具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种假肢接受腔体的舒适度评估方法，如图1所示，该方法包括：

步骤S102，采集假肢穿戴者的历史运动状态数据，对所采集到的历史运动状态数据进行数据预处理以建立数据集。

在一个示例性实施例中，通过设置在所述假肢接受腔体上的惯性感知单元来采集所述假肢穿戴者的行走、上楼、下楼、坐和站立的姿态数据；通过设置在所述假肢接受腔体的足底上的足底压力传感器采集所述假肢穿戴者的行走过程中的步态数据，其中，所述步态数据包括腿部支撑相和摆动相两个阶段的数据，所述支撑相是开始于所述假肢穿戴者的脚跟着地结束于脚尖离地的步行阶段，所述摆动相是始于所述脚尖离地结束于所述脚跟着地的步行阶段；通过设置在所述假肢接受腔体内的腔体压力传感器采集所述假肢接受腔体内壁各方为的压力数据；其中，所述历史运动状态数据包括所述姿态数据、所述步态数据和所述压力数据。

在一个示例性实施例中，采用滑窗折叠的方法对所采集到的历史运动状态数据进行分割，通过设定窗口长度和滑动窗口中的步长，在所采集到的历史运动状态数据上进行移动并提取数据片段；通过滑窗迭代对所提取的数据片段进行转化，以获得保留了时间信息的数据集，其中，所述数据集中保留了每个数据与周围几个相邻数据之间的关系。

步骤S104，设定CNN网络的网络参数，基于所述数据集进行卷积计算和池化计算，生成CNN网络模型。

在一个示例性实施例中，选取卷积核，将卷积矩阵扩展成预设维度的待卷积矩阵，其中，扩展部分使用0作为填充数，然后通过卷积核对所述待卷积矩阵从左到右，从上到下进行卷积计算，得到卷积输出矩阵；池化层对所述卷积输出矩阵进行池化计算，以对所述卷积输出矩阵进行降维筛选。

步骤S106，将所述数据集中的一部分作为训练集，另一部分作为测试集，利用所述训练集对所述CNN网络模型进行样本训练，并利用所述测试集对所述CNN网络模型进行测试。

步骤S108，基于训练和测试后的所述CNN网络模型来评估被穿戴的假肢接受腔体的舒适度。

在一个示例性实施例中，实时获取假肢穿戴者的力学信息；将所述力学信息输入训练和测试后的所述CNN网络模型，来评估被假肢穿戴者穿戴的假肢接受腔体的舒适度。

本申请利用深度神经网络实时对假肢穿戴者的运动步态进行识别，结合假肢接受腔体、足底压力辨识技术及患者穿戴反馈，智能评估患者舒适度情况。对于假肢改进其各部分协调性、舒适度，提供了数据支持。

实施例2

根据本发明实施例，提供了另一种假肢接受腔体的舒适度评估方法。如图2所示，该方法包括以下步骤：

步骤S201，采集数据。

对大量假肢穿戴者分别进行不同运动状态下的测试。

通过设置在假肢接受腔体上的惯性感知单元采集假肢穿戴者行走、上楼、下楼、坐和站立的姿态数据。

通过设置在假肢接受腔体的足底位置的足底压力传感器采集行走过程中的步态数据，其中步态由腿部支撑相和摆动相两个阶段组成。如图3所示，支撑相是开始于脚跟着地结束于脚尖离地的步行阶段，在此阶段中支撑腿和地面保持接触，支撑人的身体重心向前移动。摆动相是始于脚尖离地结束于脚跟着地的步行阶段，在此阶段中脚的位置逐步抬高并且逐步向重心之前移动，为下一次支撑相的开始做好准备。支撑相还可以根据下肢与地面的接触情况，进一步划分为脚跟支撑、脚跟脚掌同时支撑和脚掌支撑三个阶段。

通过假肢接受腔内的腔体压力传感器采集患者在运动过程中对假肢接受腔内壁各方位的压力数据。在该过程中通过改变腔体压力传感器在假肢接受腔内的覆盖范围去采集不同情况下的异常压力数据。

图4示出了根据本申请一个实施例的数据采集的分布图。如图4所示，在本实施例中，采集了行走状态的424400条数据，上楼状态的122869条数据，下楼状态的100427条数据，坐下状态的59939条数据，站立状态的48395条数据。

对采集到的这些数据，例如姿态数据、步态数据和压力数据进行数据预处理及特征值选择等操作，建立数据集。

步骤S202，数据预处理。

采用滑窗折叠的方法对数据库里的数据进行分割，通过设定窗口长度和滑动窗口中的步长，在数据上进行移动提取数据片段，为了保持活动中数据点之间的时间关系，每个窗口之间有50％重叠率。给数据打上标签之后，将数据的70％作为训练集，30％作为测试集。

假设存在长度为n的数据集T，滑窗中的窗口长度为l，滑动窗口中的步长为s。其中滑窗折叠过程如下：

T＝(x₁,x₂,...,x_n-1,x_n)

其中，T表示所述数据集，n表示所述数据集的长度，I表示滑动窗口中的窗口长度，s表示滑动窗口中的步长，x表示所述数据片段，T′表示被分割后的所述数据集形成的矩阵，其中每个滑动窗口之间有50％重叠率。

通过滑窗迭代获得转化后的T'，矩阵中保留了x数据与周围几个相邻数据之间的关系。通过滑窗折叠方法可以处理三轴传感器数据，通过滑窗折叠方法以时间窗为单位进行时间序列上的滑窗，最终获得一个保留了时间信息的数据域。三轴传感器中的x、y、z轴按照时间滑窗折叠法转化数据格式，其表示形式如下：

其中，X，Y，Z分别表示x轴对应的矩阵，y轴对应的矩阵，z轴对应的矩阵，x,y,z分别表示三轴传感器中的x轴，y轴，z轴上的数据点，n表示数据总量,l表示步长。

通过上述方法处理后的数据保证了在某个时间点的数据如同像素点数据，与周围数据具有密切的联系。

步骤S203，设定CNN网络的网络参数。

设定CNN网络的训练层数与训练参数，两层卷积层与池化层，确定卷积核大小、卷积移动步长与卷积核个数。

步骤S204，卷积和池化过程。

通过选取卷积核，与训练集中同样大小的矩阵做卷积运算，获得卷积后的数据矩阵。池化层对卷积层输出做降维。

假设A为需要进行卷积的矩阵，K为卷积操作中的卷积核，B为最终的卷积结果矩阵。则A矩阵的卷积公式如下：

其中，A为所述待卷积矩阵，K为卷积操作中的所述卷积核，B为卷积输出矩阵,i为所述卷积输出矩阵B的行编号，j为所述卷积输出矩阵B的列编号，m为所述卷积核的矩阵的行编号，n为所述卷积核的矩阵的列编号。

首先将卷积矩阵A扩展成一个(m+n)*(m+n)的待卷积矩阵，扩展部分使用0作为填充数，然后通过卷积核K对A矩阵从左到右，从上到下进行卷积计算，最终得到卷积输出矩阵B。

池化层主要对卷积层输出值进行降维筛选，池化方法包括平均池化、中值池化，本实施例中池化过程采用最大池化策略。基于CNN网络的运动状态模型采用了2*2的池化核，假设步长为l，池化核中的宽和高分别采用p_w和p_h表示。则最大池化过程中的运算公式为：

其中，x_il，jl、x_il，jl+1、x_il-1，jl、x_il+1jl+1 和分别为所述卷积输出矩阵中的角标不同的元素，y_i，j为池化后的矩阵，i为所述卷积输出矩阵的行编号，j为所述卷积输出矩阵的列编号，p_w和p_h分别表示池化核中的宽和高，l为步长，il表示i*l,jl表示j*l。

经过池化后数据降维会将原有样本数据大小减半，有助于减少训练参数，提高算法模型的运行速度。

步骤S205，样本训练。

将样本数据进行卷积操作，按照上一步中的卷积参数进行计算，为保证输入与输出尺寸相同，引入填充(padding)过程，采用增加0进行数据扩充。池化层降维处理，缩短模型训练时间，2*2池化核使得卷积得出的矩阵规模转变为原来的一半。经过几次的卷积和池化过程后，将会形成一个深度神经网络结构。

步骤S206，舒适度结果评估。

实时采集假肢穿戴者力学信息输入训练和测试后的所述CNN网络模型，来评估被假肢穿戴者穿戴的假肢接受腔体的舒适度。

进一步地，还可以将CNN网络模型评估出的舒适度与患者真实反馈比较，并用来评估CNN网络模型的精度，总结评估结果。

步骤S207，制作优化方案。

根据模型实际评估结果，结合人体动力学模型分析正常人与截肢患者步态差别，指导下一阶段模型优化。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例3

本申请还提供了一种假肢接受腔体的舒适度评估方法，如图5所示，该方法包括以下步骤：

步骤S501，数据采集。

通过设置在假肢接受腔体上的惯性感知单元采集假肢穿戴者行走、上楼、下楼、坐和站立的姿态数据。通过设置在假肢接受腔体的足底位置的足底压力传感器采集行走过程中的步态数据。通过假肢接受腔内的腔体压力传感器采集患者在运动过程中对假肢接受腔内壁各方位的压力数据。

步骤S502，建立数据集。

对采集到的这些数据，例如姿态数据、步态数据和压力数据进行数据预处理及特征值选择等操作，建立数据集。

步骤S503，数据预处理。

采用滑窗折叠的方法对数据库里的数据进行分割，通过设定窗口长度和滑动窗口中的步长，在数据上进行移动提取数据片段，为了保持活动中数据点之间的时间关系，每个窗口之间有30-40％重叠率。给数据打上标签之后，将数据的80％作为训练集，20％作为测试集。

通过滑窗折叠处理数据集，处理后的数据保证了在某个时间点的数据如同像素点数据，与周围数据具有密切的联系。

步骤S504，设定CNN网络参数。

设定CNN网络的训练层数与训练参数，两层卷积层与池化层，确定卷积核大小、卷积移动步长与卷积核个数。

步骤S505，卷积计算。

将卷积矩阵扩展成一个预设维度的待卷积矩阵，扩展部分使用0作为填充数，然后通过卷积核K对待卷积矩阵从左到右，从上到下进行卷积计算，最终得到卷积输出矩阵。

步骤S506，池化计算。

池化层主要对卷积层输出值进行降维筛选，池化方法可以使用平均池化、中值池化、最大池化方法等。经过池化后数据降维会将原有样本数据大小减半，有助于减少训练参数，提高算法模型的运行速度。

步骤S507，建立网络模型。

将样本数据进行卷积操作，按照上一步中的卷积参数进行计算，为保证输入与输出尺寸相同，引入填充(padding)过程，采用增加0进行数据扩充。池化层降维处理，缩短模型训练时间，2*2池化核使得卷积得出的矩阵规模转变为原来的一半。经过几次的卷积和池化过程后，将会形成一个深度神经网络结构。

步骤S508，评估结果。

实时采集假肢穿戴者力学信息输入训练和测试后的所述CNN网络模型，来评估被假肢穿戴者穿戴的假肢接受腔体的舒适度。

实施例4

本申请还提供了一种假肢接受腔体的舒适度评估装置，如图6所示，该假肢接受腔体的舒适度评估装置包括：采集处理模块62、模型生成模块64、训练测试模块66以及评估模块68。

采集处理模块62被配置为采集假肢穿戴者的历史运动状态数据，对所采集到的历史运动状态数据进行数据预处理以建立数据集。

模型生成模块64被配置为设定CNN网络的网络参数，基于所述数据集进行卷积计算和池化计算，生成CNN网络模型。

训练测试模块66被配置为将所述数据集中的一部分作为训练集，另一部分作为测试集，利用所述训练集对所述CNN网络模型进行样本训练，并利用所述测试集对所述CNN网络模型进行测试。

评估模块68被配置为基于训练和测试后的所述CNN网络模型来评估被穿戴的假肢接受腔体的舒适度。

在一个示例性实施例中，通过设置在所述假肢接受腔体上的惯性感知单元来采集所述假肢穿戴者的行走、上楼、下楼、坐和站立的姿态数据；通过设置在所述假肢接受腔体的足底上的足底压力传感器采集所述假肢穿戴者的行走过程中的步态数据，其中，所述步态数据包括腿部支撑相和摆动相两个阶段的数据，所述支撑相是开始于所述假肢穿戴者的脚跟着地结束于脚尖离地的步行阶段，所述摆动相是始于所述脚尖离地结束于所述脚跟着地的步行阶段；通过设置在所述假肢接受腔体内的腔体压力传感器采集所述假肢接受腔体内壁各方为的压力数据；其中，所述历史运动状态数据包括所述姿态数据、所述步态数据和所述压力数据。

采集处理模块62接收惯性感知单元、足底压力传感器、腔体压力传感器采集的数据，并进行数据预处理。例如，采用滑窗折叠的方法对所采集到的历史运动状态数据进行分割，通过设定窗口长度和滑动窗口中的步长，在所采集到的历史运动状态数据上进行移动并提取数据片段；通过滑窗迭代对所提取的数据片段进行转化，以获得保留了时间信息的数据集，其中，所述数据集中保留了每个数据与周围几个相邻数据之间的关系。

在一个示例性实施例中，模型生成模块64基于所述数据集进行卷积计算和池化计算。例如，选取卷积核，将卷积矩阵扩展成预设维度的待卷积矩阵，其中，扩展部分使用0作为填充数，然后通过卷积核对所述待卷积矩阵从左到右，从上到下进行卷积计算，得到卷积输出矩阵；池化层对所述卷积输出矩阵进行池化计算，以对所述卷积输出矩阵进行降维筛选

在一个示例性实施例中，训练测试模块66将样本数据进行卷积操作。为保证输入与输出尺寸相同，引入填充(padding)过程，采用增加0进行数据扩充。池化层降维处理，缩短模型训练时间，2*2池化核使得卷积得出的矩阵规模转变为原来的一半。经过几次的卷积和池化过程后，将会形成一个深度神经网络结构。

在一个示例性实施例中，评估模块68将实时采集的假肢穿戴者力学信息输入训练和测试后的所述CNN网络模型，来评估被假肢穿戴者穿戴的假肢接受腔体的舒适度。

本实施例提供的假肢接受腔体的舒适度评估装置能够实现实施例1、2和3中的假肢接受腔体的舒适度评估方法，此处不再赘述。

实施例5

参见图7，其是根据本发明实施例的假肢接受腔体的舒适度评估系统的结构示意图，如图7所示，该系统包括假肢接受腔体72和舒适度评估装置74，其中，假肢接受腔体72上设置有惯性感知单元722、足底压力传感器724和腔体传感器726。其中，惯性感知单元722的外观结构如图8所示。

设置于假肢接受腔体72内的腔体传感器726和足底的足底压力传感器724以及惯性感知单元722采集假肢穿戴者的步态数据、腔体压力数据、姿态数据，并将采集到的数据信息标注时间戳然后通过传送至舒适度评估装置74。

舒适度评估装置74被配置为接收所采集到的数据，对所采集到的数据进行数据预处理以建立数据集；设定CNN网络的网络参数，基于所述数据集进行卷积计算和池化计算，生成CNN网络模型；并将所述数据集中的一部分作为训练集，另一部分作为测试集，利用所述训练集对所述CNN网络模型进行样本训练，并利用所述测试集对所述CNN网络模型进行测试；然后基于训练和测试后的所述CNN网络模型来评估被穿戴的假肢接受腔体的舒适度。

在一个实施例中，舒适度评估装置74可以为实施例4中的假肢接受腔体的舒适度评估装置，此处不再赘述。

实施例6

本公开的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以实施上述实施例1至4中所描述的方法。

可选地，在本实施例中，上述存储介质可以位于惯性导航系统的网络中的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，在本实施例中，处理器根据存储介质中已存储的程序代码执行上述实施例1至3中的方法。

可选地，本实施例中的具体示例可以参考上述实施例1至3中所描述的示例，本实施例在此不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。