惯性动捕数据驱动下的智能下肢假肢运动意图识别方法

为了解决传统意图识别方法使用多模态传感器信号所带来的复杂性以及识别转换模式一般具有滞后性等问题,本文提出了基于惯性传感器的智能下肢假肢的运动意图实时识别方法.从模式识别的角度看,在对象空间到模式空间的转换中,对运动模式尤其是运动转换模式进行了重定义;在模式采集中,采用在患侧的运动模式进行转换之前,采集绑定在健侧的传感器于摆动相前期所产生的时序运动数据,选择均值、方差等特征统计量和支持向量机分类器对其进行特征选择提取与特征分类的策略,实现对残疾人运动意图准确、实时地识别.实验结果表明,本文所提出的方法可以识别出单肢截肢患者在不同地形下的运动意图,包括平地行走、上楼、下楼、上坡、下坡5种稳态模式,识别率可达到97.52%,并且加入在5种模式之间相互转换的转换模式之后,识别率可达到95.12%.本文方法可以极大提高智能下肢假肢的控制性能,实现智能假肢能根据人的运动意图在多种运动模式之间进行自然、无缝的状态切换.

A family of quasi-cubic blended splines and applications

A class of quasi-cubic B-spline base functions by trigonometric polynomials are established which inherit properties similar to those of cubic B-spline bases. The corresponding curves with a shape parameter a, defined by the introduced base functions, include the B-spline curves and can approximate the B-spline curves from both sides. The curves can be adjusted easily by using the shape parameter a, where dpi（a,t） is linear with respect to da for the fixed t. With the shape parameter chosen properly, the defined curves can be used to precisely represent straight line segments, parabola segments, circular arcs and some transcendental curves, and the corresponding tensor product surfaces can also represent spherical surfaces, cylindrical surfaces and some transcendental surfaces exactly. By abandoning positive property, this paper proposes a new C^2 continuous blended interpolation spline based on piecewise trigonometric polynomials associated with a sequence of local parameters. Illustration showed that the curves and surfaces constructed by the blended spline can be adjusted easily and freely. The blended interpolation spline curves can be shape-preserving with proper local parameters since these local parameters can be considered to be the magnification ratio to the length of tangent vectors at the interpolating points. The idea is extended to produce blended spline surfaces.

基于特征相似性的RGBD点云配准

三维点云数据的配准是计算机视觉领域的重要研究课题,也是三维重建的关键步骤。针对RGBD点云数据的配准问题,提出一种基于特征相似性的初始配准方法。首先需要计算待配准的RGBD点云模型的曲率和颜色特征度(CFD),并对CFD进行统计分析,若模型颜色特征足够丰富优先采用颜色相似性策略,反之尝试曲率相似性策略。通过特征点提取精简点云模型,利用确定的对应点选择策略选择候选对应点对。在候选对应点对上采用优化样本一致性算法获得初始配准变换矩阵,实现两片点云的初始配准。针对不同颜色纹理的RGBD点云模型,本文方法可以自适应选择合适的特征点选择策略,实现点云间良好的初始配准。实验结果表明,对于几何特征不明显的RGBD模型,本文方法能够自适应选择颜色相似性策略来较好地完成初始配准。对于不同类型的模型配准结果较好,算法效率更高。

顺序主导和方向驱动下基于点边特征的人体动作识别方法

人体运动是肢体运动方向、关节活动顺序以及动作幅度相互协调的过程.然而,现有方法往往直接对原始3D骨骼关节点信息进行建模,容易忽略肢体关节活动的顺序关系、运动方向性以及动作幅度变化影响.因此,提出一种顺序主导和方向驱动下基于点边特征的骨骼卷积神经网络,通过刻画人体关节点运动顺序、帧间距离和骨骼边方向向量等特征对人体动作分类识别.该网络包含顺序主导单元和方向驱动单元.顺序主导单元对骨骼边末端关节点进行建模,利用关节点的排列方式、帧间距离信息对关节活动顺序和肢体变化幅度进行表征.方向驱动单元利用骨骼边方向向量信息表征肢体运动的方向性.最后,将顺序主导单元与方向驱动单元进行特征融合,对人体日常行为动作进行分类识别.实验结果表明,在两个大型数据集NTU-RGB+D60和NTU-RGB+D120上的实验结果分别较基准方法提升了2.6%、3.5%和5.9%、6.1%.因此,所提出方法能有效利用多特征之间的协同互补性对人类日常行为运动进行深层次刻画,提高人体动作识别的精度.

基于改进卷积神经网络的动力下肢假肢运动意图识别

传统动力下肢假肢运动意图识别算法常使用机器学习算法分类器,在特征选择方面则需要手工提取.针对该问题将深度学习算法应用于运动意图识别研究中,通过在传统的卷积神经网络的基础上进行改进,使算法更适应于基于短时行为样本数据的运动意图识别,同时抑制深度学习算法应用于运动意图识别中的过拟合.在意图识别数据集中进行滑动窗口预处理,目的是对时间序列样本做数据增广,扩增目标数据集能够使训练集更加丰富全面,提高识别的精度,运用改进后的卷积神经网络对增广后的数据集进行特征学习与分类.实验结果表明,该方法在13类运动模式下的识别率达到93%.