人体步态特征数据分析和人物身份识别方法研究

随着智能传感器技术的发展,基于运动传感器的身份识别成为了研究热点之一。现有方法存在识别率低、实现复杂、应用困难等问题,因此能够进一步优化识别方法并提高识别率具有重大意义。针对以上问题,提出了一种基于多运动传感器采集腕部运动特征的身份识别方法。首先对测试群体进行数据采集、数据筛选和预处理;随后对采集到的五类特征数据进行特征值提取和数据权重分析,利用提取出的25个运动特征值,构建人体步态特征数学模型;最后构建BP神经网络进行训练和匹配识别实验,从而实现对人物身份的精准辨别。结果表明,该方法可以快速地对固定群体的身份进行识别,准确率可达96.669%,进一步说明了该方法的可靠性,能够有效地用于安全认证等相关研究领域。

基于HBKPSP的老人身体平衡能力测定方法

跌倒是威胁老年人健康最危险的意外事故之一,身体平衡能力与跌倒有极大关系。目前对老人身体平衡能力的研究集中于身体素质的粗略评估或人体关键部位加速度信息的瞬时变化,针对其难以准确对平衡能力进行评判的不足,提出一种基于HBKPSP(Human Body Key Parts’Spatial Position)的平衡能力测定方法。首先,基于人体42个关键部位的空间位置信息,对66名老年人3秒的行走过程进行了分析,初步提取了25个用于衡量人体平衡能力的特征;然后,研究了25个特征与老年人平衡能力之间的关系,结果表明其中重心与冠状面偏移量,重心与矢状面偏移量,胯部、肩部、臂部等在矢状面内偏移程度等13个特征可以用作衡量老年人身体平衡能力的指标;最后,对13个平衡指标进行降维处理至三维,并对其进行聚类分析,结果表明降维后的平衡指标和聚类方法可以用于明显区别平衡能力较好和平衡能力较差的两类老年人。最后一句属自我评价,作者同意删本文的研究内容可以为老年人身体平衡能力测定提供参考依据,并为进一步跌倒风险评估提供研究基础。

基于腕部IMU数据采集的人体运动模式识别

利用安卓智能可穿戴设备内置的运动传感器采集了特征频率变化较高的人体腕部加速度信息,对人体行走、跑步、站立、下楼4个运动模式进行了分析,提取了运动传感器信号均值、峰值、方差和协方差等特征值,并利用支持向量机算法对4种运动模式分类识别,准确率为88.46%.随后利用网格搜索法、遗传算法、粒子群优化算法对参数C,g进行寻优,提高准确率至90%以上.结果表明,本方法可有效识别实验者静止站立、走路、跑步、下楼4种动作,为人体运动模式识别提供参考依据,并为进一步识别运动模式提供研究基础.