一种基于电容性压力传感阵列的足底压力测量方法与流程

1.本发明涉及足底压力测量技术领域，特别是一种基于电容性压力传感阵列的足底压力测量方法。


背景技术：

2.在体育科研、生物力学工程和医疗康复领域内，经常需要准确知道人体行走或运动时，人体足底与地面间的作用力、足底与地面的接触状况，足底的所受压力的分布情况，以期获得体育科研、体育训练指导、医疗科研、残体康复训练指导的科学依据。目前测量足底压力的传感器类型主要有压电式、电阻式和电容式等几种测量方式，电容式压力传感器通过将压力引起的介质层形变转化为电容变化输出，相对于点阵式电阻性足底压力测量方式，具有高精度和低功耗的特点。
3.如何将分布式压力传感器阵列各个传感器通道的电容映射为准确的压力值是足底压力测量中的核心问题。目前在压力传感器第一次出厂时，需要通过标定过程确定传感器输出信号与压力输入值之间的变换关系和系数，常用的方法是曲线拟合方式，采用多项式拟合方法对传感器的输入输出关系进行拟合，得到他们之间的映射关系。但是曲线拟合对非线性拟合效果不好，而传感器阵列输出通常存在非线性、交叉影响性等问题。
4.基于神经网络的压力测量本质上是一种压力传感器输入到输出的映射，它能够学习大量的压力传感器输入与输出之间的映射关系，而不需要任何输入和输出之间的精确数学表达式，具有良好的逼近非线性函数的能力只要用适当的方法对神经网络加以训练，网络就具有压力传感器输入对输出之间的映射能力。目前在神经网络用于压力检测的领域中，缺乏神经网络用于电容式足底压力传感阵列压力检测的研究。


技术实现要素：

5.有鉴于此，本发明的目的是提供一种通过神经网络来训练各个压力传感器输出电容的权值，建立电容-总压力的映射关系，通过映射关系来得到实际压力值的足底压力测量方法。
6.本发明采用以下方法来实现：一种基于电容性压力传感阵列的足底压力测量方法，所述测量方法包括以下步骤：
7.步骤s1、将待测的足底压力传感器阵列置于气压标定设备的测试槽内，然后将气压标
8.定设备与外部气泵进行连接；
9.步骤s2、通过外部气泵向气压标定设备内的气室注入气体，气压标定设备内的气室充气后会使柔性橡胶薄膜向气压标定设备的测试槽内膨胀加压，使待测足底压力传感阵列均匀受压，并通过气压表读取当前气压值；
10.步骤s3、以固定气压步长在足底压力传感器的量程范围内分别采集足底压力传感器各通道的输出电容，通过数据预处理的方法去除电容零点，得到各个压强对应的足底压
力传感器电容变化值，获取训练样本；
11.步骤s4、通过训练样本创建神经网络模型，通过采集到足底压力传感器的电容及对应的压力合力值，基于梯度下降的方法，训练神经网络模型，建立电容-总压力的映射关系模型。
12.进一步的，所述步骤s4后还包括，在实际使用时，将足底压力传感器阵列设置于用户的鞋子内，当用户对足底压力传感器施加压力时，采集足底压力传感器的电容变化，利用已经训练好的神经网络模型将足底压力传感器通道输出电容映射为总体压力，分别测量出用户左右脚的足底压力值。
13.进一步的，所述步骤s1进一步具体为：所述气压标定设备具有加压和泄压的功能，能够对足底压力传感阵列施加气压。
14.进一步的，所述步骤s3中的固定气压步长根据足底压力传感器的分辨率及训练数据集要求进行调整，同时应满足：传感器的分辨率《固定步长《传感器量程。
15.进一步的，所述步骤s3中的去除电容零点的方法具体为：通过气压标定设备对足底压力传感阵列施加压力，每次施加完压力后需要进行泄压，重新采集零压力时各传感器通道电容值作为零点基础电容，下一次加压后采集的足底压力传感器电容减去零点基础电容作为该压强下各传感器对应的电容变化值。
16.进一步的，所述步骤s4中的神经网络训练模型由输入层，隐藏层和输出层组成，不局限于神经网络的类型，其中输入层的节点数与足底压力传感器阵列的传感器通道数相同，隐藏层有n层，每层节点数为m个，其中n和m都可根据实际训练效果进行调整，输出层为1个节点，为足底压力合力。
17.本发明的有益效果在于：本发明通过神经网络对由于神经网络具有良好的逼近非线性函数的能力，能够有效解决足底压力感测阵列的非线性、交叉影响性等问题，使得理想体重测量模型的偏载误差和线性度误差得到很好的补偿，进而实现对足底压力的实时测量，极大的提升了体重测量精度。
附图说明
18.图1是本发明的流程图。
19.图2是本发明采用的神经网络结构示意图。
20.图3为足底压力传感器的压强-电容的变化曲线。
具体实施方式
21.下面结合附图对本发明做进一步说明。
22.请参阅图1至图3所示，本发明提供了一实施例：一种基于电容性压力传感阵列的足底压力测量方法，所述测量方法包括以下步骤：
23.步骤s1、将待测的足底压力传感器阵列置于气压标定设备的测试槽内，然后将气压标定设备与外部气泵进行连接；
24.步骤s2、通过外部气泵向气压标定设备内的气室注入气体，气压标定设备内的气室充气后会使足底压力传感器的柔性橡胶薄膜向气压标定设备的测试槽内膨胀加压，通过气压表读取气压值；气室是由柔性橡胶薄膜组成，所以气室充气会让橡胶薄膜膨胀，膨胀起
来会对足底压力传感器进行均匀加压；
25.步骤s3、以固定气压步长在足底压力传感器的量程范围内分别采集足底压力传感器通道的输出电容，通过数据预处理的方法去除电容零点，得到各个压强对应的足底压力传感器电容变化值，获取训练样本；
26.步骤s4、通过训练样本创建神经网络模型，通过采集到足底压力传感器的电容及对应的压力合力值，基于梯度下降的方法，训练神经网络模型，建立电容-总压力的映射关系模型。
27.下面通过一具体实施例对本发明作进一步说明：
28.使用时，用户左右脚的鞋内分别有13个压力传感器通道，电容性压力传感器阵列受到压力后会引起中间弹性介质层发生形变，将压力形变转化为电容变化输出，相对于点阵式电阻性足底压力测量方式，具有高精度和低功耗特点。
29.请参阅图1所示，基于神经网络的足底压力检测方法，包括训练数据采集、电容数据预处理、神经网络模型训练、建立电容变化-压力的映射关系模型。以下为一个应用实例：
30.第一步：将待测电容性压力传感阵列置于气压标定设备的测试槽内，气压标定设备连接外部气泵，通过外部气源向标定设备供气；
31.本实例采用的气压标定设备是一种压力分布传感器标定测量装置，该装置通过使用外部气源向气压加压，使得柔性橡胶薄膜向压力传感器测试区膨胀加压，此时压力分布式传感器上的各个区域都收到均匀压力，且受压的大小等于气室内的压强，压强可以通过标准气压表读出。
32.第二步：采集训练数据，通过外部气源向气压标定设备内的气室注入气体，气室充气后使柔性橡胶薄膜向测试槽膨胀加压，通过标准气压表读出气压值。分别以步长5kpa在压强范围为0-600kpa内采集压力传感器阵列各个压力传感器通道的输出电容，通过数据预处理方法去除电容零点，得到各个压强对应的电容变化值，获取120组样本。其中，84组作为训练集，18组作为验证集，18组作为测试集。
33.第三步：创建神经网络训练模型，使用第二步采集到的电容及对应的压力值，训练函数可以根据实际需要进行调整，可以通过梯度下降法训练神经网络模型，建立电容变化-压力合力的映射关系模型。神经网络结构如图2所示，主要由输入层，隐藏层和输出层组成。其中输入层的节点数与足底压力传感器阵列的传感器通道数相同，隐藏层由n层，每层节点数分别为m1、m2、
…
、mn，n和m的具体数量可以根据需要进行调整，输出层有1个节点，为单脚的压力合力。
34.第四步：用户实际使用过程中，将足底压力传感阵列置于鞋内，当用户脚底对压力传感阵列施加压力时，采集电容变化，利用已训练好的模型将各传感器通道输出电容映射为总体压力，分别测量出左右脚的足底压力值。
35.请参阅图3所示，图3所示为某个通道压力传感器在标定过程中标准气压输出值与待测压力传感器的输出电容的变化曲线图，横轴为气压输出，纵轴为压力传感器输出的电容变化值。随着压力的增大，电容式压力传感阵列弹性介质层形变的变化率减小，传感器输出电容随压力的变化灵敏度下降，其输入-输出变化曲线呈现非线性。
36.本发明中基于神经网络的压力测量本质上是一种压力传感器输入到输出的映射，它能够学习大量的压力传感器输入与输出之间的映射关系，而不需要任何输入和输出之间
的精确数学表达式，具有良好的逼近非线性函数的能力只要用适当的方法对神经网络加以训练，网络就具有压力传感器输入对输出之间的映射能力。
37.梯度下降主要目的是通过迭代找到目标函数的最小值，或者收敛到最小值，是神经网络训练中最常用的方法，在最小化损失函数时，可以通过梯度下降法来一步步的迭代求解损失函数，得到最小化的损失函数，和模型参数值，具体步骤如下：
38.(1)用随机值初始化网络权重和偏差；
39.(2)把输入传入神经网络，得到输出值；
40.(3)计算预测值和真实值之间的误差；
41.(4)对每一个产生误差的神经元，调整相应的(权重)值以减小误差；
42.(5)重复迭代，直至得到误差最小时网络权重的最优值。
43.本发明能够有效解决足底压力感测阵列的非线性、交叉影响性等问题，使得压力测量模型的偏载误差和线性度误差得到很好的补偿。
44.以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。