阅读说明：本技术 基于置信度加权的膝关节运动疲劳评估预测系统及方法 (Knee joint movement fatigue evaluation prediction system and method based on confidence weighting ) 是由 邹腾跃 陈加伦 范克威 张伯琰 于 2019-10-29 设计创作，主要内容包括：本发明涉及一种基于置信度加权的膝关节运动疲劳评估预测方法,包括学习阶段和预测阶段,学习阶段包括：1)分别通过弯曲传感器、陀螺仪测量膝关节的弯曲度；通过足底压力传感器测得足底的压力负载；2)计算每个时刻的综合性负载累积值；3)以弯曲传感器和陀螺仪测得值的一致性定义置信度,计算并更新置信度值；4)当膝关节的最大弯曲度每减少一整数度时,计算当时的综合性负载累积值和标准化置信度值,并估算关节疲劳度；5)进行置信度加权的线性回归分析,得到综合性负载与膝关节疲劳度之间的回归关系；进入预测阶段,通过监测综合性负载累积值,对膝关节的疲劳度进行预测。该系统及方法有利于对膝关节的运动疲劳程度进行准确的评估及预测。(The invention relates to a knee joint movement fatigue evaluation prediction method based on confidence weighting, which comprises a learning stage and a prediction stage, wherein the learning stage comprises the following steps: 1) measuring the bending degree of the knee joint through a bending sensor and a gyroscope respectively; measuring the pressure load of the sole through a sole pressure sensor; 2) calculating a comprehensive load accumulated value at each moment; 3) defining confidence by the consistency of the measured values of the bending sensor and the gyroscope, and calculating and updating a confidence value; 4) when the maximum bending degree of the knee joint is reduced by an integer, calculating a current comprehensive load accumulated value and a standard confidence value, and estimating the joint fatigue degree; 5) performing confidence weighted linear regression analysis to obtain a regression relationship between the comprehensive load and the fatigue degree of the knee joint; and entering a prediction stage, and predicting the fatigue degree of the knee joint by monitoring the comprehensive load accumulated value. The system and the method are beneficial to accurately evaluating and predicting the sports fatigue degree of the knee joint.)

基于置信度加权的膝关节运动疲劳评估预测系统及方法

技术领域

本发明涉及涉及智能穿戴设备技术领域，具体涉及一种基于置信度加权的膝关节运动疲劳评估预测系统及方法。

背景技术

由于运动锻炼时常需要进行屈膝运动，例如跑步、羽毛球、足球等，而过量的重负载屈膝运动超过一定限度后将会损伤膝关节，因此发明一直膝关节运动疲劳评估设备及预测方法就显得十分必要。如果能在运动即将过量之时进行报警，敦促运动员或是运动爱好者及时降低运动负荷或停止运动，将达到保护膝关节的目的。

发明内容

本发明的目的在于提供一种基于置信度加权的膝关节运动疲劳评估预测系统及方法，该系统及方法有利于对膝关节的运动疲劳程度进行准确的评估及预测。

为实现上述目的，本发明采用的技术方案是：一种基于置信度加权的膝关节运动疲劳评估预测系统，包括：

弯曲传感器，设置于膝关节处，用于通过弯曲传感器的电阻变化测得膝关节的弯曲度；

第一陀螺仪和第二陀螺仪，分别设置于大腿和小腿处，用于通过两个陀螺仪之间的角度差测得膝关节的弯曲度；

足底压力传感器，设置于足底，用于测得足底的压力负载；以及评估预测系统，通过无线网络分别与弯曲传感器、第一陀螺仪、第二陀螺仪及足底压力传感器连接以接收各传感器测得的数据，用于进行置信度加权的线性回归分析，以得到综合性负载与膝关节疲劳度之间的回归关系，还用于在得到了综合性负载与膝关节疲劳度之间的回归关系后，通过监测综合性负载累积值，对膝关节的疲劳度进行预测。

进一步地，所述弯曲传感器包括分别设置于膝关节内外侧的第一弯曲传感器和第二弯曲传感器，以通过取平均值减少测得的膝关节弯曲度的误差。

本发明还提供了一种基于置信度加权的膝关节运动疲劳评估预测方法，包括学习阶段和预测阶段，所述学习阶段包括以下步骤：

步骤1)在膝关节处设置弯曲传感器，以通过弯曲传感器的电阻变化测得膝关节的弯曲度；在大腿和小腿处分别设置第一陀螺仪和第二陀螺仪，以通过两个陀螺仪之间的角度差测得膝关节的弯曲度；在足底处设置足底压力传感器，以测得足底的压力负载；

步骤2)计算每个时刻的综合性负载累积值a^t，即从运动开始时刻直到t时刻，由于人体运动带给膝关节的压力效应的累积值；

步骤3)以弯曲传感器和陀螺仪测得的弯曲度的一致性定义置信度，计算每个时刻的置信度值C^t _new，并对临近时刻的置信度值进行更新；

步骤4)通过弯曲传感器和陀螺仪测量得到膝关节的最大弯曲度角度值，当膝关节的最大弯曲度每减少一整数度时，计算当时对应的综合性负载累积值aⁱ和标准化置信度值Cⁱ _norm，并通过减少的角度估算关节疲劳度fⁱ，直至得到满足数量要求的n个点对(aⁱ,fⁱ)，i＝1,2,…,n，否则返回步骤2)进行循环计算；

步骤5)利用得到的点对(aⁱ,fⁱ)进行置信度加权的线性回归分析，得到综合性负载与膝关节疲劳度之间的回归关系；

使用者在学习阶段得到综合性负载与其膝关节疲劳度的个性化回归关系后，进入所述预测阶段，通过监测综合性负载累积值，对膝关节的疲劳度进行预测。

进一步地，在膝关节的内外侧分别设置第一弯曲传感器和第二弯曲传感器，通过取平均值减少测得的膝关节弯曲度的误差。

进一步地，步骤2)中，t时刻的综合性负载累积值a^t的计算方法为：

通过式(1)计算t时刻的综合性负载l^t：

其中，l^t表示t时刻的综合性负载；P表示足底压力传感器测得的足底压力；P_thr表示足底压力阈值；C_a是陀螺仪和弯曲传感器测得的弯曲度弧度值的平均值；C_thr是在平时行走情况下采样的弯曲角弧度阈值；β和γ是设定的调整因子；k是用于调整曲线形状的指数函数底数；BMI表示体重指数；δ是调整参数，是正常体重中BMI的最高值；Φ是设定的补充调整参数；b是另一个用于调整曲线形状的指数函数底数；Δt_g是上一次膝关节弯曲与当前膝关节弯曲之间的间隔时间，用于表征膝关节运动的频率；Δt_thr是在平时行走情况下采样的膝关节弯曲时间间隔阈值；ρ是设定的调整因子；h也是用于调整曲线形状的指数函数底数；ε、θ、ω是设定的调整因子；

得到t时刻的综合性负载l^t后，通过式(2)计算0-t时刻的综合性负载累积值a^t：

进一步地，步骤3)中，t时刻的置信度值C^t _new的计算方法为：

通过式(3)计算t时刻弯曲传感器和陀螺仪测得的弯曲角弧度值的差Δe：

Δe＝|C_g-C_t| (3)

其中，C_g、C_t分别表示陀螺仪和弯曲传感器测得的弯曲角弧度值；

获得了Δe后，通过式(4)和式(5)对t时刻及其临近时刻的置信度值进行计算：

C^t _new和C^t _pre分别为更新后和更新前的置信度值，置信度初值设为1；g(x)是置信度传播机制的调整函数，其返回值反映传感器误差的影响，是用于调整曲线g(x)形状的系数，增大

值将增加置信度值对传感器误差的灵敏度；σ是用于调整速度的加权系数，η是设定的调节常数；

进一步可通过式(7)计算t时刻的标准化置信度值Cⁱ _norm：

进一步地，步骤5)中，由式(8)和式(9)计算置信度加权的线性回归分析：

其中，

表示回归系数；A表示由每个点处的综合负荷累积值aⁱ组成的向量；F表示由膝关节疲劳度fⁱ组成的向量；C表示权重对角矩阵，其以标准置信度值作为其元素。

进一步地，步骤6)中，通过式(10)预测膝关节的疲劳度：

其中，f^end表示设定的疲劳度，

是回归系数，a^now是当前综合负载累积值，l^now表示当前的综合负载；预测时间t用于警告用户在当前锻炼负载下还剩多少时间会导致膝盖极限疲劳，从而使用户降低负载强度或减少运动时间，以保障膝关节健康。

相较于现有技术，本发明具有以下有益效果：提供了一种基于置信度加权的膝关节运动疲劳评估预测系统及方法，该系统及方法设置弯曲传感器和陀螺仪分别测量膝关节的弯曲度，并通过两种传感器测得值的一致性来定义置信度，然后进行置信度加权的线性回归分析，得到综合性负载与膝关节疲劳度之间的回归关系，在此基础上，即可通过监测综合性负载累积值，对膝关节的疲劳度进行预测，从而实现了对膝关节运动疲劳度的准确评估及预测，能在运动即将过量之时进行报警，达到保护膝关节的目的，因此，具有很强的实用性和广阔的应用前景。

附图说明

图1是本发明实施例的方法中学习阶段的实现流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步说明。

本发明提供了一种基于置信度加权的膝关节运动疲劳评估预测系统，包括：

第一弯曲传感器和第二弯曲传感器，分别设置于膝关节内外侧，用于通过弯曲传感器的电阻变化测得膝关节的弯曲度；设置两个弯曲传感器，是为了取平均值减少测得的膝关节弯曲度的误差；

第一陀螺仪和第二陀螺仪，分别设置于大腿和小腿处，用于通过两个陀螺仪之间的角度差测得膝关节的弯曲度；

足底压力传感器，设置于足底，用于测得足底的压力负载；以及

评估预测系统，通过无线网络分别与弯曲传感器、第一陀螺仪、第二陀螺仪及足底压力传感器连接以接收各传感器测得的数据，用于进行置信度加权的线性回归分析，以得到综合性负载与膝关节疲劳度之间的回归关系，还用于在得到了综合性负载与膝关节疲劳度之间的回归关系后，通过监测综合性负载累积值，对膝关节的疲劳度进行预测。

本发明还提供了基于上述系统的一种基于置信度加权的膝关节运动疲劳评估预测方法，包括学习阶段和预测阶段，如图1所示，所述学习阶段包括以下步骤：

步骤1)在膝关节的内外侧处分别设置第一弯曲传感器和第二弯曲传感器，膝关节的弯曲会改变弯曲传感器的电阻，以通过弯曲传感器的电阻变化测得膝关节的弯曲度，通过取平均值减少测得的膝关节弯曲度的误差；在大腿和小腿处分别设置第一陀螺仪和第二陀螺仪，以通过两个陀螺仪之间的角度差测得膝关节的弯曲度；在足底处设置足底压力传感器，以测得足底的压力负载。

步骤2)计算每个时刻的综合性负载累积值a^t，即从运动开始时刻直到t时刻，由于人体运动带给膝关节的压力效应的累积值，其与膝关节的疲劳程度直接相关，可用于判断及预测膝关节的疲劳程度。其中，t时刻的综合性负载累积值a^t的计算方法为：

通过式(1)计算t时刻的综合性负载l^t：

其中，l^t表示t时刻的综合性负载；P表示足底压力传感器测得的足底压力；P_thr表示足底压力阈值，其值是在用户每日步行期间采样得到的常规压力值；C_a是陀螺仪和弯曲传感器测得的弯曲度弧度值的平均值；C_thr是在平时行走情况下采样的弯曲角弧度阈值；β和γ是设定的调整因子；k是用于调整曲线形状的指数函数底数；BMI表示体重指数，是目前世界上最常用的测量体重与身高之比的工具，它使用身高和体重之间的比率来衡量一个人是太瘦还是太胖；δ是调整参数，是正常体重中BMI的最高值，世界上通常为25，中国地区为24；Φ是设定的补充调整参数；b是另一个用于调整曲线形状的指数函数底数；Δt_g是上一次膝关节弯曲与当前膝关节弯曲之间的间隔时间，用于表征膝关节运动的频率；Δt_thr是在平时行走情况下采样的膝关节弯曲时间间隔阈值；ρ是设定的调整因子；h也是用于调整曲线形状的指数函数底数；ε、θ、ω是设定的调整因子；

得到t时刻的综合性负载l^t后，通过式(2)计算0-t时刻的综合性负载累积值a^t：

步骤3)以弯曲传感器和陀螺仪测得的弯曲度的一致性定义置信度，计算每个时刻的置信度值C^t _new，并对临近时刻的置信度值进行更新。其中，t时刻的置信度值C^t _new的计算方法为：

通过式(3)计算t时刻弯曲传感器和陀螺仪测得的弯曲角弧度值的差Δe：

Δe＝|C_g-C_t| (3)

其中，C_g、C_t分别表示陀螺仪和弯曲传感器测得的弯曲角弧度值；

获得了Δe后，通过式(4)和式(5)对t时刻及其临近时刻的置信度值进行计算：

C^t _new和C^t _pre分别为更新后和更新前的置信度值，置信度初值设为1，有误差就被减，误差越大，周围点误差越大，就减得越多，最后剩的值越小，说明越不可靠；g(x)是置信度传播机制的调整函数，其返回值反映传感器误差的影响，是用于调整曲线g(x)形状的系数，增大

值将增加置信度值对传感器误差的灵敏度；σ是用于调整速度的加权系数，η是设定的调节常数；

进一步可通过式(7)计算t时刻的标准化置信度值Cⁱ _norm：

步骤4)通过弯曲传感器和陀螺仪测量得到膝关节的最大弯曲度角度值，这里取两种传感器测量所得值的平均值，当膝关节的最大弯曲度每减少一整数度时，计算当时对应的综合性负载累积值aⁱ和标准化置信度值Cⁱ _norm，并通过减少的角度估算关节疲劳度fⁱ，直至得到满足数量要求的n个点对(aⁱ,fⁱ)，i＝1,2,…,n，否则返回步骤2)进行循环计算。

步骤5)利用得到的点对(aⁱ,fⁱ)进行置信度加权的线性回归分析，得到综合性负载与膝关节疲劳度之间的回归关系。其中，由式(8)和式(9)计算置信度加权的线性回归分析：

其中，表示回归系数；A表示由每个点处的综合负荷累积值aⁱ组成的向量；F表示由膝关节疲劳度fⁱ组成的向量；C表示权重对角矩阵，其以标准置信度值作为其元素。

使用者在学习阶段得到综合性负载与其膝关节疲劳度的个性化回归关系后，进入所述预测阶段，通过监测综合性负载累积值，对膝关节的疲劳度进行预测。

其中，通过式(10)预测膝关节的疲劳度：

其中，f^end表示设定的疲劳度，是回归系数，a^now是当前综合负载累积值，l^now表示当前的综合负载；预测时间t用于警告用户在当前锻炼负载下还剩多少时间会导致膝盖极限疲劳，从而使用户降低负载强度或减少运动时间，以保障膝关节健康。

下面进一步说明本发明的发明思路和技术方案。

本发明的膝关节疲劳度评估及预测基于综合性负载l来实现，综合性负载l反映了人体自身重量、膝关节运动频率及足底压力对膝关节疲劳度进展的影响。时刻t时的综合性负载l^t的计算如式(1)所示：

其中l^t表示时刻t时的综合负荷；P表示足底压力传感器获得的足底压力；P_thr表示足底压力设置阈值，其值是在用户每日步行期间采样得到的常规压力值；C_a是陀螺仪和弯曲传感器获得的弯曲度弧度值的平均值；C_thr是在平时行走情况下采样的弯曲角弧度阈值；β和γ是由用户设定的调整因子；k是用于调整曲线形状的指数函数底数；BMI代表体重指数，它是目前世界上最常用的测量体重与身高之比的工具，它使用身高和体重之间的比率来衡量一个人是太瘦还是太胖；δ是一个调整参数，是正常体重中BMI的最高值，世界上通常为25，中国地区为24；Φ是用户设定的补充调整参数；b是另一个用于调整曲线形状的指数函数底数；Δt_g是上一次膝关节弯曲与当前膝关节弯曲之间的间隔时间，用于表征膝关节运动的频率；Δt_thr是在平时行走情况下采样的膝关节弯曲时间间隔阈值；ρ是用户设定的调整因子；h也是用于调整曲线形状的指数函数底数；ε，θ，ω是由用户设定的调整因子。

在定义了t时刻的综合性负载l^t后，通过式(2)可以得到0-t时刻的综合性负载累积值a^t。综合性负载累积值a^t表示了从运动开始时刻直到时刻t，由于人体运动带给膝关节的压力效应的累积值，其与膝关节的疲劳程度直接相关，可用于判断及预测膝关节的疲劳程度。

由于本发明硬件设备配置了陀螺仪及弯曲传感器两种可以获得膝关节弯曲角度的传感器，所以该两种传感器的值可以用于相互校验。由于运动中的抖动及其他效应，单一一种传感器的实时值可能有一定误差，导致综合性负载累计值a^t产生偏差，从而影响关节疲劳度的判断和估计。因此本发明提出用两种传感器检测值的一致性来定义置信度，并使置信度高的时刻在进行线性规划寻找规律时的参与度高于置信度低的时刻，从而削弱噪声及测量误差对最终结果的影响。式(3)可计算出t时刻两种不同传感器测量得到弧度值的差Δe，其中C_g及C_t分别表示由陀螺仪和弯曲传感器测得的弯曲角弧度值。

Δe＝|C_g-C_t| (3)

获得了Δe后，本发明通过式(4)与式(5)对t时刻及其临近时刻的置信度值进行更新。C^t _new及C^t _pre分别为更新前和更新后的置信度值，由于抖动在时域上具有连续性，且剧烈的程度随距离抖动中心的远离而逐步衰减，因此式(5)采用1/2的次方数来体现逐渐削减的效果。g(x)是置信度传播机制的调整函数，其返回值决定了传感器误差的影响，而

用于调整曲线g(x)的形状。较大的

值会增加置信度值对传感器误差的灵敏度。由于强烈运动引起的传感误差是连续的，如果时间t的传感误差超过阈值e_thr，不仅t时刻的置信度值需减小，而且相邻时间片的置信度值也应减小以反映这种影响。此外，随着离t时刻距离的增加，减小的幅度逐渐减小。σ是用于调整速度的加权系数，η是由设计者决定的调节常数。式(6)给出了t-2时刻的置信度更新公式示例。由于距时间片t的距离为2，因此削减幅度为1/2²。

在置信度值更新后，通过式(7)可取得t时刻的标准化置信度值C^t _norm，其值小于等于1且囊括了时刻0-t的全部置信度情况。

在获得了综合性负载累积值a^t后，可以通过分析其与膝关节疲劳度之间的关系，来判断当前的膝关节疲劳度值f^t以及预测膝关节将来还能承受多长时间此等负载。为了获得综合性负载累积值a^t与膝关节疲劳度f^t直接的关系，本发明将其假设为大致线性关系，于是需要通过线性回归分析来获得两者间的关系。于是该关系分析问题就变成了一种有监督的模式识别问题，可通过线性规划来解决，由于上述提到的传感器感应误差的问题，可将上述设置的标准化置信度值C^t _norm纳入分析，从而形成置信度加权的线性回归分析。由本领域相关研究得知，膝关节疲劳会使其最大弯曲度降低，因此通过检测最大弯曲度可以初步判断当前的膝关节疲劳度f^t，但却无法做出预测。从膝关节初始阶段到最疲劳阶段，最大弯曲角度减少约有10度，故以每减少1度作为节点，分别采样当时的综合性负载累积值aⁱ及标准置信度累计值Cⁱ _norm，并通过角度减少估测疲劳度fⁱ(其中i为序号)，就可以形成点对(aⁱ,fⁱ)以进行置信度加权的线性回归分析，得到综合性负载与膝关节疲劳度之间的关系，从而实现对未来的预测。整个分析学习流程如图1所示，置信度加权的线性回归分析由式(8)及式(9)计算所得。其中代表回归系数；A表示由每个关键点处的综合负荷累积值aⁱ组成的向量；F是由膝关节疲劳度fⁱ组成的向量；C是如式(9)所示的权重对角矩阵，其以标准置信度值作为其元素。

在获得了回归系数后，就可以在日常的运动中，通过监测综合性负载累积值a^t来对膝关节的疲劳程度进行预测，从而提醒用户及时休息。预测公式如式(10)所示，其中f^end表示用户设定的疲劳度，是回归系数，a^now是当前综合负载累积值，l^now表示当前的综合负载。预测时间t可用于警告用户在当前锻炼负载下还剩多少时间会导致膝盖极限疲劳，从而使用户降低负载强度或是减少运动时间以保障膝关节健康。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。