基于表面肌电信号的人体步态事件快速识别方法

针对下肢康复训练机器人主动训练阶段患者运动检测实时性、准确性的需求,提出一种基于动态表面肌电信号的人体步态事件快速识别方法。首先,通过表面肌电信号产生过程数学建模及步态过程中肌肉活动规律分析,给出了基于表面肌电信号强度及其变化特征的步态事件感知原理;其次,以双腿股外侧肌动态表面肌电信号强度及其变化为特征,构建了用于识别支撑和摆动两个步态事件的自适应模糊神经网络模型。实验结果表明:该方法识别结果正确率达95.3%,对足跟触地和脚尖离地事件发生时刻进行识别的平均时间误差分别为21.4ms和24.5ms,同时证明,该方法对步态之间表面肌电信号的差异具有较强的鲁棒性。

基于足底压力传感器的步态识别方法研究

助力型外骨骼机器人的控制策略是当前国内外研究的热点,准确的预测人体行走的状态是控制系统具有预见性及快速响应能力的前提及基础。通过对足底压力进行测量后使用极限学习机(ELM)学习算法对数据进行训练及预测,并在此基础上提出了一种对足跟触地、足跟离地、足尖触地、足尖离地4种步态事件进行识别的屏蔽窗识别算法。实验结果表明在2.4、3.6、4.8 km/h 3种不同速度的行走状态下,ELM算法针对足底压力具有较高的预测精度,各传感器均方根误差(RMSE)平均值约为0.68。步态事件屏蔽窗识别算法相较传统固定阈值算法识别正确率大大提高,平均识别正确率达到约93.5%。

基于多传感器的人体运动模式识别

针对日常生活中人体的运动具有准周期特性的特点,设计了一种基于加速度信息与脚底压力的下肢运动信息采集系统。通过采集脚底压力信息监测关键步态事件,在事件前后对下肢加速度数据进行特征提取,从而对4种常见行为(走路、跑步、上楼和下楼)进行识别。实验结果表明:提出的方法在仅提取较为简单的时域特征信息情况下,平均识别正确率为94. 79%。

基于经验模态分解法和摆动脚参数的行走速度估计

行走速度估计是提高自适应跑步机功能和性能的有效手段,该文针对自适应跑步机用户行走速度估计,提出了一种基于经验模态分解法和摆动脚参数的行走速度估计方法。该方法推导并阐明了用户行走时摆动脚平均速度与用户实际行走速度之间的关系。为了解决加速度双重积分产生的信号漂移和累积误差的问题,首先基于经验模态分解方法将加速度积分后得到的摆动脚速度分解至不同频段,在去除掉漂移分量后,选择与步频相近的本征模函数对速度进行重构;然后,针对由积分累积误差引起的模态混叠现象,采用集成经验模态分解法对速度积分后得到的摆动脚位移进行分解与重构。通过划分摆动脚位移完成脚尖离地和脚跟着地的步态事件来获取摆动相的时间和脚部位移,并据此计算出摆动脚平均速度用作行走速度估计。进行了5种不同行走速度下的速度估计测试,并与传统方法进行对比,证明了论文所提方法的有效性和优越性。

基于卷积神经网络的足跟着地事件检测算法

为解决基于可穿戴传感器的步态事件检测技术对个体配合程度依赖性大、能耗高、应用条件苛刻等问题,提出一种基于机器视觉的足跟着地事件检测算法,可以在不需要参与者合作的情况下,利用普通摄像机实现对足跟着地事件的精确检测。提出一种新颖的特征,即连续轮廓帧差图(CSD-maps)来表达步态模式。一个连续轮廓帧差图可以将视频帧中行人连续的轮廓二值图编码到一张特征图中,使其蕴含丰富的步态时空信息。不同数量的行人连续轮廓帧差会产生不同的连续轮廓帧差图。利用卷积神经网络对连续轮廓帧差图进行特征提取和足跟着地事件分类。在公开数据库上,对124名受试者在5个视角下不同穿着状态的视频数据进行训练和测试,实验结果表明,该方法具有良好的检测精度,识别准确率达93%以上。