基于可穿戴惯性传感技术的人体步态阶段识别

为了实现基于可穿戴惯性传感技术的人体步态阶段识别,开发了基于特征选择的人体步态阶段识别模型、基于时间比例优化的人体步态阶段识别模型和基于机器学习多数据类型、多特征、多分类器的人体步态阶段识别模型,并对比了3种模型的步态阶段识别效果。结果表明:基于特征选择的人体步态阶段识别模型的平均识别准确率为73.66%;基于时间比例优化的人体步态阶段识别模型的平均识别准确率为90.96%;利用脚背处俯仰角数据和加速度数据训练得到的基于机器学习的人体步态阶段识别模型的平均识别准确率分别为97.04%、86.80%;针对不同的步态阶段和使用场景,可差异化选择不同的识别方法以获得理想的识别效果;综合采用时间比例优化算法和机器学习方法可以获得较高的综合识别准确率。该研究可为进一步开展基于可穿戴式传感器的人体行为相关研究提供参考。

基于机器学习算法的人体步态异常状态检测与识别方法

为了提高在人体步伐识别中异常状态检测的识别率和精度,引入机器学习算法,研究人体步态异常状态检测与识别方法。根据采集到的人体步态图像序列结构,构建人体步态模型。利用所构建的模型检测人体步态,并对人体步态图像进行二值化处理,实现模型参数的优化,从中提取人体步态运动特征,实现对变化的人体步态的具体描述。结合机器学习算法中的决策树、NN分类器和KNN分类器,对人体步态中的异常状态进行识别。经过对比实验可知,本文所提识别方法具备更高的识别率和识别精度,能够有效检测出人在行走中出现的异常状态。

基于人体步态的模型不确定康复机器人的自适应控制

下肢外骨骼康复机器人在人体下肢损伤的康复训练中得到了广泛的应用,其中研究下肢外骨骼康复机器人控制依然是机器人学领域备受瞩目的议题。因此,本文提出了一种基于人体步态的轨迹跟踪自适应控制方法。其中,在控制系统设计中使用了NOKOV运动捕捉系统的人体真实步态轨迹。在仿真结果中,还考虑了动力学模型的不确定性,并将真实的人体步态轨迹数据应用于控制系统。根据仿真结果,当模型中存在不确定性时,我们提出了一种自适应控制方法来跟踪轨迹。该方法的独特之处在于它可以提高轨迹跟踪的精确性和可信度,并且适用于各类不同情况下的患者。通过自适应控制,对下肢外骨骼康复机器人的不确定部分进行补偿,得到机器人的结构参数。

基于足底压力传感器的人体步态分析系统设计

针对大多数现有的足底压力数据采集系统价格昂贵,且容易受到场地和环境的限制的问题,设计了一种基于足底压力传感器的无线式可穿戴人体步态分析系统。采用由8只压阻式传感器组成的压力鞋垫来准确地获得足底压力信号的动态响应。通过信号调理电路对信号进行滤波并将电阻变化信号转换为电压变化信号,通过单片机进行A/D转换,使用WiFi模块来对数据进行收发。为了验证系统的可靠性和准确性,对行走、跑步和下蹲三种运动状态的数据进行了采集和分析。实验结果表明:设计的系统可以有效地捕捉足底不同部位的压力变化,并用于进行人体步态分析。

低成本人体步态分析系统的研究

目的:改进原有矢状面人体步态分析系统,增加额状面运动轨迹和肌电信号检测功能,完善系统软件,使其操作更加简单方便。方法:增加部分硬件,改进运动轨迹检测步骤,优化标志点自动识别算法和软件流程。结果:该系统可以检测与分析矢状面和额状面运动轨迹、地面反力和表面肌电信号,并且能够对患者平衡控制功能进行训练治疗。结论:额状面的肩摇晃系数、髋内收和内旋系数、脚面侧翻角度等参数,弥补了单一矢状面运动分析的不足,新系统丰富和完善了原有矢状面人体步态分析系统的功能,为临床提供了一种成本低廉、功能齐全的步态分析工具。

基于人体步态的下肢外骨骼动力学仿真研究

为了对下肢外骨骼助力装置的设计进行优化,在对人体步态分析的基础上,进行了下肢外骨骼动力学仿真研究。获得了下肢外骨骼各关节的动力学数据和所需液压系统驱动参数,并结合零点力矩(ZMP)理论进行分析。指出传统人形机器人常用的ZMP稳定性判据过于保守,不适用于下肢外骨骼助力装置的运动控制。

人体步态的动力学建模与仿真

把人体看作由13个刚体铰接所组成的多刚体系统,采用逆动力学方法建立起人体行走的动力学方程,以步态实验所得运动学数据为输入,计算出人体行走过程中各关节所受肌肉力矩、关节反作用力以及地面对人体的反作用力等动力学参数,并通过仿真分析,验证了建模方法的有效性。

基于微多普勒特征的人体步态参数估计

基于雷达的人体微动研究是近年发展起来的新技术,通过信号处理手段可获取人体走动时手和腿的摆动激励的多普勒频移,用于人体步态探测与识别。本文首先分析了人体行走对雷达波的调制,介绍了一套用于人体运动特性测量的X波段连续波雷达系统及测量实验,并对人体行走实测数据中微多普勒特征进行分析,然后深入研究了P.van Dorp等人提出的基于微多普勒特征的人体行走实测数据特征提取和参数估计的方法,并将之应用于本雷达系统的测量结果中,最后给出了仿真结果。

一种基于连续波生物雷达的人体步态非接触检测系统

人体步态是一个全身肌肉骨骼协调运行的复杂机制,具有特异性,可以作为身份判别或临床疾病诊断的依据。本文介绍了一种基于连续波生物雷达的人体步态非接触检测系统,通过对人体走动时产生的雷达回波信号进行频谱分析,提取出人体步态信号的主要频率,并与加速度传感器获得的数据进行相干分析。实验结果表明生物雷达可以非接触地检测到人体的步态信号,并与加速度检测和视频监测结果具有较好的一致性。

基于加速度的人体步态监测方法

本文介绍了一种基于三轴向微型加速度传感器的步态检测系统,并对步态及平衡性进行初步的分析。

基于条件生成对抗网络的人体步态生成

针对人体个性化步态生成研究中的生成目标单一、个性化特征刻画不全面等问题,提出一种基于条件生成对抗网络的人体个性化步态生成方法。首先,将全身共51个关节角作为生成目标;其次,根据个体参数、行走速度、关节构成和协同关系等行走特征,建立数据标签并构成条件信息;再次,利用条件生成对抗网络模拟人体步态形成过程;最后,通过调整条件信息生成具有不同行走特征的个性化步态。经实验分析,该方法生成的个性化步态与真实行走数据的相关系数高于0.98,平均绝对偏差小于0.08 rad,阈值绝对偏差在5%以下,且步态稳定性判据结果均处于稳定区间内。实验结果表明,该方法能够有效生成对应不同行走特征的个性化步态,同相似研究相比,对行走特征的刻画更全面,生成步态具有更好的整体性。

基于计算机图像序列的人体步态参数的快速获取方法

传统的基于图像序列的人体步态分析往往采用复杂的数学模型，使得分析不能快速实现。摒弃了复杂的数学模型，而采用2D＋t的形式，利用图像序列时空XYT中的XT切片获得下肢轮廓的运动数据。根据这些数据，采用基于模糊集的Kalman滤波的方法重建了运动轨迹，从而获得了每一时刻的速度及加速度信息，并克服了下肢运动的数据遮挡现象。

人体步态复杂度的递归图和递归定量分析研究

为了准确分辨并识别不同人体的步态特征,提出采用递归图和递归定量分析的方法,计算人体步态非线性时间序列的复杂度。首先利用互信息和伪邻近法分别计算得到合适的延时时间和嵌入维数,根据相空间重构的原理将一维时间序列扩展到高维相空间中,获得时间序列在高维空间中邻近点的分布规律和运动特点。构建了患有帕金森疾病的老年人、健康老年人和健康年轻人的步态信号递归图,可以直观定性分析和评估这3组人群的步态信号的空间分布程度,其中健康人群最复杂。采用递归定量分析,量化了人体步态的复杂度,结果表明,患有帕金森疾病的人群的步态复杂度最小,而且独立样本t检验显示了3组人群的复杂度具有显著的差异性。该方法简单可行,可以准确地对不同年龄和帕金森疾病的人群进行分类识别,有利于人体健康监测和诊断研究。

基于深度学习的红外图像人体步态识别方法

对基于深度学习的红外图像步态识别方法进行研究,利用卷积神经网络相关技术搭建一个深度学习模型,以此对红外图像中人体步态轮廓特征进行学习,对红外图像中人体步态身份做出识别。使用图像形态学中的闭运算对图片进行数据预处理,实验结果表明,经过预处理后的红外图像能够有效减少因红外相机成像原理导致的图像中产生冗余信息,有效提高模型的泛化能力。经过对实验数据的对比与分析,该模型及数据预处理的方法对红外图像中的人体步态识别有着比较显著的效果。

基于确定性学习的人体步态识别方法研究

基于确定性学习理论,提出了一种基于关节角时序数据序列的人体步态识别方法。首先,由人体运动捕捉设备获取关节角时序数据序列,则局部准确的人体步态的内部动力学可通过径向基函数（RBF）网络得到逼近。进一步,证明了逼近误差和相关神经网络（NN）参数的收敛。接下来,通过将NN逼近得到的步态动力学知识存储于常值的RBF网络,可实现人体移动步态特征的有效表达。最后,通过构建步态模式的相似性定义,提出了一种步态时序数据识别的方法,最终可实现准确的步态识别。仿真实验采用类圆规双足机器人验证了所提方法的有效性。

一种利用二维时空模型的人体步态运动估计

以人体步态运动为研究对象,运用二维模型来估计和重建人体步态运动的信息。利用点分布模型训练轮廓点和骨架点的二维图像样本,通过构建多个视角的二维模型解决不易确定方向的问题,在得到总体的二维时空模型框架后,利用基于跨角最大化的时空约束寻找可能所属的类别,进而得到相应的步态信息。实验结果证明,利用该时空约束可以快速地对人体步态运动进行估计。

基于高斯过程的人体步态关节力矩估计

目的 提出一种基于高斯过程的下肢关节力矩估计方法,实现人体自然步态下下肢关节力矩精确估计。方法 根据自然步态关节力矩曲线特点,选取平方指数核函数探索关节角度和关节力矩之间的相互关系,建立基于高斯过程的数据融合模型,该模型输入为下肢关节角度,输出为关节力矩。结果 1例健康受试者以0.8 m/s的行走速度在步态跑台行走,采用提出的高斯过程模型进行3次关节力矩预测试验,试验结果显示大部分预测的期望值都落在置信区间内,89%的预测值与实际值的r~2> 0.8。结论 该方法可以较为精确地估计出关节力矩。该研究潜在应用在于优化外骨骼机器人、控制主动式假肢以及调节类人机器人的关节力矩等。

基于多特征融合的人体步态识别算法

生物识别技术包括DNA识别技术、人脸识别技术、指纹识别技术、虹膜识别技术和步态识别技术等。各种识别技术都有自身的特点,适用于不同的识别场合。基于人体步态的静态特征参数以及动态特征参数,依托静态特征与动态特征融合技术,对人体步态识别计算进行了详细分析。结果表明,静态特征与动态特征融合后的识别算法,可以得到更高的识别率。

基于支持向量机的人体异常步态特征识别方法研究

人体异常步态特征识别可分析个体的行走姿势和模式,推算身份信息及人体潜在的健康问题。基于此,文章系统阐述基于支持向量机(Support Vector Machine,SVM)的人体异常步态特征识别方法,分析SVM在处理步态数据方面的技术优势和实现过程,开展CASIA-B和OUMVLP数据集的测试实验,验证该方法在步态识别上的准确性比传统反向传播(Back Propagation,BP)神经网络更高,为复杂行为识别研究提供了新视角。