一种运动神经类疾病的检测方法、装置及可读存储介质

1.本技术涉及运动神经类疾病检测技术领域，尤其是涉及一种运动神经类疾病的检测方法、装置及可读存储介质。


背景技术：

2.随着神经类疾病的增长，运动神经类疾病的发病率越来越高，如一些常见的脑卒中导致的偏瘫、帕金森导致的震颤等一些其他类疾病。所以，在患者患有运动神经类疾病时，长期的运动监测成为了辅助康复的重要手段。
3.现阶段，对于患者患有运动神经类疾病进行监测的手段一般为在实验室环境内的平台式足底压力监测和光学动作捕捉两类，然而这两个监测手段对于患者的运动神经类疾病监测是单一的依据足底压力进行监测，会导致对于患者运动神经类疾病的检测结果不准确，进而使得医生依据检测结果出现误诊的现象，耽误患者的最佳治疗时间。所以，如何快速准确的确定出运动神经类的疾病结果为了亟需解决的问题。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种运动神经类疾病的检测方法、装置及可读存储介质，通过对待检测用户的身体姿态数据和足底压力数据进行划分得到每一时间间隔所对应的参考身体姿态数据和参考足底压力数据，将每个时间间隔所对应的参考身体姿态数据和参考足底压力数据输入到运动神经类疾病检测模型之中，在运动神经类疾病检测模型之中利用参考身体姿态数据和参考足底压力数据确定出病理特征向量，从而利用病理特征向量确定出待检测用户的运动神经类疾病诊断结果，快速准确地确定出运动神经类疾病诊断结果，从而实现了结合足底压力数据以及身体姿态数据提高动神经类疾病诊断结果的准确性。
5.本技术实施例提供了一种运动神经类疾病的检测方法，所述检测方法包括：
6.在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据；
7.将所述身体姿态数据和所述足底压力数据以预设时间间隔进行划分，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据；
8.将多个所述每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，以使所述运动神经类疾病检测模型将各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，基于所述病理特征向量输出运动神经类疾病诊断结果。
9.在一种可能的实施方式中，所述待检测用户的左右脚分别佩戴有足底压力检测设备，并在所述待检测用户身体的预设位置佩戴有身体姿态检测设备；通过以下方式获取所述待检测用户的身体姿态数据和足底压力数据：
10.基于所述足底压力检测设备获取所述待检测用户在下肢体检运动过程中的左右
脚的电阻值，将所述左右脚的电阻值转化为电压值；
11.基于所述电压值确定出所述待检测用户的左右脚的足底压力数据；
12.基于所述身体姿态检测设备获取所述待检测用户在下肢体检运动过程中的三轴加速度、三轴角速度、三轴磁强度，将所述三轴加速度、所述三轴角速度、所述三轴磁强度进行姿态计算，确定出所述检测用户在下肢体检运动过程中的身体姿态数据。
13.在一种可能的实施方式中，将所述身体姿态数据和所述足底压力数据以预设时间间隔为单位进行划分，确定出每一时间间隔的参考身体姿态数据和参考足底压力数据，包括：
14.在所述足底压力数据中去除当足部未接触地面时鞋子与足部之间的接触压力，确定出参考足底压力数据，对所述身体姿态数据进行高通滤波去除偏置处理，确定出参考身体姿态数据；
15.将左右脚的所述参考足底压力数据进行累加计算，确定出在所述预设时间段内左右脚的总脚底压力变化曲线；
16.在所述左右脚的总脚底压力变化曲线选取极小值点相对应的时刻，基于所述极小值点相对应的时刻对所述参考身体姿态数据以及参考足底压力数据进行以预设时间间隔进行划分处理，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据。
17.在一种可能的实施方式中，所述每一时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，包括：
18.将多个所述每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，基于所述每一时间间隔所对应的参考足底压力数据，确定出表征左右脚的摆动相的第一足底压力分布图、表征足跟着地期的第二足底压力分布图、表征支撑中期的第三足底压力分布图、表征支撑中后期的第四足底压力分布图以及表征支撑末期的第五足底压力分布图；
19.对所述每一时间间隔所对应的参考身体姿态数据进行降维处理，获取到一维姿态列向量；
20.基于所述一维姿态列向量和所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图，确定出病理特征向量。
21.在一种可能的实施方式中，所述基于所述一维姿态列向量和所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图，确定出病理特征向量，包括：
22.对每一时间间隔所对应的所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图的特征进行提取以及拼接，确定出一维足底压力列向量；
23.将所述一维足底压力列向量以及所述一维姿态列向量进行特征向量拼接，确定出病理特征向量。
24.在一种可能的实施方式中，基于所述病理特征向量确定出运动神经类疾病诊断结果，包括：
25.根据所述病理特征向量从运动神经类疾病数据库中筛选出与所述病理特征向量
相匹配的参考运动神经类疾病；
26.将所述参考运动神经类疾病确定为运动神经类疾病诊断结果。
27.本技术实施例还提供了一种运动神经类疾病的检测装置，所述检测装置包括：
28.获取模块，用于在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据；
29.划分模块，用于将所述身体姿态数据和所述足底压力数据以预设时间间隔进行划分，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据；
30.疾病诊断模块，用于将多个所述每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，以使所述运动神经类疾病检测模型将各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，基于所述病理特征向量输出运动神经类疾病诊断结果。
31.在一种可能的实施方式中，疾病诊断模块在用于所述待检测用户的左右脚分别佩戴有足底压力检测设备，并在所述待检测用户身体的预设位置佩戴有身体姿态检测设备时；通过以下方式获取所述待检测用户的身体姿态数据和足底压力数据：
32.基于所述足底压力检测设备获取所述待检测用户在下肢体检运动过程中的左右脚的电阻值，将所述左右脚的电阻值转化为电压值；
33.基于所述电压值确定出所述待检测用户的左右脚的足底压力数据；
34.基于所述身体姿态检测设备获取所述待检测用户在下肢体检运动过程中的三轴加速度、三轴角速度、三轴磁强度，将所述三轴加速度、所述三轴角速度、所述三轴磁强度进行姿态计算，确定出所述检测用户在下肢体检运动过程中的身体姿态数据。
35.本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的一种运动神经类疾病的检测方法的步骤。
36.本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的一种运动神经类疾病的检测方法的步骤。
37.本技术提供了一种运动神经类疾病的检测方法、装置及可读存储介质，检测方法包括：在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据；将身体姿态数据和足底压力数据以预设时间间隔进行划分，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据；将多个每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，以使运动神经类疾病检测模型将各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，基于病理特征向量输出运动神经类疾病诊断结果。
38.这样，通过对待检测用户的身体姿态数据和足底压力数据进行划分得到每一时间间隔所对应的参考身体姿态数据和参考足底压力数据，将每个时间间隔所对应的参考身体姿态数据和参考足底压力数据输入到运动神经类疾病检测模型之中，在运动神经类疾病检测模型之中利用参考身体姿态数据和参考足底压力数据确定出病理特征向量，从而利用病理特征向量确定出待检测用户的运动神经类疾病诊断结果，快速准确地确定出运动神经类
疾病诊断结果，从而实现了结合足底压力数据以及身体姿态数据提高动神经类疾病诊断结果的准确性。
39.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
40.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
41.图1为本技术实施例所提供的一种运动神经类疾病的检测方法的流程图；
42.图2为本技术实施例所提供的为足底压力检测设备和身体姿态检测单设备的位置示意图；
43.图3为本技术实施例所提供的为足底压力检测设备上层电极结构图；
44.图4为本技术实施例所提供的左右脚足底压力分布图；
45.图5为本技术实施例所提供的一种运动神经类疾病的检测装置的结构示意图；
46.图6为本技术实施例所提供的一种电子设备的结构示意图。
47.图标：1-足底压力检测设备；101-上层pet绝缘层；102-上层电极；2-体姿态检测设备；500-检测装置；510-获取模块；520-划分模块；530-疾病诊断模块；600-电子设备；610-处理器；620-存储器；630-总线。
具体实施方式
48.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
49.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
50.为了使得本领域技术人员能够使用本技术内容，结合特定应用场景“对运动神经类疾病进行监测”，给出以下实施方式，对于本领域技术人员来说，在不脱离本技术的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
51.本技术实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行对运动神经类疾病进行监测的场景，本技术实施例并不对具体的应用场景作限
制，任何使用本技术实施例提供的一种运动神经类疾病的检测方法、装置及可读存储介质的方案均在本技术保护范围内。
52.首先，对本技术可适用的应用场景进行介绍。本技术可应用于运动神经类疾病检测技术领域。
53.随着神经类疾病的增长，运动神经类疾病的发病率越来越高，如一些常见的脑卒中导致的偏瘫、帕金森导致的震颤等一些其他类疾病。所以，在患者患有运动神经类疾病时，长期的运动监测成为了辅助康复的重要手段。
54.经研究发现，现阶段，对于患者患有运动神经类疾病进行监测的手段一般为在实验室环境内的平台式足底压力监测和光学动作捕捉两类，然而这两个监测手段对于患者的运动神经类疾病监测是单一的依据足底压力进行监测，会导致对于患者运动神经类疾病的检测结果不准确，进而使得医生依据检测结果出现误诊的现象，耽误患者的最佳治疗时间。所以，如何快速准确的确定出运动神经类的疾病结果为了亟需解决的问题。
55.基于此，本技术实施例提供了一种运动神经类疾病的检测方法、装置及可读存储介质，检测方法包括：在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据；将身体姿态数据和足底压力数据以预设时间间隔进行划分，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据；将多个每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，以使运动神经类疾病检测模型将各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，基于病理特征向量输出运动神经类疾病诊断结果。
56.这样，通过对待检测用户的身体姿态数据和足底压力数据进行划分得到每一时间间隔所对应的参考身体姿态数据和参考足底压力数据，将每个时间间隔所对应的参考身体姿态数据和参考足底压力数据输入到运动神经类疾病检测模型之中，在运动神经类疾病检测模型之中利用参考身体姿态数据和参考足底压力数据确定出病理特征向量，从而利用病理特征向量确定出待检测用户的运动神经类疾病诊断结果，快速准确地确定出运动神经类疾病诊断结果，从而实现了结合足底压力数据以及身体姿态数据提高动神经类疾病诊断结果的准确性。
57.请参阅图1，图1为本技术实施例所提供的一种运动神经类疾病的检测方法的流程图。如图1中所示，本技术实施例提供的检测方法，包括：
58.s101：在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据。
59.该步骤中，在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据。
60.这里，下肢体检运动包括步行、倒走、跑步等。
61.这里，身体姿态数据为待检测用户在进行下肢体检运动过程中待检测用户的身体姿态信息，身体姿态数据为三轴姿态角，三轴姿态角包括横滚角γ、俯仰角θ和航向角ψ。
62.进一步的，通过以下方式获取所述待检测用户的身体姿态数据和足底压力数据：
63.1)：基于所述足底压力检测设备获取所述待检测用户在下肢体检运动过程中的左右脚的电阻值，将所述左右脚的电阻值转化为电压。
64.其中，将两个足底压力检测设备佩戴在待检测用户的左右脚之下，当待检测用户
在进行下肢体检运动过程中，利用足底检测设备获取待检测用户的左右脚的电阻值，并将获取到的左右脚的电阻值转换为压力值。
65.2)基于所述电压值确定出所述待检测用户的左右脚的足底压力数据。
66.其中，利用计算出来的电压值确定出待检测用户的左右脚的足底压力数据。
67.其中，由于足底压力检测设备是基于压阻效应原理，以碳颗粒油墨为压阻敏感材料进行设计的，当传感器感受到压力时，碳颗粒之间距离减小，导电性增强，因而电阻率降低，使得碳颗粒层的电阻减小，所以通过测量传感器的电阻值，即可得到足底该处的压力大小。在实际使用时，利用分压电路将电阻值转化为电压，输入至后端信号处理电路中，计算得到压力值，将压力值确定为待检测用户的左右脚的足底压力数据。
68.其中，足底压力检测设备是为形状对称的压阻式压力传感阵列。以右脚为例，共分为五层，上层pet绝缘层101，上层电极102，碳颗粒油墨压阻薄膜，下层电极，下层pet绝缘层。上层电极102为横向阵列，共12行，下层电极为纵向阵列，共4列，上层和下层电极位置正对应。
69.3)：基于所述身体姿态检测设备获取所述待检测用户在下肢体检运动过程中的三轴加速度、三轴角速度、三轴磁强度，将所述三轴加速度、所述三轴角速度、所述三轴磁强度进行姿态计算，确定出所述检测用户在下肢体检运动过程中的身体姿态数据。
70.其中，利用身体检测设备获取待检测用户在下肢体检运动过程中的三轴加速度、三轴角速度、三轴磁强度，将三轴加速度、三轴角速度、三轴磁强度经过卡尔曼滤波和姿态解算确定出检测用户在下肢体检运动过程中的身体姿态数据。
71.其中，检测用户在下肢体检运动过程中的身体姿态数据包括横滚角γ、俯仰角θ和航向角ψ。
72.其中，身体姿态检测设备使用惯性测量单元(imu)传感器。每个imu中包括三轴加速度计、三轴陀螺仪和三轴磁力计。
73.进一步的，通过以下方式结合卡尔曼滤波和姿态解算得到身体姿态数据：
74.身体姿态检测设备中的加速度计基于电容原理，由平行放置的固定电极和中间导电的可移动质量块组成，形成两个电容器。当存在垂直电容器平面方向的加速度时，电极和质量块中间的距离将发生变化，从而改变两个电容器的值。根据牛顿第二定律，质量块的受力f＝ma＝kx。其中，k为弹簧弹性系数，x为质量块位移，a为质量块受到的总加速度，m为质量块的质量。其中，质量块位移由电容值变化求得，而质量块的质量和弹簧的弹性系数均为已知量，由此可以计算加速度a。这一结构在三个测量轴上各有一个，从而计算三轴的加速度。当加速度计处于静止状态下时，三个敏感轴输出重力加速度在各轴上的加速度分量[gx,gy,gz]t。根据三轴上的分量大小，通过向量投影，确定加速度计与水平面的夹角，即姿态角中的俯仰角θ与横滚角γ的关系式为：
[0075]
[0076][0077]
身体姿态检测设备中的陀螺仪也是基于变极板间距式的电容原理。它利用物体在旋转坐标系中运动时的科里奥利力特性测量三轴角速度。科里奥利力是由坐标系的旋转和运动坐标系中物体的相对运动引起的。当位于旋转的坐标系(即imu坐标系)中物体沿x方向周期性振动时，它将在y方向上受到一个周期性的力f，称为科里奥利力，其值为f＝2mvω。其中m为物体质量，v为物体的振动速度，ω为坐标系旋转角速度。根据牛顿第二定律，质量块将在y上做周期运动，其振动幅度与f成正比。由此可以求出转动中的三轴角速度[ωx,ωy,ωz]t。角速度对时间进行一阶积分可以得到三轴姿态角。
[0078]
通过采用卡尔曼滤波算法，结合陀螺仪和加速度计的信息，得到横滚角和俯仰角的最优估计。卡尔曼滤波的过程如下：
[0079]
卡尔曼滤波分为预测和矫正两个阶段。在预测阶段，利用系统模型将系统状态及其协方差估计由(k-1)时期推至k时期。然后，在矫正阶段，将测量值用于更新先前的估计，从而改善下一阶段的估计。令a为上一时刻状态值至该时刻状态值的传递矩阵，uk-1为系统输入，b为系统输入到系统状态的传递矩阵，ωk-1为过程激励噪声，服从零均值、协方差矩阵为q的正态分布p(ω)～n(0,q)。h为量测系数矩阵，v为观测噪声，服从零均值、协方差矩阵为r的正态分布p(v)～n(0,r)。
[0080]
根据上一时刻的系统状态xk-1，可建立到当前时刻系统状态xk的状态方程：
[0081]
xk＝ax
k-1
+bu
k-1
+ω
k-1
；
[0082]
以及系统的观测方程：
[0083]
zk＝hxk+vk；
[0084]
由于过程噪声ω
k-1
不可知，在使用时，状态方程为：
[0085][0086]
其中，为当前时刻系统状态的先验估计值，而为上一时刻系统状态的最优估计。
[0087]
利用验估计值与最优估计值间的关系由下式给出：
[0088][0089]
其中，kk为卡尔曼增益矩阵。为利用当前时刻系统状态的先验估计值计算得的先验观测值。
[0090]
磁力计利用霍尔效应或磁阻效应，测量地磁场在三个敏感轴上的分量，从而提供与磁北极相关的航向角。在不考虑地磁北极与地理北极差别情况下，以东-北-天作为导航坐标系，当imu坐标系与导航坐标系重合时，磁力计的输出为b＝[bn,0,bd]
t
；在测量过程中imu的输出为[b
x
,by,bz]
t
。二者之间存在变换关系为：
[0091][0092]
其中，c为由导航坐标系至载体坐标系的旋转矩阵。将由陀螺仪和加速度计求得的俯仰角和横滚角带入旋转矩阵中，可以得到：
[0093][0094]
由此可以计算出姿态角中的航向角ψ：
[0095][0096]
进一步的，请参阅图2为本技术实施例所提供的为足底压力检测设备和身体姿态检测单设备的位置示意图。如图2中所示，足底压力检测设备1有2个分别佩戴在待检测用户的左右脚之下，身体姿态检测设备2有5个，位于待检测用户的腰部后侧、双侧大腿外侧和双侧小腿外侧。
[0097]
进一步的，请参阅图3为本技术实施例所提供的为足底压力检测设备上层电极结构图，如图3所示，在足底压力检测设备1之中，上层pet绝缘层101以及上层电极102是由48个压力采集点进行连接组成，用于获取待检测用户的足底压力数据。
[0098]
s102：将所述身体姿态数据和所述足底压力数据以预设时间间隔进行划分，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据。
[0099]
该步骤中，将获取到的身体姿态数据和足底压力数据以预设时间间隔进行划分，确定出每一个时间间隔所对应的参考身体姿态数据以及参考足底压力数据。
[0100]
这里，预设时间间隔可以以待检测用户每一步的走路时间作为时间间隔，此部分不限定时间间隔的设定方式。
[0101]
这里，参考身体姿态数据为对原有的身体姿态数据以时间间隔进行划分所得到的，参考足底压力数据为对原有的足底压力数据以时间间隔进行划分所得到的。
[0102]
进一步的，将所述身体姿态数据和所述足底压力数据以预设时间间隔为单位进行划分，确定出每一时间间隔的参考身体姿态数据和参考足底压力数据，包括：
[0103]
a：在所述足底压力数据中去除当足部未接触地面时鞋子与足部之间的接触压力，确定出参考足底压力数据，对所述身体姿态数据进行高通滤波去除偏置处理，确定出参考身体姿态数据。
[0104]
其中，对足底压力数据进行去除下包络处理，去除下包络中包含的数据信息为传感器的漂移，以及足底压力数据中去除当足部未接触地面时鞋子与足部之间的接触压力，在除去下包络后，将所得到的数据确定为运动引起的足底力变化值，将该足底力变化值确定为参考足底压力数据。
[0105]
其中，对于每一轴的身体姿态数据，通过高通滤波除去漂移和积累误差，确定出参
考身体姿态数据。
[0106]
b：将左右脚的所述参考足底压力数据进行累加计算，确定出在所述预设时间段内左右脚的总脚底压力变化曲线。
[0107]
其中，由于足底压力检测设备有48个压力检测通道，在预设时间段内的每一个时刻将48压力检测通道测得的压力值进行累加计算得到左右脚的总脚底压力变化曲线。
[0108]
c：在所述左右脚的总脚底压力变化曲线选取极小值点相对应的时刻，基于所述极小值点相对应的时刻对所述参考身体姿态数据以及参考足底压力数据进行以预设时间间隔进行划分处理，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据。
[0109]
其中，在左右脚的总脚底压力变化曲线选取极小值点相对应的时刻，利用极小值点相对应的时刻对参考身体姿态数据和参考足底压力数据进行分段处理，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据。
[0110]
其中，预设时间间隔可以以步为单位进行划分。
[0111]
在具体实施例中，在左右脚的总脚底压力变化曲线中选取出多个极小值点，然后根据极小值点所对应的时刻对参考身体姿态数据和参考足底压力数据分段，确定出每一步所对应的参考身体姿态数据和参考足底压力数据。
[0112]
s103：将多个所述每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，以使所述运动神经类疾病检测模型将各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，基于所述病理特征向量输出运动神经类疾病诊断结果。
[0113]
该步骤中，将多个每一时间间隔所对应的参考姿态数据和参考足底压力数据输入到预先训练好的运动神经类疾病检测模型之中，在运动神经类疾病检测模型之中利用多个每一时间间隔所对应的参考姿态数据和参考足底压力数据进项特征拼接得到病理特征向量，利用病理特征向量确定出运动神经类疾病诊断结果，并将运动神经类疾病诊断结果进行输出。
[0114]
这里，运动神经类疾病检测模型为利用卷积神经网络和全连接神经网络进行训练得到的，用于对待检测用户的运动神经类疾病诊断结果进行检测。
[0115]
这里，病理特征向量为各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到的，用于表征该待检测用户的运动神经类疾病所对应的疾病特征。
[0116]
这里，运动神经类疾病诊断结果为病理特征向量所对应的疾病诊断结果。
[0117]
进一步的，所述每一时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，包括：
[0118]
a：将多个所述每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，基于所述每一时间间隔所对应的参考足底压力数据，确定出表征左右脚的摆动相的第一足底压力分布图、表征足跟着地期的第二足底压力分布图、表征支撑中期的第三足底压力分布图、表征支撑中后期的第四足底压力分布图以及表征支撑末期的第五足底压力分布图。
[0119]
其中，将多个每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，利用每一时间间隔所对应的参考足底压力数据，确定出表征左右脚的摆动相的第一足底压力分布图、表征足跟着地期的第二足底压力
分布图、表征支撑中期的第三足底压力分布图、表征支撑中后期的第四足底压力分布图以及表征支撑末期的第五足底压力分布图。
[0120]
在具体实施例中，对于左右脚所对应的参考足底力数据，按照鞋垫中各通道的位置，将48通道排布为12
×
4的矩阵。对于每一个时间间隔n，左右脚各得到n张12
×
4的足底压力分布图。然后利用knn算法对每一只脚的n张图分别进行聚类，得到五个类别，分别为摆动相的第一足底压力分布图、足跟着地期的第二足底压力分布图、支撑中期的第三足底压力分布图、表征支撑中后期的第四足底压力分布图以及表征支撑末期的第五足底压力分布图。
[0121]
进一步的，请参阅图4为本技术实施例所提供的左右脚足底压力分布图。如图4所示，在图4中分别为摆动相的第一足底压力分布图、足跟着地期的第二足底压力分布图、支撑中期的第三足底压力分布图、表征支撑中后期的第四足底压力分布图以及表征支撑末期的第五足底压力分布图，在这五个足底压力分布图中，用灰度图表示矩阵中压力值大小。
[0122]
b：对所述每一时间间隔所对应的参考身体姿态数据进行降维处理，获取到一维姿态列向量。
[0123]
其中，对每一时间间隔所对应的参考身体姿态数据进行依次小波散射特征提取，确定出一维姿态列向量。
[0124]
c：基于所述一维姿态列向量和所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图，确定出病理特征向量。
[0125]
其中，利用一维姿态列向量和所述第一足底压力分布图、第二足底压力分布图、第三足底压力分布图、第四足底压力分布图以及第五足底压力分布图，确定出病理特征向量。
[0126]
进一步的，所述基于所述一维姿态列向量和所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图，确定出病理特征向量，包括：
[0127]
i：对每一时间间隔所对应的所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图的特征进行提取以及拼接，确定出一维足底压力列向量。
[0128]
其中，在每一时间间隔所对应的第一足底压力分布图、所述第二足底压力分布图、第三足底压力分布图、第四足底压力分布图以及第五足底压力分布图中提取出表征足底压力特征，将提取出来的多个特征进行拼接得到一维足底压力列向量。
[0129]
其中，一维足底压力列向量表征着在预设时间段内待检测用户在进行下肢体检运动过程中的足底压力特征。
[0130]
ii：将所述一维足底压力列向量以及所述一维姿态列向量进行特征向量拼接，确定出病理特征向量。
[0131]
其中将得到的一维足底压力列向量以及一维姿态列向量进行特征向量拼接，确定出病理特征向量。
[0132]
进一步的，于所述病理特征向量确定出运动神经类疾病诊断结果，包括：
[0133]
i：根据所述病理特征向量从运动神经类疾病数据库中筛选出与所述病理特征向量相匹配的参考运动神经类疾病。
[0134]
其中，利用病理特征向量在运动神经类疾病数据库中查找出与该病理特征向量相匹配的参考运动神经类疾病。
[0135]
其中，运动神经类疾病数据库存储着多个参考病理特征向量所对应的运动神经类疾病。
[0136]
ii：将所述参考运动神经类疾病确定为运动神经类疾病诊断结果。
[0137]
其中，将参考运动神经类疾病确定为运动神经类疾病诊断结果，如脑卒中导致的偏瘫、帕金森导致的震颤等。
[0138]
在具体实施例中，患者佩戴五个身体姿态检测设备位于大腿、小腿外侧和腰后侧，将姿态检测设备与骨骼方向对准；放置足底压力检测设备与左右脚鞋内。开启各设备的电源，利用蓝牙连接上位机、主设备和从设备，让患者进行下肢体检运动，获取下肢体检运动过程中的身体姿态数据和足底压力数据，对身体姿态数据和足底压力数据进行划分确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据，将各个确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据输入到运动神经类疾病检测模型之中，在运动神经类疾病检测模型之中进行拼接得到病理特征向量，确定出该病理特征向量所对应的运动神经类疾病诊断结果，如脑卒中导致的偏瘫。
[0139]
本技术提供了一种运动神经类疾病的检测方法，检测方法包括：在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据；将身体姿态数据和足底压力数据以预设时间间隔进行划分，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据；将多个每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，以使运动神经类疾病检测模型将各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，基于病理特征向量输出运动神经类疾病诊断结果。
[0140]
这样，通过对待检测用户的身体姿态数据和足底压力数据进行划分得到每一时间间隔所对应的参考身体姿态数据和参考足底压力数据，将每个时间间隔所对应的参考身体姿态数据和参考足底压力数据输入到运动神经类疾病检测模型之中，在运动神经类疾病检测模型之中利用参考身体姿态数据和参考足底压力数据确定出病理特征向量，从而利用病理特征向量确定出待检测用户的运动神经类疾病诊断结果，快速准确地确定出运动神经类疾病诊断结果，从而实现了结合足底压力数据以及身体姿态数据提高动神经类疾病诊断结果的准确性。
[0141]
请参阅图5，图5为本技术实施例所提供的一种运动神经类疾病的检测装置的结构示意图。如图5中所示，所述检测装置500包括：
[0142]
获取模块510，用于在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据；
[0143]
划分模块520，用于将所述身体姿态数据和所述足底压力数据以预设时间间隔进行划分，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据；
[0144]
疾病诊断模块530，用于将多个所述每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，以使所述运动神经类疾病检测模型将各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，基于所述病理特征向量输出运动神经类疾病诊断结果。
[0145]
进一步的，疾病诊断模块530在用于所述待检测用户的左右脚分别佩戴有足底压力检测设备，并在所述待检测用户身体的预设位置佩戴有身体姿态检测设备时；通过以下方式获取所述待检测用户的身体姿态数据和足底压力数据：
[0146]
基于所述足底压力检测设备获取所述待检测用户在下肢体检运动过程中的左右脚的电阻值，将所述左右脚的电阻值转化为电压值；
[0147]
基于所述电压值确定出所述待检测用户的左右脚的足底压力数据；
[0148]
基于所述身体姿态检测设备获取所述待检测用户在下肢体检运动过程中的三轴加速度、三轴角速度、三轴磁强度，将所述三轴加速度、所述三轴角速度、所述三轴磁强度进行姿态计算，确定出所述检测用户在下肢体检运动过程中的身体姿态数据。
[0149]
进一步的，划分模块520在用于将所述身体姿态数据和所述足底压力数据以预设时间间隔为单位进行划分，确定出每一时间间隔的参考身体姿态数据和参考足底压力数据时，划分模块520用于：
[0150]
在所述足底压力数据中去除当足部未接触地面时鞋子与足部之间的接触压力，确定出参考足底压力数据，对所述身体姿态数据进行高通滤波去除偏置处理，确定出参考身体姿态数据；
[0151]
将左右脚的所述参考足底压力数据进行累加计算，确定出在所述预设时间段内左右脚的总脚底压力变化曲线；
[0152]
在所述左右脚的总脚底压力变化曲线选取极小值点相对应的时刻，基于所述极小值点相对应的时刻对所述参考身体姿态数据以及参考足底压力数据进行以预设时间间隔进行划分处理，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据。
[0153]
进一步的，疾病诊断模块530在用于所述每一时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量时，疾病诊断模块530用于：
[0154]
将多个所述每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，基于所述每一时间间隔所对应的参考足底压力数据，确定出表征左右脚的摆动相的第一足底压力分布图、表征足跟着地期的第二足底压力分布图、表征支撑中期的第三足底压力分布图、表征支撑中后期的第四足底压力分布图以及表征支撑末期的第五足底压力分布图；
[0155]
对所述每一时间间隔所对应的参考身体姿态数据进行降维处理，获取到一维姿态列向量；
[0156]
基于所述一维姿态列向量和所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图，确定出病理特征向量。
[0157]
进一步的，疾病诊断模块530在用于所述基于所述一维姿态列向量和所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图，确定出病理特征向量时，疾病诊断模块530用于：
[0158]
对每一时间间隔所对应的所述第一足底压力分布图、所述第二足底压力分布图、所述第三足底压力分布图、所述第四足底压力分布图以及所述第五足底压力分布图的特征进行提取以及拼接，确定出一维足底压力列向量；
[0159]
将所述一维足底压力列向量以及所述一维姿态列向量进行特征向量拼接，确定出
病理特征向量。
[0160]
进一步的，疾病诊断模块530在用于基于所述病理特征向量确定出运动神经类疾病诊断结果时，疾病诊断模块530还用于：
[0161]
根据所述病理特征向量从运动神经类疾病数据库中筛选出与所述病理特征向量相匹配的参考运动神经类疾病；
[0162]
将所述参考运动神经类疾病确定为运动神经类疾病诊断结果。
[0163]
本技术提供了一种运动神经类疾病的检测装置，所述检测装置包括：获取模块，用于在预设时间段内获取待检测用户在下肢体检运动过程中的身体姿态数据和足底压力数据；划分模块，用于将所述身体姿态数据和所述足底压力数据以预设时间间隔进行划分，确定出每一时间间隔所对应的参考身体姿态数据和参考足底压力数据；疾病诊断模块，用于将多个所述每一时间间隔所对应的参考姿态数据和参考足底压力数据输入至预先训练好的运动神经类疾病检测模型之中，以使所述运动神经类疾病检测模型将各个时间间隔所对应的参考姿态数据和参考足底压力数据进行特征拼接得到病理特征向量，基于所述病理特征向量输出运动神经类疾病诊断结果。
[0164]
这样，通过对待检测用户的身体姿态数据和足底压力数据进行划分得到每一时间间隔所对应的参考身体姿态数据和参考足底压力数据，将每个时间间隔所对应的参考身体姿态数据和参考足底压力数据输入到运动神经类疾病检测模型之中，在运动神经类疾病检测模型之中利用参考身体姿态数据和参考足底压力数据确定出病理特征向量，从而利用病理特征向量确定出待检测用户的运动神经类疾病诊断结果，快速准确地确定出运动神经类疾病诊断结果，从而实现了结合足底压力数据以及身体姿态数据提高动神经类疾病诊断结果的准确性。
[0165]
请参阅图6，图6为本技术实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。
[0166]
所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图1所示方法实施例中的一种运动神经类疾病的检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0167]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的一种运动神经类疾病的检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0168]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0169]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0170]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0171]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0172]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0173]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。