本发明涉及人工智能领域，尤其涉及一种基于pca-bp神经网络的姿势不良步态识别方法及系统。
背景技术：
1、目前青少年普遍存在姿势不良的情况，预防和纠正青少年姿势不良的问题亟待解决，姿势不良的检测是预防与纠正的前提，要想做到及时止损，就必须深入研究青少年姿势不良的步态检测和识别方法。
2、步态检测在康复训练、体育训练等领域具有重要价值，国内外相关课题的研究者都一直致力于研究出一种更精确、更简便、更有效的步态检测方法。目前国内外相对来说较为成熟的步态检测方法主要有三大类：第一大类是基于计算机视觉的步态检测，第二大类是足底压力扫描技术，第三大类是利用测力板或测力台等设备检测足底压力。
3、计算机视觉的步态检测技术是通过对连续拍摄的图片或者影像进行人体目标检测，根据被测者每一帧的足部姿态分析来实现步态检测。该技术要求在特定场景下进行，采用摄像头对行走过程中的目标图像进行捕获、检测、分割，即视觉监测整个行走过程的画面。这种方法对摄像机等硬件检测设备的要求较高，且需要安装在固定的场所，因此对足底压力检测的实验环境有较多的限制。
4、足底压力扫描技术则是利用一块带有光源的足够厚的方形透明玻璃，玻璃上置有一块橡胶材料的弹性垫。光源发出的光信号在玻璃介质内会形成全反射，因此当被测者站立在玻璃上时，弹性垫受到压力会产生形变，被测者站立时的足底压力影像就被记录了下来。如此一来，根据足印影像的光大小就可以判断该区域的压力大小，这样就得到了足底各区域的压力分布情况。该方法要求实验对象静止站立在扫描仪上，全过程中保持自然且稳定的状态，但在实际操作过程中，被测者极易受到周围环境的干扰，导致站立不自然，且该实验仅限于静态检测，无法得到行走全过程的人体足底压力分布信息。
5、通过测力板或测力台的检测技术则要求实验对象在给定的测力板上来回行走以达到检测足底压力的目的，这种方法虽然是一种动态检测，但由于压力板的长度和面积限制，只能测量人静止站立在测力板或动态行走至测力板时获取到的该时刻的步态压力数据。
6、步态识别是通过采集人体的足底压力信号，进一步分析得到步态信息，并根据这些步态信息对其进行分类识别的方法。步态识别方法已广泛应用于临床医疗诊断、康复评估、人工关节和假肢制造以及体育训练等领域，具有重要的研究价值。
技术实现思路
1、本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种基于pca-bp神经网络的姿势不良步态识别方法及系统，具有较好的识别效果与较高的准确率。
2、为解决上述技术问题，本发明提出的技术方案为：
3、一种基于pca-bp神经网络的姿势不良步态识别方法及系统，方法包括以下步骤：
4、s101)由智能鞋垫、智能模块、计算机和上位机软件组成的姿势不良步态识别系统，采集自由状态下被测者的多路动态足底压力信号；
5、s102)获取多路动态足底压力信号的原始数据，将足底压力信号的原始数据经过数据预处理后进行特征提取，然后加上类别标签后构建数据集，所述数据集中的每一行数据均代表一个步态，包含该步态的特征数据和相应类别；利用主成分分析法对每个步态中的特征进行降维；
6、s103)搭建pca-bp神经网络模型中的bp神经网络模型，并将所述数据集划分为训练集和测试集，训练集输入bp神经网络模型进行训练，获得模型参数，使得训练好的神经网络模型根据足底压力信号的特征数据识别对应类别，为在线应用做准备；
7、s104)在线应用时，采集被测者动态足底压力信号，采用s102中相同的数据预处理方法，并将数据输入到pca-bp神经网络，得到步态识别结果；通过设定正常步态判定阈值，利用判别器，判别该被测者是否为姿势不良患者。
8、进一步的，步骤s102中将足底压力信号的原始数据经过数据预处理后进行特征提取时，包括：
9、s201)对原始数据的预处理包括去漂、电容值转压力值、压力合的滤波和步态分割；
10、s202)根据时域分析法对每个步态周期内的压力数据计算对应的物理统计量和数学统计量。
11、进一步的，步骤s201中去漂的步骤包括：为了解决零点漂移问题，加入了零点跟踪的算法，初始化一个指定大小的矩阵作为窗口，每接收到一组数据，则弃掉最后一行数据，并将接收到的这组数据放入窗口内，从而形成一个零点跟踪的滑动窗口，窗口每更新一次数据，则重新计算矩阵的方差，设置一方差的阈值，若更新后的矩阵方差达到阈值，则将这组接收到的数据放入零点矩阵中，进行一次零点更新；若更新后达到阈值，则零点更新为新的基础值；若更新后未达到阈值，则零点保持不变；
12、电容值转压力值的步骤包括：将单个通道采集的电容值与传感器面积与传感器系数相乘的千分之一作为对应的压力值；
13、压力合的滤波的步骤包括：为了去除噪声的干扰，提高波形的平滑度，对压力的合力使用savitzky-golay滤波；
14、步态分割的步骤包括：将足底压力信号的合力波形中的每个合力值分别与预设的判别阈值进行比较，包括：若连续的指定数量的合力值大小呈现递增趋势且最后一个合力值大于判别阈值，则第一个合力值的时间点为当前步态周期的起始时间点，且下一个步态周期的起始时间点为当前步态周期的终止时间点。
15、进一步的，步骤s102中利用主成分分析法对每个步态中的特征数据进行降维时，包括：将每个物理统计量和数学统计量作为主成分分量，并计算各个主成分的方差以及贡献度，按照贡献度从大到小的顺序选取指定个数的主成分，作为样本中降维后的特征。
16、进一步的，所述bp神经网络模型包括输入层、隐含层和输出层，且输入层中神经元输入与降维后的特征一一对应。
17、进一步的，步骤s103中将数据集中的训练集样本输入bp神经网络模型进行训练时，包括：训练集的特征数据经过归一化处理后作为bp神经网络模型的输入，将步态类别作为bp神经网络模型的输出的对照，输出会经过一个判别器。
18、进一步的，将数据集中的训练数据输入bp神经网络模型进行训练时还包括，将bp神经网络模型的输出与目标输出相比较，计算网络误差，若网络误差满足条件则获得模型参数，并为执行步骤s104做准备，否则重新训练bp神经网络模型。
19、进一步的，步骤s104包括通过判别器判别被测者是否为姿势不良患者的步骤，具体包括：
20、将识别为正常的步态数量除以被测者的步态总数，得到被测者正常步态识别准确率；正常的步态数量具体指识别的类别与类别标签一致、且步态标签为正常步态的数量；
21、判别器用于：在现场应用时，采集被测者动态足底压力信号，利用训练好的姿势不良识别模型，得到步态识别结果；通过设定正常步态判定阈值，利用判别器，判别该被测者是否为姿势不良患者；
22、判别器判别被测者的所有步态，若正常步态识别准确率大于或等于预设的正常步态判定阈值，则被测者判定为正常人，若正常步态识别准确率小于预设的阈值，则被测者判定为姿势不良的患者；
23、改变阈值的大小，得到不同阈值下的整体步态识别准确率。
24、本发明还提出一种基于pca-bp神经网络的姿势不良步态识别系统，该系统由智能鞋垫、智能模块、计算机和上位机软件组成；智能鞋垫由传感器阵列组成，感测阵列会根据需求调整极片个数、位置和面积，采用的电容式传感器可以在多次弯折后仍保持较高的精度；智能模块包括运动传感器、数据采集模块、无线模块、电源模块和存储模块，该模块可固定在人体脚踝处，蓝牙用于上位机和模块通信；上位机软件包括足底压动态显示，离线数据存储，离线数据分析三种功能，足底压动态显示已实现足底压力动态分布、足部线性加速度、角速度、重心分布、足底温度及双足所有通道的压力值测量，同时上位机也实现了数据采集、数据在线保存和离线保存的功能。
25、进一步的，所述智能鞋垫的压力传感器分布如下：三个压力传感器分别放置在第一趾骨关节位置，第二趾骨与第三趾骨关节位置，第四趾骨与第五趾骨之间；另外三个压力传感器分别放置在第一跖骨关节位置，第二跖骨与第三跖骨关节位置，第四跖骨与第五跖骨之间；脚掌心设有一个压力传感器，后脚掌的脚跟位置内外两侧分别设有两个压力传感器。
26、与现有技术相比，本发明的优点在于：
27、本发明通过便携式可穿戴智能鞋垫的检测技术，可随时随地完成检测，并能够让被测者处于一个完全放松的自然状态，避免了在特殊场合测试时被测者处于受激状态，因而用该方法采集的被测者行走全过程中的足底压力数据能够更接近实际情况，获取更加准确和客观的数据源。
28、本发明通过对步态分割后的步态信息进行分析，提取出需要的步态特征；用主成分分析法去除了特征量之间的相关性，最大化提高数据的有效性，降低计算资源耗费，再对bp神经网络进行训练。能够综合考虑特征中的规律和存在的相关性以及不同参数对模型性能影响，解决了外界干扰以及依靠经验设定参数值所产生的误差的问题，从而提高了数据的有效性以及模型分类识别的精度。
29、本发明针对足底压力数据的特点优化了神经网络结构，并且对采集到的数据进行了严格的预处理，包括数据滤波、步态分割等。这些措施可以进一步提高步态识别的准确性和鲁棒性，使得模型能够更好地处理复杂的步态数据，并且能够更好地应用到医疗健康、运动科学、生物力学等多个领域中。
1.一种基于pca-bp神经网络的姿势不良步态识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于pca-bp神经网络的姿势不良步态识别方法，其特征在于，步骤s102中将足底压力信号的原始数据经过数据预处理后进行特征提取时，包括：
3.根据权利要求2所述的基于pca-bp神经网络的姿势不良步态识别方法，其特征在于，步骤s201中去漂的步骤包括：为了解决零点漂移问题，加入了零点跟踪的算法，初始化一个指定大小的矩阵作为窗口，每接收到一组数据，则弃掉最后一行数据，并将接收到的这组数据放入窗口内，从而形成一个零点跟踪的滑动窗口，窗口每更新一次数据，则重新计算矩阵的方差，设置方差的阈值，若更新后的矩阵方差达到阈值，则将这组接收到的数据放入零点矩阵中，进行一次零点更新；若更新后达到阈值，则零点更新为新的基础值；若更新后未达到阈值，则零点保持不变；
4.根据权利要求1所述的基于pca-bp神经网络的姿势不良步态识别方法，其特征在于，步骤s102中利用主成分分析法对每个步态中的特征数据进行降维时，包括：将每个物理统计量和数学统计量作为主成分分量，并计算各个主成分的方差以及贡献度，按照贡献度从大到小的顺序选取指定个数的主成分，作为样本中降维后的特征。
5.根据权利要求1所述的基于pca-bp神经网络的姿势不良步态识别方法，其特征在于，步骤s103中所述bp神经网络模型包括输入层、隐含层和输出层，且输入层中神经元输入与降维后的特征一一对应。
6.根据权利要求1所述的基于pca-bp神经网络的姿势不良步态识别方法，其特征在于，步骤s103中将数据集中的训练集样本输入bp神经网络模型进行训练时，包括：训练集的特征数据经过归一化处理后作为bp神经网络模型的输入，将步态类别作为bp神经网络模型的输出的对照，输出会经过一个判别器。
7.根据权利要求6所述的基于pca-bp神经网络的姿势不良步态识别方法，其特征在于，将数据集中的训练数据输入bp神经网络模型进行训练时还包括：将bp神经网络模型的输出与目标输出相比较，计算网络误差，若网络误差满足条件则获得模型参数，并为执行步骤s104做准备，否则重新训练bp神经网络模型。
8.根据权利要求1所述的基于pca-bp神经网络的姿势不良步态识别方法，其特征在于，步骤s104包括在线应用通过判别器判别被测者是否为姿势不良患者的步骤，具体包括：
9.一种基于pca-bp神经网络的姿势不良步态识别系统，其特征在于，该系统由智能鞋垫、智能模块、计算机和上位机软件组成；智能鞋垫由传感器阵列组成，感测阵列会根据需求调整极片个数、位置和面积，采用的电容式传感器可以在多次弯折后仍保持较高的精度；智能模块包括运动传感器、数据采集模块、无线模块、电源模块和存储模块，该模块可固定在人体脚踝处，蓝牙用于上位机和模块通信；上位机软件包括足底压动态显示，离线数据存储，离线数据分析三种功能，足底压动态显示已实现足底压力动态分布、足部线性加速度、角速度、重心分布、足底温度及双足所有通道的压力值测量，同时上位机也实现了数据采集、数据在线保存和离线保存的功能。
10.根据权利要求9所述的姿势不良步态识别系统，其特征在于，所述智能鞋垫的压力传感器分布如下：三个压力传感器分别放置在第一趾骨关节位置，第二趾骨与第三趾骨关节位置，第四趾骨与第五趾骨之间；另外三个压力传感器分别放置在第一跖骨关节位置，第二跖骨与第三跖骨关节位置，第四跖骨与第五跖骨之间；脚掌心设有一个压力传感器，后脚掌的脚跟位置内外两侧分别设有两个压力传感器。
