Piezoelectric Insoles and Mobile Application for Osteoarthritis Pain and Exercise 

Management 

Abstract  

Osteoarthritis (OA) is a painful disease characterized by cartilage degradation of 

weight­bearing joints that affects approximately 27 million American adults1. While moderate 

exercise may slow cartilage degeneration, patients must manage it carefully. Under­exercising 

leads to joint weakness and decreased mobility2, and over­exercising of already affected joints 

causes pain and may further damage cartilage3. So far, we have not found an existing effective, 

affordable solution to monitor knee OA patients’ exercise and pain.  

To fill this gap, we propose a reliable method to monitor OA patients’ exercise using 

piezoelectric pressure­sensing insoles connected by Bluetooth to an exercise­monitoring 

smartphone application. Used with conventional imaging (MRI or X­ray) at checkups, this 

device would help clinicians correlate patient activity (from plantar pressure data) to OA 

progression and determine personalized exercise limits. Our prototype insole successfully 

measured and transmitted real­time pressure data from six sensors under various areas of the foot 

to a smartphone application via Bluetooth. More development and testing, including testing 

sensor quality and incorporating machine learning features, are needed to fully characterize the 

system. Once functional, the device may also allow clinicians to use pressure patterns as an 

indirect measure of OA progression.   

   

 

Introduction 

Osteoarthritis (OA) is a degenerative joint disease that occurs when the cartilage at 

weight­bearing joints such as the knees and hips wears down from use or after injury, causing 

extreme pain and bone damage2. It is the most common form of arthritis, especially amongst 

middle­aged adults, and currently affects around 27 million Americans1. The severity of OA in a 

given patient is determined by the widely used Kellgren­Lawrence grading scale, based on the 

degree of bone deformity and joint space4. There is currently no complete cure for knee OA 

except whole knee replacement surgery2, 5. Patients must rely on regular exercise combined with 

prescription painkillers to slow the cartilage degeneration and ease their pain, respectively2. 

While exercise may strengthen joints, patients must carefully manage their exercise, as 

under­exercising will lead to joint stiffness and weakness, and over­exercising may damage 

cartilage and cause severe pain2, 3. Unfortunately, clinicians have little quantitative data on how 

exercise affects joints, and they cannot determine exactly what constitutes over­exercise and 

under­exercise for a given patient, making it difficult for them to prescribe exercise treatments.  

After a literature search, we could not find any effective and affordable solutions 

available to monitor OA patients’ exercise long­term and relate their physiological condition to 

their exercise habits. While other devices that measure plantar pressure, ground reaction forces, 

or knee loading have been produced, they are often not for personal use by patients6. Instruments 

that measure knee pressure are often incorporated into knee prosthetics and require knee 

replacement surgery to install, which is not feasible or necessary for many patients7. Force plates, 

which are used to measure ground reaction forces, are not portable and are only able to capture 

data for a small area, making them inconvenient for use outside of a laboratory6. Moticon, sells 

1 

pressure­ and motion­sensitive insoles and analysis software that can be tailored to an 

individual’s specific needs, but they are expensive (upwards of $1,000 for the software and 

$2,000 for the insoles)8,9. Novel Electronics’ emed and pedar systems give high­resolution data 

and have many analysis capabilities such as center of pressure calculation and synchronization 

with motion­capture technology, but they are also expensive and more for research purposes than 

for use by patients themselves10. 

Taking advantage of the lack of existing affordable OA exercise tracking systems, we 

developed a device specifically for OA patients to measure pressure under the footbed so the 

data collected can be correlated to OA progression. With this device, we hope to give both 

clinicians and patients a tool to help them understand the relationship between exercise and OA 

and make better informed decisions for optimal treatment. 

Design Criteria 

We needed an accessible and accurate way to constantly measure and record knee 

pressure and pain of knee OA patients to help clinicians determine how patient activity affects 

physical joint condition and personalize recommendations for patient exercise based on 

quantitative data. In addition, patients must be able to self­report their pain as they exercise, 

which may help clinicians associate intensity of exercise to the level of pain patients feel. This 

level may be subjective, but should be compared to some baseline objective measurement if 

possible. The device would need to keep an accurate and complete record of the patient’s knee 

pressure in an easily accessible format for patients and clinicians to understand and see patterns 

in the data. The device should be comfortable, non­invasive, and easy for a patient with little to 

no training to use outside of a lab setting, so as to encourage long­term regular use and maximize 

2 

data collection. It should be relatively inexpensive and simple for widespread personal use, since 

many preexisting products that measure and analyze gait cost thousands of dollars, are not 

intended for use outside a laboratory setting, and are not specifically tailored to OA patients’ 

needs (clinician­accessible and with pain tracking features)6, 8, 9, 10. Durability and convenience 

are also important requirements that should be considered for a knee pressure data collection 

device. If possible, the device should be waterproof, since many recommended exercises for OA 

patients are done in water2. An added benefit would be the ability to measure pressure on the hip 

joint as well as the knee. 

Concept 

  Keeping these needs in consideration, we propose pressure­sensitive shoe insoles and 

mobile application that can be easily incorporated into OA patients’ everyday lives. Insoles 

should be flexible and thin enough to fit inside a patient’s shoe without discomfort or damage to 

the insole from body heat, pressure, or humidity. The removable insole would be able to measure 

plantar pressure, or pressure under the foot, with piezoelectric sensors embedded inside. 

Although we have not found any studies that directly connect plantar pressure with knee 

pressure, the type of activity a patient performs affects both plantar pressure11 and knee  

loading7, 12, so we used plantar pressure as a proxy measurement for patient activity, which would 

in turn be an indicator of knee pressure. The plantar pressure data would be wirelessly 

transmitted from the sensors to the application on the patient’s smartphone via Bluetooth, as well 

as to the cloud, so the clinician can then access the data. Patients would be able to view a graph 

of their pressure data in real time on the app, as well as enter in their self­reported pain values, 

which would range from 1 to 10 and be recorded and shown on the pressure graph at the time 

3 

they were entered. To make plantar pressure a more effective indicator of activity, patients would 

be asked to enter the name of the activity they are doing (walking, jogging, etc.) into the app 

while they exercise. The app would be a simple and intuitive way for patients to access their data 

and would help them make decisions with their clinicians about their exercise regimens. The 

expected cost of our device is around 75 dollars. Our concept is summarized in Figure 1. 

  Figure 1. Block diagram of our concept. Blocks represent functional components of our concept, and arrows represent the type of data transmitted from one block to another. The three main components of our concept, the user interface, shoe insole, and smartphone application, are color coded blue, green, and red, respectively. Graphic was made on Piktochart. 

 

4 

When used by enough OA patients, this device should be able to collect sufficient 

pressure and pain data to be used for a number of applications. We mainly focused on 

characterizing the relationship between patient exercise habits and radiological OA progression. 

This can be accomplished by regularly comparing the record of the patient’s exercise from 

pressure data on the app to the physical condition of the patient’s joint as evaluated by clinicians 

during checkups using X­ray or other imaging technology.  

Other applications we envisioned include comparing the pressure data of patients with 

different OA severity ratings on the Kellgren­Lawrence scale and characterizing each rating 

group’s pressure patterns. Plantar pressure data can be used to calculate ground reaction forces 

(GRF) on a patient13, 14, and thus measure the knee adduction moment (KAM), which is linked to 

OA progression15, 16. If pressure data of patients is found to differ based on OA severity, it may 

be possible to measure the condition of a patient by his or her pressure patterns alone, which 

would eventually allow clinicians and patients to track OA progression without using X­ray or 

other imaging unless absolutely necessary. This knowledge could be used to predict when an OA 

patient requires full or partial knee replacement surgery, to determine the effect that low, 

moderate, or high­intensity exercise has on OA progression and the exact divisions between 

intensity levels, and to measure efficacy of different OA treatments in comparative experiments 

instead of using subjective disability self­reports. 

Implementation 

We built a preliminary functional prototype of the insoles with store­bought foam insoles, 

piezoelectric disk sensors, conductive thread, and an Arduino Lilypad wearable microprocessor 

(Figure 2). The main base of the insole was made of two layers of foam, with a hole cut in the 

5 

bottom layer so the Arduino would fit comfortably and unobtrusively between the layers. Each 

of the six piezoelectric sensors, which can convert pressure into voltage, is 20 mm in diameter. 

The six sensors were positioned under the six general areas of the foot that bear the most 

pressure: the medial heel, lateral heel, first metatarsal, second metatarsal, lateral metatarsal, and 

hallux17. These sensor positions may be personalized for different patients’ feet, but should 

remain under the foot structures listed. Holes were cut through the top layer of the insole so that 

the leads of each sensor could connect to the Arduino and resistors fixed to the underside of the 

top layer.  

 Figure 2. The inside of the insoles. The Arduino, Bluetooth module, and resistors are sewn to the top layer of foam and wired together with conductive thread as described in the text. In this figure, the sensors are shown under the top layer, but in the final prototype they are located on the other side of the layer, on top of the insole. The bottom layer has holes cut out to fit the Arduino and Bluetooth module inside without crushing them. 

 

6 

Based on the Three­Tone Keyboard tutorial and Knock tutorial on the Arduino website, 

the positive leads of the sensors were connected to the Arduino’s 5V terminal, and the negative 

leads were connected to each of the six analog input pins of the Arduino as well as to ground 

through six 10 kilo­ohm resistors (Figure 3)18, 19. For software serial communication, the 

Arduino’s digital input pins 10 and 11 were connected to the transmitting (TX) and receiving 

(RX) pins, respectively, of an HC­06 slave Bluetooth module, which was also wired to the 5V 

and ground pins of the Arduino (Figure 3)20. These connections were all soldered first, then sewn 

to the top layer of the insole with conductive thread to secure all components firmly in place. 

Because the bottom layer of the insole is cut to expose the Arduino and Bluetooth, the prototype 

can be reprogrammed without separating the insole layers, using an FTDI chip and cable to 

connect the insole to a computer when the insole is not in use. 

 Figure 3. Schematic of the prototype insole. We used FSR to represent the pressure sensors, A for the analog input pins of the Arduino, D for the digital input pins of the Arduino, 5V for the power, GND for the ground, and RX and TX for the receiving and transmitting pins of the Arduino and Bluetooth module. This schematic was adapted from the schematic for the simple keyboard tutorial on the Arduino website21.  

 

7 

The prototype insole is capable of collecting pressure data from a person standing on it 

and transmitting the data through Bluetooth to a phone paired with the Arduino. Pressure on the 

insole, after being converted to voltage by the piezoelectric sensors in each area, is measured by 

the Arduino in arbitrary units from 0 to 1023 and can be printed as different values for each 

sensor or as a sum of all sensor readings in the serial port19. Other combinations of data from the 

different sensors are possible with reprogramming of the Arduino. These values can be converted 

to volts or kPa within the Arduino with a given calibration factor. Data can be viewed in real 

time from a paired device on any Bluetooth app acting as a serial terminal in which data is 

printed as numbers, such as Hazim Bitar’s ArduDroid app, which we used to test this feature22. 

Another way we can display pressure data is in a simple graph on a computer using Processing 

software to create the graphics, although this requires the insole to be connected with a cable to 

the computer’s USB port, and the data is not stored on the computer (Figure 4). Arduino code 

was based on the Arduino Knock and SoftwareSerial tutorials, and we used the Processing 

sketch from the Arduino Graph tutorial and Processing tutorials to make the graph18, 19, 23, 24. 

 

8 

 Figure 4. Graph of simulated pressure data generated by the Processing sketch, with pressure values from the sensors on the y­axis and time on the x­axis. Each peak represents a footstep. The graph is scaled from 0 to 1023 in arbitrary units. The sketch does not yet generate axis labels23, 24 . 

The second component of the project, the phone application, was made in Android Studio 

and is usable on all Android devices running Android version 1.6 (Donut) to current version 

5.1.1 (Lollipop)25. All code was written in Java, primarily using the default packages in Android 

studio (Java Runtime Environment 6 and Java Development Kit 7). The application can currently 

receive pressure data from the insoles as a stream of printed values from the Arduino serial port. 

The app can also store the data in a file accessible from the phone by a text editor, and after 

further development, the app will be able to create a graph of pressure data vs. time like the one 

shown in Figure 5. The app also has a pain input slider scale where patients can self­report their 

pain levels. They will be alerted by a push notification or vibration to report their pain every 

15­30 minutes, and they may report additional values at any time, especially while experiencing 

intense pain. We will enable the app to store the file and send it to the cloud so that both patients 

9 

and clinicians can access the data and make more informed decisions about exercise and OA 

progression. 

 Figure 5. Prospective graph of simulated pressure data that will be displayed on the app. This graph will include units and axis labels and show data in real time. Pain ratings will be displayed at the time they were reported connected to the pressure measurement at that time. A file with all of the recorded measurements will also be available on the app or a computer for tracking pressure data over long periods of time.  

 Future Testing and Improvements  

Since the piezoelectric sensors measure data in arbitrary units (from 0 to 1023), we will 

calibrate these units to kPa using pressure measurements taken with a known weight on each 

sensor19. The piezoelectric sensors that we used would report abnormally high values when 

touched lightly with certain modeling compounds and would occasionally display lower values 

when pressed and high values without pressure. Further testing and research is needed to 

determine why this is the case. After calibration of sensors and mapping of arbitrary units to kPa, 

10 

we will be able to test the range, consistency, and precision of measurements made by the insole, 

as well as determine the most useful combination of sensor data to be shown in the app. We will 

test to see how well the sensors handle overloads, temperature and pressure sensitivity, and how 

long they function before they start to deteriorate. In addition, we will need to know how much 

pressure under the foot is in an area not measured by the sensors and account for this, since we 

were limited to only six sensors by the six Arduino pins.  

We will also measure the amount of power that the microprocessor consumes and find an 

optimal balance between power consumption and data resolution. We will determine the length 

of time that the insoles can function on battery power, how the sampling rate of the insoles 

affects their battery life, and the minimum sampling rate needed to convey useful information. 

We will find a way to store the data, either on the patient’s phone or in the cloud, and minimize 

required storage space so that many hours’ or even days’ worth of data may be accessed 

conveniently. 

Once the insoles are fully functional, we plan to evaluate their comfort by asking OA 

patients or healthy individuals to try them on and answer survey questions about its fit, 

cushioning, and intrusiveness of sensors. We will also ask OA patients and clinicians to help test 

the app and survey them about its accessibility and ease of use. Patient feedback will be 

incorporated into future revisions of the device, along with other planned features. 

The first of these enhancements is a machine learning feature in the mobile app or on the 

clinician’s computer that would analyze all of the pressure data recorded from one or multiple 

patients for patterns that could be used to classify patients by disease severity, physical ability, 

and other factors. An algorithm would look for patterns in the pressure data before patients 

11 

reported feeling extreme pain and predict these incidents in time to warn patients about 

dangerous exercise levels with a notification on their phones. This feature would also be able to 

classify different types of activities like running and walking by their pressure patterns, with the 

help of an additional input section on the app where patients can report the name of the activity 

they are doing. This, combined with the subjective pain data and data from patient X­rays, would 

help clinicians learn more about the biomechanics of OA and what effects different kinds of 

exercises have on OA progression.  

Another specific addition that we plan to make to the insole is a piezoelectric generator to 

power the insole. The Arduino and Bluetooth module in our current prototype must be powered 

by an outside source, such as a battery, computer, or 5V direct current power supply. As these 

means of powering the device are acceptable during testing but inconvenient for full­time use, 

we wish to build a piezoelectric generator into the insole. This component would harness the 

pressure registered by the sensors to power the device, which would only need to be in use and 

powered while the patient is walking. 

Several more minor improvements could be made from the prototype to the final design. 

While the conductive thread was needed to connect everything to the foam insole base, it made 

the prototype insole both inconvenient to modify and vulnerable to short circuiting when two 

threads touched, which required us to rework much of the wiring every time we changed the 

design slightly to avoid crossed threads. In the future, we would suggest coating the conductive 

thread with insulating material except where the connections to resistors and the Arduino are. In 

addition, our Bluetooth module does not consistently turn on and connect to the phone, 

especially if it is covered up in the insole. Putting the module in a different position inside the 

12 

insole or even moving it to the outside of the shoe might help, as well as trying alternative 

methods to send data from Arduino to phone. We would also like to waterproof the device by 

encasing it in a layer of protective material to prevent sweat, rain, or other moisture from 

degrading the sensors or damaging the circuitry­­this would have the added benefit of enabling 

data collection while patients are exercising under water. Care must be taken so that this outer 

layer does not end up affecting the sensor readings. The design should be made adaptable to 

different shoe sizes, as our current prototype can only fit into shoes that are men’s size 10 and 

11. 

Broader future goals for this project are to improve the efficiency and design of the 

circuit so it consumes less power and uses less data storage space, to consolidate the necessary 

microprocessor and Bluetooth components into one chip for a thinner insole while increasing the 

amount of sensors, to adapt the insoles for use as data collection devices for patients with other 

diseases or healthy individuals, and to use the insoles to evaluate the effectiveness of different 

OA treatments in controlled experiments.  

Conclusions 

The goal of this project was to enable clinicians to find a correlation between exercise 

and OA progression, which would help them develop and prescribe better exercise programs for 

OA patients. To do so, we designed a piezoelectric insole that sends pressure data via Bluetooth 

to a mobile application and the clinician’s computer for analysis of exercise type, intensity, and 

resulting patient­reported pain. This device could be used not only to measure exercise levels for 

comparison with X­ray images, but also possibly to measure OA progression itself with the 

pressure data collected from patients. Our device is non­invasive, comfortable for the patient, 

13 

and intuitive to use for someone with little training. Currently, we have successfully 

demonstrated the data collection functionality of our prototype sensor insole and are capable of 

transmitting data to a smartphone for viewing. Testing the prototype and refining our design as 

necessary are our immediate next steps, which we hope to complete over the next year. We plan 

to evaluate the sensor capabilities and measure the storage and power requirements of our current 

design, as well as survey patients about comfort and user­oriented features. The device could 

also have applications for patients with other conditions, such as plantar fasciitis or diabetes, as 

well as for athletes, where plantar pressure measurements are more directly useful. Ultimately, 

we hope for our device to be used by actual OA patients in their daily lives and help clinicians 

develop better treatments for OA. This device is a convenient, inexpensive, and reliable method 

to monitor OA patients’ pain and exercise that would allow both clinicians and patients to make 

more informed decisions about exercising with OA.  

   

14 

References  1.  "Arthritis­Related Statistics." Centers for Disease Control and Prevention. Centers for  

Disease Control and Prevention, 17 Mar. 2014. Web. 27 July 2015.  2. Lorig, Kate, and James F. Fries. The Arthritis Helpbook. 5th ed. Cambridge: Perseus, 

2000. Print.   3. Andriacchi, Thomas P., et al. "A framework for the in vivo pathomechanics of  

osteoarthritis at the knee." Annals of biomedical engineering 32.3 (2004): 447­457.  4. Kellgren, J. H., and J. S. Lawrence. "Radiological assessment of osteo­arthrosis." Annals  

of the rheumatic diseases 16.4 (1957): 494.  5. "Osteoarthritis." Arthritis Foundation. Arthritis Foundation, n.d. Web. 6 Sept. 2015.  

<http://www.arthritis.org/about­arthritis/types/osteoarthritis/>.  6. Wertsch, Jacqueline J., John G. Webster, and Willis J. Tompkins. "A portable insole  

plantar pressure measurement system." J Rehabil Res Dev 29.1 (1992): 13­18.  

7. Mündermann, Annegret, et al. "In vivo knee loading characteristics during activities of daily living as measured by an instrumented total knee replacement." Journal of  Orthopaedic Research 26.9 (2008): 1167­1172.  

8. "Product Documentation for Users." Moticon. Moticon, 2015. Web. 13 Sept. 2015. <http://www.moticon.de/support/documentation>.   

9.  Moticon GmbH. "OpenGo Science Price List." 27 Nov. 2014. PDF file.  10. "Systems/Software: pedar/pedoport." Novel. Novel Electronics, n.d. Web. 6 Sept. 2015.  

<http://www.novelusa.com/index.php?fuseaction=systems.pedar>.  11. Rozema, Annet, et al. "In­shoe plantar pressures during activities of daily living:  

implications for therapeutic footwear design." Foot & ankle international 17.6 (1996): 352­359. 

 12. Mündermann, Annegret, et al. "In vivo knee loading characteristics during activities of  

daily living as measured by an instrumented total knee replacement." Journal of  Orthopaedic Research 26.9 (2008): 1167­1172. 

15 

 13. Forner­Cordero, A., H. J. F. M. Koopman, and F. C. T. Van Der Helm. "Use of pressure  

insoles to calculate the complete ground reaction forces." Journal of biomechanics 37.9  (2004): 1427­1432. 

 14. Forner­Cordero, A., H. J. F. M. Koopman, and F. C. T. Van der Helm. "Inverse dynamics  

calculations during gait with restricted ground reaction force information from pressure  insoles." Gait & posture 23.2 (2006): 189­199. 

 15. Hunt, Michael A., et al. "Associations among knee adduction moment, frontal plane  

ground reaction force, and lever arm during walking in patients with knee osteoarthritis."  Journal of biomechanics 39.12 (2006): 2213­2220. 

 16. Foroughi, Nasim, Richard Smith, and Benedicte Vanwanseele. "The association of  

external knee adduction moment with biomechanical variables in osteoarthritis: a  systematic review." The Knee 16.5 (2009): 303­309. 

 17. Rodgers, Mary M. "Dynamic foot biomechanics." Journal of Orthopaedic & Sports  

Physical Therapy 21.6 (1995): 306­316.  18. Simple keyboard using the tone() function. Arduino. Arduino, 2015. Web. 6 Sept. 2015.  

<https://www.arduino.cc/en/Tutorial/Tone3>.   19. “Knock.” Arduino. Arduino, 2015. Web. 6 Sept. 2015.  

<https://www.arduino.cc/en/Tutorial/Knock>.   20. “SoftwareSerial Library.” Arduino. Arduino, 2015. Web. 6 Sept. 2015.  

<https://www.arduino.cc/en/Reference/SoftwareSerial>.  21. Schematic of Arduino three tone keyboard. Arduino. Arduino, 2015. Web. 6 Sept. 2015.  

<https://www.arduino.cc/en/uploads/Tutorial/arduino_fsrs_speaker_schem.png>.   22. Bitar, Hazim. "ArduDroid: A Simple 2­Way Bluetooth­based Android Controller for  

Arduino." TechBitar. N.p., 30 Oct. 2013. Web. 28 July 2015.  <http://www.techbitar.com/ardudroid­simple­bluetooth­control­for­arduino­and­android. html>.  

 23. “Graph.” Arduino. Arduino, 2015. Web. 6 Sept. 2015.  

<https://www.arduino.cc/en/Reference/Graph>. 

16 

 24. Reas, Casey, Ben Fry, and Daniel Shiffman. "Tutorials." Processing. Processing, June  

2004. Web. 6 Sept. 2015. <https://www.processing.org/tutorials/>.   25. "Develop." Android Developers. Android, n.d. Web. 28 July 2015.  

<http://developer.android.com/develop/index.html>.   

 

17