一种基于IMU传感系统的步态分析方法和系统

一种基于imu传感系统的步态分析方法和系统
技术领域
1.本发明属于步态分析技术领域，具体涉及一种基于imu传感系统的步态分析方法和系统。


背景技术：

2.惯性测量单元(imu)作为一款可以实现居家和户外进行实时监测的步态测量工具，越来越受到科学界的关注。imu检测步态的一般逻辑是：通过z轴角速度分析得到步态周期事件，将步态周期分为摆动阶段和站立阶段；然后通过角速度和加速度的积分来计算imu在每个步态周期中的运动轨迹。目前，现有的异常步态检测的外骨骼设计多采用7imu(sensors,vol.18,no.10,oct.2018,art.no.3397.)或5imu系统(2020 42nd annual international conference of the ieee engineering in medicine&biology society(embc),montreal,qc,canada,2020,pp.4229-4232,doi:10.1109/embc44109.2020.9176827.)，来满足对异常步速步态的完整监测，从而获取相关数据，例如：步长(sl)、步态周期持续时间(gd)、摆动相位百分比(psp)、踝关节最大速度(mv)、最大脚踝高度(mh)、mh处的踝关节水平位移(mhd)、手柄运动范围(rs)和运动不对称(ks)等，并通过对所收集数据的处理进行分析诊断。
3.肌少症患者的症状主要表现为步行速度异常和步态异常问题。目前投入使用的诊断肌少症的主要工具有双能x线吸收仪(dexa)和生物电阻抗分析(bia)，在没有专家的非医疗环境下，实时且完整检测肌少症病症的发展非常困难。目前，imu用于肌少症患者的步态分析尚存在一定的问题，主要是现有的基于imu的步态分析系统中，使用的imu数量较多，多个imu的佩戴对肌少症患者的行动具有一定的影响，在一定程度上加剧了患者行动不便的问题。
4.减少imu的使用数量能够解决上述问题，同时还可简化步态分析系统的穿戴、使用，降低步态分析系统的成本。然而，现有步态分析的数据处理过程有需要人体多个位点的加速度测量结果，因而，构建基于更少imu数量的步态分析系统仍然十分困难。总之，如何减少步态分析系统的imu数量是本领域亟需解决的问题。


技术实现要素：

5.针对现有技术的问题，本发明提供一种基于imu传感系统的步态分析方法和系统，目的在于实现利用两个imu的检测数据进行步态分析。
6.一种基于imu传感系统的步态分析方法，包括如下步骤：
7.步骤1，采用两个imu对受试者的行走过程进行实时信息采集，其中，两个imu分别置于受试者两个脚踝外侧，imu位于外侧矢状面，各imu的x轴(小腿竖直方向指向上方)沿矢状面体节段，y轴(身体前后方向指向前方)位于矢状面前后方向，z(身体左右方向指向外侧)轴位于节段中外侧，垂直于矢状面；
8.步骤2，对步骤1采集的信息进行预处理；
9.步骤3，根据步骤2预处理后得到的数据计算踝关节和膝关节线速度，得到小腿之间的相对位置；
10.步骤4，根据小腿之间的相对位置，通过多元线性回归模型提供大腿在矢状面上的方向的预测值；
11.步骤5，利用大腿方向的预测值和实际大腿方向测量值(可以由实验室动捕系统等非穿戴设备采集)进行对比，对步态的稳定性进行分析。
12.优选的，步骤2中，预处理的方法是对采集到的imu数据运用坐标系校正算法进行矫正。
13.优选的，步骤2中，所述坐标系校正算法的步骤是利用如下公式计算x轴与矢状面之间的夹角φ
xp
和y轴与矢状面之间的夹角φ
yp
，通过φ
xp
和φ
yp
得出三个轴方向的加速度校正值；
14.φ
xp
和φ
yp
的计算公式为：
[0015][0016][0017]
其中，为x轴的角速度，为y轴的角速度，为z轴的角速度。
[0018]
优选的，步骤3中，所述踝关节或膝关节线速度按照如下计算公式逐帧求解：
[0019]
在连续的当前帧和前一帧中：
[0020]v1g
＝(t
2-t1)
×a1g
[0021]
其中，v
1g
为前一帧的线速度，t2为当前帧时间，t1为前一帧时间，a
1g
为前一帧世界坐标系下的加速度；
[0022]a1g
的计算公式为：
[0023]a1g
＝q1(a
1-b1)-g
[0024]
其中，q1为前一帧运动状态的四元数，a1为前一帧的加速度，b1为偏移，g为重力加速度。
[0025]
优选的，步骤4中，所述多元线性回归模型公式为：
[0026][0027]
其中，θ
tp
是预测大腿的方向；a0,a1,a2,a3,a4,b0,b1,b2,b3,b4为多元线性回归模型中的参数；θ
ssi
，θ
sdj
为瞬时方向数据。
[0028]
优选的，所述步态分析方法还包括如下步骤：
[0029]
步骤6，根据步骤2预处理后得到的数据将相位分成支撑相和摆动相，再进一步细分为如下七个阶段：
[0030]
(1)一只脚跟着地到另一只脚脚趾离地称为加载响应阶段；
[0031]
(2)一只脚后跟上提阶段称为中期站立阶段；
[0032]
(3)一只脚落下接触地面后直到后跟着地称为站立末段；
[0033]
(4)一只脚跟着地到这只脚脚趾离地称为预摆动阶段；
[0034]
(5)一只脚脚趾离地到与另一只脚距离最接近的整个过程称为摆动初期；
[0035]
(6)一只脚开始远离另一只脚直到胫骨垂直于地面的过程称为摆动中期；
[0036]
(7)一只脚从胫骨垂直于地面开始落下，直到脚跟着地摆动末段；
[0037]
步骤7，根据步骤6的划分结果获取步长和步速的结果；
[0038]
步骤8，利用步骤7得到的步长和步速的结果对步态的对称性进行分析。
[0039]
优选的，步骤6中，所述七个阶段划分方法通过调用启发式算法、欧几里德距离公式和knn算法实现。
[0040]
本发明还提供一种基于imu传感系统的步态分析系统，包括：
[0041]
数据输入模块，用于输入受试者行走过程中两个imu采集得到的数据；
[0042]
步态分析模块，用于按照上述步态分析方法对受试者进行步态分析；
[0043]
步态异常检测模块，用于根据所述步态分析的结果，判断受试者的行走过程中是否存在异常步态；
[0044]
数据输出模块，用于输出步态分析模块和/或步态异常检测模块的结果。
[0045]
优选的，所述步态异常检测模块中，采用基于tsfresh工具和监督机器学习随机森林算法实现异常步态的检测。
[0046]
本发明还提供一种步态分析装置，包括控制器和至少两个imu，所述控制器中集成有上述步态分析系统。
[0047]
本发明还提供一种计算机可读存储介质，其上存储有：用于实现上述步态分析方法或步态分析系统的计算机程序。
[0048]
本发明对步态分析过程的计算方法进行了改进，利用两个imu的检测数据即可实现步态分析并对异常步态进行检测。通过减少imu的数量，可简化设备穿戴的过程，降低使用者的负担，降低系统的运算量，降低设备成本。此外，本发明的系统特别适用于肌少症患者，肌少症的分析更加注重步行速度等时空参数，而对髋关节转角并不关注；且鉴于肌少症患者需要外骨骼等外部支撑，及时的数据分析与反馈非常重要，而大量的冗余数据处理会增加算法的复杂度，进而拖慢进程，导致处理后的数据时效性降低，不能很好地与后续的系统工作对接。因而肌少症患者特别适用于本发明中只需要两个imu的系统。因此，本发明具有很好的应用前景。
[0049]
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0050]
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
[0051]
图1为实施例1的流程示意图；
[0052]
图2为实施例1中两个imu设置位置的示意图；
[0053]
图3为实施例1中划分七个阶段的示意图。
具体实施方式
[0054]
需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
[0055]
实施例1基于imu传感系统的步态分析方法和系统
[0056]
本实施例的系统包括：
[0057]
数据输入模块，用于输入受试者行走过程中两个imu采集得到的数据；
[0058]
步态分析模块，用于按照上述步态分析方法对受试者进行步态分析；
[0059]
步态异常检测模块，用于根据所述步态分析的结果，判断受试者的行走过程中是否存在异常步态；
[0060]
数据输出模块，用于输出步态分析模块和/或步态异常检测模块的结果。
[0061]
采用上述系统进行步态分析的具体步骤如图1所示，包括：
[0062]
1、将两个惯性测量单元(imu)分别置于测试者的小腿靠近脚踝处(imu位于外侧矢状面，各imu的x轴沿矢状面体节段，y轴位于矢状面前后方向，z轴位于节段中外侧，垂直于矢状面)，如图2所示。两个imu可以获取三个单轴方向的加速度(a)和角速度(θ)信息。
[0063]
2、受试者完成imu的穿戴后进行正常行走，imu实时采集信息。
[0064]
3、据预处理：对采集到的imu数据运用坐标系校正算法进行矫正。
[0065]
因为矢状面是不可见的，且大腿和小腿具有一定的形状，imu的x轴和y轴不可能完美地附着在矢状面上，z轴不可能完美地垂直于矢状面。因此，需要对每个imu的坐标系进行校正，以减少由于imu轴的错位而引起的步长估计误差。需要受试者先进行静止站立和短直线校准试验。由于imu轴的错位，x轴与矢状面之间有一个夹角φ
xp
，y轴与矢状面之间也有一个夹角φ
yp
。在直线行走时，小腿和大腿主要在矢状面运动，因此只考虑在矢状面的运动。通过三个坐标轴方向的角速度平均值，计算出夹角x和夹角y。再通过两个夹角值得出三个轴方向加速度校正值。矫正之后的数据再用于步态相位的划分以及后续的异常检测算法。
[0066]
φ
xp
和φ
yp
的计算公式为：
[0067][0068][0069]
其中，为x轴的角速度，为y轴的角速度，为z轴的角速度。
[0070]
4、计算踝关节和膝关节线速度：通过对imu加速度的积分得到踝关节和膝关节的线速度。
[0071]
令前一帧的加速度为a1，偏移为b1，前一帧运动状态的四元数为q1，重力加速度为g；则前一帧世界坐标系下的加速度a
1g
＝q1(a
1-b1)-g；
[0072]
令当前帧的加速度为a2，偏移为b1，当前位置运动状态四元数为q2，重力加速度为g，则前一帧世界坐标系下的加速度a
2g
＝q2(a
2-b2)-g；
[0073]
前一帧时间为t1，当前帧时间为t2，则求得上一帧线速度：v
1g
＝(t
2-t1)
×a1g
。
[0074]
以此类推可逐帧求解线速度，并结合角速度更新四元数值。
[0075]
5、通过多元线性回归模型提供大腿在矢状面上的方向的预测值：
[0076]
通过小腿之间的相对位置推断大腿的方向时可能会出现一定的偏差。通过多元线
性回归模型提供大腿在矢状面上的方向的预测值。同时将下肢简化为理想的铰链轻杆模型。
[0077]
多元线性回归模型公式：
[0078][0079]
其中，θ
tp
是预测大腿的方向；a0,a1,a2,a3,a4,b0,b1,b2,b3,b4为多元线性回归模型中的参数；θ
ssi
，θ
sdj
为瞬时方向数据；。
[0080]
6、imu的步态信息经过采集,将步态划分为支撑相和摆动相两个相位。其中又细分为七个小阶段，如图3所示。
[0081]
步态分为站姿和摆动两个阶段，通过脚跟着地和脚趾离地进行划分。其中站姿又分为加载响应阶段、中期站立、站立末段和预摆动阶段四个阶段；摆动阶段又分为初期摆动、摆动中期和摆动末段三个阶段。七个阶段的划分定义如下：
[0082]
(1)一只脚跟着地到另一只脚脚趾离地称为加载响应阶段；
[0083]
(2)一只脚后跟上提阶段称为中期站立阶段；
[0084]
(3)一只脚落下接触地面后直到后跟着地称为站立末段；
[0085]
(4)一只脚跟着地到这只脚脚趾离地称为预摆动阶段；
[0086]
(5)一只脚脚趾离地到与另一只脚距离最接近的整个过程称为摆动初期；
[0087]
(6)一只脚开始远离另一只脚直到胫骨垂直于地面的过程称为摆动中期；
[0088]
(7)一只脚从胫骨垂直于地面开始落下，直到脚跟着地摆动末段。
[0089]
所述七个阶段划分方法通过调用启发式算法、欧几里德距离公式和knn算法实现：
[0090]
划分函数包括以下三个模块：
[0091]
(1)启发式算法模块：
[0092]
利用启发式算法从原始数据中提取特征的无监督学习，通过创建符合步态运动学数据边界的标签对数据进行分类。所有标签都是实时生成的，没有未来的数据点被引用和超时(基于给定的毫秒时间数据)。
[0093]
(2)欧几里德距离公式：
[0094]
欧式距离也称欧几里得距离，是最常见的距离度量，衡量的是多维空间中两个点之间的绝对距离。也可以理解为：m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离
[0095]
(3)knn算法模块：
[0096]
最近邻分类器(k＝1)，它允许从walkdata1的训练数据集和赋予它的任何其他步行数据集中简单分类数据(即不必针对每个要测试的数据集优化启发式算法)首先将计算好的欧氏距离距离按照升序排列，选取距离最近的k个点，统计这k个点所在类别出现的频率，这k个点中出现频率最高的类别作为预测的分类。
[0097]
7、采用基于tsfresh工具和监督机器学习随机森林算法(rf)来完成步态相位获取并进行异常检测。tsfresh工具用于自动提取过滤步态时间序列特征，监督机器学习随机森林算法(rf)用于判定步态模式。异常步态即是不属于正常步态的模式，最终输出步态异常结果。
[0098]
通过上述实施例可以看到，本发明提供了一种仅使用两个imu的步态分析系统。可更好的服务于肌少症患者等需要进行步态分析的人群，基于imu传感系统的肌少症患者步态异常检测方法可以很好的检测出异常步态，给硬件以反馈，从而使得外骨骼能更精准地支撑患者的身体，增强肢体能力，帮助肌少症人群行走，并实行康复训练。本发明具有使用方便、对患者负担小、成本低和系统运算量小反馈快的优势，具有很好的应用前景。

技术特征：
1.一种基于imu传感系统的步态分析方法，其特征在于，包括如下步骤：步骤1，采用两个imu对受试者的行走过程进行实时信息采集，其中，两个imu分别置于受试者脚踝两侧，imu位于外侧矢状面，各imu的x轴沿矢状面体节段，y轴位于矢状面前后方向，z轴位于节段中外侧，垂直于矢状面；步骤2，对步骤1采集的信息进行预处理；步骤3，根据步骤2预处理后得到的数据计算踝关节和膝关节线速度，得到小腿之间的相对位置；步骤4，根据小腿之间的相对位置，通过多元线性回归模型提供大腿在矢状面上的方向的预测值；步骤5，利用大腿方向的预测值和实际大腿方向测量值进行对比，对步态的稳定性进行分析。2.按照权利要求1所述的步态分析方法，其特征在于：步骤2中，预处理的方法是对采集到的imu数据运用坐标系校正算法进行矫正；所述坐标系校正算法的步骤是利用如下公式计算x轴与矢状面之间的夹角φ
xp
和y轴与矢状面之间的夹角φ
yp
，通过φ
xp
和φ
yp
得出三个轴方向的加速度校正值；φ
xp
和φ
yp
的计算公式为：的计算公式为：其中，为x轴的角速度，为y轴的角速度，为z轴的角速度。3.按照权利要求1所述的步态分析方法，其特征在于：步骤3中，所述踝关节或膝关节线速度按照如下计算公式逐帧求解：在连续的当前帧和前一帧中：v
1g
＝(t
2-t1)
×
a
1g
其中，v
1g
为前一帧的线速度，t2为当前帧时间，t1为前一帧时间，a
1g
为前一帧世界坐标系下的加速度；a
1g
的计算公式为：a
1g
＝q1(a
1-b1)-g其中，q1为前一帧运动状态的四元数，a1为前一帧的加速度，b1为偏移，g为重力加速度。4.按照权利要求1所述的步态分析方法，其特征在于：步骤4中，所述多元线性回归模型公式为：其中，θ
tp
是预测大腿的方向；a0,a1,a2,a3,a4,b0,b1,b2,b3,b4为多元线性回归模型中的参数；θ
ssi
，θ
sdj
为瞬时方向数据。5.按照权利要求1所述的步态分析方法，其特征在于，所述步态分析方法还包括如下步骤：
步骤6，根据步骤2预处理后得到的数据将相位分成支撑相和摆动相，再进一步细分为如下七个阶段：(1)一只脚跟着地到另一只脚脚趾离地称为加载响应阶段；(2)一只脚后跟上提阶段称为中期站立阶段；(3)一只脚落下接触地面后直到后跟着地称为站立末段；(4)一只脚跟着地到这只脚脚趾离地称为预摆动阶段；(5)一只脚脚趾离地到与另一只脚距离最接近的整个过程称为摆动初期；(6)一只脚开始远离另一只脚直到胫骨垂直于地面的过程称为摆动中期；(7)一只脚从胫骨垂直于地面开始落下，直到脚跟着地摆动末段；步骤7，根据步骤6的划分结果获取步长和步速的结果；步骤8，利用步骤7得到的步长和步速的结果对步态的对称性进行分析。6.按照权利要求5所述的步态分析方法，其特征在于，步骤6中，所述七个阶段划分方法通过调用启发式算法、欧几里德距离公式和knn算法实现。7.一种基于imu传感系统的步态分析系统，其特征在于，包括：数据输入模块，用于输入受试者行走过程中两个imu采集得到的数据；步态分析模块，用于按照权利要求1-6任一项所述的步态分析方法对受试者进行步态分析；步态异常检测模块，用于根据所述步态分析的结果，判断受试者的行走过程中是否存在异常步态；数据输出模块，用于输出步态分析模块和/或步态异常检测模块的结果。8.按照权利要求7所述的基于imu传感系统的步态分析系统，其特征在于，所述步态异常检测模块中，采用基于tsfresh工具和监督机器学习随机森林算法实现异常步态的检测。9.一种步态分析装置，其特征在于，包括控制器和至少两个imu，所述控制器中集成有权利要求7或8所述的步态分析系统。10.一种计算机可读存储介质，其特征在于，其上存储有：用于实现权利要求1-7任一项所述的步态分析方法的计算机程序，或用于实现权利要求8或9所述的步态分析系统的计算机程序。

技术总结
本发明属于步态分析技术领域，具体涉及一种基于IMU传感系统的步态分析方法和系统。本发明方法包括：采用两个IMU对受试者的行走过程进行实时信息采集；进行预处理；根据预处理后得到的数据计算踝关节和膝关节线速度，得到小腿之间的相对位置；根据小腿之间的相对位置，通过多元线性回归模型提供大腿在矢状面上的方向的预测值；利用大腿方向的预测值和实际大腿方向测量值进行对比，对步态的稳定性进行分析。本发明还进一步提供实现上述方法和利用上述方法检测异常步态的系统。本发明利用两个IMU的检测数据即可进行步态分析，具有使用方便、对患者负担小、成本低和系统运算量小反馈快的优势，具有很好的应用前景。具有很好的应用前景。具有很好的应用前景。


技术研发人员：徐发树 唐欣怡 徐逸婷 张溥涵 王宇 刘好 李康
受保护的技术使用者：四川大学华西医院
技术研发日：2023.03.17
技术公布日：2023/9/7