基于震动信号的异常步态识别

异常步态的识别对老年人的健康看护有很大帮助.现有的相关研究主要通过图像采集设备或穿戴设备获取相关特征信息进行识别,这些方法大多都具有侵入性或对用户有较高的操作要求.本文研究实现了一种基于对脚步震动信号为识别源进行异常步态和跌倒检测的系统原型,该系统通过本文设计的应用于大范围数据采集的多传感器协同信号采集方法采集信号,从中分割出有效部分作为活动元,去噪后再使用改进的动态时间规整算法(Dynamic Time Warping,DTW)计算出代表活动元之间差异性的异常指数,接着由K最近邻(K-Nearest Neighbor,KNN)算法分类异常指数,得到初步表征用户步态的推测值,最后由隐马尔科夫模型(Hidden Markov Model,HMM)进一步处理推测值,识别出用户的步态.实验结果表明,本文提出的方法能够有效在不同的步态模式下识别异常步态,在稳定的环境中识别准确率达到96%,在具有不稳定地板的环境中准确率为94%.

基于SVM的偏瘫患者异常步态识别与临床康复辅助诊断系统

针对脑卒中偏瘫患者的异常步态识别与评估的问题,提出一种基于支持向量机(SVM)的步态分类方法,依据患者下肢行走过程中的连续运动数据对异常步态的细节特征描述,对偏瘫步态进行细分,辅助临床医师对脑卒中患者肢体运动功能异常进行诊断及康复疗效评定。构建穿戴式步态时空参数检测及虚拟现实康复训练系统,提出基于下肢关节角度信息的特征提取方法,建立运动信号与偏瘫步态间的映射关系。基于偏瘫患者在康复治疗中的临床实时步态时空数据,通过对比多种机器学习方法,采用多项式核函数的支持向量机的决策融合模型获得了90%异常步态识别平均准确率,在区分正常与异常步态的基础上,进一步验证了对划圈步态和膝过伸步态的正确诊断。

基于高效时空图卷积的异常步态识别算法研究

为实现人体异常步态的自动识别,本研究提出一种基于高效时空图卷积神经网络的异常步态识别算法,使用两个Kinect深度相机传感器提取人体三维骨架数据,基于时空图卷积采用早期多分支融合策略,生成关节、运动和骨骼三类特征。经特征融合后,使用两个时空图卷积块作为主流网络进行训练,结合时空关节注意力机制增强模型鉴别能力。在两个公开数据集上测试分别取得了99.37%和96.10%的平均准确率,实验结果高于其他基于骨架的图卷积神经网络方法。本研究提出的高效时空图卷积网络能有效鉴别异常步态,有助于异常步态的早发现、早诊断和早治疗。

基于二次特征提取与SVM的异常步态识别

长期以异常步态行走将导致人体足部、踝关节、大腿疼痛乃至身体骨骼疾病。针对目前普遍采用的基于计算机视觉的步态识别技术对数据采集环境要求严苛、视频图像分析受环境影响较大等问题,基于人行走时的足底压力变化特征进行步态识别,足底压力数据经由穿戴式步态采集器,可以不受环境限制且能实现较远距离的步态识别。并提出一种基于二次特征提取与支持先向量机的异常步态识别方法。该方法采用主成分分析法对从足底压力变化曲线中提取出来的步态特征进行二次提取,获取包含样本数据信息的主要特征信息,通过多分类支持向量机模型对步态进行识别。实验结果表明:该方法对异常步态的平均识别率达到92.625 5%,具有较高的识别精度。

基于节点迭代模糊Petri网的非接触异常步态识别方法

为了准确识别下肢功能障碍患者辅助行走中的跌倒、拖拽式异常步态,从多种用户群体的普适性与便捷性出发,提出了一种基于节点迭代型模糊Petri网的非接触式异常步态识别方法。首先,论述了康复训练机器人结构及辅助行走过程中跌倒与拖拽式异常步态的行为特征;然后研发了一种多通道近距离传感器阵列实时检测步态信息,并融合了步行方向意图向量提出采用步态偏离度、频率和躯干倾斜角度作为检测系统输入参数;基于模糊隶属度函数生成网络点燃机制,并建立节点迭代型模糊Petri网系统识别异常步态;最后进行了异常步态算子推理与多模态行走跌倒检测实验,表明该算法对使用步行康复机器人过程中异常步态识别率达到91. 2%并提高了辅助行走的安全性与舒适性。所提方法可以应用于下肢行动不便人群使用类似助行器的日常起居与康复训练场景。

一种基于CS-SVM的老年人异常步态识别系统

针对老年人异常步态识别问题,提出了一种基于代价敏感支持向量机的步态识别系统.该系统首先对采集到的步态信号使用巴特沃斯带通滤波器进行滤波并使用双树复小波进行步态信号时频特征提取;其次,构造代价敏感支持向量机分类器,以提取的步态信号特征为输入对分类器进行训练;最后,对训练得到的代价敏感支持向量机分类器进行测试.实验结果表明,该分类器能够成功识别跛行、踮脚、震颤、正常四种类型的步态,平均识别率达到95%以上,而普通支持向量机识别率仅为80%左右,可见代价敏感支持向量机分类器的异常步态识别效果要优于普通支持向量机分类器的识别效果,能够实现老年人异常步态的识别,并具有准确性及可靠性.

用侧影特征分析和识别人的异常步态

基于计算机视觉的步态分析是计算机视觉领域的研究热点。目前的研究大多集中在通过对正常步态的分析实现身份识别,而通过异常步态分析来识别人的异常状况方面的研究却很少。提出了一种简单有效的基于计算机视觉的异常步态识别方法,通过人的宽高比提取反应步态特征的特征向量,然后用支持向量机进行异常步态的识别。实验结果表明了该方法的有效性。

基于骨架信息的异常步态识别方法

利用低成本的Kinect相机可以实现人体姿态捕捉,代替价格昂贵的光学动作捕捉系统进行异常步态分析。本文从病理性异常步态特征、步态数据集、Kinect相机可靠性和异常步态识别方法4个方面分别对异常步态分析的发展现状展开综述。首先,总结了常见的异常步态的病理性特点,介绍了步态分析中常用的步态特征和步态事件;然后,介绍了基于Kinect相机采集的异常步态骨架数据集和可穿戴设备、压力传感器采集的异常步态数据集;广泛调查了验证Kinect用于步态分析可靠性的相关实验研究,讨论了Kinect相机及骨架数据用于步态分析的可行性;最后,分别从异常步态特征提取和异常步态分类器两个方面介绍了这一领域的发展现状,结合实际应用指出当前研究存在的不足和发展方向。

基于三维卷积的帕金森患者拖步识别

冻结步态(FoG)是一种在帕金森病(PD)中常见的异常步态,而拖步则是冻结步态的一种表现形式,也是医生用来判断患者的治疗状况的重要因素,并且拖步状态也对PD患者的日常生活有很大影响。该文提出一种通过计算机视觉来实现患者拖步状态自动识别的方法,该方法通过以3维卷积为基础的网络结构,可以从PD患者的TUG测试视频中自动识别出患者是否具有拖步症状。其思路是首先利用特征提取模块从经过预处理的视频序列中提取出时空特征,然后将得到的特征在不同空间和时间尺度上进行融合,之后将这些特征送入分类网络中得到相应的识别结果。在该工作中共收集364个正常步态样本和362个具有拖步状态的样本来构成实验数据集,在该数据集上的实验表明,该方法的平均准确率能够达到91.3%。并且其能从临床常用的TUG测试视频中自动准确地识别出患者的拖步状态,这也为远程监测帕金森病患者的治疗状态提供了助力。