一种基于智能手机传感器步态分析评估认知状况的方法

1.本发明属于智慧医疗技术领域，具体涉及一种基于智能手机传感器步态分析评估认知状况的方法。


背景技术：

2.步态是指人或动物行走时的身体姿势和行为特征。步态是生物动力学的一个重要组成部分，可以反映个体的身体健康状况和生理状况。步态也可以用于诊断许多生理和神经疾病，因为不正常的步态可能是疾病的征兆。
3.已有研究表明步态与认知能力之间存在一定的关系。研究发现，步态的变化可能预示着认知功能减退，特别是在老年人中。例如，随着年龄的增长，许多人的步态可能会变得不稳定，步长可能会变短，走路速度可能会变慢。这些变化可能预示着认知功能减退，特别是记忆和注意力方面的减退。因此步态参数可以有效评估个体的认知能力。
4.步态分析主要有3个技术领域：计算机视觉、压力传感器、可穿戴设备。计算机视觉技术通过采集人行走的图像信息，来收集步态数据。由于采集图像信息的过程中，存在光线、遮挡、视觉范围等因素，局限性较大。压力传感器技术将传感器放置在水平的地面上，当人在地面上行走时，传感器通过感应压力变化收集步态数据，但压力传感器对场地等因素要求较高，只能在特定的场合发挥作用。可穿戴设备可以随身放置人体的脚部、腰部等多个部位，测量不受环境和场地限制。
5.步态评估通常在临床或实验室环境中完成，对许多用户来说门槛较高，也无法很好地进行高频评估。实验室评估需要昂贵的设备、专用的实验室空间和专业人员。因此，迫切需要开发低成本步态评估的移动工具。
6.随着智能手机逐渐普及，智能手机内置加速计、陀螺仪等传感器，使得智能手机一定程度上可以代替专业的可穿戴设备进行步态分析。因此，通过智能手机内置传感器获取人体运动时的实时传感器数据，对原始数据进行预处理，提取步态特征，最后根据步态特征进行认知评估。


技术实现要素：

7.为了解决上述存在的问题，本发明提出：一种基于智能手机传感器步态分析评估认知状况的方法，包括如下步骤：
8.s1、用户佩戴智能手机行走时，智能手机通过加速计和陀螺仪收集行走产生的实时加速度信号和角速度信号；
9.s2、对所述加速度信号和角速度信号进行预处理、去噪处理；
10.s3、根据加速度信号和角速度信号计算步态参数，所述步态参数包括步频、步速、步幅、支撑相、摆动相、足跟着地角度和足趾离地角度；
11.s4、根据量化出的步态参数结果进行认知评估。
12.进一步地，所述步骤s1中，设置智能手机传感器采样率为50hz。
13.进一步地，所述步骤s2中，对三轴加速度信号和三轴角速度信号进行取模处理：
[0014][0015][0016]
其中a为合加速度值；a
x
表示x轴上的加速度值；ay表示y轴上的加速度值；az表示z轴上的加速度值，g为合角速度值；g
x
表示x轴上的角速度值；gy表示y轴上的角速度值；gz表示z轴上的角速度值；
[0017]
将各采样点的合加速度值与合角速度值分别合成到一个连续的序列中：
[0018]
a＝{a1,a2,a3...}
[0019]
g＝{g1,g2,g3...}。
[0020]
进一步地，所述步骤s3中，计算步数采用峰值检测算法，峰值检测算法以滤波后合加速度值的周期性变化为依据，基于前后两个相邻时刻滤波后合加速度值识别波峰和波谷，如果连续检测到两个波峰就记为一步，检测到一步后，相邻两个波峰之间的时间差即为这一步的时间。
[0021]
进一步地，采用动态阈值提高计步的准确性，动态阈值根据所有合加速度信号峰值的平均值和标准差确定，过滤异常情况下过低的峰值，同时定义正常行走的一步的时间，若某个周期的时间不在正常区间，则不计为一步。
[0022][0023]
进一步地，计算步幅采用双重积分，步幅是一个完整的步伐周期内，两次相同脚跟着地之间的水平距离，对合加速度信号进行二重积分计算实时步幅：
[0024][0025]
根据所有的步幅计算行走距离，根据采样点个数和采样率计算行走时间，从而计算步速；
[0026][0027]
进一步地，在步态参数中，支撑相是指脚与地面接触的阶段，从脚跟着地开始，到脚尖离地结束；摆动相是指脚离开地面的阶段，从脚尖离地开始，到脚跟着地结束；
[0028]
首先通过角速度信号使用峰值检测算法和谷值检测算法标记步态相位，再通过步态相位点时刻计算支撑相和摆动相：
[0029][0030]
摆动相＝1-支撑相；
[0031]
使用合角速度信号g来计算足跟着地角度和足趾离地角度，对角速度信号进行积分操作，得到角度变化：
[0032][0033][0034]
进一步地，所述步骤s4中，根据量化出的步态参数使用机器学习算法来评估个体认知状况，通过智能手机传感器获取个体行走的实时步态数据，并将其量化为对应步态参数的数值特征向量，然后，将特征向量作为训练数据输入到机器学习算法中进行训练，从而建立一个步态参数与认知状况之间的关系模型，通过这个关系模型来评估个体的认知状况。
[0035]
本发明的有益效果为：
[0036]
本发明通过用户携带智能手机进行认知评估，从而为非实验室环境下的步态评估提供一种广泛使用的工具，解决了传统步态分析方法的局限性。本发明基于智能手机内置传感器使用方便、节约成本、贴合实际使用需求。
附图说明
[0037]
图1为设备坐标系示意图；
[0038]
图2为本发明流程图；
[0039]
图3为本发明量化步态参数过程示意图；
[0040]
图4为步态周期加速度信号和角速度信号示意图。
具体实施方式
[0041]
提出一种基于智能手机传感器步态分析评估认知状况的方法，包括如下步骤：
[0042]
s1、用户佩戴智能手机行走时，智能手机通过加速计和陀螺仪收集行走产生的实时加速度信号和角速度信号；
[0043]
s2、对所述加速度信号和角速度信号进行预处理、去噪处理；
[0044]
s3、根据加速度信号和角速度信号计算步态参数，所述步态参数包括步频、步速、步幅、支撑相、摆动相、足跟着地角度和足趾离地角度；
[0045]
s4、根据量化出的步态参数结果进行认知评估。
[0046]
如图1所示，设置智能手机设备的坐标系，设置智能手机传感器采样率为50hz。
[0047]
为消除智能手机传感器坐标系和人体行走定义的坐标系不一定重合的影响，对三轴加速度信号和三轴角速度信号进行取模处理：
[0048][0049][0050]
其中a为合加速度值；a
x
表示x轴上的加速度值；ay表示y轴上的加速度值；az表示z轴上的加速度值。g为合角速度值；g
x
表示x轴上的角速度值；gy表示y轴上的角速度值；gz表示z轴上的角速度值。
[0051]
将各采样点的合加速度值与合角速度值分别合成到一个连续的序列中：
[0052]
a＝{a1,a2,a3...}
[0053]
g＝{g1,g2,g3...}
[0054]
如图2-图3所示，计步算法采用峰值检测算法。峰值检测算法以滤波后合加速度值的周期性变化为依据，基于前后两个相邻时刻滤波后合加速度值识别波峰和波谷，如果连续检测到两个波峰就记为一步。检测到一步后，相邻两个波峰之间的时间差即为这一步的时间。峰值检测算法的特性是算法复杂度低，可以方便地做到实时检测。缺点是峰值检测算法不能很好地适应各种情况，比如时走时停。为了弥补峰值检测算法的缺点，采用动态阈值提高计步的准确性。动态阈值根据所有合加速度信号峰值的平均值和标准差确定，过滤异常情况下过低的峰值，同时定义正常行走的一步的时间，若某个周期的时间不在正常区间，则不计为一步。
[0055][0056]
计算步幅采用双重积分。步幅是一个完整的步伐周期内，两次相同脚跟着地之间的水平距离。对合加速度信号进行二重积分计算实时步幅。
[0057][0058]
根据所有的步幅计算行走距离，根据采样点个数和采样率计算行走时间，从而计算步速。
[0059][0060]
在步态参数中，支撑相是指脚与地面接触的阶段，从脚跟着地开始，到脚尖离地结束。摆动相是指脚离开地面的阶段，从脚尖离地开始，到脚跟着地结束。在正常的步态周期中，支撑相约占步态周期的60％，摆动相约占40％。首先通过角速度信号使用峰值检测算法和谷值检测算法标记步态相位，再通过步态相位点时刻计算支撑相和摆动相。
[0061][0062]
摆动相＝1-支撑相
[0063]
使用合角速度信号g来计算足跟着地角度和足趾离地角度，对角速度信号进行积分操作，得到角度变化。
[0064][0065][0066]
根据量化出的步态参数使用机器学习算法来评估个体认知状况。具体来说，通过
智能手机传感器获取个体行走的实时步态数据，并将其量化为对应步态参数的数值特征向量。然后，将特征向量作为训练数据输入到机器学习算法中进行训练，从而建立一个步态参数与认知状况之间的关系模型。在实际应用中，可以通过这个模型来评估的个体的认知状况。
[0067]
图4为一个步态周期加速度信号和角速度信号变化示意图。曲线a为加速度信号，曲线g为角速度信号。使用峰值检测算法和谷值检测算法对角速度信号进行步态相位标记，标记完成后在加速度信号和角速度信号上使用对应的步态相位计算步态参数。
[0068]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于智能手机传感器步态分析评估认知状况的方法，其特征在于，包括如下步骤：s1、用户佩戴智能手机行走时，智能手机通过加速计和陀螺仪收集行走产生的实时加速度信号和角速度信号；s2、对所述加速度信号和角速度信号进行预处理、去噪处理；s3、根据加速度信号和角速度信号计算步态参数，所述步态参数包括步频、步速、步幅、支撑相、摆动相、足跟着地角度和足趾离地角度；s4、根据量化出的步态参数结果进行认知评估。2.根据权利要求1所述的基于智能手机传感器步态分析评估认知状况的方法，其特征在于，所述步骤s1中，设置智能手机传感器采样率为50hz。3.根据权利要求1所述的基于智能手机传感器步态分析评估认知状况的方法，其特征在于，所述步骤s2中，对三轴加速度信号和三轴角速度信号进行取模处理：在于，所述步骤s2中，对三轴加速度信号和三轴角速度信号进行取模处理：其中a为合加速度值；a
x
表示x轴上的加速度值；a
y
表示y轴上的加速度值；a
z
表示z轴上的加速度值，g为合角速度值；g
x
表示x轴上的角速度值；g
y
表示y轴上的角速度值；g
z
表示z轴上的角速度值；将各采样点的合加速度值与合角速度值分别合成到一个连续的序列中：a＝{a1,a2,a3...}g＝{g1,g2,g3...}。4.根据权利要求1所述的基于智能手机传感器步态分析评估认知状况的方法，其特征在于，所述步骤s3中，计算步数采用峰值检测算法，峰值检测算法以滤波后合加速度值的周期性变化为依据，基于前后两个相邻时刻滤波后合加速度值识别波峰和波谷，如果连续检测到两个波峰就记为一步，检测到一步后，相邻两个波峰之间的时间差即为这一步的时间。5.根据权利要求4所述的基于智能手机传感器步态分析评估认知状况的方法，其特征在于，采用动态阈值提高计步的准确性，动态阈值根据所有合加速度信号峰值的平均值和标准差确定，过滤异常情况下过低的峰值，同时定义正常行走的一步的时间，若某个周期的时间不在正常区间，则不计为一步，6.根据权利要求4所述的基于智能手机传感器步态分析评估认知状况的方法，其特征在于，计算步幅采用双重积分，步幅是一个完整的步伐周期内，两次相同脚跟着地之间的水平距离，对合加速度信号进行二重积分计算实时步幅：
根据所有的步幅计算行走距离，根据采样点个数和采样率计算行走时间，从而计算步速；7.根据权利要求4所述的基于智能手机传感器步态分析评估认知状况的方法，其特征在于，在步态参数中，支撑相是指脚与地面接触的阶段，从脚跟着地开始，到脚尖离地结束；摆动相是指脚离开地面的阶段，从脚尖离地开始，到脚跟着地结束；首先通过角速度信号使用峰值检测算法和谷值检测算法标记步态相位，再通过步态相位点时刻计算支撑相和摆动相：摆动相＝1-支撑相；使用合角速度信号g来计算足跟着地角度和足趾离地角度，对角速度信号进行积分操作，得到角度变化：作，得到角度变化：8.根据权利要求1所述的基于智能手机传感器步态分析评估认知状况的方法，其特征在于，所述步骤s4中，根据量化出的步态参数使用机器学习算法来评估个体认知状况，通过智能手机传感器获取个体行走的实时步态数据，并将其量化为对应步态参数的数值特征向量，然后，将特征向量作为训练数据输入到机器学习算法中进行训练，从而建立一个步态参数与认知状况之间的关系模型，通过这个关系模型来评估个体的认知状况。

技术总结
一种基于智能手机传感器步态分析评估认知状况的方法，属于智慧医疗技术领域，包括如下步骤：S1、用户佩戴智能手机行走时，智能手机通过加速计和陀螺仪收集行走产生的实时加速度信号和角速度信号；S2、对所述加速度信号和角速度信号进行预处理、去噪处理；S3、根据加速度信号和角速度信号计算步态参数，所述步态参数包括步频、步速、步幅、支撑相、摆动相、足跟着地角度和足趾离地角度；S4、根据量化出的步态参数结果进行认知评估。本发明通过用户携带智能手机进行认知评估，从而为非实验室环境下的步态评估提供一种广泛使用的工具，解决了传统步态分析方法的局限性，而且智能手机内置传感器使用方便、节约成本、贴合实际使用需求。贴合实际使用需求。贴合实际使用需求。


技术研发人员：陶帅 张昊 孔丽文 马重
受保护的技术使用者：大连大学
技术研发日：2023.04.23
技术公布日：2023/7/25