期各自包含的足底二维压力分布时序数据p(x,y)按照采样帧累加得到的三维压力数据V(x,y,z)进行叠加后求平均值即可,n大于1的设定可提升三维压力数据V(x,y,z)的准确性。在本实施例的一些可选的实现方式中,所述对所述三维压力数据进行处理得到足底压力立体数据进一步包括:
对足底压力采样区域内的p×q个采样点处的压力进行采样,其中p为沿采样区域x方向上的采样点个数,q为沿采用区域y方向上的采样点个数,并且p:q按照足底尺寸在x和y方向的比例确定,在一个具体示例中,p:q按照通常的足底压力图像尺寸设置为5:2,进一步,p的取值为125,q的取值为50;
将所述z以所述累加和中的最大值zmax进行归一化并取整;
将归一化并取整后的所有z乘以划分参数r,在一个具体示例中,r的取值为100,
形成p×q×r三维矩阵(接续上述具体示例,形成的是125×50×100的三维矩阵),其中若采样点(u,v)没有采样到压力,则矩阵中的对应元素值为0,若采样点(u,v)采样到压力,则矩阵中的对应元素值为1,从而得到所述足底压力立体数据,其中1≤u≤p,1≤v≤q。
在本实施例的一些可选的实现方式中,如图2所示,所述将所述足底压力立体数据输入已训练的体素回归网络进行特征提取,得到所述体素回归网络输出的所述用户的Berg平衡量表数值进一步包括:
利用卷积核为p’×q’×r’的立方体对所述足底压力立体数据进行第一卷积从而提取x方向数据特征,得到亚采样的一级三维数据,其中,所述p’、q’、r’分别为p、q、r除以最大公约数而得到,接续125×50×100的三维矩阵的具体示例,p’、q’、r’的取值分别为5、2、4;
利用卷积核为p’×q’×r’的立方体对所述一级三维数据进行第二卷积从而提取y方向数据特征,得到亚采样的二级三维数据;
利用卷积核为p’×q’×r’的立方体对所述二级三维数据进行第三卷积从而提取z方向数据特征,得到亚采样的三级三维数据;
将所述三级三维数据进行最大池化以压缩成一维数据;
将所述一维数据经过密集连接层输出所述用户的Berg平衡量表数值。
采用此实现方式,体素回归网络可精确高效地对输入的足底压力立体数据进行动态步态特征提取,并精确高效地进行分类,输出可直接反映人体平衡能力的Berg平衡量表数值。
在本实施例的一些可选的实现方式中,所述用户的Berg平衡量表数值为所述用户的2进制的Berg平衡量表数值。
此实现方式可提升获取的用户的Berg平衡量表数值的准确性。在一个具体示例中,可将用户的Berg平衡量表数值设置为6位的2进制数值,其中,每一位2进制数值相当于密集连接层的一个输出维度。
在本实施例的一些可选的实现方式中,在将所述足底压力立体数据输入已训练的体素回归网络进行特征提取之前,该方法还包括:
根据多个标注了Berg平衡量表数值的样本用户的足底压力立体数据构建训练集和测试集;
根据所述训练集训练神经网络模型并根据所述测试集进行测试,得到所述已训练的体素回归网络。
此实现方式可保证训练得到的体素回归网络的有效性。
在本实施例的一些可选的实现方式中,根据所述训练集训练神经网络模型进一步包括:利用Adam算法求解神经网络模型参数。
此实现方式可进一步保证训练得到的体素回归网络的有效性。
在一个具体示例中,
训练数据是由标注了Berg平衡量表数值的1500名作为受试者的样本用户的足底压力立体数据构成的,其中,样本用户的Berg平衡量表数值是按照标准的Berg平衡量表表评估得到,样本用户的Berg平衡量表数值预先转换成2进制数值。
获得训练数据后,采用三维的体素回归网络搭建神经网络模型,并随机使用1000名样本用户的数据作为训练集,其余500名样本用户的数据作为测试集,根据训练集训练神经网络模型并根据测试集进行测试,得到体素回归网络。训练过程中,利用Adam算法对神经网络模型参数进行求解,训练迭代次数为500,迭代过程中进行参数以便实现性能。Adam算法(Adaptive Moment Estimation,自适应时刻估计方法)能够在训练网络的过程中,计算每个参数的自适应学***方梯度的指数衰减平均值,而且保持了先前梯度。
如图2所示,体素回归网络是一种具有立体卷积核的神经网络结构。其中的神经网络深度随着卷积层增加而缩小,呈现出逐渐收敛趋势。每一层卷积神经层中都利用卷积核卷积,在压缩信息过程中提取特征。本示例中,共设置了三层的卷积神经层,分别用于提取x方向、y方向和z方向的特征。本示例中,3D神经卷积核进行采样,其中,按照足底压力图像的通常尺寸及时序分辨率,将三层的卷积神经层卷积核分别设置成5×2×4的立方体。首先,利用第一卷积神经层的5×2×4立方体卷积核进行卷积获得x方向数据特征,找到相应的中心点并建立亚采样的一级三维数据;之后,利用第二卷积神经层的5×2×4立方体卷积核卷积获得y轴方向数据特征,找到相应的中心点并建立亚采样的二级三维数据;之后,利用第三卷积神经层的5×2×4立方体卷积核卷积获得z方向数据特征,找到相应的中心点并建立亚采样的三级三维数据;最后,利用最大池化层(Maxpooling)将三级三维数据压缩成一维数据,通过密集连接层(Dense Connection)输出用户的2进制的Berg平衡量表数值。
本发明的另一个实施例提供了一种人体平衡能力获取系统,包括:
计算机设备和分布在用户鞋底上的压力传感器阵列;
所述压力传感器阵列用于获取用户行走时足底二维压力分布时序数据并发送至所述计算机设备;
所述计算机设备包括处理器,所述处理器执行程序时实现上述实施例提供的人体平衡能力获取方法。
其中,计算机设备的处理器可描述为设置有多个模块,例如,处理器包括划分模块、转换模块和分类模块;
划分模块,用于根据用户行走时足底二维压力分布时序数据获取足底压力时间周期;
转换模块,用于将连续的至少一个时间周期的足底二维压力分布时序数据累加为三维压力数据,并对所述三维压力数据进行处理得到足底压力立体数据;
分类模块,用于将所述足底压力立体数据输入已训练的体素回归网络进行特征提取,得到所述体素回归网络输出的所述用户的Berg平衡量表数值。
需要说明的是,本实施例提供的人体平衡能力获取系统的原理及工作流程与上述人体平衡能力获取方法相似,相关之处可以参照上述说明,在此不再赘述。
如图3所示,适于用来实现本实施例提供的人体平衡能力获取系统中的计算机设备的计算机系统,包括中央处理模块(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本实施例,上文流程图描述的过程可以被实现为计算机软件程序。例如,本实施例包括一种计算机程序产品,其包括有形地包含在计算机可读介质上的计算机程序,上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和示意图,图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本实施例还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质,也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当上述一个或者多个程序被一个设备执行时,使得上述设备:根据用户行走时足底二维压力分布时序数据获取足底压力时间周期;将连续的至少一个时间周期的足底二维压力分布时序数据累加为三维压力数据;对所述三维压力数据进行处理得到足底压力立体数据;将所述足底压力立体数据输入已训练的体素回归网络进行特征提取,得到所述体素回归网络输出的所述用户的Berg平衡量表数值。
在本发明的描述中,需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于本领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。