一种基于步态信息的疲劳检测方法、装置及系统

1.本发明属于疲劳检测领域，具体涉及一种基于步态信息的疲劳检测方法、装置及系统。


背景技术：

2.疲劳是人体运动中一种常见的现象，它影响着人的各种运动状态，跑步过程中疲劳的增加导致人体运动风险的增加。目前一些对于体力要求很高的人群如建筑工人、军人、运动员等经常处于肌肉疲劳状态，这可能对安全和健康造成不利的影响。在肌肉疲劳发生时我们采取有效的预防措施是非常有必要的。
3.目前用于监测人体疲劳的装置大致分为可穿戴型、光学捕捉和测力地板。可穿戴设备一般采集人体脑电、心电、血氧浓度等生理指标。然而，技术相关存在的缺点如下：疲劳检测一般都是通过脑电、心电、血氧浓度等生理指标，设备操作复杂且易受被试者情绪、身体状况等影响。光学检测模块需要大量的计算设备，对设备要求较高，局限性较大。


技术实现要素：

4.本发明的目的在于提供一种基于步态信息的疲劳检测方法、装置及系统，对人体疲劳程度进行检测，具有使用方便、检测准确的特点。
5.为达到上述目的，本发明所采用的技术方案是：
6.本发明第一方面提供了一种基于步态信息的疲劳检测方法，包括：
7.采集使用者在运动过程中的下肢关节角度数据；
8.由下肢关节角度数据中提取步态序列信息，并对步态序列信息进行计算统计获得步态特征信息；
9.预先训练好的疲劳预测模型根据输入的步态特征信息获得使用者的疲劳状态；
10.所述疲劳预测模型训练过程包括：
11.获取实验者的身体状态信息，并记录实验者的运动过程中的运动信息、下肢关节角度数据和疲劳状态信息，构建训练数据集；
12.将训练数据集按照疲劳状态信息划分等级，并通过训练数据集对机器学习模型进行训练，获得准确率和误差符合要求的疲劳预测模型。
13.优选的，由下肢关节角度数据中提取步态序列信息的方法包括：对所述下肢关节角度数据进行低通滤波处理，并按照步长时间完成步态分割，获得步态序列信息。
14.优选的，步态特征信息包括步态序列信息中的最大值、最小值、均值、方差、峰度、偏度、变异系数。
15.优选的，记录实验者的运动过程中的运动信息、下肢关节角度数据和疲劳状态信息的方法包括：
16.通过三级负荷跑步方法训练实验者，计算实验者在各级负荷跑步中的心率，拟合心率和运动强度的关系曲线，确定所述实验者的疲劳强度，并记录实验者的下肢关节角度
数据和跑步速度；
17.使实验者进行充分休息后重复三级负荷跑步方法训练实验者，记录不同疲劳强度下实验者的下肢关节角度数据和跑步速度。
18.优选的，所述机器学习模型为逻辑斯蒂回归学习模型、随机森林学习模型、梯度提升树学习模型或支持向量机学习模型。
19.本发明第二方面提供了一种基于步态信息的疲劳检测系统，包括：
20.步态信息采集模块，用于采集使用者在行走过程中的下肢关节角度数据；
21.数据解析模块，用于由肢关节角度数据中提取步态序列信息；
22.数据处理模块，用于对步态序列信息进行计算统计获得步态特征信息；
23.模型训练模块，用于将训练数据集按照疲劳状态信息划分等级，并通过训练数据集对机器学习模型进行训练；
24.疲劳状态识别模块，内设有预先训练好的疲劳预测模型，用于根据输入的步态特征信息获得使用者的疲劳状态。
25.优选的，所述步态信息采集模块与所述数据封装模块；所述数据封装模块作用在于将下肢关节角度数据进行打包处理；所述数据封装模块与数据解析模块通过数据发送模块与数据接收模块无线连接。
26.优选的，还包括模型性能比较模块；所述模型训练模块通过训练数据集对不同学习模型进行训练，所述学习模型包括逻辑斯蒂回归学习模型、随机森林学习模型、梯度提升树学习模型和支持向量机学习模型，所述模型性能比较模块将训练后的不同学习模型进行对比，获得准确率和误差符合要求的疲劳预测模型。
27.本发明第三方面提供了一种基于步态信息的疲劳检测装置，包括角度传感器、连杆；所述角度传感器设置于人体腰部；所述角度传感器的转子上连接有连杆；所述连杆设置于人体腿部。
28.优选的，两个角度传感器通过腰带设置于人体腰部两侧，所述连杆通过绑带固定于人体腿部。
29.优选的，还包括壳体和电路板；所述角度传感器和电路板设置于壳体内；所述电路板上设有信号调理电路、微处理器和无线连接模块；所述角度传感器、信号调理电路和微处理器依次电性连接；所述微处理器作用在于将下肢关节角度数据进行打包处理；所述微处理器通过无线连接模块与上位机无线连接。
30.与现有技术相比，本发明的有益效果：
31.(1)本发明采集使用者在运动过程中的下肢关节角度数据；由下肢关节角度数据中提取步态序列信息，并对步态序列信息进行计算统计获得步态特征信息；预先训练好的疲劳预测模型根据输入的步态特征信息获得使用者的疲劳状态；通过采集下肢关节角度数据即可检测使用者的疲劳状态，检测过程简单方便，提高了疲劳检测的实用性；对步态序列信息进行计算统计获得步态特征信息，该过程减少了疲劳预测模型训练过程和识别过程的运算量。
32.(2)本发明中将训练数据集按照疲劳状态信息划分等级，并通过训练数据集对机器学习模型进行训练，获得准确率和误差符合要求的疲劳预测模型；机器学习方法能够建立步态特征信息与疲劳等级之间的关系，实现高精度的疲劳状态识别。
附图说明
33.图1是本发明实施例提供的一种基于步态信息的疲劳检测系统的结构图；
34.图2是本发明实施例提供的壳体内的结构图；
35.图3是本发明实施例提供的一种基于步态信息的疲劳检测装置的结构图；
36.图4是本发明实施例提供的对步态序列信息进行计算统计获得步态特征信息的流程图；
37.图5是本发明实施例提供的采集训练数据集的流程图；
38.图6是本发明实施例提供的一种基于步态信息的疲劳检测方法的流程图。
39.图中：1外壳；2角度传感器；3转子；4连杆；5电路板；6信号调理电路；7微控制器；8无线连接模块；9电源模块；10腰带；11疲劳检测装置；12绑带；13角度传感器轴心；14人体髋关节轴心。
具体实施方式
40.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
41.实施例一
42.如图6所示，本发明第一方面提供了一种基于步态信息的疲劳检测方法，包括：
43.采集使用者在运动过程中的下肢关节角度数据；
44.对所述下肢关节角度数据进行低通滤波处理，排除非步态数据外的高频干扰；采用动态时间扭曲算法按照步长时间完成步态分割获得步态序列信息，首先确定步态序列的模板序列，通过步态序列与模板的匹配得到匹配距离，最终选取匹配距离的局部最小值作为步态分割的起点和终点，完成步态序列的划分，得到受测者每一步的步态序列。
45.如图4所示，对步态序列信息进行计算统计获得步态特征信息；步态特征信息包括步态序列信息中的最大值、最小值、均值、方差、峰度、偏度、变异系数。步态特征信息能够反应人体步态特征，相对于步态序列作为机器学习模型的输入减少了模型的训练和预测运算量，在较小的运算资源代价下实现高精度的疲劳状态识别。
46.预先训练好的疲劳预测模型根据输入的步态特征信息获得使用者的疲劳状态；疲劳状态预测等级分为非疲劳状态和疲劳状态，非疲劳状态为0，疲劳状态1-4代表疲劳程度，等级越高代表该个体的疲劳程度越强。
47.所述疲劳预测模型训练过程包括：
48.如图5所示，获取实验者的身体状态信息，通过三级负荷跑步方法训练实验者，三级负荷实验用于获取实验者在三种不同的速度下的运动强度对应的心率，三级负荷实验的跑步速度为4.9km/h、6.3km/h、8.3km/h，分别对应5、7、10梅脱的运动强度；计算实验者在各级负荷跑步中的心率，拟合心率和运动强度的关系曲线，确定所述实验者的疲劳强度，并记录实验者的下肢关节角度数据和跑步速度；最大运动强度由最大心率计算得出，人体最大心率hrmax由公式为：hrmax＝208-0.7*年龄；疲劳诱导实验中每个疲劳等级对应的跑步速度由最大运动强度的60％、70％、80％、90％计算得；穿戴疲劳检测装置用于采集实验者的步态数据，根据最大运动强度的60％、70％、80％、90％对应的不同跑步速度，让受试者在跑步机上进行三分钟的跑步运动，记录实验者的下肢关节角度数据。
49.使实验者进行休息5到10分钟以恢复体力，等到实验者充分休息后重复三级负荷跑步方法训练实验者，记录不同疲劳强度下实验者的下肢关节角度数据和跑步速度，将实验者的身体状态信息、下肢关节角度数据、疲劳强度数据、跑步速度数据构建为训练数据集；
50.将训练数据集按照疲劳状态信息划分等级，并通过训练数据集对机器学习模型进行训练，获得准确率和误差符合要求的疲劳预测模型；所述机器学习模型为逻辑斯蒂回归学习模型、随机森林学习模型、梯度提升树学习模型和支持向量机学习模型；挑选最优模型作为疲劳预测模型。本实施例中随机森林学习模型识别疲劳状态的性能最好，准确率达到92.55％，平均绝对误差为0.14，在统计特征信息量较少的情况下随机森林可以实现高精度的多分类疲劳状态识别。
51.实施例二
52.如图1所示，一种基于步态信息的疲劳检测系统，本疲劳检测系统可以应用于实施例一所述的疲劳检测方法，所述疲劳检测系统包括：
53.步态信息采集模块，用于采集使用者在行走过程中的下肢关节角度数据；
54.数据解析模块，用于由肢关节角度数据中提取步态序列信息；
55.数据处理模块，用于对步态序列信息进行计算统计获得步态特征信息；
56.模型训练模块，用于将训练数据集按照疲劳状态信息划分等级，并通过训练数据集对机器学习模型进行训练；所述模型训练模块通过训练数据集对不同学习模型进行训练，所述学习模型包括逻辑斯蒂回归学习模型、随机森林学习模型、梯度提升树学习模型和支持向量机学习模型；
57.模型性能比较模块，用于将训练后的不同学习模型进行对比，获得准确率和误差符合要求的疲劳预测模型；
58.疲劳状态识别模块，内设有预先训练好的疲劳预测模型，用于根据输入的步态特征信息获得使用者的疲劳状态。
59.所述步态信息采集模块与所述数据封装模块；所述数据封装模块作用在于将下肢关节角度数据进行打包处理；所述数据封装模块与数据解析模块通过数据发送模块与数据接收模块无线连接。
60.实施例三
61.如图2至图3所示，一种基于步态信息的疲劳检测装置，本疲劳检测装置可以应用于实施例一所述的疲劳检测方法，所述疲劳检测装置包括角度传感器2、连杆4、壳体1和电路板5；所述角度传感器2和电路板5设置于壳体内；两壳体1连接于所述腰带10上，两个角度传感器2通过腰带10设置于人体腰部两侧，所述角度传感器2的转子3上连接有连杆4；所述连杆4通过绑带12固定于人体腿部，在行走过程中保持连杆4与大腿的一致性；角度传感器2的数据即为人体躯干与大腿之间的角度；通过腰带10和绑带12结合使疲劳检测装置11的安装更为方便。
62.所述电路板5上设有信号调理电路6、微处理器7、无线连接模块8和电源模块9；电源模块9用于整个电路板5的供电；所述角度传感器2、信号调理电路6和微处理器7依次电性连接；所述微处理器7作用在于将下肢关节角度数据进行打包处理；所述微处理器7通过无线连接模块8与上位机无线连接；微处理器7将信号打包并使用无线模块8发送至上位机；
63.所述上位机内设置有数据解析模块、数据处理模块、模型性能比较模块和疲劳状态识别模块；所述数据解析模块由肢关节角度数据中提取步态序列信息；所述数据处理模块对步态序列信息进行计算统计获得步态特征信息；所述模型训练模块将训练数据集按照疲劳状态信息划分等级，并通过训练数据集对机器学习模型进行训练；所述模型训练模块通过训练数据集对不同学习模型进行训练，所述学习模型包括逻辑斯蒂回归学习模型、随机森林学习模型、梯度提升树学习模型和支持向量机学习模型；模型性能比较模块将训练后的不同学习模型进行对比，获得准确率和误差符合要求的疲劳预测模型；疲劳状态识别模块内设有预先训练好的疲劳预测模型，疲劳状态识别模块根据输入的步态特征信息获得使用者的疲劳状态。
64.角度传感器轴心13与人体髋关节轴心14并不能完全耦合，在行走过程中数据误差较大，使用传统方法分析该穿戴设备在不同疲劳等级之间的差异难度较大，本实施例中使用机器学习方法能够精确识别不同的疲劳等级，机器学习方法能够建立步态特征信息与疲劳等级之间的关系，实现高精度的疲劳状态识别。
65.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
66.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
67.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
68.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
69.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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。