本發明涉及步態檢測，特別是涉及一種基于多傳感器融合的步態檢測與異常識別系統。

背景技術：

1、腦卒中，俗稱“中風”，包括缺血性腦卒中和出血性腦卒中。當發生腦卒中時，由于腦部血管阻塞或破裂，導致局部腦組織受損。如果受損的腦組織恰好是控制身體一側運動和感覺功能的區域，就會引起對側身體的偏癱，即腦卒中偏癱。具體表現為一側肢體的肌肉力量減弱或消失、肌肉張力異常、運動控制能力喪失，同時可能伴有感覺減退、反射異常等癥狀。腦卒中患者常出現多種下肢步行功能障礙，如運動控制障礙、平衡與穩定性障礙等，給患者的日常活動帶來諸多不便。

2、大多數腦卒中偏癱患者在經過及時有效的治療和康復訓練后，是有可能恢復一定的走路能力的。精確的步態檢測能夠幫助醫生和康復師制定個性化的康復計劃，提高康復效果。但是，目前現有檢測方法存在著：1)檢測單一性：現有技術如可穿戴設備、壓力感應墊等，數據來源較為單一，雖然可得到步態數據，但與患者的自然步態之間仍存在差距，導致步態檢測精度低。2)操作復雜：許多設備需要專業人員操作，如標記點的貼附、數據處理等，患者和普通醫護人員難以獨立使用。3)限制多：光學系統和壓力感應墊等設備需要特定的實驗室環境，無法在患者的日常生活中使用。

技術實現思路

1、為了克服現有技術的不足，本發明的目的是提供一種基于多傳感器融合的步態檢測與異常識別系統，通過多模態數據和便攜式穿戴設備，不僅增加了檢測方式的多樣性，提高檢測精度，還能夠在多場景中應用，打破環境限制；同時通過部署深度學習模型，提高了步態異常識別的智能化程度，為患者康復提供提供了全面的技術支持。

2、為實現上述目的，本發明提供了如下方案：一種基于多傳感器融合的步態檢測與異常識別系統，包括：

3、傳感器集成模塊，用于在鞋墊上部署薄膜壓力傳感器，在小腿或足部相關肌群區域上部署輕量化表面肌電傳感器，并利用微控制器進行傳感器數據的同步采集和初步處理，得到原始壓力數據和原始肌電數據；

4、數據預處理模塊，用于對所述原始壓力數據和所述原始肌電數據進行預處理，得到標準壓力數據和標準肌電數據；

5、特征提取與融合模塊，用于基于所述標準壓力數據和所述標準肌電數據，提取足底壓力特征和肌電信號特征，并將所述足底壓力特征和所述肌電信號特征進行融合，得到多模態特征向量；

6、步態監測模塊，用于設計深度學習模型，并利用健康人群步態數據和腦卒中偏癱患者的異常步態數據進行模型訓練，得到識別模型；

7、異常識別模塊，用于利用所述識別模型，對實時的多模態特征向量進行異常步態的識別和實時反饋；

8、醫生端交互模塊，用于設計移動端app，顯示步態監測界面、康復訓練建議和歷史記錄，并設計醫生端管理平臺，進行患者檔案管理、數據統計分析和康復訓練定制；

9、其中，所述傳感器集成模塊、所述數據預處理模塊、所述特征提取與融合模塊、所述步態監測模塊、所述異常識別模塊和所述醫生端交互模塊之間互相連接。

10、可選的，所述傳感器集成模塊包括：

11、壓力監測單元，用于根據患者足底形狀和壓力分布情況計算薄膜壓力傳感器的密度和位置，得到傳感器陣列，再利用spi或i2c總線連接傳感器陣列，進行壓力數據的監測；

12、肌電信號監測單元，用于利用輕量化表面肌電傳感器監測肌電信號，并設計放大電路和濾波電路，進行肌電信號的放大和濾波，再利用模數變換器將肌電信號數字化，得到肌電數據；

13、同步采集單元，用于同步傳感器的時鐘信號，并利用微控制器同步采集壓力數據和肌電數據，對采集的數據進行初步濾波和去噪，得到原始壓力數據和原始肌電數據，再利用無線傳輸技術進行數據傳輸；

14、供電單元，用于利用可充電鋰電池進行供電，并結合壓電式能量收集器，利用足底壓力進行輔助供電。

15、可選的，所述數據預處理模塊包括：

16、壓力數據預處理單元，用于基于所述原始壓力數據，利用移動平均濾波器平滑壓力信號，去除短暫尖峰噪聲，利用中值濾波器處理異常數據值，并對傳感器的零點偏移量進行監測和校正，得到標準壓力數據；

17、肌電數據預處理單元，用于基于所述原始肌電數據，利用帶通濾波器去除低頻基線漂移和高頻噪聲，利用陷波濾波器抑制工頻干擾，并通過小波變換分離低頻分量和高頻分量，以去除低頻成分，得到標準肌電數據。

18、可選的，所述特征提取與融合模塊包括：

19、足底壓力特征提取單元，用于基于所述標準壓力數據，提取足底壓力的空間分布特征、時間序列特征和足部對稱性指標；

20、肌電信號特征提取單元，用于基于所述標準肌電數據，提取時域特征、頻域特征和時頻域特征；

21、多模態融合單元，用于結合注意力機制，將所述足底壓力特征和所述肌電信號特征進行拼接融合，得到高維特征向量，將所述高維特征向量輸入到分類模型或回歸模型中，輸出步態狀態或異常評分。

22、可選的，所述足底壓力特征提取單元包括：

23、空間分布特征子單元，用于根據薄膜壓力傳感器陣列的測量點，計算每幀數據的壓力中心，得到足底壓力中心軌跡，計算每幀數據中足尖與足跟的壓力總和比值，得到足尖足跟壓力比，計算左右腳的總壓力差值，得到左右腳壓力差；

24、時間序列特征子單元，用于利用足底壓力信號的周期性變化，提取步態周期，利用左右腳的足底壓力中心在行走方向上的最大水平距離差，計算步長和步幅，并通過足底壓力信號的接觸與離地特征，計算擺動期與支撐期的時間比例；

25、足部對稱性指標子單元，用于計算左右腳的壓力積分，并提取每個步態周期內的最大壓力峰值，再結合左右腳的壓力積分、最大壓力峰值和擺動期與支撐期的時間比例，得到對稱性評分，以量化步態對稱性。

26、可選的，所述足底壓力中心軌跡用于分析步態穩定性，所述足尖足跟壓力比用于分析患者步態的腿蹬力，并判斷是否存在足下垂或拖曳步，所述左右腳壓力差用于評估步態對稱性，識別偏癱側的壓力不足；其中，所述足底壓力中心軌跡的表達式為：

27、

28、其中，pi為第i個傳感器的壓力值，xi、yi分別為第i個傳感器的位置坐標，copx、copy分別為x方向和y方向上的連續幀壓力中心。

29、可選的，所述肌電信號特征提取單元包括：

30、時域特征子單元，用于基于所述標準肌電數據，計算均方根值，得到肌肉激活強度，計算積分肌電，得到肌肉總激活量，并計算信號波形長度，以評估肌肉激活復雜度；

31、頻域特征子單元，用于基于所述標準肌電數據，計算功率譜分布以及功率譜的重心頻率和頻率熵；

32、時頻域特征子單元，用于基于所述標準肌電數據，利用離散小波變換，提取不同頻段的特征，利用短時傅里葉變換，提取時頻特征，分析肌肉激活模式隨時間的變化趨勢。

33、可選的，均值方根的表達式為：

34、

35、其中，n為采樣點總數，ai為第i個采樣點的肌電信號幅值，為采樣點的幅值平方求和；

36、積分肌電的表達式為：

37、

38、其中，|ai|為第i個采樣點的肌電信號幅值的絕對值。

39、可選的，所述步態監測模塊包括：

40、架構設計單元，用于結合卷積神經網絡、長短期記憶網絡和transformer，得到初始模型；其中，所述卷積神經網絡用于提取所述足底壓力特征，所述長短期記憶網絡用于提取所述肌電信號特征，所述transformer用于對所述足底壓力特征和所述肌電信號特征進行全局建模，以捕捉步態的關鍵模式；

41、模型訓練單元，用于采集健康人群和腦卒中偏癱患者的步態數據，得到綜合數據集，利用所述綜合數據集，進行所述初始模型的有監督學習，并使用分層交叉驗證法評估模型性能，優化超參數，完成模型訓練，得到識別模型。

42、可選的，所述異常識別模塊包括：

43、異常特征庫單元，用于在模型訓練過程中，提取關鍵異常特征，并存儲到異常特征庫中；

44、異常識別單元，將實時的多模態特征向量輸入到所述識別模型中，提取實時步態特征，并將所述實時步態特征與所述異常特征庫進行匹配，得到異常步態，再對異常步態進行異常分類和異常評分；

45、實時反饋單元，用于預設異常評分閾值，當所述異常評分大于所述異常評分閾值時，通過移動端app進行異常反饋，并將異常步態數據和所述異常評分上傳至醫生端管理平臺。

46、本發明通過提供一種基于多傳感器融合的步態檢測與異常識別系統，公開了以下技術效果：

47、1、多模態融合：不同于傳統的單一檢測方式，本發明將足底壓力和生物電信號同時納入步態檢測中，既能反映下肢的力學特征，也能捕捉肌肉活動的神經調控特征，具有更高的檢測準確度和魯棒性。

48、2、操作簡單，穿戴便攜：本發明通過在鞋墊上部署薄膜壓力傳感器(具有柔性、薄型的特點，可適配鞋墊曲面)，在小腿或足部相關肌群區域上部署輕量化表面肌電傳感器(電極材料可選用柔性導電聚合物，確保佩戴舒適性和信號穩定性)，兼顧精準采樣的同時，使穿戴更加舒適，患者在日常環境中也可實現長時間、高頻次的檢測。

49、3、智能化識別：通過設計深度學習模型，能夠自動學習足底壓力和肌電信號的時空特征，識別異常步態，提升步態異常識別的精度，還能夠對異常信息進行實時反饋，幫助患者即時調整運動方式，從而更快康復。

50、4、多場景應用：可在康復科室、社區醫療機構甚至家庭環境中使用，為腦卒中偏癱患者的康復監測與個性化治療提供了更靈活的解決方案。

51、下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。