步态健康监测与分析方法及系统与流程

本发明涉及步态健康监测领域，尤其涉及一种步态健康监测与分析方法及系统。

背景技术：

1、每个人虽然都有自己独特的走路姿势，然而一些相同的步态仍能够反映出人们的身体问题，也就是说，从走路姿态可以看出一个人的健康状况。例如，当一个人走路左右摇晃时，除了先天性“长短腿”之外，后天疾病，比如脊柱侧弯有可能导致这种跛行现象的发生，这时就需要将这个人作为脊柱侧弯的疑似患者进行后续疾病的深入筛查和排除。

2、示例地，中国发明专利公开文本cn 117379038a提出了一种步态健康监测与分析系统，所述系统包括基础数据层，用于对用户信息以及系统数据进行存储；用户交互层，用于接收用户的交互指令，根据交互指令向业务响应层发送处理请求，并对业务响应层返回的处理结果进行可视化展示；业务响应层，用于根据处理请求调用核心功能层对用户信息和系统数据进行步态健康监测与分析处理，得到处理结果；核心功能层，用于通过搜索连接步态监测设备采集得到用户信息，将用户信息输入步态异常判断模型和疾病概率预测模型，生成健康报告；步态异常判断模型和疾病概率预测模型基于学习的方式进行模型参数的更新。本发明基于学习的方式优化了系统内部模型，能够提高隐私保护，可广泛应用于智慧医疗技术领域。

3、示例地，中国发明专利公开文本cn 111436940a提出了一种步态健康评估方法及装置。该方法包括：获取步态压力信号，基于步态压力信号采用模糊逻辑推理规则识别步态相位；记录步态相位的相位顺序；根据相位序列间隔计算步态相位持续时间，以及总体步态周期；基于perry模型标准步态顺序，根据医学标准相位持续时间统计偏离标准步态的异常步态周期；基于异常步态周期和总体步态周期得到异常周期占比，将异常周期占比作为步态健康评价依据。本发明在步态相位检测过程中应用模糊逻辑推理系统，实现平稳连续的步态相位检测，在输出隶属函数中采用梯形与三角形隶属函数，不预设形成个人步态相位顺序，充分考虑个人步态的内部差异性，适用于各种人群的步态评估需求。

4、上述技术方案虽然都采用了人工智能模型对个人步态进行数据分析以给出健康报告或者步态健康评价数据，但是，上述人工智能模型过于偏向数学算法，没有搭建出具体的步态健康监测场景，给出了也是初步的健康评估数据，无法直接给出被监测人员的与步态相关的疾病类型，导致现有技术中的技术方案无法直接投入使用，无法有效进行产业化。

技术实现思路

1、为了解决现有技术中的技术缺陷，本发明提供了一种步态健康监测与分析方法及系统，能够搭建出具体的步态健康监测场景，通过设计定制结构的人工智能模型，在全面、充分的基础数据的基础上，尤为关键的是，在引入多个视觉基础数据的基础上，直接给出被监测人员的与步态相关的疾病类型，从而便于将相关技术方案直接投入到各个健康监测部门进行使用，提升了相关技术方案的产业化价值。

2、根据本发明的第一方面，提供了一种步态健康监测与分析方法，所述方法包括：

3、获取步态健康监测的各项配置信息，所述步态健康监测采用设定通行长度的行走通道且在行走通道的侧面和正前方分别设置具有相同摄像参数的两件监控摄像器件，所述步态健康监测的各项配置信息包括设定通行长度、设定行走通道宽度、前方监控摄像器件距离、侧面监控摄像器件距离以及监控摄像器件的多项摄像参数；

4、获取每一件监控摄像器件输出的一帧监控画面对应的视觉监控内容，每帧监控画面对应的视觉监控内容为该帧成像画面中人体占据区域的各个像素点的景深数值、水平坐标数值、垂直坐标数值、红色通道数值、绿色通道数值以及蓝色通道数值；

5、对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络并作为姿态分析模型输出，所述深度神经网络包括单个输出层、单个输入层以及多个隐藏层，所述多个隐藏层位于所述单个输出层和所述单个输入层之间；

6、在当前监测人员完成设定通行长度的行走通道的行走时，将当前监测人员行走过程中两件监控摄像器件拍摄的各帧成像画面分别对应的各份视觉监控内容、步态健康监测的各项配置信息以及当前监测人员的多项生理信息同步输入到所述姿态分析模型内，并执行所述姿态分析模型，以获得所述姿态分析模型输出的当前监测人员的步态种类；

7、将接收到的所述姿态分析模型输出的当前监测人员的步态种类转换为对应的当前监测人员的患病类型；

8、其中，所述步态健康监测的各项配置信息包括设定通行长度、设定行走通道宽度、前方监控摄像器件距离、侧面监控摄像器件距离以及监控摄像器件的多项摄像参数包括：前方监控摄像器件距离为在行走通道的正前方设置的监控摄像器件到行走通道的末端的距离，侧面监控摄像器件距离为在行走通道的侧面设置的监控摄像器件到行走通道的两侧分别对应的两份距离中的最小值；

9、其中，所述姿态分析模型输出的当前监测人员的步态种类为单侧手部不摆动、左右摇晃、小步幅慢步速、醉酒步态、绊脚步态、单侧歪斜步态、剪刀步走路步态中的一种；

10、其中，将接收到的所述姿态分析模型输出的当前监测人员的步态种类转换为对应的当前监测人员的患病类型包括：为步态种类的单侧手部不摆动、左右摇晃、小步幅慢步速、醉酒步态、绊脚步态、单侧歪斜步态和剪刀步走路步态分别与为患病类型的帕金森病、脊柱侧弯、膝关节硬化、小脑萎缩、神经损伤、锁骨下动脉窃血综合征和脑梗塞前兆一一对应。

11、根据本发明的第二方面，提供了一种步态健康监测与分析系统，所述系统包括：

12、信息解析器件，用于获取步态健康监测的各项配置信息，所述步态健康监测采用设定通行长度的行走通道且在行走通道的侧面和正前方分别设置具有相同摄像参数的两件监控摄像器件，所述步态健康监测的各项配置信息包括设定通行长度、设定行走通道宽度、前方监控摄像器件距离、侧面监控摄像器件距离以及监控摄像器件的多项摄像参数；

13、视觉录入器件，用于获取每一件监控摄像器件输出的一帧监控画面对应的视觉监控内容，每帧监控画面对应的视觉监控内容为该帧成像画面中人体占据区域的各个像素点的景深数值、水平坐标数值、垂直坐标数值、红色通道数值、绿色通道数值以及蓝色通道数值；

14、网络训练器件，用于对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络并作为姿态分析模型输出，所述深度神经网络包括单个输出层、单个输入层以及多个隐藏层，所述多个隐藏层位于所述单个输出层和所述单个输入层之间；

15、智能分析器件，分别与所述信息解析器件、所述视觉录入器件以及所述网络训练器件，用于在当前监测人员完成设定通行长度的行走通道的行走时，将当前监测人员行走过程中两件监控摄像器件拍摄的各帧成像画面分别对应的各份视觉监控内容、步态健康监测的各项配置信息以及当前监测人员的多项生理信息同步输入到所述姿态分析模型内，并执行所述姿态分析模型，以获得所述姿态分析模型输出的当前监测人员的步态种类；

16、病症转换器件，与所述智能分析器件连接，用于将接收到的所述姿态分析模型输出的当前监测人员的步态种类转换为对应的当前监测人员的患病类型；

17、其中，所述步态健康监测的各项配置信息包括设定通行长度、设定行走通道宽度、前方监控摄像器件距离、侧面监控摄像器件距离以及监控摄像器件的多项摄像参数包括：前方监控摄像器件距离为在行走通道的正前方设置的监控摄像器件到行走通道的末端的距离，侧面监控摄像器件距离为在行走通道的侧面设置的监控摄像器件到行走通道的两侧分别对应的两份距离中的最小值；

18、其中，所述姿态分析模型输出的当前监测人员的步态种类为单侧手部不摆动、左右摇晃、小步幅慢步速、醉酒步态、绊脚步态、单侧歪斜步态、剪刀步走路步态中的一种；

19、其中，将接收到的所述姿态分析模型输出的当前监测人员的步态种类转换为对应的当前监测人员的患病类型包括：为步态种类的单侧手部不摆动、左右摇晃、小步幅慢步速、醉酒步态、绊脚步态、单侧歪斜步态和剪刀步走路步态分别与为患病类型的帕金森病、脊柱侧弯、膝关节硬化、小脑萎缩、神经损伤、锁骨下动脉窃血综合征和脑梗塞前兆一一对应。

20、由此可见，本发明至少具备以下四处突出的实质性特点：

21、第一处：在当前监测人员完成用于步态健康监测的行走通道的行走时，采用姿态分析模型基于针对性筛选的各项视觉化内容和各项配置信息智能分析当前监测人员的行走步态种类，并基于智能分析获得的当前监测人员的行走步态种类确定当前监测人员的当前患病类型，从而提升了步态健康监测的自动化水准和智能化水准；

22、第二处：对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络并作为姿态分析模型输出，所述深度神经网络包括单个输出层、单个输入层以及多个隐藏层，所述多个隐藏层位于所述单个输出层和所述单个输入层之间，深度神经网络的训练的次数与监控摄像器件的成像画面的像素点数量单调正向关联，以及深度神经网络的隐藏层的数量与设定通行长度成正比，从而完成对姿态分析模型的结构定制，保证了智能分析结果的有效性和稳定性；

23、第三处：针对性筛选的各项视觉化内容和各项配置信息具体为当前监测人员行走过程中两件监控摄像器件拍摄的各帧成像画面分别对应的各份视觉监控内容、步态健康监测的各项配置信息以及当前监测人员的多项生理信息，其中每帧成像画面对应的视觉监控内容为该帧成像画面中人体占据区域的各个像素点的景深数值、水平坐标数值、垂直坐标数值、红色通道数值、绿色通道数值以及蓝色通道数值，步态健康监测的各项配置信息包括设定通行长度、设定行走通道宽度、前方监控摄像器件距离、侧面监控摄像器件距离以及监控摄像器件的多项摄像参数，以及当前监测人员的多项生理信息为当前监测人员的年龄信息、性别信息、身高信息和体重信息；

24、第四处：在对深度神经网络执行的每一次训练中，将历史上某一监测人员完成设定通行长度的行走通道的行走后已知的所述某一监测人员的步态种类作为深度神经网络的输出内容，将所述某一监测人员行走过程中两件监控摄像器件拍摄的各帧成像画面分别对应的各份视觉监控内容、步态健康监测的各项配置信息以及所述某一监测人员的多项生理信息作为深度神经网络的输入内容，执行本次训练，从而保证了深度神经网络的每一次训练的训练效果。