陶 帥 梁珊珊 魏鵬緒 呂澤平

1.研究背景

步態(tài)分析可運用在相關(guān)疾病診斷、康復(fù)評定、療效評價的過程中，通過各項參數(shù)客觀、定量地評定人體的步行功能，全面反映患者的康復(fù)狀態(tài)。步態(tài)信息包含了比較全面的人體運動信息，并將這些信息以定量的數(shù)字化形式描述，能夠準(zhǔn)確的表達肢體運動時的細微差別。步態(tài)分析在認知障礙等疾病的診斷領(lǐng)域(如跌倒、帕金森癥、阿爾茨海默病等)都有著廣泛的應(yīng)用[1]。如今很多醫(yī)院擁有功能強大的，用于疾病診斷、設(shè)計治療計劃和后續(xù)康復(fù)評價的步態(tài)實驗室(如加拿大西安大略醫(yī)學(xué)院Gait & Brain Lab.、英國帝國理工大學(xué)等)。當(dāng)前醫(yī)院主流使用的步態(tài)采集系統(tǒng)有較多基于視頻、基于生物電等方式。使用這些步態(tài)采集系統(tǒng)采集步態(tài)信息可以得到較全面和詳盡的數(shù)據(jù)，但有著占地面積大、不利于操作、耗費時間長、成本高昂等缺點。無法滿足患者采集日常步態(tài)數(shù)據(jù)的要求。

步態(tài)數(shù)據(jù)中的數(shù)據(jù)種類極其豐富，而其中跨步長和離地高度數(shù)據(jù)在醫(yī)療應(yīng)用中有更強的應(yīng)用價值，是步態(tài)數(shù)據(jù)中的重要組成部分[1]。在多種老年病的康復(fù)效果觀察以及病因推斷中，跨步長以及離地高度的變化是重要的參考數(shù)據(jù)[2]。因此如何簡單便捷地在日常生活中采集到跨步長和離地高度等簡單步態(tài)數(shù)據(jù)亦成為研究關(guān)注的重點之一。

近年來加速度傳感器和陀螺儀的快速發(fā)展，為步態(tài)數(shù)據(jù)的采集提供了新的思路。國內(nèi)外很多研究機構(gòu)對簡易步態(tài)采集系統(tǒng)進行了廣泛的研究。大量的研究證明了通過采集足部角度數(shù)據(jù)進行步態(tài)數(shù)據(jù)分析的可能性[3～6]，并且跨步長與步頻等其他步態(tài)參數(shù)具有一定的關(guān)聯(lián)性[7]。現(xiàn)有研究大都只能通過足部角度數(shù)據(jù)推算出特定對象的跨步長數(shù)據(jù)，且在足部角度數(shù)據(jù)推算離地高度數(shù)據(jù)的方面暫時還沒有顯著成果。

本文通過使用安裝在足底鞋墊內(nèi)的MPU-6050作為角度信號傳感器采集足部角度數(shù)據(jù)，高速攝像機拍攝行進過程采集跨步長、離地高度真實數(shù)據(jù)。使用BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練得到具有普遍性的角度-跨步長以及角度-離地高度模型。本方法為步態(tài)數(shù)據(jù)采集提供了新的思路和方法，具有操作簡單，適用面廣的優(yōu)勢，可以將基于角度數(shù)據(jù)的簡易步態(tài)采集裝置應(yīng)用于實際的醫(yī)療領(lǐng)域。

2.訓(xùn)練樣本采集

2.1 設(shè)備和安裝 數(shù)據(jù)采集使用了一個角度采集模塊與一臺索尼α7R2單電相機。實驗場地貼有最小單位為1毫米的坐標(biāo)紙作為跨步長和離地高度真值的參照。

角度采集模塊內(nèi)含一個MPU-6050整合性6軸運動處理組件、藍牙通信模塊和無線充電模塊。MPU-6050整合性6軸運動處理組件包含了一個三軸加速度傳感器和一個陀螺儀。

該角度采集模塊安裝在一個底部有鏤空的鞋墊當(dāng)中，并放置于鞋內(nèi)。為了避免因鞋的種類不同而導(dǎo)致的數(shù)據(jù)誤差，所有志愿者均被要求穿同樣的鞋(ASICS GEL-LYTE33)來進行采集。數(shù)據(jù)以100Hz的采樣頻率進行采集，在進行前置濾波、角度解算以及數(shù)據(jù)融合后，以25Hz的頻率通過藍牙串口輸出至計算機，計算機在收到角度信息的同時將當(dāng)前時間的時間戳一同記錄。

圖1 數(shù)據(jù)采集設(shè)備

圖2 足部與對應(yīng)坐標(biāo)軸

足部的角度在Z軸上的變化信息最為豐富，而X軸和Y軸的變化十分不顯著。因此本文選擇使用Z軸的角度數(shù)據(jù)作為樣本數(shù)據(jù)。

加速度傳感器所輸出的數(shù)據(jù)分別為重力加速度相對于x軸方向、y軸方向和z軸方向的加速度分量值，可直接用于計算x軸相對于豎直方向的傾角值為：

(1)

注：(1)式中，ACCELx、ACCELy和ACCELz分別為重力加速度相對于x軸方向、y軸方向和z軸方向的加速度分量值，AngAccx為計算所得的基于加速度數(shù)據(jù)的豎直方向相對于x軸的傾角值。

由于加速度傳感器容易受到物體線性運動加速度的干擾，而陀螺儀的測量精度與物體的運動狀態(tài)無關(guān)，因此對于運動物體(足部)而言，使用陀螺儀可以獲得更為精確的角度數(shù)據(jù)。陀螺儀所輸出的數(shù)據(jù)可直接計算出角加速度，為：

(2)

注：(2)上式中，Gyroy為陀螺儀輸出的y軸原始測量值，GyroFR為陀螺儀量程值，AngVx即為x軸相對于豎直方向的傾角角速度。

由此可計算出，基于陀螺儀數(shù)據(jù)所計算出的角度值為：

AngGyrx=AngGytx+AngVx×dt

(3)

注：(3)式中，dt為陀螺儀的采樣時間，AngGyr為基于陀螺儀數(shù)據(jù)所計算出的角度值，角速度與采樣時間的乘積即為角度的變化量，原角度值與角度變化量之和即為當(dāng)前的角度值。

基于陀螺儀計算的傾角數(shù)據(jù)具有較高的短期精度，但由于陀螺儀自身具有誤差，同時角度計算過程為積分過程，本身也具有積累誤差，因此隨著時間的累計陀螺儀的數(shù)據(jù)誤差也會變大。而加速度計具有長時間的數(shù)據(jù)穩(wěn)定性，短時間內(nèi)加速度傳感器由于物體運動的影響，其短期精度較低。因此，將加速度傳感器和陀螺儀進行數(shù)據(jù)融合，即可同時保證角度數(shù)據(jù)的短期精度和長期穩(wěn)定性[8]。數(shù)據(jù)融合的計算方法為：

Angx=K×AngACCx+(1-K)(Angx+AngVx×dt)

(4)

注：(4)式中，K為加速度傳感器的置信度。根據(jù)加速度傳感器和陀螺儀的參數(shù)，設(shè)定合適的K值，即可獲得穩(wěn)定且準(zhǔn)確的角度數(shù)據(jù)。

如圖3、圖4所示，當(dāng)K設(shè)定為0.1時，數(shù)據(jù)融合很好地修正了由于加速度對加速度傳感器帶來的影響，從而輸出了準(zhǔn)確的角度值數(shù)據(jù)。

圖3 未進行數(shù)據(jù)融合的角度曲線

圖4 數(shù)據(jù)融合后的角度曲線

2.2 數(shù)據(jù)采集 實驗選取了5名學(xué)生作為數(shù)據(jù)采集對象，其中男性為4名，女性為1名，年齡均在20歲至22歲之間。所有志愿者均被要求穿上裝有角度傳感器的特定運動鞋以自己的正常速度在貼有坐標(biāo)紙的墻之前來回步行。通過使用編寫的上位機軟件，人為控制計算機只記錄對象在視頻錄制范圍中行走時的角度值和時間。每位對象均采集100組左腳單步完整跨步的時間與Z軸角度數(shù)據(jù)。在整個采集過程中，每位對象在采集50組數(shù)據(jù)后會進行短暫的休息和活動，以防止往返步行導(dǎo)致的步態(tài)變化。同時記錄五位對象的大腿長度和小腿長度。

α7R2單電相機被放置在貼有坐標(biāo)紙的墻的正對面，鏡頭水平中央線與地面保持平行以防止透視導(dǎo)致的視覺誤差。相機參數(shù)設(shè)定為ISO2000，光圈大小F4，快門速度1/200，手動變焦。其中F4的光圈用以避免淺景深導(dǎo)致的背景模糊的同時保證進光量，1/200的快門速度用以保證視頻中的運動對象不會出現(xiàn)重影現(xiàn)象，2000ISO用以保證在高速快門下的正常曝光。同時，在相同位置以相同焦距在50的ISO下拍攝一張正常曝光的照片，在后期處理中將照片和視頻進行疊加，以避免視頻錄制中因高ISO導(dǎo)致的噪點而產(chǎn)生的坐標(biāo)紙刻度不清晰的問題。

圖5 數(shù)據(jù)采集現(xiàn)場

3.特征選取

步態(tài)分析中，人在行走時一側(cè)足跟落地到該側(cè)足跟再次著地的過程被分為一個步行周期。行走中每個步態(tài)周期都包含著一系列姿位的轉(zhuǎn)移，一般在步態(tài)分析當(dāng)中把這些典型姿位的變化劃分為數(shù)個系列時段，稱之為步態(tài)時相，如圖6所示。一個步行周期可以分為支撐相(即下肢接觸地面及承受重力的時間)和擺動相(即足部離開地面向前邁步到再次落地的時間)。

圖6 完整步相循環(huán)

在跨步長及離地高度的建模中，所需要的數(shù)據(jù)為足跟開始離地到足尖落地這一周期內(nèi)一系列的角度數(shù)據(jù)。因此本文以步態(tài)參數(shù)中對步相的劃分方法為參考，將整個足部運動過程按照足部的Z軸角度值劃分為四個時期：①蹬伸期：角度開始變化到角度值最大的過程。②擺動前期：角度值最大到角度值為0的過程。③擺動后期：角度值從0到角度值最小的過程。④落地期：角度值最小到角度值為0的過程。

圖7 單側(cè)足完整跨步分割

采集得到的數(shù)據(jù)分別為角度值和對應(yīng)的時間戳。其中時間戳是相對采集開始時刻的毫秒值。這些數(shù)據(jù)以鍵值對的形式進行記錄，并以一個完整跨步為一組，保存在文本文件中。

本文按照四個時期對采集的一個完整跨步中的角度-時間對進行分割，同時計算出相應(yīng)時期的時間，并將整個過程中足部最大的角度值與最小的角度值取出。在進行數(shù)據(jù)處理后，每一組跨步數(shù)據(jù)中包含了以下特征：①分割為四個時期的角度-時間對數(shù)組；②每個時期使用的時間；③整個跨步過程中足部的最大角度與最小角度。

4.統(tǒng)計學(xué)分析與論證

本文使用皮爾遜相關(guān)性系數(shù)來描述各變量之間與目標(biāo)量(跨步長、離地高度)之間的相關(guān)性。其目的在于研究數(shù)據(jù)之間的關(guān)聯(lián)性，論證使用神經(jīng)網(wǎng)絡(luò)通過足部角度值和時間值來推算跨步長和離地高度的可行性。

皮爾遜相關(guān)性系數(shù)描述了2個定距變量間的聯(lián)系的緊密程度[9]，公式為：

(5)

注：(5)式中rxy∈[-1,1]，n為樣本量，X、Y為兩個變量的觀測值。

角度-時間對集合在相關(guān)性分析中需要去量綱操作，根據(jù)前文中數(shù)據(jù)采集的操作可知，集合中每兩對數(shù)據(jù)之間的時間差為固定值，即集合中的角度在時間軸上呈均勻排布。同時本文期望通過足部在行進過程中的角度變化模型來推算跨步長和離地高度，因此可以使用反應(yīng)離散程度的值[10]來對集合進行去量綱操作。本文選擇使用變異系數(shù)(Coefficient of Variation,CV)來對集合進行去量綱操作。

表1 各數(shù)據(jù)與跨步長及離地高度的相關(guān)性R

由上表可知，跨步長與總變異系數(shù)呈強相關(guān)(0.8>|r|>0.6)，與最小角度和擺動期時間呈弱相關(guān)(0.4>|r|>0.2)。離地高度與蹬伸期、擺動期變異系數(shù)以及最小角度呈強相關(guān)，與總時間呈中等相關(guān),表明單側(cè)足在完整跨步過程中的角度變化、時間(步相)與跨步長和離地高度存在關(guān)聯(lián)性，嘗試通過BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，預(yù)期得到步長與步高較好的預(yù)測效果。

5.模型訓(xùn)練

5.1 BP神經(jīng)網(wǎng)絡(luò)搭建 BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)的簡稱，它由一個輸入層，一個或多個隱含層和一個輸出層組成，每一層由一定數(shù)量的神經(jīng)元構(gòu)成[11～14]。本研究使用三層BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的激活函數(shù)使用sigmoid函數(shù)[15]。

訓(xùn)練集在進行訓(xùn)練前對所有數(shù)據(jù)使用min-max標(biāo)準(zhǔn)化來進行歸一化操作以去除數(shù)據(jù)的量綱。

(6)

注：(6)式中max和min分別取同一量綱下所有數(shù)據(jù)中的最大值和最小值。

網(wǎng)絡(luò)的輸入數(shù)據(jù)L0(隱含層)如上表為跨步過程中的不同特征，在模型訓(xùn)練中將按照特征進行組合以尋找結(jié)果最優(yōu)的組合。其中角度值的集合經(jīng)過插值平滑處理后平均取50個點作為輸入量。

L1(隱含層)的神經(jīng)元數(shù)量為輸入層神經(jīng)元數(shù)量與輸出層神經(jīng)元數(shù)量之和的二分之一取整?？绮介L與離地高度分別進行建模，即每個模型的L2層(輸出層)只有一個節(jié)點。

表2 輸入數(shù)據(jù)為跨步過程中的不同特征

5.2 訓(xùn)練方法 實驗采集的數(shù)據(jù)共有500組，去除20組錯誤數(shù)據(jù)后共有480個有效樣本。本文將480個樣本隨機分為5組進行交叉驗證。即訓(xùn)練集大小為384個樣本，驗證集大小為96個樣本。

輸入數(shù)據(jù)以角度數(shù)據(jù)為基礎(chǔ)，與其他特征的數(shù)據(jù)進行組合，共有8組輸入，每一組輸入數(shù)據(jù)都對應(yīng)跨步長和離地高度兩種輸出，因此每種輸出都對應(yīng)8個不同的網(wǎng)絡(luò)模型。在對每個模型進行訓(xùn)練并驗證后，取同一輸出下誤差率最低的模型作為推算該輸出數(shù)據(jù)所使用的網(wǎng)絡(luò)模型，即得到輸入數(shù)據(jù)的最優(yōu)特征組合方式。在得到最佳的網(wǎng)絡(luò)模型后，取430個樣本進行訓(xùn)練，50個樣本用于驗證，每次迭代都驗證誤差率以得到最優(yōu)迭代次數(shù)。

5.3 訓(xùn)練結(jié)果 將角度與其他特征進行組合作為輸入數(shù)據(jù)進行訓(xùn)練。訓(xùn)練結(jié)果如表3所示。

表3 將角度與其他特征進行組合作為輸入數(shù)據(jù)的訓(xùn)練結(jié)果

由表3可知，在跨步長的模型訓(xùn)練中，使用角度、時間、長度、CV特征得到的模型誤差率最低，為14.3%。在離地高度的模型訓(xùn)練中，使用角度、長度、CV三種特征所得到的模型誤差率最低，為20%。

圖8 離地高度誤差率變化圖

如圖8、圖9所示，兩個模型的誤差率在快速下降之后分別于698次和2573次到達最低點。而后由于過度訓(xùn)練誤差率開始上升。最低點會隨著樣本的變化而產(chǎn)生變化，因此每一次訓(xùn)練都要將迭代次數(shù)設(shè)置在一個較高的值以便得到最低誤差。

圖9 跨步長誤差率變化圖

6.跌倒監(jiān)測

在本研究中對跌倒監(jiān)測進行了初步的研究，足底角度的表示如圖10所示。設(shè)定角度閾值為60°和120°，即當(dāng)每個足底的軸向傾角中，至少有一個足底的兩軸向傾角都處于60°～120°的范圍內(nèi)時，認為人體處于正常狀態(tài)；反之，當(dāng)每個足底的軸向傾角均有一個軸向的傾角不處于60°～120°的范圍內(nèi)時，認為人體處于跌倒?fàn)顟B(tài)。其公式表示形式為：

State=[(57°≥Rx∨Rx≥131°)∨(57°≥Ry∨Ry≥131°)]∧
8[(57°≥Lx∨Lx≥131°)∨(57°≥Ly∨Ly≥131°)]

(7)

其中，State為狀態(tài)值，當(dāng)State為0時，為正常狀態(tài)；當(dāng)State為1時，為異常(即跌倒)狀態(tài)。Rx和Ry是右腳的兩個軸向傾角值，Lx和Ly時左腳的兩個傾角值。其邏輯含義為：當(dāng)左腳和右腳中各自存在至少一個異常狀態(tài)下的軸向傾角值時，即可認為人體處于異常狀態(tài)。

圖10 足底角度的表示方法

實驗共分5組(正向跌倒，背向跌倒，左向跌倒，右向跌倒，自由跌倒)，每組16次重復(fù)實驗，共80次試驗檢測方法的準(zhǔn)確性。

圖11 跌倒監(jiān)測試驗結(jié)果

如圖11所示，在80次跌倒試驗中，共有75次跌倒成功監(jiān)測，準(zhǔn)確率為93.75%。其中，正向和左向跌倒的監(jiān)測成功率為100%，背向跌倒準(zhǔn)確監(jiān)測率較低，僅為87.5%。試驗結(jié)果表明，基于可穿戴設(shè)備的跌倒監(jiān)測方法具有實際應(yīng)用的潛力。

7.結(jié)論與討論

在本次實驗中，共使用了來自5名志愿者共480組實驗樣本。將角度、時間、腿長、各時期的CV值作為輸入，跨步長作為輸出的訓(xùn)練集，以BP神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練，得到14%的誤差率。將角度、各時期的CV、腿長作為輸入，將離地高度作為輸出，誤差率為20%，表明使用神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到角度推算跨步長與離地高度的模型具有較強的可行性。

在此基礎(chǔ)上，兩個模型的誤差率還有很大的下降空間。本次實驗中存在以下的問題影響了模型的訓(xùn)練：①數(shù)據(jù)采集的頻率過低，僅為25HZ。②藍牙傳輸過程當(dāng)中由于信號干擾導(dǎo)致出現(xiàn)丟包。以上兩點問題均導(dǎo)致了樣本質(zhì)量的下降并直接導(dǎo)致了模型訓(xùn)練的效果。

本次實驗的重點在于觀察人在行走的時候能夠通過加速度傳感器和陀螺儀采集到的哪些特征影響了跨步長和離地高度。在后續(xù)的研究當(dāng)中會減少藍牙傳輸過程中的丟包并增加采集頻率以獲得更多的角度值信息，并使用更多的建模方法進行測試。

本文所研究的結(jié)果可以用于醫(yī)療領(lǐng)域，采集患者的日常步態(tài)數(shù)據(jù)，用以實現(xiàn)對多種老年病(如跌倒、帕金森癥、阿爾茨海默病等)的康復(fù)追蹤和療效反饋。本研究同時表明在步態(tài)數(shù)據(jù)的采集過程中使用神經(jīng)網(wǎng)絡(luò)通過部分步態(tài)數(shù)據(jù)來推算其他步態(tài)數(shù)據(jù)的可行性，在今后的研究中可以嘗試使用更多算法來推算其他類型的步態(tài)數(shù)據(jù)。

8.總結(jié)

本文通過MPU-6050整合性六軸運動處理組件、藍牙通信模塊對足部在一個完整跨步中的角度值和對應(yīng)的時間戳進行采集，并使用BP神經(jīng)網(wǎng)絡(luò)將角度值、時間值、角度值的變異系數(shù)以及采集對象的腿長作為輸入數(shù)據(jù)，跨步長和離地高度分別作為兩個模型的輸出值進行交叉驗證訓(xùn)練。得到的兩個模型當(dāng)中，跨步長模型的最低誤差率為14%，離地高度模型的最低誤差率為20%，實現(xiàn)了使用完整跨步中的一系列角度值和跨步時間對跨步長和離地高度的推算，驗證了在步態(tài)數(shù)據(jù)采集中使用神經(jīng)網(wǎng)絡(luò)來獲取更多步態(tài)數(shù)據(jù)的可行性，并且利用角度數(shù)據(jù)進行跌倒監(jiān)測的初步試驗，監(jiān)測成功率為93.75%。