一种足内翻角度检测建模方法及系统
阅读说明：本技术 一种足内翻角度检测建模方法及系统 (Foot varus angle detection modeling method and system ) 是由 谢龙汉 农金进 冼晓明 于 2021-08-26 设计创作，主要内容包括：本发明公开了一种足内翻角度检测建模方法及系统,制作可穿戴式足底压力检测系统；采集足底压力数据并进行数据预处理；把受力本体分成不同区域,并根据区域划分和压力传感器压力值计算患者的步态特征；获取足内翻角度标签；基于步态特征和足内翻角度标签通过机器学习回归算法构建足内翻角度检测模型。本发明技术设计简单,易于实现,功耗小,可穿戴设备具有便捷性,回归模型能够为医生自动地提供有效的、定量的足内翻程度评估,具有潜在的临床应用价值。(The invention discloses a foot varus angle detection modeling method and system, which is used for manufacturing a wearable plantar pressure detection system; collecting plantar pressure data and performing data preprocessing; dividing the stress body into different areas, and calculating the gait characteristics of the patient according to the area division and the pressure value of the pressure sensor; acquiring a foot varus angle label; and constructing a foot varus angle detection model through a machine learning regression algorithm based on the gait characteristics and the foot varus angle labels. The technical design of the invention is simple, the implementation is easy, the power consumption is low, the wearable device has convenience, the regression model can automatically provide effective and quantitative foot varus degree evaluation for doctors, and the method has potential clinical application value.)
技术领域
本发明属于生物力学、传感测量及计算机应用技术领域，尤其涉及一种足内翻角度检测建模方法及系统。
背景技术
典型的足内翻检测方法大部分都是应用传统的临床步态分析方法，还有现在出现的步态视频分析和足底压力分析这两种诊断方法。传统临床分析需要依赖专业康复医生的临床经验，极具主观性，其专业医生的庞大需求量也是个巨大挑战，患者的主观感受也影响评估效果；视频分析需要复杂的操作，且一般设备都比较昂贵，难以普及；现有的足底压力的应用得到的结果都比较简单模糊，一般只是用来识别是否存在足内翻，而不能获取明确而细微的足内翻角度变化。综上可知现有的足内翻检测方法不能满足临床应用的要求，因此研究出一套便捷、定量的自动的脑卒中足内翻角度评估系统有很大的现实意义。
发明内容
本发明的目的是为了解决现有的足内翻程度评估问题，因此提出一种足内翻角度检测建模方法及系统，将足底压力信号和机器学习回归算法结合起来，充分发挥其优势并获得准确的足内翻角度检测回归模型结构，方便对足内翻患者进行程度评估。
为解决上述技术问题，本发明提供了一种足内翻角度检测建模方法，包括如下步骤：
在足底主要受力位置放置多个压力传感器，制作可穿戴式足底压力系统；
采集足底压力数据并进行数据预处理；
把布置压力传感器的受力本体分成不同的区域，并根据划分的区域和压力传感器压力值提取患者的步态特征；
获取足内翻角度标签；
将步态特征作为模型的输入参数，将足内翻角度标签作为模型的输出，通过机器学习回归算法构建并训练足内翻角度检测模型，得到最终用于检测足内翻程度的足内翻角度检测模型。
进一步地，所述采集足底压力数据并进行数据预处理，包括：通过单片机采集足底压力数据；对采集到的足底压力数据进行滤波降噪处理；对经滤波降噪处理后的足底压力数据进行加窗处理获取多组样本数据。
进一步地，划分的区域包括：足底内侧区、足底外侧区、前足区、中足区、后足区、全足区。
进一步地，所述步态特征包括：4个区域最大压力，左右压力比值，站立期，加载响应阶段，横/纵向位移，横/纵向位移偏差。
进一步地，所述4个区域最大压力为前足、中足、后足三个区域和全足区对应所有压力传感器最大受力之和与体重的比值；所述左右压力比值为全足区所有压力传感器的压力值之和最大时的内外侧区域对应的所有压力传感器压力之和的比值；所述站立期为患侧足底接触地面阶段占整个步态周期的时间比例；所述加载响应阶段为健侧脚跟着地到患侧脚尖离地的加载响应时间长度比上步态周期的值；所述横/纵向位移为患侧压力中心位置左右/前后最大位移；所述横/纵向位移偏差为一个样本中所有的步态周期左右/前后最大位移求平均后的偏差值。
进一步地，所述区域划分包括：足底内侧区、足底外侧区、前足区、中足区、后足区、全足区。
进一步地，所述步态周期为任意一个压力传感器受力由无变有时刻距离下一次的由无变有时刻的时间长度，这里应用脚跟最后一个压力传感器来计算，表示以脚后跟着地到同一侧脚后跟着地的时间段作为一个步态周期；所述患侧足底接触地面阶段为全足区所有压力传感器受压力之和不为0的阶段；所述脚跟着地为最后面压力传感器受力由无变得有的时刻；所述脚尖离地为最前面压力传感器受力由有变无的时刻；所述压力中心位置是根据力矩平衡公式所求得，分别计算所有压力传感器横纵坐标的值与其所受压力的乘积的和比上所有压力传感器受力总和的值而得到压力中心的横纵坐标位置。
进一步地，所述获取足内翻角度标签为获取能够表达足内翻程度的数据，包括测量站位态足内翻角度、踝关节足内翻方向主动关节活动度。
进一步地，所述通过机器学习回归算法构建足内翻角度检测模型，包括：将步态特征作为模型输入参数和足内翻角度标签作为模型输出结果，运用交叉验证来训练机器学习回归模型；利用回归评价指标对模型的准确性和有效性进行检验。
进一步地，所述机器学习回归算法包括：高斯过程回归、支持向量机回归、逐步线性回归等算法。所述评价指标为均方根误差(RMSE)及决定系数(R2)。
进一步地，所述可穿戴式为鞋垫式、鞋底式、袜子式。
进一步地，所述足底主要受力位置为足底跖骨区、脚跟还有中足位置。
进一步地，所述压力传感器为压阻式压力传感器。
进一步地，本发明还提供足底压力信号和机器学习回归算法的足内翻角度检测建模系统，包括：
数据获取模块，用于采集足底压力数据；
步态特征提取模块，用于对采集到的足底压力数据进行相关的步态特征提取，作为模型的输入参数；
足内翻角度标签获取模块，用于获取足内翻角度标签，用作模型的输出参数；
足内翻角度检测模型建立模块，用于对基于步态特征和角度标签的机器学习算法回归模型的建立优化，该模型的建立是用作足内翻角度的检测；
模型检验模块，用于对所建模型的准确性和有效性的检验。
本发明还提供一种基于足底压力的足内翻角度检测系统，包括：受力本体，用于压力传感器的布置；
测试电路，用于足底压力信号的采集；
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现前述足内翻角度检测建模方法的步骤。
与现有技术相比，本发明能够实现的有益效果至少如下：
(1)本发明将足底压力信号和机器学习回归算法结合起来，充分发挥优势并获得较为精准的足内翻角度检测模型，方便对足内翻程度进行客观、量化、细化评估，为未来研发更加全面智能的矫形设备提供思路。
(2)本发明技术设计简单，易于实现，功耗小，可穿戴设备具有便捷性，回归模型能够为医生自动地提供有效的、定量的足内翻程度评估，具有潜在的临床应用价值。
附图说明
图1为本发明实施例中一种基于足底压力与机器学习算法用于足内翻检测模型构建的流程示意图。
图2为本发明实施例中一种基于足底压力足内翻角度检测方法的压力传感器分布示意图。
图3为本发明实施例中一种基于足底压力足内翻角度检测方法的受力本体区域划分示意图。
图4为本发明实施例中足底压力和机器学习回归算法的足内翻角度检测建模系统结构示意图。
图5为本发明实施例中提供的一种基于足底压力步态监测系统结构示意图。
图6为本发明实施例中建立的三种机器学习回归模型检测足内翻角度的效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供的一种足底压力和机器学习回归算法的足内翻角度检测建模方法，包括如下步骤：
步骤101：在足底主要受力位置放置多个压力传感器，制作可穿戴式足底压力系统。
具体的，在本发明其中一个实施例中，如图2所示，足底主要受力位置包括足底跖骨区、脚跟和中足位置，在足底跖骨区、脚跟和中足位置分布有多个压力传感器201。图2中的1-8分别指的是1-8号压力传感器，位置的布置是定性描述，保证分布在主要受力位置即可。
优选的，在本发明其中一个实施例中，所述压力传感器201为压阻式压力传感器。
优选的，在本发明其中一个实施例中，所述可穿戴式为鞋垫式、鞋底式、和袜子式中的任一种，但不限于上述可穿戴部件。
步骤102：采集足底压力数据并进行数据预处理，以获取有效数据且提高样本数量。
具体的，在本发明其中一个实施例中，所述采集足底压力数据并进行数据预处理，包括：单片机AD采集足底压力数据；对采集到的原始足底压力数据进行滤波降噪处理，本实施例通过二阶巴特沃斯低通滤波器滤波，75％重复率的加窗处理获取多组样本数据，重复率可自行调节。
步骤103：把布置压力传感器的受力位置分成不同的区域，并根据划分的区域和压力传感器的压力值提取患者的步态特征。
具体的，如图3所示，所述区域包括：内侧区301、外侧区302、前足区303、中足区304、后足区305和全足区。
优选的，在本发明其中一个实施例中，所述步态特征包括：4个区域最大压力，左右压力比值，站立期，加载响应阶段，横/纵向位移，横/纵向位移偏差。其中，4个区域是指前足区、中足区、后足区和全足区。本实施例使用的步态特征里面采用前足区303、中足区304、后足区305和全足区这四个区域的最大力作为特征，使用内侧区301、外侧区302的左右侧压力的比值作为特征，能很好反映足内翻的特征。
具体的，在本发明其中一个实施例中，所述4个区域最大压力的提取方式为：
每个区域都设置有多个压力传感器，前足区303、中足区304、后足区305三个区域和全足区中对应所有压力传感器最大受力之和与体重的比值。
具体的，在本发明其中一个实施例中，所述左右压力比值的提取方式为：
位于全足区的所有压力传感器的压力之和最大时，计算内侧区301和外侧区302对应的所有压力传感器的压力和的比值。
具体的，在本发明其中一个实施例中，所述站立期的提取方式为：
患侧接触地面阶段占整个步态周期的时间比例，所述步态周期为任意一个压力传感器受力由无变有时刻距离下一次的由无变有时刻的时间长度，这里应用脚跟最后一个8号压力传感器来计算，作为脚后跟着地(患侧8号压力传感器受压由无变有时刻)到同一侧脚后跟着地(患侧8号压力传感器受压下一次由无变有时刻)的时间段作为一个步态周期；所述患侧接触地面阶段为患侧脚后跟着地(患侧8号压力传感器受压由无变有时刻)到脚尖离地(患侧1号压力传感器受力由有变无的时刻)时间阶段。
具体的，在本发明其中一个实施例中，所述加载响应阶段的提取方式为：
健侧脚跟着地到患侧脚尖离地的加载响应时间长度和周期的比值。健侧脚跟着地为最后面压力传感器(健侧8号压力传感器)受力由无变有的时刻，所述患侧脚尖离地为最前面压力传感器(患侧1号压力传感器)受力由有变无的时刻。
具体的，在本发明其中一个实施例中，所述横/纵向位移的提取方式为：
患侧压力中心位置左右最大位移ΔX和前后最大位移ΔY，所述患侧压力中心位置(X，Y)是根据力矩平衡公式所得，所有压力传感器(n个)横纵坐标的值(xi，yi)与其所受压力fi的乘积的和比上所有压力传感器受力总和的值而得到压力中心的横纵坐标位置(X，Y)，单个压力鞋垫每个时间序列对应唯一一个压力中心位置。如公式(1)、(2)所示：
横向位移ΔX等于压力中心最大横坐标X1减去最小横坐标X2的值，所以公式为：
ΔX＝X1-X2 (3)
纵向位移ΔY等于中心压力纵坐标最大值Y1减去最小值Y2，公式为：
ΔY＝Y1-Y2 (4)
具体的，在本发明其中一个实施例中，所述横/纵向位移偏差的提取方式为：
该样本中所有步态周期左右/前后位移求平均后的横向偏差值std1和纵向偏差值std2。除了位移偏差，上述最后提取的步态特征值都是由同一个样本中所有步态周期中获取的特征值求平均所得。还有，以上所有特征没有标明是使用患侧健侧的数据的都是默认患侧的数据。
步骤104：获取足内翻角度标签。
具体的，在本发明其中一个实施例中，量取患者站位态踝关节内翻的角度作为该患者足内翻角度标签，实际上不限于此，还可以根据踝关节在足内翻的主动自由活动度等能表示足内翻定量严重程度的数值来用作足内翻角度标签。
步骤105：将步态特征作为模型的输入参数，将足内翻角度标签作为模型的输出，通过机器学习回归算法构建足内翻角度检测模型，并通过回归模型评估指标进行模型性能的验证。通过足内翻角度检测模型即可对足内翻程度进行检测。
具体的，所述机器学习回归算法采用高斯过程回归、支持向量机回归和逐步线性回归算法中任一种算法，但不限于上述种类机器学习回归算法。
具体的，所述通过机器学习回归算法构建足内翻角度检测模型，包括：将步态特征作为模型输入参数和足内翻角度标签作为模型输出参数，运用五折交叉验证来训练机器学习回归模型(即足内翻角度检测模型)；所述评估指标包括均方根误差(RMSE)及决定系数(R2)，但不仅限于上述评价指标，来验证足内翻角度检测模型的性能。
在本发明其中一个实施例中，包括：
请参阅图4，在本发明其中一个实施例中，还提供了基于足底压力和机器学习算法的足内翻角度检测建模系统，包括：
数据获取模块401，用于采集获取足底压力数据；
步态特征提取模块402，用于对采集到的足底压力数据进行相关的步态特征提取，作为模型的输入参数；
足内翻角度标签获取模块403，用于获取足内翻角度标签数据，用作模型的输出参数；
足内翻角度检测模型建立模块405，用于对基于步态特征和足内翻角度标签的机器学习回归模型(即足内翻角度检测模型)的建立及优化，该模型的建立是用作足内翻角度的检测；
模型检验模块406，用于对所建模型的准确性和有效性的检验。
在本发明其中一个实施例中，还包括：数据导入模块404，用于将所述患者的步态特征和足内翻角度标签导入到模型中训练。
本发明还提供一种可穿戴式的基于足底压力的足内翻角度检测系统，如图5所示，包括：受力本体501，用于压力传感器的布置；测试电路502，用于足底压力信号的采集；存储器503，用于存储计算机程序；处理器504，用于执行所述计算机程序时实现上述任一所述的足底压力信息和机器学习回归算法的足内翻角度检测模型方法的步骤。
在本发明其中一个实施例中，应用了高斯过程回归(GPR)、逐步线性回归(SLR)和支持向量机回归(SVR)这三种机器学习回归算法进行足内翻角度建模，其模型回归效果也就是其对应所述评价指标均方根误差(RMSE)及决定系数(R2)如图6所示。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的足底压力自动建模系统和传感式设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种医疗数据的处理方法及装置