一种关节炎患者的足底压力特征识别方法和系统与流程

本发明涉及模式识别技术领域，尤其涉及一种关节炎患者的足底压力特征识别方法和系统。

背景技术：

膝骨性关节炎(kneeosteoarthritis，koa)，亦称退行性骨关节病，是机械因素及生物因素共同作用导致的关节软骨、软骨下骨、骨以及周围软组织的共同病损,是一种无菌性、慢性、进行性侵犯关节。此病发病率较高，而且人数还在不断增加。临床上，koa除了会导致疼痛及关节功能障碍之外，还会引起步态异常，从而使人体的活动能力严重降低。因此，中早期的关节炎识别具有重大意义。

目前，与关节炎相关的现有研究大部分是药物治疗，而涉及关节炎识别的研究则大多基于生物医学，不仅检测过程繁琐，识别精度也较低。随着足底压力识别技术的发展，其被越来越多的应用于身份识别和步态识别领域中。由于足底压力的测量较为便捷，而关节炎患者的足底压力与健康人体的足底压力之间又存在一定的差异性，这为根据足底压力数据对关节炎患者的步态特征进行识别创造了可能。然而，异常步态的检测本身就是模式识别领域的难题之一，而基于关节炎患者和健康人体之间的足底压力的差异进行区分，以辅助筛查检测关节炎患者，更是缺少相应的研究。

技术实现要素：

针对上述问题，本发明的目的是提供一种关节炎患者的足底压力特征识别方法和系统，根据足底压力数据特征，对被检测者的足底压力模式进行有效识别，为关节炎的早期评估提供理论依据。

为实现上述目的，本发明采取以下技术方案：一种关节炎患者的足底压力特征识别方法，其包括以下步骤：

(1)分别对正常人和被检测者的足底压力数据进行采集，并对得到的足底压力图像数据进行预处理；

(2)对预处理后的足底压力图像数据进行主成分分析，提取基于足底形状和压力分布的经典特征构成特征向量；

(3)构建小波神经网络模型，并采用正常人的足底压力特征向量对构建的小波神经网络模型进行训练，并将被检测者的足底压力特征向量输入训练好的小波神经网络模型，得到被检测者的足底压力特征识别结果。

进一步的，所述步骤(1)中，对得到的足底压力图像数据进行预处理的方法包括足底关键帧提取、区域划分和去噪三个过程：所述足底关键帧提取是指从足底压力图像数据中提取能够反映数据内容的关键数据帧；所述区域划分是指根据不同的足底压力特征区域对采集的足底压力数据进行区域划分；所述去噪是指对获得的足底压力分布图像进行整体去噪和局部去噪，所述整体去噪根据预设整体去噪阈值对所有足底压力分布图像数据进行去噪，所述局部去噪是指根据预设足跟部阈值对整体去噪后的足跟部压力数据进行局部去噪。

进一步的，所述步骤(2)中，对预处理后的足底压力图像数据进行主成分分析，提取基于足底形状和压力分布的经典特征构成特征向量的方法，包括以下步骤：(2.1)获取正常人和关节炎患者的足底基础数据，并对足底基础数据进行预处理；(2.2)对于足底压力图像的每个像素，分别计算3个压力相关和3个时间相关的参数；(2.3)使用主成分分析对足底压力图像的每个像素的6个参数和预处理后的足底基础数据进行参数提取，得到基于足底形状和压力分布的经典特征构成特征向量。

进一步的，所述步骤(2.3)中，使用主成分分析对足底压力图像的每个像素的6个参数和预处理后的足底基础数据进行参数提取，得到基于足底形状和压力分布的经典特征构成特征向量的方法，包括以下步骤：

(2.3.1)将预处理后的正常人和被检测者的足底压力图像数据分别作为足底压力图像训练样本和测试样本；

(2.3.2)计算所有足底压力图像训练样本的平均图像s和协方差矩阵g；

式中，为训练样本，且i表示第i个人，即类别数，j表示第i个人的第j幅图像，n表示识别的总人数，k表示每个人包含k幅图像，m表示样本总数且m＝nk；

(2.3.3)将足底压力图像训练样本的协方差矩阵g进行特征值分解gxi＝uixi，并选取其中p个最大特征值u1,u2,…,up对应的正交特征向量x1,x2,…,xp作为投影空间；

(2.3.4)将足底压力图像训练样本向投影空间进行投影，得到足底压力图像训练样本的特征矩阵和主成分向量；

其中，矩阵是训练样本的特征矩阵，是训练样本的主成分向量；

(2.3.5)将测试样本z∈r^m×p向投影空间x1,x2,…,xp投影后得到测试样本w的特征矩阵yi和主成分向量yi(1)，yi(2)，…，yi(p)；

yi＝[yi(1)，yi(2)，…，yi(p)]＝[zx1，zx2，…，zxp]，

(2.3.6)将得到的训练样本和测试样本的特征矩阵和主成分向量作为特征向量。

进一步的，所述步骤(3)中，构建小波神经网络模型，并采用正常人的足底压力特征向量对模型进行训练，然后将被检测者的足底压力特征向量输入训练好的模型，得到被检测者的足底压力特征识别结果的方法，包括以下步骤：

构建小波神经网络模型并对模型参数进行初始化；

采用正常人的足底压力特征向量对构建的小波神经网络模型进行训练，并得到小波神经网络模型的预测输出值；

计算预测输出值和期望输出值之间的训练误差e，并根据得到的训练误差e，采用梯度修正法对小波神经网络模型的各参数进行修正，直到满足预先核定的训练误差期望阈值；

将被检测者的足底压力特征向量输入到训练好的小波神经网络模型，得到被检测者的足底压力特征识别结果。

进一步的，所述构建小波神经网络模型并对模型参数进行初始化的方法为：

首先，建立包括一个输入层、一个隐藏层和一个输出层的小波神经网络模型，所述输入层和隐藏层均包含多个单元，且所述输入层中的每个单元分别连接到所述隐藏层的所有单元，所述隐藏层的每个单元分别连接到输出层；

然后，确定所述隐藏层输出的计算公式：

其中，h(j)表示隐藏层中第j个节点的输出值，l为隐藏层输出节点个数，ωij为网络输入层和隐藏层的连接权值系数，hj为小波基函数，bj为小波基函数hj的平移因子，aj为小波基函数hj的伸缩因子，xi(i＝1,2，…，k)为输入层的输入向量；

确定所述输出层输出的计算公式：

式中，ωjk为隐藏层和输出层的连接权值系数，h(i)为隐含层第i个节点的输出值，m为输出层节点数；

最后，对所述小波神经网络模型中包括的模型参数：输入层和隐藏层的连接权值系数ωij、隐藏层和输出层的连接权值系数ωjk、小波基函数hj的伸缩因子aj和平移因子bj、网络学习速率η1和η2以及隐藏层输出节点个数l和输出层节点个数m进行初始化。

进一步的，所述计算出预测输出值和期望输出值之间的训练误差e，并根据得到的训练误差e，采用梯度修正法对小波神经网络模型的各参数进行修正，直到满足预先核定的训练误差期望阈值的方法，包括以下步骤：

①计算小波神经网络模型的预测误差：

式中，yn(k)为期望输出，y(k)为小波神经网络模型的预测输出；

②根据计算得到的预测误差，对小波神经网络模型的隐含层权值系数与小波基函数进行修正：

式中，η为学习速率；aj和bj分别为小波基函数的伸缩因子和平移因子，ωnk是权值系数、δωnk是根据计算得到的权值系数的误差、δak是根据计算得到的伸缩因子的误差、δbk是根据计算得到的平移因子的误差。

一种关节炎患者的足底压力特征识别系统，其包括：

数据采集预处理模块，用于分别对正常人和被检测者的足底压力数据进行采集，并对得到的足底压力图像数据进行预处理；

特征向量提取模块，用于对预处理后的足底压力图像数据进行主成分分析，提取基于足底形状和压力分布的经典特征构成特征向量；

特征识别模块，用于构建小波神经网络模型，并采用正常人的足底压力特征向量对构建的小波神经网络模型进行训练，并将被检测者的足底压力特征向量输入训练好的小波神经网络模型，得到被检测者的足底压力特征识别结果。

进一步的，所述特征识别模块包括：

模型构建模块，用于构建下拨神经网络模型并对模型参数进行初始化；

模型训练模块，用于根据正常人的足底压力特征向量对构建的小波神经网络模型进行训练，并得到小波神经网络模型的预测输出值；

模型修正模块，用于计算预测输出值和期望输出值之间的训练误差e，并根据得到的训练误差e，采用梯度修正法对小波神经网络模型的各参数进行修正，直到满足预先核定的训练误差期望阈值；

分类识别模块，用于根据被检测者的足底压力特征向量以及训练好的小波神经网络模型，得到被检测者的足底压力特征识别结果。

本发明由于采取以上技术方案，其具有以下优点：1、本发明采用主成分分析法对得到的数据进行处理，可有效减少数据变量的冗余，减少数据处理复杂度；2、本发明构建的小波神经网络模型的基元和整体结构是依据小波分析理论确定的,可避免结构设计上的盲目性，而且小波神经网络有较强的学习能力，精度较高。因此，本发明可以广泛应用于关节炎患者的足底压力特征识别领域。

附图说明

图1为本发明关节炎患者的足底压力特征识别方法的实施流程图；

图2为本发明所用到的测量系统的总体构架框图；

图3为本发明所采集的步态压力分布图；

图4为本发明所采集的足底压力曲线图；

图5为本发明所用到的归一化方法中的压力-时间曲线图；

图6为本发明所用到的小波神经网络模型的示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提出一种基于足底压力数据特征的模式识别方法，包括以下步骤：

(1)分别对正常人和被检测者的足底压力数据进行采集，并对得到的足底压力图像数据进行预处理。

如图2所示，为测量系统的总体框架框图。本发明采用由美国tekscan公司生产的f-scan设备进行足底压力数据的采集，该设备能够实时显示测试数据并提供多种数据分析方式，具有960个感测元，500hz的扫描速度。该测量系统包括足底压力传感器、信号调理电路、信号处理单元、角度传感器以及电源模块，其中，足底压力传感器用于采集足底压力数据；信号调理电路用于把来自足底压力传感器的模拟信号变换为用于数据采集、执行计算的数字信号；信号处理单元用于完成压力信号的放大、采样、滤波；电源模块用于为上述各部件供电。

如图3、图4所示，为测量系统所获取的步态压力分布图和足底压力曲线图。

对采集的足底压力图像数据进行预处理时，一般包括足底关键帧提取、区域划分以及去噪三个方面。

关键帧是反映一组数据中代表主要信息内容的一帧或若干帧的图像，可以简洁地表达数据内容。由于步态具有周期性，因此同一个人的足底压力图像数据具有相当大的重复信息，提取足底压力数据关键帧，可达到数据压缩的效果。为了保证足迹的完整性和足底压力变化的稳定性，本发明从采集的动态足底压力数据中选择步态比较平稳的150帧作为关键数据帧。

区域划分是把脚底划分为几个典型的重要区域，如toe1(第1趾，t1)、toe2～5(第2～5趾，t2～5)、meta1(第1跖骨，m1)、meta2(第2跖骨，m2)、meta3(第3跖骨，m3)、meta4(第4跖骨，m4)、meta5(第5跖骨，m5)、midfoot(足中部或足弓，mf)、heelmedial(足跟内侧，hm)、heellateral(足跟外侧，hl)。

去噪是指对获得的足底压力分布图像进行整体去噪和局部去噪，以降低采集过程中的噪声对足底压力图像形状特征提取和区域的划分造成的干扰。通常情况下，足跟部的噪声点出现概率最高，压力值较大，影响形状特征的提取。因此，本发明首先采用整体去噪阈值对得到的足底压力分布图像进行整体阈值去噪后，再采用足跟部阈值对整体去噪后的足跟部压力数据(包括足跟内侧和足跟外侧数据)进行局部去噪，本发明中整体去噪阈值和足跟部阈值分别设为5kpa和10kpa，可以根据实际需要进行调整。

(2)对预处理后的足底压力图像数据进行主成分分析(pca)，提取基于足底形状和压力分布的经典特征构成特征向量。

具体的，包括以下步骤：

(2.1)获取正常人和关节炎患者的足底基础数据，利用keijsers等人创建的标准化方法，对足底基础数据中的足行进角度进行校正，对足部尺寸进行标准化，并对校正和标准化后的足行进角度和足部尺寸归一化；其中，足底基础数据包括每只脚的压力中心、站立持续时间、足行进角度、足部宽度和足部长度等参数。进行校正和标准化的方法均为现有技术，本发明在此不再赘述。

(2.2)对于足底压力图像的每个像素，分别计算3个压力相关和3个时间相关的参数。

如图5所示，与压力相关的参数为：压力-时间积分(pti)，平均压力(mp)和峰值压力(pp)；与时间相关的参数为：像素开启(pixel-on)、像素接触(pixel-contact)和像素关闭(pixel-off)。

(2.3)使用主成分分析(pca)对6个参数以及预处理后的足底基础数据进行重要参数的提取，得到基于足底形状和压力分布的经典特征构成特征向量。

由于每只脚由若干像素组成，输入参数不仅包括每个像素需要计算的6个参数，还有每只脚的压力中心(cop)、站立持续时间、足行进角度、足部宽度和足部长度等参数。由于输入参数数据量过大，因此使用主成分分析(pca)对6个参数、足行进角度和足部尺寸进行重要参数的提取，从而减少变量的数量。

pca是模式识别领域最基本的算法，是一种被广泛运用在计算机视觉中的降维技术,该方法认为任何一幅图像都可以分解为一系列向量与系数的线性组合,该类系数是彼此不相关的,并且服从高斯分布,将其中包含信息成分最多的向量方向视为主要组成成分方向,摒弃其它方向及其系数。pca算法旨在减少原始特征的冗余，同时尽可能多的保留原始信息，找到一个低维度的特征空间表示图像。pca将原始变量转换为称为主成分的新的不相关变量。每个主成分是原始变量的线性组合。主成分的方差表示该主成分中包含的信息量。主成分是按方差的降序导出的。因此，第一个包含最多信息，最后一个包含最少信息。只有方差超过0.5％的主成分才被用作潜在的输入参数来进行识别分类。pca的具体步骤如下：

步骤一：设一个2m维的向量si表示足底压力图像中第i幅图像，m是标定足底特征点的个数。一幅图像在2m维的空间中表示为一个点，则所有足底压力图像均可映射到同一个2m维的空间，构成n个离散点。

步骤二：假设n个离散点均分布在该空间内一个有限的区域，称为容许形状域。在该区域中每一点所代表的形状具有相似性，现用欧式距离实现这种相似性的归类。在2m维空间中，如果两点之间的欧氏距离越小，则这两点所代表的形状就越相似。欧氏距离dik定义如下：

其中，si＝[xi1，yi1，xi2，yi2，…，xin，yin]^t，w为加权矩阵，其表达式为w＝diag(w1，w1，w2，w2，…，wn，wn)。

步骤三：设均值向量为向量si和的差值向量记为dsi，则：

式中，为特征点的协方差。

差值向量用主成分线性组合表示：

dsi＝bi1p1+bi2p2+…+bi2np2n(4)

其中，bil是第i个形状在pl上的加权值，其中l＝1,2,…,2n，p1是第一个主成分，模为1，即p1^tp1＝1，又因为主成分之间相互正交，故有：

根据式(2)可得：

将式(4)和(5)联立，有

dsi＝pbi(7)

也即：

其中，p＝[p1，p2，…，p2n]，bi＝[bi1，bi2，…，bil]^t。也就是说，任意一个特征向量都表示为均值向量和主成分加权的和。

基于上述对主成分分析方法的介绍，本发明对预处理后的足底压力图像数据进行主成分分析(pca)，提取基于足底形状和压力分布的经典特征构成特征向量的方法，包括以下步骤：

(2.3.1)将预处理后的正常人和被检测者的足底压力图像数据分别作为足底压力图像训练样本和测试样本。

本发明中将预处理后正常人的足底压力图像数据作为训练样本，其中足底压力图像训练样本的集合为其中i表示第i个人，即类别数，j表示第i个人的第j幅图像，n表示识别的总人数，k表示每个人包含k幅图像，m表示样本总数且m＝nk；将被检测者的足底压力图像数据作为足底压力图像测试样本，集合为z∈r^m×p，即每个测试样本大小为m×p。

(2.3.2)计算所有足底压力图像训练样本的平均图像s和协方差矩阵g：

(2.3.3)将足底压力图像训练样本的协方差矩阵g进行特征值分解gxi＝uixi，并选取其中p个最大特征值u1,u2,…,up对应的正交特征向量x1,x2,…,xp作为投影空间。

(2.3.4)将足底压力图像训练样本向投影空间x1,x2,…,xp进行投影，得到足底压力图像训练样本的特征矩阵和主成分向量：

其中，矩阵是训练样本的特征矩阵，是训练样本的主成分向量。

(2.3.5)将测试样本z∈r^m×p向投影空间x1,x2,…,xp进行投影，得到测试样本的特征矩阵yi和主成分向量yi(1)，yi(2)，…，yi(p)：

yi＝[yi(1)，yi(2)，…，yi(p)]＝[zx1，zx2，…，zxp](13)

(2.3.6)将得到的训练样本和测试样本的特征矩阵和主成分向量作为特征向量。

(3)构建小波神经网络模型，并采用正常人的足底压力特征向量对模型进行训练，然后将被检测者的足底压力特征向量输入训练好的模型，即可得到被检测者的足底压力特征识别结果。

经主成分分析(pca)所提取的重要特征作为神经网络的输入，为了利用重要参数数据识别足底压力特征，本发明采用小波神经网络(wnn)作为非线性映射函数，利用神经网络完成分类识别。小波神经网络是一种将小波分析与定位属性相结合的并且能够进行自学习的神经网络。

具体的，包括以下步骤：

(3.1)构建小波神经网络模型，并对模型参数进行初始化：

如图6所示，本发明构建的小波神经网络模型包括一个输入层，一个隐藏层和一个输出层，其中输入层和隐藏层包含多个单元，输出层包括一个单元，输入层中的每个单元均连接到隐藏层的所有单元，隐藏层中的所有单元均连接到输出层的一个单元。

设x1,x2,…,xk是输入层的输入向量，y1,y2,…,ym是输出层的输出向量。当输入层的输入向量为xi(i＝1,2，…，k)时，经过输入层计算后，到达隐藏层，隐藏层输出的计算公式为：

其中，h(j)表示隐藏层中第j个节点的输出值，l为隐藏层输出节点个数，ωij为输入层和隐藏层的连接权值系数，hj为小波基函数，bj为小波基函数hj的平移因子，aj为小波基函数hj的伸缩因子。在本发明中小波基函数hj使用morlet小波，其公式如下：

小波神经网络输出层的计算公式为：

其中，ωjk为隐藏层和输出层的连接权值系数，h(i)为隐含层第i个节点的输出值，m为输出层节点数。

(3.2)网络初始化：首先对小波基函数的伸缩因子ak和平移因子bk进行随机初始化，将这些值设置为0；然后对网络层的连接权重ωij和ωjk进行随机初始化，也将值设置为0；最后，令网络学习速率η1＝0.01，η2＝0.0001。

(3.3)样本分类。将足底压力图像训练样本的特征向量数据随机分为训练样本和测试样本，使得80％的病例用作训练样本，剩余的20％用于形成训练之后使用的测试样本。训练样本的作用是用于训练网络，相当于在网络中存入样本的特征信息。测试样本的作用是用于测试网络的训练精确程度，同时给出网络的测试结果。

(3.4)预测输出。将80％的足底压力图像训练样本的特征向量训练样本数据输入到初始化后的小波神经网络模型中，通过小波神经网络模型计算后得到预测输出值。

(3.5)权值修正。计算小波神经网络预测输出值和期望输出值之间的训练误差e，并根据得到的训练误差e，采用梯度修正法对小波神经网络模型的各参数进行修正，并采用测试样本对修正后的模型继续训练，直到满足预先核定的训练误差期望阈值。

判断训练误差e是否达到期望的训练误差，如果达到期望的训练误差值，则停止训练；如果未达到期望的训练误差值，则继续训练。修正过程如下：

①计算小波神经网络模型的预测误差：

式中，yn(k)为期望输出，y(k)为小波神经网络模型的预测输出；

②根据计算得到的预测误差，对小波神经网络模型的隐含层权值系数与小波基函数进行修正：

式中，η为学习速率；aj和bj分别为小波基函数的伸缩因子和平移因子，ωnk是权值系数、δωnk是根据计算得到的权值系数的误差、δak是根据计算得到的伸缩因子的误差、δbk是根据计算得到的平移因子的误差。

(3.6)将被检测者的足底压力特征向量输入到训练好的小波神经网络模型，得到的模型预测输出结果即为被检测者的足底压力特征识别结果。

基于上述关节炎患者的足底压力特征识别方法，本发明还提供一种关节炎患者的足底压力特征识别系统，其包括数据采集预处理模块，用于分别对正常人和被检测者的足底压力数据进行采集，并对得到的足底压力图像数据进行预处理；特征向量提取模块，用于对预处理后的足底压力图像数据进行主成分分析，提取基于足底形状和压力分布的经典特征构成特征向量；特征识别模块，用于构建小波神经网络模型，并采用正常人的足底压力特征向量对构建的小波神经网络模型进行训练，并将被检测者的足底压力特征向量输入训练好的小波神经网络模型，得到被检测者的足底压力特征识别结果。

其中，特征识别模块包括：模型构建模块，用于构建下拨神经网络模型并对模型参数进行初始化；模型训练模块，用于根据正常人的足底压力特征向量对构建的小波神经网络模型进行训练，并得到小波神经网络模型的预测输出值；模型修正模块，用于计算预测输出值和期望输出值之间的训练误差e，并根据得到的训练误差e，采用梯度修正法对小波神经网络模型的各参数进行修正，直到满足预先核定的训练误差期望阈值；分类识别模块，用于根据被检测者的足底压力特征向量以及训练好的小波神经网络模型，得到被检测者的足底压力特征识别结果。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。