人体足底压力分布特征的建模与仿真
足底压力项目书
欢迎共阅德国medilogic足底压力测量系统足底压力足底压力的大小与分布能反映人体腿、足结构、功能及整个身体姿势控制等信息，测试、分析足底应力，对临床诊断、疾患程度测定和术后疗效评价均具有重要意义。
???利用足底压力检测系统不仅可以得到运动过程中地面对人体提供的支撑力，进行受力分析。
而且如果将足底压力和人体运动轨迹的数据代入人体动力学方程，还可以计算出人体在不同姿态下各关节的受力情况，进行反向动力学分析，由德国medilogic公司研制的足底压力测量系统通过每个脚垫上的64个压力传感器,可以实时采集足底压力,并将信号无线发射至电脑进行处理和分析。
广泛用于生物力学、运动训练、康复医学及人体工程学等领域。
足底压力测量作为当今步态研究、足疾诊断和运动鞋设计等领域的支撑技术,其发展历经足印技术(Pedography)、足底压力扫描技术(solebarograph)、力板(ForcePlate)与测力台技术(ForcePlatform)、压力鞋与鞋垫技术脚垫式足底压力测量系统由德国medilogic公司研制的脚垫式测力仪通过每个脚垫上的64个压力传感器,可以实时采集足底压力,并将信号无线发射至电脑进行处理和分析。
广泛用于生物力学、运动训练、康复医学及人体工程学等领域。
特点：1．每只含有64个FSR高敏感压力传感器，可测试站立、走、跑等多种运动状态下的足底压力变化。
压力范围：0.5 - 65 N/cm2 采样频率：60Hz 或300Hz. 2．可实时无线传输鞋底压力信号，并通过软件控制和分析。
3．便捷的录制、停止及回放功能。
4．笔记本电脑配置：奔4M 2.0 MHz，256 MB RAM，30G硬盘, CD-RW刻录坐垫式压力测量系统由德国Medilogic公司研制的坐垫式压力测量系统通过分布在坐垫上的压力传感器，可以实时采集压力值，并将信号无线发射至电脑进行处理和分析。
广泛应用于整形外科、创伤科、运动医学以及人机工程学等领域。
步态分析与足底压力分析 ppt课件
ppt课件
27
发展历史
1882年，Beely率先对足底压力进行了较科 学的研究。
真正系统地进行足底压力分析并用于临床始 于20世纪50年代，近二、三十年来发展迅速， 已经从纯粹的理论转变为医师手中的工具。
目前，足底压力分析已进入动静结合，计算 机精确量化分析，三维仿真模拟的阶段。
醉酒步态：小脑和迷路疾病等。
剪刀步态：脑瘫，截瘫。
共济失调步态：脊髓结核。
公鸡步态：多见于脊髓病变，如炎症、截瘫
ppt课件
等。
13
临床分析
慌张步态
ppt课件
剪刀步态
14
临床分析
蹒跚(鸭行)步态：进行性肌营养不良，佝偻病、大骨节病、先 天性髋关节脱位。
跨阈步态：腓总神经麻痹、坐骨神经麻痹、多发性神经炎。 跟行步态：腓肠肌瘫痪。
笨，没有学问无颜见爹娘 ……” • “太阳当空照，花儿对我笑，小鸟说早早早……”
概念
步态分析是利用力学概念， 结合人体解剖学和生理学对 人体行走功能进行对比分析 的一种生物力学研究方法。
ppt课件
7
发展历早期史阶段：
科学的步态分析可追溯到17世纪的欧洲，并 延续到19世纪末20世纪初。
19世纪初，德国的Weber兄弟开展了第一个 正式的生物力学研究。
系的技术。
手段：表面电极或植入式线电极。
地位：揭示肌肉活动与步态间关系的肌肉电生 理研究。
特点：对步态本质的研究；有创性。
ppt课件
19
最基本的步态参数：
术语 步频(cadence) ：平均步数(步/min) ，步频
=60/步长时间(指一足着地至对侧足着地的平 均时间)。
步幅(stride length) ：一足着地至同一足再次 着地的距离。
前交叉韧带断裂后足底压力特征的聚类分析
前交叉韧带断裂后足底压力特征的聚类分析李晓理;黄红拾;王杰;于媛媛;敖英芳【摘要】运动过程中,人体的步态特征可以在足底压力图像上有准确的记录,而这也就可以成为判断步态正常与否的一条有效依据.通过一组压力传感器阵列获取人体运动过程的足底压力分布数据,提取步态的运动学和动力学特性.在此基础上,采用极限学习机(Extreme learning machines,ELM)神经网络聚类算法对足底压力数据进行分析,完成正常与异常步态的分类辨识工作.本文从实际临床数据出发,对前交叉韧带断裂患者进行步态分析,并据医生的临床诊断结果进行校验.该方法在步态分析上取得了较为良好的效果,仿真结果表明了其有效性.%The gait characteristics of an actor can be recorded accurately on the plantar pressure map in a movement. It can be used to distinguish whether the gait of this actor in a movement is abnormal or not. Using a set of pressure sensors, the plantar pressure during dynamic motion is collected, and the kinetic and dynamic characteristics of gait are extracted. Then extreme learning machines (ELM) neural network cluster algorithm is used to the analyze of the plantar pressure data and identification of normal or abnormal gait is done. Based on actual clinical data, this method carries out an analysis of patients with anterior cruciate ligament deficiency, which is checked according to the doctor's clinical diagnosis results. Result shows that this method is effective.【期刊名称】《自动化学报》【年(卷),期】2017(043)003【总页数】12页(P418-429)【关键词】足底压力;步态特征;极限学习机神经网络;前交叉韧带断裂;聚类分析【作者】李晓理;黄红拾;王杰;于媛媛;敖英芳【作者单位】北京工业大学电子信息与控制工程学院北京 100124;北京大学第三医院运动医学研究所北京 100191;北京科技大学自动化学院北京 100083;北京大学第三医院运动医学研究所北京 100191;北京大学第三医院运动医学研究所北京100191【正文语种】中文人体的足部虽小,却也是一个极为重要而复杂的结构.每一步行走在足底产生的压力都是十分巨大的.众所周知,当腿足受伤后,人体的行走就会受到一定的影响,这种变化也会有肉眼可见的直观呈现;而经常为大家所忽视的是,这些异常也会导致人体每一步行走的足底压力产生相应的变化.足底压力图像是人体行走信息的一个极为重要的载体.对人体运动过程的足底压力与压强分布进行分析,可以获知运动的一系列步态特征;在此基础上进行进一步的分析可以获知人体的健康情况.当然不同损伤不同病症对于足底压力产生的作用效果不一样,对于不同的步态特征参数会有不同的影响.有些作用效果极为明显,易于辨别分析;有些作用效果轻微,分析难度很高.足底压力数据承载着重要的行走信息,近几十年来,伴随着计算机技术的普及和新型传感器技术的发展,压力测量仪器有了很大的改进甚至变革.无论是性能、质量还是准确性都有了明显提升.告别了脚印法等原始的测压方法,以压力传感器为核心的各式各样的足底压力测量仪器大量涌入;足底压力测量技术也在运动生物力学步态研究中有了日益显要的地位,成为了研究的热点.然而与足底压力测量技术飞速发展不相称的是,足底压力数据分析的研究尚不成熟.在社会高度信息化的今天,疾病的智能诊断与康复必然也是一项极具价值的研究内容.学者们的研究工作目前主要集中于人体行为对足底压力数据的影响,以及足底压力数据与步态特征的关系[1−3]等方面,将足底压力数据与特定病症进行直接连结的分析相对较少.另一方面,人体结构复杂,不同病症在足底压力上也有着复杂的表现;当前对于足底数据的分析有很大一部分仍需要依赖研究者自己直接在足压数据图上进行编辑处理,如文献[4]中步态特征的提取与足底压力数据图的标准化.当足底压力数据量较大时,就给医务工作者带来较大工作量与工作难度,因而对医生的工作强度与素养有较高要求.而控制算法的引入可以使这些问题有较为明显的改观.聚类问题本质是数学优化问题,不同的分类标准可以产生不同的聚类算法,基于神经网络的聚类算法有着极为重要的地位.这种将人工神经网络应用于聚类问题的算法主要起源自Kononen的学习向量量化(Learning vector quantization,LVQ)[5]和自适应组织特征映射 (Self-organizing feature map,SOFM)[6]以及Carpenter 等的自适应共振理论(Adaptive resonance theory,ART)[7].由于其具有自组织自适应、大规模并行、鲁棒性好等优点,目前在图像识别、故障检测等领域有着广泛的应用.传统的人工神经网络中,网络的隐层节点参数往往是通过一定的学习算法,进行多次优化并最终确定.这些学习步骤大多会使参数的训练过程占用大量的时间,从而使网络训练过程的效率得不到保证.为增强神经网络的整体性能,Huang等提出了一种新的学习算法—极限学习机(Extreme learning machines,ELM)算法[8].ELM神经网络学习过程简单,大大降低了网络参数的调节时间.近几年间该网络已经得到了广泛关注.本文基于ELM神经网络聚类算法对前交叉韧带断裂损伤进行辨识研究.通过对测试者的足底压力数据进行分析,从中提取关键的步态特征信息.并以此为特征值,应用ELM神经网络聚类算法,完成前交叉韧带断裂者与正常者之间的辨识工作.本研究可为临床医疗中该伤情的诊断或康复效果检查提供参考意见.1.1 足底压力数据的测量提取市场上可用于足底压力测量的仪器设备很多,本研究选用FootScan足底压力测量平板系统,如图1所示.该系统可用于赤足或穿鞋的走、跑等不同运动的静态或动态足底压力测量.测量平板总大小为200cm×40cm,共包含16384个压力传感器,每个压力传感器大小为7.62mm×5.02mm.该测量平板被放置在一条16米长的跑道中间,我们要求测试者裸足进行足底压力测试.为了保证测量数据的有效性,每个测试者测试前都需要先进行热身并熟悉裸足测试的基本流程.测试者可以选择自己适合的运动速度进行测试,测试中采用“左–右–左”的“三步走”方法.对于正常的运动过程而言,每个人的足部着地过程都应为足跟首先触地,所以当测试者不是足跟部先着地时该次测试无效.在测试中,测试者选择走路方式测试,系统的采样频率设置为126Hz.1.2 步态特征生物力学与运动医学都是有着较长历史的研究领域,用于标识行走信息的步态特征参数很多;然而这些步态特征可用于足底压力分析的内容却是寥寥,目前研究较多的有足行进角、足弓指数、足底压力中心轨迹线等[9].足行进角(Foot progression angle,FPA)是用来衡量人体运动过程中足部偏转行走方向程度的一个参数.生活上常提及的内八字与外八字走路方式即可用该参数进行较为直接的表示.虽然大致含义很明确,但是该参数的具体计算却尚未有统一的标准.目前文献[4]中的定义有着较为广泛的认可.在该文献中,作者先以10kPa的压强作为临界值提取一幅完整足底压力图的轮廓线,并分别在足内侧和外侧提取了前足与后足的公切线.以两条公切线的对称轴作为足部中轴线,该中轴线与行进方向的夹角被定为足行进角.目前对之进行研究的学者有很多[3].足弓指数(Arch index,AI)是用来标识人体足底几何特征的一个参数.它和人们常说的扁平足有着较为直接的对应关系.该参数在1987年由Cavanagh等[10]提出,其计算方法目前已成公认.该参数值即为将足底压力图像(此处足底压力图不包含足趾)长轴三等分后,中间区域的压力占整体足底压力图的比例.一般正常人的足弓指数范围为0.21＜AI＜0.26.足底压力中心轨迹线(Trajectory of the center of pressure,COP)[2]是标识一只脚整个着地过程足底接触面压力中心运动轨迹的参数.它同样表示着人足部着地过程整体重心的移动轨迹.我们可以在文献[4]中的标准化过程中得到该参数的计量方法,即直接获取每帧压力数据图的压力中心点,并将所有压力数据帧的压力中心点直接连成一条线即可.该参数在后文提到的前交叉韧带断裂足底压力分析中发挥着至关重要的作用.1.3 前交叉韧带断裂前交叉韧带 (Anterior cruciate ligament, ACL),又称前十字韧带,是人体膝关节的一个十分重要的稳定器.ACL断裂(ACL de fi ciency,ACLD)是很常见的一种损伤,多为高强度运动致伤.ACL断裂[11]后,伤者会出现明显的膝关节不稳现象,对膝关节功能产生严重的负面影响.未得到有效治疗会继发关节软骨和半月板损伤.文献[12]中提到,为了便于对足底压力数据进行分析,我们可以在一只脚着地的整个周期提取出5个特征时刻,如图2所示:足跟触地时刻(First foot contact,FFC)、前足触地时刻(First metatarsal contact,FMC)、前后足支撑地时刻(Forefoot fl at, FFF)、足跟离地时刻(Heel o ff,HO)和足尖离地时刻(Last foot contact,LFC).相应的整个周期又被分为4个阶段:足跟触地阶段 (Initial contact phase,ICP)、前足触地阶段(Forefoot contact phase,FFCP)、全足支撑阶段 (Foot fl at phase, FFP)和前足蹬离阶段(Forefoot push o ffphase, FFPOP).由于足膝偶联机制的存在,整个着地周期的4个阶段出现不同的表现:在足跟触地阶段和前足触地阶段,前足旋前、胫骨内旋;而在全足支撑阶段和前足蹬离阶段则出现相反的运动:前足旋后、胫骨外旋.当ACL断裂后,伤者行走的足底压力数据会有对应的变化.ELM是一种快速的单隐层神经网络训练算法.其核心为:神经网络学习过程中,我们设置好合适的隐层节点参数,输入权值可以随机赋值,只调整最外层网络输出权值.网络参数的确定过程中只需一步求逆,无需任何迭代步骤,从而大大降低了网络参数的调节时间,在理论上可以达到很快的学习速度.图3为ELM神经网络结构.2.1 ELM神经网络算法针对训练数据样本(x,t),具有L个隐层神经元的单隐层前向神经网络,Huang等[13]给出了ELM的基本算法.给定初始训练样本隐层输出函数G(a,b,x),隐层节点个数L.步骤1.随机生成隐层节点参数(ai,bi),i=1, ···,L;步骤2.计算隐层输出矩阵H;步骤 3. 计算网络输出层的权值β:β= H+T.利用Moore-Penrose广义逆可以得到H+= (HTH)−1HT,式中,T=[t1···tN]Tm×N.基本ELM算法需要数据离线获得,不能在线进行学习.此外,对于隐层神经网络节点个数L.系统并不能给出一个合理的指导算法来选择合适的隐层神经网络节点个数L,因而往往会导致网络的冗余.考虑到上述问题,Huang等[7,14]提出了几种ELM神经网络的衍生形式.传统的ELM神经网络,当面临新到来数据时,需要与之前的数据一起重新训练,这使得学习效率低下,不利于实际生产中的应用.OS-ELM算法[13]给出一个ELM算法的在线形式.OS-ELM算法相对于传统批处理式学习算法而言,当新数据到来时,其串行学习的方法不需要对以往的数据进行重新训练,只需对当前新到来的数据块进行训练.OS-ELM算法是一种简单有效的在线学习算法,不仅可以处理连续的单个数据,还可以处理连续的数据块.而无论是传统的ELM算法还是OS-ELM算法,其隐层节点神经元个数L一旦给定,便不再改变.由于没有指导性的指标机制,网络隐层节点个数的选取不当会引起ELM 过学习或欠学习.因此, Feng等[14]提出基于误差极小的ELM神经网络学习算法—EM-ELM算法.该算法能够根据需要自增加隐层节点个数,避免了网络的冗余.相对传统的ELM神经网络及其他变形形式,EM-ELM神经网络能够简化网络结构,避免网络冗余,提高网络的学习效率.2.2 基于ELM神经网络的聚类分析文献[15]将核函数融入到ELM算法中,并解释到ELM神经网络可以用于回归和分类问题的分析计算.当用之进行聚类分析时,首先需要采用上面的方法用一系列样本数据对ELM分类器进行学习训练.训练完成后可按下述思路计算新样本的类别所属. ELM分类器的输出为式中,h(x)为ELM神经网络隐层神经元的输出,它是关于输入样本x的函数.当需要解决的聚类问题只是一个二分问题时, ELM神经网络可以只用一个输出节点,ELM分类器的分类结果为当这是一个多类划分问题(聚类个数为c,c＞2)时,ELM神经网络则需要有c个输出层节点,即m=c,ELM分类器的分类结果为该方法将作为下一节足底压力数据分析的核心算法思想.3.1 足底压力数据预处理按照上文所述,采用一定的采样频率,借助足底压力测量平板可以获取测试者一次运动的足底压力数据.该数据由一组二维表表示,每张二维表即一帧压力数据,它按照实际的空间位置关系记录某一时刻压力传感器阵列各个点的压强大小(即足底压力的大小);二维表的张数取决于测试者运动的速度与我们设置的采样频率.可以根据每一帧的压力数据画出对应时刻的足底压力数据图.参见图4.本文共测取了75份实验数据.其中正常人裸足步行数据25份,左膝ACL断裂者裸足步行数据25份,右膝ACL断裂裸足步行数据25份.每份测试数据都既包含测试者左足着地数据,也包含同一测试者当次运动的右足着地数据.对于每足的完整着地周期数据由100～200帧二维压力数据组成.本文将以ACL断裂为例,对足底压力数据进行分析研究.如第1节所述,ACL断裂会对人体运动的足底压力数据产生一定的影响,该影响会对足底压力数据中心轨迹线产生较明显的影响.依据重心计算公式可以计算每帧二维压力数据表的压力中心:其中,X和Y分别表示以压力传感器为单位的坐标的两个维度,整足所占空间的左下角被记为坐标原点;不同次测试中,着脚点位置会有偏移而不同,选定的坐标原点也会有对应的变化,所以着脚点位置的不同不会影响分析.Pi表示压力测量平板每个测量点的压强大小.将一个完整着地周期的各帧压力中心连结在一起即可获得该足着地过程的足底重心移动轨迹,即COP轨迹线.据此,我们可以做出各个测试数据的COP轨迹线,并了解ACL断裂对COP参数的影响,如图5和图6所示.图5中左图为正常测试者左侧足底压力COP轨迹线图,其中直连线为25份测试数据各自的COP轨迹线,星连线为25份测试数据的平均COP轨迹线.右图为左膝ACL断裂测试者的左侧足底压力COP轨迹线图.从图5可以看出,正常测试者与ACL断裂患者的压力中心轨迹线有明显区别.这是由于ACL断裂后,受伤侧的胫骨出现异常增加的内旋、内移和前移[16],在着地或突然改变运动方向,股四头肌发生离心收缩时,就易出现膝关节不稳症状[17].在支撑相早期阶段,膝关节接近伸直,小腿所受的剪切力主要是由股四头肌产生的前向剪力,产生胫骨前向负荷较大;而且足跟触地阶段和前足触地阶段发生的足旋前和胫骨内旋[18],会加重ACL断裂后的膝关节不稳.这些原因均可能导致胫骨前移,加重ACL断裂后的膝关节紊乱.基于足膝偶联关系,这种膝关节功能紊乱有可能引起人体的代偿调整,改变动态足底压力分布,以便维持一定水平的步行能力.如图6所示,同样的特征在右侧足底压力数据也有对应的体现.图6中左图为正常测试者右侧足底压力的COP轨迹线图,右图为右膝ACL断裂测试者的右侧足底压力COP轨迹线图.由于测试过程的诸多不确定因素影响,右侧足底压力测试结果中有个别数据特征没有特别突出,但大致趋势仍可从图6中看出.为避免ACL断裂测试者的伤足数据对正常数据产生影响致使分析结果不够科学可靠,研究中所用的正常数据皆选自完全正常的测试者.虽然从图5和图6中原始特征提取所得的COP轨迹线可以看出ACL断裂对足底压力数据的影响,但是该数据尚不能直接用于聚类分析.结合生活常识,观察图5和图6可以意识到,不同测试的足型不同,每个人的脚有小有大,如果对不同人的足底压力中心坐标值直接进行对比分析,结果必然是不准确的.所以,这些足底压力数据还需要通过下式进行坐标放缩:式中,和分别表示放缩后的压力中心坐标值, LX和LY分别表示该测试者足底压力数据两个维度的宽度,即该测试者足型大小.通过此式,所有足底压力数据被放缩映射到一个30×20(此数值取自标准足型大小近似对应的传感器阵列单位模型)的矩形坐标系中.以某一COP轨迹线为例,其放缩效果如图7所示.由于每条COP轨迹线都由上百个压力中心点组成,每个点又由两个坐标值组成,如果直接用这样超两百的数据作为标识一个样本的特征,对于聚类分析无疑是巨大的工作量.为了降低运算量,需要在此基础上进行坐标点的提取.然而每位测试者的整足着地周期时间长度不同,每份测试数据的二维压力数据表帧数不同,这就意味着每条COP轨迹的压力中心点数不同,不能直接按照统一的时间标度作为坐标点提取的依据;同样由于坐标本身是特征信息的载体,也不能直接选用统一的空间标度作为坐标点提取的依据.结合第2节中的着地周期的5个特征时刻说明,研究中最终选用从整条COP轨迹线中提取对应的5个关键坐标点(10个特征值)作为该样本的特征描述.为了使X和Y坐标对分析结果的影响权重一致,同时考虑到日后可能的特征扩展,最后需要对提取的特征序列进行归一化.通过将所得特征序列中的值与全体样本中对应特征的最大值作比,将所有特征值转化到[0,1]范围内.3.2 足底压力数据仿真计算在本研究中,左右侧足底压力数据分别分析,每组分析的聚类个数为2,即正常人足底压力数据类与ACL断裂者足底压力数据类.选用基于径向基核函数的ELM神经网络作为聚类算法.径向基核函数可以表示为式中,σ是一个需要自行调控的参数,在仿真实验中可以通过调整它以使保有较为理想的训练效果,本实验中选取σ2=15.根据上一节的数据预处理,可以获得以下数据样本的特征序列.表中每个特征向量由10个特征值表示.表1为25份正常测试者左侧足底压力数据提取的特征序列,表2为左膝ACL断裂测试者的足底压力数据,各数据在表中随机排序.该数据已经过坐标放缩映射,但未进行归一化处理.在表2中可以看到较为明显的坐标特征.以左侧足底压力数据分析为例,现在已得两类50条测试样本数据.ELM神经网络是一种有监督的聚类算法,它需要先由一系列的样本数据对神经元进行训练,然后才可以进一步完成新样本的聚类辨识工作.为保证分析结果的可靠性,选用K-交叉验证法(取K=5)对数据进行分析.测试者数据被分为A, B,C,D,E五组,已标注在表中.现选取其中四组作为训练数据,剩余一组数据作为测试数据进行仿真分析.将数据带入仿真计算得最后的辨识结果如表3所示. 该仿真分析训练时间在毫秒级.对五次仿真测试的辨识结果求取平均值,最后的平均辨识准确率为76%.接下来采用同样的方法对右侧足底压力数据进行分析,首先得到正常测试者与右膝ACL断裂者的足底压力数据特征序列,如表4和表5所示.与左侧足底压力数据分析相同,我们仍将测试者数据分为A,B,C,D,E五组,取其中四组作为训练数据,剩余一组数据作为测试数据进行仿真分析.将右侧足底压力数据代入仿真计算得最后的辨识结果如表6所示.最后的右侧足底压力数据平均辨识准确率为76%.3.3 仿真结果分析观察上面的仿真辨识结果可以发现,ELM神经网络聚类算法对于ACL断裂者与正常者的足底压力数据辨识分析有着比较令人认可的准确率.但是该结果存在辨识误差,有小部分正常测试样本被辨为ACL断裂类;作为一个新领域的课题研究,其错误率在可接受的范围之内,可以作为医生临床诊断的参考意见,为之提供辅助分析.当然ELM神经网络在该问题上的应用是一项极为有价值的研究发展,但是从客观角度来讲,该问题优化改进的主要突破角度应选在特征提取部分.一个合理的特征提取方案,可以使得特征值序列对原始样本有一个最客观的描述,也可以使得不同类别样本有着更为明显的区别,这也是聚类算法有效工作的一个合理保证.本研究所选用的步态特征目前尚且较少,日后研究中需丰富特征提取内容以使其对原始样本有更加全面的描述,进而使聚类分析达到更高的准确度.本文将ELM神经网络聚类算法应用于足底压力数据分析,以COP足底压力轨迹线作为主要特征描述,完成ACL断裂与正常膝足的辨识工作.在足底压力数据分析研究暂为寥寥的现在,本文将聚类算法与之融合属于一种创新性研究.在本文的研究结果中,该聚类分析已有了值得认可的准确率,对于临床诊断有很大的参考意义;本研究有着十分乐观的研究前景,可以作为后续工作的良好基础.【相关文献】1 Taylor A J,Menz H B,Keenan A M.The in fl uence of walking speed on plantar pressure measurements using the twostep gait initiation protocol.The Foot,2004,14(1):49−552 Stolwijk N M,Duysens J,Louwerens J W K,Keijsers N L.Plantar pressure changes after long-distance walking. Medicine and Science in Sports and Exercise,2010,42(12):2264−22723 Lai Y C,Lin H S,Pan H F,Chang W N,Hsu C J,Renn J H.Impact of foot progression angle on the distribution of plantar pressure in normal children.Clinical Biomechanics,2014,29(2):196−2004 Keijsers N L W,Stolwijk N M,Nienhuis B,Duysens J.A new method to normalize plantar pressure measurements for foot size and foot progression angle.Journal of Biomechanics,2009,42(1):87−905 Kohonen T.The self-organizing map.Proceedings of the IEEE,1990,78(9):1464−14806 Kohonen T.Self-Organizing Maps.New York:Springer-Verlag,2001.7 Carpenter G A,Grossberg S,Rosen D B.Fuzzy ART:fast stable learning and categorization of analog patterns by an adaptive resonance system.Neural Networks 1991,4(06):759−7718 Huang G B,Wang D H,Lan Y.Extreme learning machines: a survey.International Journal of Machine Learning and Cybernetics,2011,2(2):107−1229 Stolwijk N M,Duysens J,Louwerens J W,van de Ven Y H,Keijsers N L.Flat feet,happy feet?Comparison of the dynamic plantar pressure distribution and static medial foot geometry between Malawian and Dutch adults.PLoS One, 2013,8(2):e5720910 Cavanagh P R,Rodgers M M.The arch index:a useful measure from footprints.Journal of Biomechanics,1987,20(5): 547−55111 Andriacchi T P,Dyrby C O.Interactions between kinematics and loading during walking for the normal and ACL de ficient knee.Journal of Biomechanics,2005,38(2):293−29812 Huang Hong-Shi,Yu Yuan-Yuan,Guo Qin-Wei,Xu Yan, Ao Ying-Fang.Temporal characteristics of plantar pressure in patients with anterior cruciate ligament rupture during walking.Chinese Journal of Sports Medicine,2015,34(3): 271−274 (黄红拾,于媛媛,郭秦炜,徐雁,敖英芳.前交叉韧带断裂患者步行时足底压力时间特征.中国运动医学杂志,2015,34(3):271−274)13 Huang G B,Chen Y Q,Babri H A.Classi fi cation ability of single hidden layer feedforward neural networks.IEEE Transactions on Neural Networks,2000,11(3):799−80114 Feng G R,Huang G B,Lin Q P,Gay R.Error minimized extreme learning machine with growth of hidden nodes and incremental learning.IEEE Transactions on Neural Networks, 2009,20(8):1352−135715 Huang G B,Zhou H M,Ding X J,Zhang R.Extreme learning machine for regression and multiclass classi fi cation. IEEE Transactions on Systems,Man,and Cybernetics,PartB(Cybernetics),2012,42(2):513−52916 DeFrate L E,Papannagari R,Gill T J,Moses J M,Pathare N P,Li G A.The 6 degrees of。
基于足底压力分布的静态步态识别研究的开题报告
基于足底压力分布的静态步态识别研究的开题报告一、研究背景随着人们生活水平和健康意识的提高，越来越多的人开始注重自己日常的步态行走情况。
而步态识别技术可以为人们提供更科学、全面、系统地分析自己的步态情况，发现并纠正问题，达到预防或治疗步态异常的目的。
足底压力是评估和分析步态的一个重要指标，足底压力分布的不同反映了人体在行走过程中不同地点的负荷情况，可以帮助医生、运动员、教练员等在评估运动能力、训练进度、康复过程中更全面地了解步态特征和变化。
二、研究意义静态步态识别是一项应用广泛、前景较好的研究方向。
利用足底压力分布进行静态步态识别可直观地反映出不同人在站立状态下脚内外侧、前后及整个足底所承受的负荷，能够更加准确地刻画步态特征。
此外，通过对静态步态的分析，可以探究出影响步态的控制因素，为疾病发病机理的研究提供一定的问题线索。
三、研究目标和内容本课题旨在通过足底压力的检测和分析，设计出静态步态识别系统，实现对步态的全面、准确的识别和分析。
具体包括以下几个方面：1.采集足底压力分布数据，建立样本数据库。
2.设计静态步态识别算法，通过对足底压力感应数据的处理和分析识别不同个体的步态信息。
3.通过实验对步态识别算法进行验证和评估，以提高步态识别算法的准确性和稳定性。
4.研究和探讨不同因素对足底压力分布的影响，进一步深入理解步态形成的机理。
四、研究方法和技术路线1.对足底压力感应器以及静态步态识别算法的国内外研究文献进行调研，了解相关技术的发展现状和研究方向。
2.采集并分析足底压力感觉器的数据，建立样本库。
3.设计合适的静态步态识别算法，建立识别模型，并进行优化测试。
4.收集实验数据，通过评价指标对步态识别算法的准确性和稳定性进行评估。
5.探究足底压力分布的影响因素，为未来的步态研究提供理论支撑。
五、预期成果1.静态步态识别算法，该算法能够更加准确地识别不同个体的步态信息，提高整个分类算法的准确性。
2.数据库，收集和整理静态步态数据，建立较为完备的静态步态数据库，为步态研究提供数据支持。
基于足底压力特征的功能鞋垫研究进展
基于足底压力特征的功能鞋垫研究进展作者：张驰王祥荣闫和秋覃蕊来源：《丝绸》2023年第10期摘要：功能鞋垫对于改善足底压力分布、矫正足膝畸形、减少运动损伤、提高运动机能具有一定的功能性效果。
然而部分功能鞋垫在应用过程中还存在鞋垫材料疲劳性欠佳、腰窝结构设计合理性有待提升、鞋垫与鞋的适配性仍需加强等问题。
为了使功能鞋垫的设计更加符合足部生物力学特征，文章结合足底压力分布特点，论述了鞋垫的材料和结构特性，总结了功能鞋垫在医疗康复领域和运动防护领域的功能性应用，分析并提出功能性鞋垫存在的不足，并从有限元分析的应用与完善、功能鞋垫的智能化及个性化研发、足部与鞋垫动态接触压力获取等方面进行展望，以期为功能鞋垫的设计与制作提供参考，使功能鞋垫向着个性化、智能化、功能性的方向发展。
关键词：人体工程;足底压力;功能性鞋垫;运动防护;生物力学特征;医疗康复中图分类号：TS943.1 文献标志码：A 文章编号： 1001-7003（2023）10-0070-08篇页数引用页码：101110DOI： 10.3969/j.issn.1001-7003.2023.10.010（篇序）收稿日期：2023-03-21;修回日期：2023-09-14基金项目：山东省自然科学基金项目（ZR2019PEE022）作者简介：闫和秋（1999），女，硕士研究生，研究方向为服装舒适性。
通信作者：覃蕊，副教授，*******************。
功能鞋垫因具有改善足底受力状态、提高运动机能的优点，在医疗康复领域和运动防护领域已得到了广泛应用[1]。
有资料显示，因运动生活习惯和疾病引起的足部压力分布异常是诱发足部疾病的主要原因，除药物和手术治疗外，功能鞋垫的使用可起到辅助治疗的作用[2-3]。
在足部疾病治疗方面，接触式鞋垫可以重新分配足底压力，减轻足底高压，降低足底溃疡的风险[4-5]。
在矫正方面，矫形鞋垫对因受力异常引起扁平足治疗效果显著[6]。
健康大学生自然走时足底压力特征
健康大学生自然走时足底压力特征作者：李光军赵焕彬张建来源：《科学大众·教师版》2013年第02期摘要：本文主要通过足底压力这个平台，了解大学生自然行走时足底压力特征，发现大学生自然行走时，足底应力-时间曲线呈明显的双峰型；足底最大压力部位在足跟内侧，最小压力部位在第2-5趾骨处；左右两侧最大冲量都出现在足跟内侧，最小冲量在第2-5趾骨处。
关键字：大学生；足底压力特征中图分类号：G804.6 文献标识码：A 文章编号：1006-3315（2013）02-152-001一、前言作为人体日常生活中最基本的走、跑、跳、投动作，为人们正常的生活提供基本的保障。
足部是人体重要的组成部分，被誉为“第二心脏”，跟人的健康状况息息相关[1]。
足底压力测量技术是利用压力测量仪器对于人体在静止或运动过程中足底压力的力学，几何学及时间等参数进行分析研究，反映有关足的结构与功能和整个身体姿势控制等情况[2、3]。
随着运动项目的普及和物质生活水平的提高，人们对于运动鞋的选择已经不再局限于耐穿和美观上，而是对鞋子的舒适程度有了更高的要求，但是由于人们不了解自己足底压力的特征，无法指导他们选择适合自己的运动鞋[4]。
本文主要了解大学生自然行走时足底的一些特征，为科学化选择运动鞋提供必要的理论支持，与此同时，为运动鞋的生产提供依据。
二、研究对象与方法1.研究对象随机抽取河北师范大学非体育专业55名男生作为测试对象，要求踝关节活动正常，无足部畸形和足部外伤史，步态正常。
2.测试仪器采用比利时RSscan公司生产的高频足底压力分布测试系统Footscan insole进行测试，测量频率为500Hz，传感器厚度2.2mm，传感器密度4个/cm2。
引出厚度1.5mm，压力范围1—60N/cm2，最小分辨率为25g，一致性为±25g。
3.测试方法将Footscan测力平板平放在地板上，测力板两端均铺有延长跑道，跑道的厚度与测力板的厚度保持一致。
足部有限元模型的发展及应用
127455足部有限元模型的发展及应用杜彦辉，张汉阳，钟专，黄炳哲，贾国梁，常非（吉林大学第二医院足踝外科，吉林 长春 130041）[摘要]本文通过应用有限元法对足部计算机建模进行回顾。
从1943年COURANTZ首先提出有限元分析（finite element analysis，FEA）的概念，到BREKELMANS和RYBICKI等将有限元方法（finite element method，FEM）引入骨骼应力应变分析当 中，在将近30余年的时间跨度中，生物力学计算模拟领域有了显著的进步。
医学和工程领域在生物系统应力分析方面的深度合作越来越多。
受益于此，骨骼生物力学的研究工作取得了长足的发展。
该综述包括了二维和三维，简单和复杂，下肢、踝关节和整个足部的建模过程，广泛地讨论了计算机建模的现状、遭遇的挑战和实际应用中的问题。
应用有限元法对足部病理情况进行模拟和分析，使其成为现代个体化医学不可或缺的研究工具。
[关键词]有限元方法；足部建模；模型验证；应用[中图分类号]R64 [文献标识码]A足是人体中最复杂的结构之一，负责支撑整个身体的重量，并在人类运动过程中平衡力量[1]。
足弓可对广泛的活动做出反应，如行走、跑步、跳跃和攀登。
然而，当分析下肢或整个身体时，足常被当作一个单独的个体对待，而忽略了其实现优异机械响应的复杂结构。
由于足部结构的复杂性，医学影像、外部测量手段和尸体解剖不足以理解步态过程中每个内部结构的作用。
在这方面，计算机模拟，特别是FEM是预测结构和机械分析行为最流行的方法[2]。
这些模拟可提供很难用实验程序测量的重要的临床信息。
人类下肢和足部模型是预测其部件结构行为的最重要的方法之一[3]。
模拟获得的知识有助于诊断、治疗和预防足部病变。
本文的目的是提供一个关于足部计算机模型发展及应用的综述，包括足部三维模型几何重建的过程及计算机足部建模中的一些问题，以便帮助临床医生更好地理解计算机模拟及预测方法。
足底压力区域划分
足底压力区域划分（最新版）目录1.引言：足底压力区域的重要性2.足底压力区域的划分方法3.足底压力区域的功能和应用4.结论：足底压力区域的意义正文【引言】足底压力区域，是指在人类站立、行走、跑步等运动过程中，足底与地面接触并承受压力的区域。
这个区域对于人类来说是至关重要的，因为它直接影响到我们的行走和运动能力。
因此，对于足底压力区域的研究和理解，对于我们改善运动技巧、预防运动伤害等方面具有重要意义。
【足底压力区域的划分方法】足底压力区域的划分，通常采用静态压力测量法和动态压力测量法。
静态压力测量法主要是在受试者站立或坐着的情况下，通过传感器测量足底各个部位的压力分布情况。
动态压力测量法则是在受试者行走或跑步的过程中，通过传感器实时记录足底压力的变化情况。
通过这两种方法，我们可以将足底压力区域划分为前、中、后三个部分。
【足底压力区域的功能和应用】足底压力区域的功能主要体现在以下几个方面：1.支撑身体重量：在人类站立和行走的过程中，足底压力区域需要承受身体重量，保证身体稳定性。
2.提供动力：在跑步和跳跃等运动中，足底压力区域需要提供动力，推动身体向前运动。
3.调节运动姿势：足底压力区域的压力分布情况，可以影响到人体的运动姿势，如足底压力分布不均可能导致步态不稳。
在实际应用中，足底压力区域的研究可以为运动鞋设计提供重要参考，如根据足底压力区域的特点，设计出更符合人体工程学的鞋底。
此外，对于运动员来说，了解足底压力区域的功能和压力分布情况，可以帮助他们改进运动技巧，提高运动效率，预防运动伤害。
【结论】总的来说，足底压力区域对于人类的行走和运动能力具有重要意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第３３卷第０６期 计算机仿真 ２０１６年６月 文章编号：１００６—９３４８（２０１６）０６—０３２１—０４
人体足底压力分布特征的建模与仿真
刘细阳 （海南大学信息科学技术学院，海南海口５７０２２８）
摘要：人体足底压力特征与步态特征高度相关，脚步中形态的变化会对足部承压产生较大的影响。由于特殊人群一例如残 疾人的行走规则不符合对称性原则，导致当前的承载力计算模型没有考虑这种非对称性对足底压力特征带来的影响，导致 准确性不高。提出采用支持向量机的足底压力特征的计算方法。利用压力测试板采集特殊人群的足底压力特征图像，进行 预处理，并提取关键特征作为足底压力特征计算的依据，引人支持向量机（ＳＶＭ）的“一对一”分类模式对足底压力特征图像 进行训练和计算，完成对足底压力特征的准确计算。仿真结果表明，利用改进算法进行特殊人群人体足底压力特征计算，能 够提高计算率，为人体足底压力分析提供了科学依据。 关键词：特殊人群；足底压力；特征计算 中图分类号：ＴＰ３９１．９ 文献标识码：Ｂ
Ｍｏｄｅｌｉｎｇ ａｎｄ Ｓｉｍｕｌａｔｉｏｎ ｏｆ Ｈｕｍａｎ Ｐｌａｎｔａｒ Ｐｒｅｓｓｕｒｅ Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ
ＬＩＵ Ｘｉ—ｙａｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｉｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｉｋｏｕ Ｈａｉｎａｎ ５７０２２８，Ｃｈｉｎａ） ＡＢＳＴＲＡＣＴ：Ａ ｃａｌｃｕｌａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｔｈｅ ｐｌａｎｔａｒ ｐｒｅｓｓｕｒｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｉｓ ｐｒｏｐｏｓｅｄ．Ｔｈｅ ｐｒｅｓｓｕｒｅ ｔｅｓｔ ｂｏａｒｄ ｉｓ ｕｓｅｄ，ｔｈｅ ｉｍａｇｅ ｏｆ ｔｈｅ ｐｌａｎｔａｒ ｐｒｅｓｓｕｒｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｓｐｅｃｉａｌ ｐｏｐｕｌａｔｉｏｎ ｉｓ ｃｏｌｌｅｃｔｅｄ，ａｎｄ ｔｈｅｎ ｔｈｅ ｋｅｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｒｅ ｅｘｔｒａｃｔｅｄ ｔｏ ｂｅ ａｓ ｔｈｅ ｂａｓｉｓ ｆｏｒ ｔｈｅ ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｔｈｅ ｐｌａｎｔａｒ ｐｒｅｓｓｕｒｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．Ｔｈｅ ｉｍａｇｅ ｏｆ ｐｌａｎｔａｒ ｐｒｅｓｓｕｒｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｉｓ ｔｒａｉｎｅｄ ａｎｄ ｃａｌｃｕｌａｔｅｄ ｂｙ ｉｎｔｒｏｄｕｃｉｎｇ ｔｈｅ”ｏｎｅ ｔｏ ｏｎｅ”ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｏｄｅｌ ｏｆ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ），ａｎｄ ｔｈｅ ａｃｃｕｒａｔｅ ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｐｌａｎｔａｒ ｐｒｅｓｓｕｒｅ ｃｈａｒａｃ— ｔｅｒｉｓｔｉｃｓ ｉｓ ｐｅｒｆｏｒｍｅｄ．Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｃａｌｃｕｌａｔｉｏｎ ｒａｔｅ ａｎｄ ｐｒｏ－ ｖｉｄｅ ｓｃｉｅｎｔｉｆｉｃ ｂａｓｉｓ ｆｏｒ ｔｈｅ ｐｌａｎｔａｒ ｐｒｅｓｓｕｒｅ ａｎａｌｙｓｉｓ ｏｆ ｈｕｍａｎ ｂｏｄｙ． ＫＥＹＷＯＲＤＳ：Ｓｐｅｃｉａｌ ｐｏｐｕｌａｔｉｏｎｓ；Ｐｌａｎｔａｒ ｐｒｅｓｓｕｒｅ；ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｃａｌｃｕｌａｔｉｏｎ
１ 引言 人体的足底压力特征可分为正常足底压力特征和异常 足底压力特征…。异常足底压力特征通常是由腿、脚疾病或 者缺陷引起的 ｊ。在我国有很多的腿、脚存在疾病或者缺陷 的特殊人群。对这些特殊人群的足底压力特征进行准确计 算，能够为他们提供准确的保健和康复的建议，并为腿、脚疾 病的治疗提供准准确的依据 ｊ。因此，特殊人群人体足底压 力特征的计算方法，已经成为医学领域中的一个研究热点， 受到了越来越多人们的关注 。 目前，针对特殊人群足底压力特征的研究，大都采用图
基金项目：海南省科技厅项目（２Ｏ１５ｓＯ３） 收稿１３期：２０１５一ｔＯ一２９修回日期：２０１５—１１一ｌＯ
像处理和模式计算的相关技术，并已取得了比较理想的效 果 Ｊ。当前阶段，主要的特殊人群人体足底压力特征计算的 方法主要包括基于奇异值分解算法的足底压力特征计算方 法 Ｊ、基于小波变换算法的足底压力特征计算方法 和基于 纹理特征提取的足底压力特征计算方法 Ｊ。其中，最常用的 是基于纹理特征提取的足底压力特征计算方法。由于特殊 人群人体足底压力特征计算方法在腿脚疾病治疗和减轻腿 脚疾病特殊人群痛苦方面发挥着重要的作用 ，因此，该课 题拥有广阔的发展前景，并成为很多专家学者研究的重点 课题 。。。
由于特殊人群人体足底压力特征的信息会受到走路姿 势、路面状况和穿着的鞋型等因素的影响，会呈现出非线性 和无序的变化。直接利用上述传统算法进行特殊人群人体 足底压力特征计算，难以获得准确的足底压力特征，并且获
．．．．——３２１．．．．—— 得的特征的实用性较低。 针对上述产生的问题，提出基于支持向量机的足底压力 特征的计算方法。利用压力测试板采集特殊人群的足底压 力特征图像，进行预处理，并提取关键特征作为足底压力特 征计算的依据，引入支持向量机（ＳＶＭ）的“一对一”分类模 式对足底压力特征图像进行训练和计算，实现足底压力特征 的准确计算。 ２足底压力特征原理 在进行特殊人群人体足底压力特征计算的过程中，需要 采集特殊人群人体足底的压力特征图像，并将该样本图像作 为研究对象进行压力特征计算。设置采集到的足底压力特 征图像样本为－厂，利用Ｂｒｕｓｈｌｅｔ分解的方法将图像分解为ｚ 层，可以得到实 和虚 这两部分，每部分都包含４ 个 子带，用来描述对应分解方向上的信息。图像的能量主要集 中在纹理部分，利用模值的均值和标准差描述子带的能量 信息。 １）提取压力特征图像，为进行压力特征计算提供依据。 由于Ｂｒｕｓｈｌｅｔ为复值函数，因此可以通过分层后的实部和虚 部相对应的特征，获得压力特征图像。设置实部和虚部的第 ｎ个特征分别为 和 ，ｎ＝１，２，…４ ，则利用下述公式能够 提取出压力特征图像为 １ Ｒ Ｃ ３ｎ ， ）ｌ １ Ｃ ［（ （ ， ）） ＋（ （ ， ））。］ （１） ２）对压力特征进行计算，为获取相角提供依据，其压力 特征计算表达式为 ６ ＝ ／． Ｒ Ｃ √ （１］ｏ（ｉ， ）ｌ－ （２） 其中√＝１，２，…Ｒ，ｋ＝１，２，…Ｃ，Ｒ与Ｃ分别为每个特征的行 和列的数目。因此，足底压力特征图像＿厂Ｉ 能量特征能用向 量Ｆ ＝［ ｌ， 。， ２， ２，…］进行描述。 ３）均值和标准差的确定。由于相位能够描述足底压力 特征的有关信息，此处可利用相角的分布描述相角信息。利 用下述公式能够计算相角 日＝６ ａｒｃｔａｎ（ｆ／，ｒ） （３） 其中， 的取值范围为【０，２叮Ｔ】。设置第ｎ个特征的相角值构 成的矩阵为 ，则其均值和标准差能够用下述公式进行 计算 ． Ｒ Ｃ ＝ ∑∑Ｍ～ （４）ｎ 丽刍刍ｎ Ｊ ＿－ （５） 脚底压力特征图像／的相位特征能够用向量Ｆｅ＝ ［ ｌ， ｌ， ２， ２，…】进行描述。 ４）压力特征之间距离的确定，完成对足底压力特征的计 ．－－——３２２－－－—— 算。由于脚底压力特征图像的能量特征和相位特征的取值 范围相差较大，因此，在进行足底压力特征计算的过程中不 能直接叠加，需要赋予对能量特征和相角特征各赋予一定的 权值。设置ａ．为待计算的足底压力特征图像，ａ：为足底压 力特征图像库中的足底压力特征图像，则这两幅图像的压力 特征之间的距离能够用下述公式进行计算
ｄ（ｏ ，。２）＝ ｄ （Ⅱ。，ｏ ） （６） ｄ （ａｌ￣ａ２ ＝ｌ ｌ＋ｌ ｌ
＋： ：： ：二 ： ：：：：ｌ＋ｌ ： ：： 二 ： ：：：：ｊ（７） ｌ Ｏ／ （ ） ｌ ｛ Ｏ／ （ ） ｌ一 其中，ｄ （ａ。，ａ ）能够描述这两幅图像中第ｎ个子带之间的 距离，０［（ ）、 （（ｊｒ ）、０【（ ）和ｄ（ ）能够描述足底压力特 征的标准差值，用来对不同类型的足底压力特征进行规范。 具体的足底压力特征计算的过程如下所述： １）利用Ｂｒｕｓｈｌｅｔ分解的方法将足底压力特征图像样本 分解为３层； ２）求解分解后与实部和虚部相对应的 和 ，用复合 特征Ｆ：【Ｆ ，Ｆ 】描述足底压力特征的纹理信息； ３）计算待计算图像与数据库中图像之间的距离； ４）将计算结果作为足底压力特征图像计算的依据进行 准确计算。 根据上面阐述的方法，能够对足底压力特征图像进行计 算，从而为腿、脚缺陷或者疾病病人的治疗与康复提供准确 依据。但是仍然存在一定的计算误差，影响计算效果，需要 进行进一步的改进。
３支持向量机的足底压力特征计算方法 传统算法没有考虑特殊人群人体足底压力特征的信息 会受到走路姿势、路面状况和穿着的鞋型等因素的影响，会 呈现出非线性和无序的变化，导致足底压力特征计算的准确 性降低的问题。提出基于支持向量机的特殊人群人体足底 压力特征计算的方法。 ３．１足底压力特征图像的采集与特征提取 ３．１．１ 足底压力特征图像的采集 在进行人体足底压力特征计算的过程中，首先需要采集 足底压力特征图像。改进算法采用的是微软公司研制的压 力测试板，压力测试板的面积为６０ｃｍ Ｘ ４０ｃｍ，采样频率为 ８０Ｈｚ，对腿、脚特殊人群文进行足底压力特征进行采集，可以 得到ＣＳＶ格式的文件。从中提取足底压力特征矩阵，并保存 为ｔｘｔ格式的件，一个ｔｘｔ格式对应一副足底压力特征图像。 得到的足底压力特征矩阵能够用图１进行描述。 为了保证足底压力特征的稳定性和完整性，从保存的足 底压力特征图像中选取人体站立静止稳定后的１５帧图像作 为足底压力特征图像计算的关键帧图像。由于同一人的足 底压力特征信息具有特定性和稳定性，因此，不同人的足底