基于机器学习的足压监测方法及系统与流程

1.本发明涉及传感技术、机器学习与腰椎退变疾病判定领域，特别涉及一种基于机器学习的足压监测方法及系统。


背景技术：

2.腰椎退行性病变包括腰椎间盘突出、腰椎狭窄等疾病，容易压迫病人神经造成间歇性跛足、坐骨神经痛、行走困难等，严重影响人们生活。已有的诊断方案如x光、核磁共振无法定量表征病人病情，更多依靠医生经验。
3.足底压力分布与腰椎推行性病变病人有明显联系，已有的足底压力监测设备体积庞大，不便携。同时足底压力数据量大，已有的设备对于数据背后的疾病问题分析较为浅薄，已有的机器学习算法可以通过收集大数据，进行特征值提取进而完成不同对象的准确分类，但必须需要进行数据清洗完成特征值提取，选用合适的分类方法完成分类。
4.因此，研究可穿戴足压监测装置，结合机器学习，实现腰椎退行性病变病人的实时监测、辅助诊断以及康复评估有巨大的价值和意义。


技术实现要素：

5.基于此，本技术实施例提供了一种基于机器学习的足压监测方法及系统，通过智能传感鞋垫收集病人和正常人步行足压数据，通过机器学习训练正常人与病人足压数据，建立分类模型，通过分类模型实现对病人的足压数据的康复评估。
6.第一方面，提供了一种基于机器学习的足压监测方法，该方法包括：
7.通过压电传感器采集足底压力电压信号，并将所述足底压力电压信号通过信号处理电路进行处理得到采样信号，利用无线收发电路将所述采样信号传输至移动终端应用；
8.所述移动终端应用将所述采样信号传输至电脑终端，所述电脑终端中包括训练完成的svm分类模型；
9.根据所述训练完成的svm分类模型对所述采样信号进行足压监测结果分类。
10.可选地，在移动终端应用将所述采样信号传输至电脑终端之前，所述方法包括对所述电脑终端中的svm分类模型进行训练，具体包括：
11.采集病人和正常人的足压数据，进行数据清洗以及归一化操作，并进行特征值提取得到样本数据；
12.建立svm分类模型，将带有标签的样本数据输入到svm分类模型中进行有监督学习，并通过5倍交叉验证准确度作为最高目标函数对机器学习c、g函数进行调优，获得最高准确率下的最优参数，从而得到训练完成的svm分类模型。
13.可选地，所述svm分类模型中核函数至少包括rbf核函数、线性核函数或高斯核函数中的一种。
14.可选地，所述足底压力电压信号通过信号处理电路进行处理得到采样信号，具体包括：
15.压电传感器受压后输出电信号到放大器，放大器将输入电流转换为输入电压，同时充当滤波器减小杂散信号干扰，输出电压信号到主芯片的ad采样电路中进行电压信号的采样。
16.可选地，利用无线收发电路将所述采样信号传输至移动终端应用，具体包括：
17.将信号处理电路得到的采样信号通过uart通信协议将数据传递给低功耗蓝牙芯片，所述低功耗蓝牙芯片将采集数据进行实时发送，发送频率可以为10hz。
18.可选地，所述低功耗蓝牙芯片支持ble5.0，向下兼容蓝牙4.2协议。
19.可选地，所述压电传感器具体为pvdf压电薄膜，传感器电极上贴覆双面导电胶带，导电胶带上粘贴极化后的pvdf压电薄膜，将pvdf的阳极连接在电极的正极上；压电薄膜上方覆盖单面导电胶带用于连接pvdf的阴极到电极的负极上。
20.可选地，所述方法还包括：所述移动终端应用将所述采样信号上传至云端服务器进行保存。
21.第二方面，提供了一种基于机器学习的足压监测系统，该系统包括：
22.传感模块，用于通过压电传感器采集足底压力电压信号，并将所述足底压力电压信号通过信号处理电路进行处理得到采样信号，利用无线收发电路将所述采样信号传输至移动终端应用；
23.移动终端，用于通过移动终端应用将所述采样信号上传至电脑终端，所述电脑终端中包括训练完成的svm分类模型；
24.电脑终端，用于根据所述训练完成的svm分类模型对所述采样信号进行足压监测结果分类。
25.可选地，所述电脑终端中包括训练模块，所述训练模块用于采集病人和正常人的足压数据，进行数据清洗以及归一化操作，并进行特征值提取得到样本数据；
26.建立svm分类模型，将带有标签的样本数据输入到svm分类模型中进行有监督学习，并通过5倍交叉验证准确度作为最高目标函数对机器学习c、g函数进行调优，获得最高准确率下的最优参数，从而得到训练完成的svm分类模型。
27.本技术实施例提供的技术方案带来的有益效果至少包括：
28.本技术实施例提供的技术方案中包括：首先通过压电传感器采集足底压力电压信号，并将足底压力电压信号通过信号处理电路进行处理得到采样信号，利用无线收发电路将采样信号传输至移动终端应用；然后，移动终端应用将采样信号传输至电脑终端，电脑终端中具有训练完成的svm分类模型；最后，根据训练完成的svm分类模型对采样信号进行足压监测结果分类。可以看出，本发明的有益效果在于检测人体不同动作行为，如走、跑、跳、半蹲、蹲等。同时系统进行功能扩展实现腰椎退行性病变病人与正常人的分类，在腰椎推行性疾病的辅助诊断和康复评估具有重要的意义。
附图说明
29.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
30.图1为本技术实施例提供的一种基于机器学习的足压监测方法的流程图；
31.图2为本技术实施例提供的智能监测鞋垫模块框图；
32.图3为本技术实施例提供的智能监测鞋垫传感器分布示意图；
33.图4为本技术实施例提供的压电传感器示意图；
34.图5为本技术实施例提供的压电传感器传感器电极的俯视图；
35.图6为本技术实施例提供的机器学习流程图；
36.图7为本技术实施例提供的一种基于机器学习的足压监测方法的架构图；
37.附图标记：401-传感器电极，402-双面导电胶带，403-pvdf压电薄膜，404-压电保护膜，501-传感器负极，502-传感器正极。
具体实施方式
38.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
39.目前，腰椎退行性病变包括腰椎间盘突出、腰椎狭窄等疾病，容易压迫病人神经造成间歇性跛足、坐骨神经痛、行走困难等，严重影响人们生活。已有的诊断方案如x光、核磁共振无法定量表征病人病情，更多依靠医生经验。
40.足底压力分布与腰椎推行性病变病人有明显联系，已有的足底压力监测设备体积庞大，不便携。同时足底压力数据量大，已有的设备对于数据背后的疾病问题分析较为浅薄。
41.已有的机器学习算法可以通过收集大数据，进行特征值提取进而完成不同对象的准确分类，但必须需要进行数据清洗完成特征值提取，选用合适的分类方法完成分类。
42.因此，研究可穿戴足压监测装置，结合机器学习，实现腰椎退行性病变病人的实时监测、辅助诊断以及康复评估有巨大的价值和意义。
43.如图1提供的一种基于机器学习的足压监测方法的流程图，在本技术的实施例中，包括：
44.步骤101，通过压电传感器采集足底压力电压信号，并将足底压力电压信号通过信号处理电路进行处理得到采样信号，利用无线收发电路将采样信号传输至移动终端应用。
45.其中，压电传感器可以是矩阵压电传感器，设置于智能监测鞋垫上，传感器选用pvdf压电薄膜。
46.如图2，给出了本技术一个实施例中智能监测鞋垫模块的框图，压电传感器受压后输出电信号到放大器，放大器将输入电流转换为输入电压，同时充当滤波器减小杂散信号干扰，输出电压信号到主芯片的ad采样电路中进行电压信号的采样。主芯片优选低功耗微处理器，如msp430。主芯片采集电压信号后通过uart通信协议将数据传递给低功耗蓝牙芯片，低功耗蓝牙芯片优选支持ble5.0，向下兼容蓝牙4.2协议，如cc2640。蓝牙芯片将采集数据实时发送出去，典型发送频率10hz。
47.如图3所示，给出了本技术一个实施例中智能监测鞋垫传感器分布示意图，单个鞋垫布满17个压电传感器，可进行主动式传感。传感器的排布严格按照人体工学拓扑结构，传
感器的排布信号如图所示。整张鞋垫分为脚趾区、前脚掌区、脚外侧区和脚后跟区。脚趾区包括1、2、3号传感器，前脚掌区包括4、5、6、7、8号传感器，脚外侧区包括9、10、11号传感器，脚后跟区包含12、13、14、15、16、17号传感器。
48.如图4所示，给出了本技术一个实施例中pvdf压电传感器示意图。传感器电极401上贴覆双面导电胶带402，导电胶带上粘贴极化后的pvdf压电薄膜403，将pvdf的阳极连接在电极401的正极上；压电薄膜上方覆盖单面导电胶带用于连接pvdf的阴极到电极401的负极上。
49.电极401的俯视图如图5所示，方形区域的外侧501为传感器的负极，中间方形电极区域502为传感器的正极，正负极作为放大器的两个输入端口。单个传感器大小为12mm
×
12mm，其中pvdf、双面导电胶以及电极正极区域大小为10mm
×
10mm，单面导电胶大小为12mm
×
12mm，电极负极区域的宽度为1.2mm。
50.步骤102，移动终端应用将采样信号传输至电脑终端，电脑终端中包括训练完成的svm分类模型。
51.在本技术实施例中，首先对svm分类模型进行模型训练，具体地：
52.如图6所示，给出了本技术一个实施例机器学习流程图。
53.首先，采集病人和正常人的足压数据，收集到的足压监测数据进行数据清洗以及归一化操作，选择合适的算法参量作为特征值并完成特征值提取，例如平均值、方差。
54.然后，选用svm算法进行机器学习分类模型的训练，核函数选用rbf核函数，同时也可以选用为线性核函数、高斯核函数等，本技术中svm分类模型中，核函数的选用包括但不限于rbf核函数、线性核函数或高斯核函数。将带有标签的样本数据输入到svm算法中进行有监督学习，并通过5倍交叉验证准确度作为最高目标函数对机器学习c、g函数进行调优，获得最高准确率下的最优参数。当输入新的样本数据，即移动终端应用将采样信号传输至电脑终端时，模型可以对样本数据进行准确的分类。
55.步骤103，根据训练完成的svm分类模型对采样信号进行足压监测结果分类。
56.在本技术的实际监测中，由于是直接采集足底压力电压信号，所以并不限制受测量人员的动作。本发明中对于跑、跳、走、蹲、半蹲的分类准确率达99.2％，对于腰椎退行性疾病与正常情况的分类准确率达93％，同时可以完成术后病人恢复情况的评估。
57.如图7，给出了给出了本技术一个实施例智能腰椎退行性病变诊断判定与恢复评估系统流程图，
58.智能监测鞋垫采集病人/正常人的足压数据通过蓝牙实时发送到手机app端，手机app将数据存储后上传到云端丰富数据库数据，或者传递给电脑终端进行处理。数据在电脑终端经过特征值提取后，通过svm算法利用rbf内核进行分类模型的训练，训练完毕的模型用于新数据的正常/病态的分类，实现医疗诊断以及术后病人数据的康复评估。
59.可以看出，本发明通过主动式传感矩阵模块完成正常人和腰椎退行性病变病人的步行足压数据，正常人的跑、走、跳、蹲、半蹲的足压数据，由蓝牙传送到手机app实现实时监测，同时数据可以上传到云服务器不断丰富大数据平台。通过特征值提取、svm支持向量机算法对数据进行分类模型训练，实现对新数据的正常/病态的预测功能，解决了腰椎退行性病变的诊断判定和恢复评估问题。
60.本技术实施例还提供的一种基于机器学习的足压监测系统，该系统具体包括了：
61.传感模块，用于通过压电传感器采集足底压力电压信号，并将足底压力电压信号通过信号处理电路进行处理得到采样信号，利用无线收发电路将采样信号传输至移动终端应用；
62.移动终端，用于通过移动终端应用将采样信号上传至电脑终端，电脑终端中包括训练完成的svm分类模型；
63.电脑终端，用于根据训练完成的svm分类模型对采样信号进行足压监测结果分类。
64.在本技术一个可选的实施例中，电脑终端中包括训练模块，训练模块用于采集病人和正常人的足压数据，进行数据清洗以及归一化操作，并进行特征值提取得到样本数据；
65.建立svm分类模型，将带有标签的样本数据输入到svm分类模型中进行有监督学习，并通过5倍交叉验证准确度作为最高目标函数对机器学习c、g函数进行调优，获得最高准确率下的最优参数，从而得到训练完成的svm分类模型。
66.关于基于机器学习的足压监测系统的具体限定可以参见上文中对于基于装订器的打印审计方法的限定，在此不再赘述。上述基于机器学习的足压监测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中，也可以以软件形式存储于设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
67.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
68.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。