技术领域
背景技术
[0002] 中医运动养生有2000多年的历史，强调根据季节四时变化和
气候72候的时令情况，以及各人身体情况特点进行运动养生的方案。
[0003] 以五禽戏为例，创办于东汉时期，名医华佗根据古代导引、吐纳之术，研究了虎、鹿、熊、猿、
鸟的活动特点，并结合人体脏腑、
经络、气血、时令特点的动静兼备、刚柔并济、内外兼修的仿生功法。1982年6月28日，中国卫生部、教育部和当时的国家体委发出通知，把五禽戏等中国传统健身法作为在医学类大学中推广的“保健体育课”的内容之一。但是由于其需要根据不同人体质特点及72候时令的特征等，选择虎、鹿、熊、猿、鸟的不同特点。如气虚类型的在秋冬转换时，不宜选择过于威猛的虎式动作等，有一定的复杂性，故通常在专业人士指导下进行，多年来，在一些特定的健身场所得到推广。
[0004] 近年来由于移动互联网的发展，通过手机观看中医运动养生学习渐渐成为
风潮。但是，手机视频画面较小不适合观看，如果在电视等大显示屏上观看又不具备可随时观看锻炼的特点。同时无法自动判断动作是否标准，选择的运动是否适合个人。
发明内容
[0005] 为克服
现有技术所存在的
缺陷，本发明提供人体3D扫描投影技术，能够解决上述技术问题。
[0006] 本发明通过以下技术方案来实现上述目的：
[0007] 人体3D扫描投影技术，按照下述步骤依次进行：
[0008] 步骤一：锻炼者通过携带智能手机到锻炼场地，将智能手机摆放到锻炼着身前的空地上，通过智能手机投影锻炼影像到
墙壁或者其他障碍物上，智能手机投影内容根据中医传统历史经验以及对于72侯养生的理解将已知个体所属于的体质类型、偏颇程度、辩证论治进行划分并给出推拿、
艾灸、拔罐、膳食、运动建议后形成整体人群对象画像调理模型同步到智能手机，锻炼者穿有智能
鞋和带有运动手环根据投影的影像进行运动；
[0009] 步骤二：采集个人具体的年龄、体重、性别、慢性病史等用户基本信息，建立个体体质画像特征调理模型。
[0010] 步骤三：通过三
角质量评价矩阵配合运动通过智能手环/
手表或智能鞋作为运动采集
硬件，采集用户实际
加速度运动、饮食、外用、调理及体质评估数据，然后饮食、外用、调理情况、体质评估通过app或医生问诊后台录入所述个体体质画像特征调理模型；
[0011] 步骤四：将步骤三采集的加速度运动数据、饮食、外用、调理、体质评估数据进行预处理，通过
降维和去噪方式，简化计算量；
[0012] 步骤五：将步骤四中运动预处理后的数据和预判准确性判别模
块进行准确性判断，对用户基本信息采集单元采集到的用户基本信息进行分析以确定该用户的初级类别，同时，次级用户信息采集单元生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的
人机交互界面；
[0013] 步骤六：将步骤二到步骤五中的个人特征融合识别，完善个体体质画像特征调理模型，形成个人N类步态样本并采用投影手机投放养生健身视频；
[0014] 步骤七：不断重复上述步骤一到步骤六的过程，增加取样的样本，对SVM分类器不断优化完善，用遗传
算法不断矫正，实现自适应过程。
[0015] 在本
实施例中，步骤三中的智能鞋通过加速度
传感器判定运动类型，所述加速度传感器为三轴加速度传感器，所述加速度传感器通过采集x，y，z三个方向的作用
力和对轨迹的峰值出现的
频率滤波后用来区分人体行为的运动和静止状态；
[0016] 在本实施例中，通过
角速度进行细分运动环节、跌倒检测，所述运动环节包括但不限于运动周期环节和八字脚。
[0017] 在本实施例中，采用小波包分解、差分算法分别从四个区域压力的三方向(左右、前后、垂直)提取频域时域特征，
小波变换采用硬
阈值法，Cj.k为小波系数，λ为阈值，其计算公式如下：
[0018]
[0019] 在本实施例中，所述人机交互界面包括计算单元、
数据库单元、用户分类单元和结果输出单元，所述计算单元利用所述次级用户信息采集单元采集到的用户特征数据和所述数据库单元存储的特征与事件之间的相关性数据计算所述用户特征与事件之间的综合关联值，所述用户分类单元对所述计算单元计算的所述相关值对用户进行分类，所述结果输出单元输出分类结果，所述数据库单元用于存储特征与事件之间的相关性数据。所述计算单元为分级嵌套计算单元，包括第一级分级嵌套计算单元到第N级分级嵌套计算单元，N为大于等于2的自然数。
[0020] 在本实施例中，步骤六中的所述个人识别特征融合是指先用模糊C均值法从提取的步态
频域特征的多个小波包中挑选最小最优小波包集合，再用模糊C均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数，得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集，在识别建模建立时，采用SVM进行步态识别。在||W||≤A的约束下，采用非线性映射径向基核函数将线性不可分的低维空间映射到线性可分的高维空间，在步态数据库中已经注册了个人n类步态样本的情况下，将样本输入分类器训练，根据输入值判定是1～n中哪一类，如果超出1～n范围，则新注册类别n+1类，然后重新更新分类器，变换后的高维空间只需要利用原空间函数计算其内积值将合适的内积函数K(五，X，)应用于最优分类面中，非线性变换后就可以实现线性分类，并且计算复杂度反而减少，此时目标函数的对偶问题将由下式表达：：
[0021] 分类函数变为：
[0022] 在的不同状态下，按照上述方法分别建模，形成不同状态的识别模型，这样可以用于不同状态远程健康检测，其公式如下：
[0023]
[0024] 其中F为事件j与多个或全部特征1，2，3…i之间的综合关联值，rect(i)为矩形函数，i为真时rect(i)＝l，i为假时rect(i)＝0。
[0025] 在本实施例中，通过使用优化的SVM分层级结合不同区域压力数据对特征的进一步精细区分。
[0026] 在本实施例中，为了消除数据间不同量纲、不同数量级的影响，需要对原始数据进行标准化处理，使其具有可比性，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，即：
[0027] X＝[X1，X2.....Xn]T＝[Xij](nxp)
[0028]
[0029]
[0030] 其中，i＝1，2″″″n；j＝1，2″″″p，系数矩阵为：
[0031] R是实对称矩阵，其中r为相关系数；
[0032] 累计贡献率为：
[0033] 上述累计贡献率达到50以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；
[0034] 计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵：F(nxm)＝X(nxp)·U(pxm)。
[0035] 其中，X是原数据矩阵，U是主成分
载荷，得分矩阵F即为PCA降维后所得到的最终结果。
[0036] 在本实施例中，在步骤七中，
遗传算法的开始和结束阶段需要有适当的选择率，SVM分类器适应度函数 为SVM分类器对样本划分正确率，通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。
[0037] 本发明的有益效果是：
[0038] 本发明所提供的投影方法能够根据使用者每个个体的自身情况和身体机能反馈，科学、精确地定制相应的健康管理方案、提供膳食指导计划、推送养生食品产品，根据定期体质评估不断反馈修正个
体模型，同时个体模型作为该特征画像人群的输入因子，不断优化其对应特征画像模型，采用投影手机投放养生健身视频、用可穿戴式手环和智能鞋采集动作情况，结合个人体征、体质
人工智能画像模型算法及时令特点，形成个性化健身方案建模，并根据不同动作一段时间后的健身效果，不断优化形成个体健康运动画像模型，用遗传算法不断矫正。实现随时随地，可根据个人72候养生中最适合的健身方案模型，并不断
监督学习完善。
附图说明
具体实施方式
[0040] 下面结合附图对本发明作进一步说明：
[0041] 如图1所示，人体3D扫描投影技术，按照下述步骤依次进行：
[0042] 步骤一：锻炼者通过携带智能手机到锻炼场地，将智能手机摆放到锻炼着身前的空地上，通过智能手机投影锻炼影像到墙壁或者其他障碍物上，智能手机投影内容根据中医传统历史经验以及对于72侯养生的理解将已知个体所属于的体质类型、偏颇程度、辩证论治进行划分并给出推拿、
艾灸、拔罐、膳食、运动建议后形成整体人群对象画像调理模型同步到智能手机，锻炼者穿有智能鞋和带有运动手环根据投影的影像进行运动；
[0043] 步骤二：采集个人具体的年龄、体重、性别、慢性病史等用户基本信息，建立个体体质画像特征调理模型。
[0044] 步骤三：通过三角质量评价矩阵配合运动通过智能手环/手表或智能鞋作为运动采集硬件，采集用户实际加速度运动、饮食、外用、调理及体质评估数据，然后饮食、外用、调理情况、体质评估通过app或医生问诊后台录入所述个体体质画像特征调理模型；
[0045] 步骤四：将步骤三采集的加速度运动数据、饮食、外用、调理、体质评估数据进行预处理，通过降维和去噪方式，简化计算量；
[0046] 步骤五：将步骤四中运动预处理后的数据和预判准确性判别模块进行准确性判断，对用户基本信息采集单元采集到的用户基本信息进行分析以确定该用户的初级类别，同时，次级用户信息采集单元生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的人机交互界面；
[0047] 步骤六：将步骤二到步骤五中的个人特征融合识别，完善个体体质画像特征调理模型，形成个人N类步态样本并采用投影手机投放养生健身视频；
[0048] 步骤七：不断重复上述步骤一到步骤六的过程，增加取样的样本，对SVM分类器不断优化完善，用遗传算法不断矫正，实现自适应过程。
[0049] 在本实施例中，步骤三中的智能鞋通过加速度传感器判定运动类型，所述加速度传感器为三轴加速度传感器，所述加速度传感器通过采集x，y，z三个方向的作用力和对轨迹的峰值出现的频率滤波后用来区分人体行为的运动和静止状态，人行走的正常频率在110步/分钟(1.8Hz)，跑步时的正常频率不会超过5Hz，按照76、88、100、105、120、150Hz的
采样频率采集x，y，z三个方向的作用力，其次，在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大，以此判别人体行为的运动和静止状态，上述数据在采集过程中会受到
电路电磁干扰，通过选用小波变换阈值法，在检测时加上阈值和步频判断来过滤，因人体运动主要是在50Hz以内的低频
信号，也就是相邻两步的时间间隔至少大于0.11、0.14、0.17、0.2、0.23、0.27秒，过滤高频噪声；
[0050] 在本实施例中，通过角速度进行细分运动环节、跌倒检测，所述运动环节包括但不限于运动周期环节和八字脚，基于运动学算法原理，检测四个步态事项时相：一个步态周期被分成了两个阶段，分别是“
支撑阶段”和“摆动阶段”并且又进一步分为了七个小部分，支撑阶段又分为脚跟
接触、脚跟上升、脚趾接触以及脚趾下降四个环节，使用角速度信号向量模ax，ay，az分别为加速度传感器x、y、z三轴方向输出向量模数据，用wx，wy，wz分别为
陀螺仪x、y、z三轴方向输出向量模数据，其运算公式如下：
[0051]
[0052]
[0053] 在本实施例中，采用小波包分解、差分算法分别从四个区域压力的三方向(左右、前后、垂直)提取频域时域特征，用SVM进行识别，
鞋底各区域作用力与运动步态相关，时域可表征步态周期性、变化率和加速度等整体特征，频域可表征谱特性等细节特征，在时域特征提取时，将去噪后的作用力中的垂直力曲线用一阶差分法检测前后、垂直方向曲线的波峰点和波谷点，作为作用力曲线的关键点，将垂直方向曲线的波谷点作为作用力曲线的参考点，以垂直方向曲线的关键点的力值及力值出现的时相、相邻关键点作用力变化率和冲量和对应的前后方向曲线上的关键点处的力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和
制动冲量(力-时间曲线上居于0点以下的力与时间的积分)表征全程的步态时域特征；在频域特征提取时，作用力先按垂直力曲线上的参考点将作用力自动
波形对齐，以提高频域特征对比性和分类能力：先用线性插值算法将作用力维数归一化到同一值，通过一阶差分算法搜索出归一化后作用力垂直方向力曲线上的波谷点，将波谷点作为参考点进行参照，用线性插值法将作用力中的左右、前后和垂直方向曲线波形对齐，将去噪后的作用力中的垂直力曲线用一阶差分算法检测出垂直方向的波谷点，作为作用力曲线的参考点，以参考点为基准，用线性插值法对作用力进行波形对齐，得到对齐后的作用力，再用L层小波包分解算法从作用力中提取出全程的步态频域特征，小波变换采用硬阈值法，Cj.k为小波系数，λ为阈值，其计算公式如下：
[0054]
[0055] 在本实施例中，所述人机交互界面包括计算单元、数据库单元、用户分类单元和结果输出单元，所述计算单元利用所述次级用户信息采集单元采集到的用户特征数据和所述数据库单元存储的特征与事件之间的相关性数据计算所述用户特征与事件之间的综合关联值，所述用户分类单元对所述计算单元计算的所述相关值对用户进行分类，所述结果输出单元输出分类结果，所述数据库单元用于存储特征与事件之间的相关性数据。所述计算单元为分级嵌套计算单元，包括第一级分级嵌套计算单元到第N级分级嵌套计算单元，N为大于等于2的自然数。所述数据库单元中存储的特征与事件之间的相关性数据是根据己有的经验数据构建，上述相关性数据不必然是数字，其包括但不限于是比值、百分数、概率。
[0056] 在本实施例中，步骤六中的所述个人识别特征融合是指先用模糊C均值法从提取的步态频域特征的多个小波包中挑选最小最优小波包集合，再用模糊C均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数，得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集，在识别建模建立时，采用SVM进行步态识别。在||W||A的约束下，采用非线性映射径向基核函数将线性不可分的低维空间映射到线性可分的高维空间，在步态数据库中已经注册了个人n类步态样本的情况下，将样本输入分类器训练，根据输入值判定是1～n中哪一类，如果超出1～n范围，则新注册类别n+1类，然后重新更新分类器，变换后的高维空间只需要利用原空间函数计算其内积值将合适的内积函数K(五，X，)应用于最优分类面中，非线性变换后就可以实现线性分类，并且计算复杂度反而减少，此时目标函数的对偶问题将由下式表达：
[0057] 分类函数变为：
[0058] 在的不同状态下，按照上述方法分别建模，形成不同状态的识别模型，这样可以用于不同状态远程健康检测，其公式如下：
[0059]
[0060] 其中F为事件j与多个或全部特征1，2，3…i之间的综合关联值，recf(i)为矩形函数，i为真时rect(i)＝l，i为假时rect(i)＝0。
[0061] 在本实施例中，通过使用优化的SVM分层级结合不同区域压力数据对特征的进一步精细区分，在足底压力采样时，采样率100Hz，每个足底采集3000个点，的6个方向压力值，每秒每人原始数据量为360万个，
数据挖掘大于360万维度，由于计算量巨大，首先对数据进行降维，a、b、c、d分别为左脚四个区域不同压力值/体重值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别步态样本。先综合计算某人步态偏离
整理人群的程度，然后对降维后的数据进行异常值判别然后将x进行SVM计算，分别计算将数据库中已经注册了个人N类步态样本，将样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器，在上述不同运动划分
基础上，同种运动再次细分，正常人站立和行走时，左、右足底压力峰值压力分布基本相同；而糖尿病患者及临界者，关节
活动度变小导致前足/后足压力明显增大，且压力分布不均衡，这样如站立状态，又进一步划分为正常站立和病态站立，最后分类时采取投票方式决定分类结果。
[0062] 在本实施例中，为了消除数据间不同量纲、不同数量级的影响，需要对原始数据进行标准化处理，使其具有可比性，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，即：
[0063] X＝[X1，X2.....Xn]T＝[Xij](nxp)
[0064]
[0065]
[0066] 其中，i＝1，2"""n；j＝1，2"""p，系数矩阵为：
[0067] R是实对称矩阵，其中r为相关系数；
[0068] 累计贡献率为：
[0069] 上述累计贡献率达到50以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；
[0070] 计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵：F(nxm)＝X(nxp)·U(pxm)。
[0071] 其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为PCA降维后所得到的最终结果。
[0072] 在本实施例中，在步骤七中，遗传算法的开始和结束阶段需要有适当的选择率，SVM分类器适应度函数 为SVM分类器对样本划分正确率，通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。
[0073] 最后所应说明的是：以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应该理解：依然可以对本发明进行
修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的
权利要求范围当中。
