基于加速度传感器的步态分类研究

提出了一种基于时域和小波能量的步态分类算法。运用三轴加速度传感器采集走路、上楼、下楼三种步态下的上臂和胯部加速度信号,提取平均值、标准差、百分位数、平均绝对偏差等时域特征和2-6层小波能量特征,构建贝叶斯分类器,对三种步态进行分类。分类结果显示,时域与小波能量结合的分类方法的精度高于仅使用时域特征和仅使用小波能量特征的分类精度。     

基于加速度的小波能量特征及样本熵组合的步态分类算法

摘 要： 目的 针对传统的使用小波分解系数作为特征对走路、上楼、下楼进行分类时不能对具有相同强度加速度信号的步态样本进行分类的问题,提出了一种基于样本熵和小波能量相结合作为特征的分类算法。方法 利用三轴加速度传感器采集走路、上楼、下楼三种步态下的上臂加速度信号,将信号进行小波分解,提取能量特征和样本熵特征,构建决策树分类器和贝叶斯分类器。结果 决策树分类器和贝叶斯分类器的总体分类精度分别为75%和78.75%,使用样本熵与小波能量作为特征的分类精度比仅使用小波能量的分类精度提高了15.85%和19.17%。结论 就步态分类精度而言,样本熵与小波能量相结合的方法优于仅使用传统小波能量方法。     

基于足底压力和关节运动信息的步态检测系统设计

作为老年人高发疾病,脑卒中有着较高的几率造成患者行动障碍。及时检测、获取偏瘫患者行走时步态信息,是治疗师为患者制定康复计划的重要环节。目前,较新的步态检测系统大多采用三维分析,三维步态分析系统体积较大、成本高、操作不便,在患者主动康复训练中存在较大的局限。针对现今步态检测系统的局限,设计了一种结合无线传输技术,检测患者关节运动角度及足底压力的运动信息检测系统。系统采用薄膜压力传感器、惯性传感器分别采集足底压力及关节运动信息,实现了对患者的8路足底压力信息及下肢关节运动角度信息的快速、有效采集。实验表明,系统可以有效采集关节运动角度及足底压力信息,在未来的康复训练中有着很好的应用前景。     

RVM算法在下肢辅助运动设备中的应用

相关向量机(RVM)是一种适用于非线性、较高维数的小样本事件的稀疏贝叶斯学习算法。笔者提出基于相关向量机利用足底压力信号预测人类行走时步态轨迹算法,通过相关压力传感器和磁栅尺同步采集足底部位的压力数据和踝关节角度数据,并利用Savitzky-Golay滤波算法滤波和主成分分析算法,目的在于减少压力信号维数,获得压力主分量信号。利用压力主分量信号进行最大期望算法(EM)训练,得出RVM模型。     

基于改进鲸鱼优化算法的外骨骼机器人步态检测

针对传统的外骨骼机器人步态检测算法中的信息单一化、准确率低、易陷入局部最优等问题，提出基于改进鲸鱼算法优化的支持向量机（IWOA-SVM）的外骨骼机器人步态检测算法，即在鲸鱼优化算法（WOA）中引入遗传算法（GA）的选择、交叉、变异操作，进而去优化支持向量机（SVM）的惩罚因子与核参数，再使用参数优化后的SVM建立分类模型，从而扩大算法的搜索范围，减小算法陷入局部最优的概率。首先，使用混合传感技术采集步态数据，即通过足底压力传感器和膝关节、髋关节角度传感器采集外骨骼机器人的运动数据，并作为步态检测系统的输入；然后，使用门限法对步态相位进行划分并标记标签；最后，将足底压力信号与髋关节、膝关节角度信号融合作为输入，使用IWOA-SVM算法完成对步态的检测。对6个标准测试函数进行仿真实验，并与GA、粒子群优化（PSO）算法、WOA进行比较，数值实验表明，改进鲸鱼优化算法（IWOA）的鲁棒性、寻优精度、收敛速度均优于其他优化算法。通过分析不同穿戴者的步态检测结果发现，准确率可达98.8%，验证了所提算法在新一代外骨骼机器人中的可行性和实用性，并与基于遗传优化算法的支持向量机（GA-SVM）、基于粒子群优化算法的支持向量机（PSO-SVM）、基于鲸鱼优化算法的支持向量机（WOA-SVM）算法进行比较，结果表明，该算法识别准确率分别提高了5.33%、2.70%、1.44%，能够对外骨骼机器人的步态进行有效检测，进而实现外骨骼机器人的精确控制及稳定行走。     

基于ARM9的加速度计信号检测系统的设计

针对加速度计实现小型化、智能化、固体化的要求,设计了基于ARM9微处理器的液浮摆加速度计检测系统的方案。具体介绍了该系统的硬件组成部分和软件组成部分。硬件部分包括对加速度计信号传感器输出的信号进行调理,A/D转换与ARM9系列AT91RM9200的硬件接口等。软件部分包括系统初始化,加速度信号采集处理程序,脉宽调制器输出方波程序等。     

利用多源信息和极限学习机的人体运动意图识别

快速准确的步态识别是实现智能假肢灵活控制的基础与前提,步态(平地行走、上下楼梯和上下坡)的有效识别是关键.为了克服由单一信息源无法辨识复杂多步态的难题,搭建人体步态多源运动信息系统获取髋关节角度信号、加速度信号和足底压力信号,利用足底压力信号将人体步态划分为4个片段,并根据人体步态的特点确定了4个片段下髋关节角度、髋关节加速度信号的特征值,采用核主成分分析(KPCA)对原始特征的组合进行融合,得到信息互补的特征值,最后利用极限学习机(ELM)进行识别,实验结果表明该方法对平地行走、上楼、下楼、上坡、下坡5种步态的平均识别率达到96.78％,平均识别时间0.52 s,明显高于BP、支持向量机(SVM)等方法.     

基于足底压力分布时空HOG特征的步态识别方法

提出一种基于足底压力分布时空HOG的步态识别算法,在特征层对足底压力的时间域和空间域信息进行融合。首先寻找足底总压力时间曲线上的极大值和极小值等几个特征点,利用这几个特征点所对应时刻的足底压力分布来构建时空HOG特征向量,最后采用SVM进行步态识别。采集不同行走速度下30人的单步足底压力分布数据进行实验,在不区分样本速度的情况下,该方法的识别率为93。5%。实验结果表明足底压力分布时空HOG特征能较好地刻画步态动力学特征,且具有良好的速度适应性。     

外骨骼机器人的非结构地面行走步态分类算法

针对人体运动随机性和非结构地面等因素造成在不同类型地面上足底力(GRF)差异大的情况,研发了一套配有鞋底压力传感器、用于实时检测足底力变化的实验靴,提出了基于PSO-SVM(基于粒子群优化算法的支持向量机)的步态分类方法.根据足底受力云图,该实验靴中冗余布置了7枚压力传感器.对人行走在步行机(5 km/h)、水平硬路面和野外草地上的足底力进行了采集和处理.将基本组的足底力作为训练集,预设对应的标签值.基于这些训练集,构建了普通的分类器I和基于粒子群优化算法的支持向量分类器II,并分别利用它们对水平硬路面和野外草地行走的数据进行分类检验.实验结果表明,与普通的分类器I相比,该优化算法不仅对复杂地面上的行走步态分类具有明显的优势,对水平硬路面和野外草地的行走步态识别正确率分别提升了32.9%和42.8%,而且能在某些鞋底传感器发生故障后保持较快的寻优速度和较好的鲁棒性.     

步态加速度信号的无线采集系统设计

为实现步态加速度信号的无线采集,提出一种基于内嵌8051的无线收发芯片CC1010的有效方法.简要介绍步态加速度信号无线采集系统的工作原理,详细说明该系统的软硬件设计与实现.系统采用路由和重传机制,以确保数据的可靠传输.利用本采集系统成功建立一个36人的步态加速度数据库,可供不同领域的步态研究者进行分析.     

基于PVDF压电传感器的足底压力测量系统

采用具有易加工、柔软、韧性好等特点的聚偏二氟乙烯(PVDF)压电薄膜传感器作为足底压力测量系统采集元件,详细介绍了系统的硬件设计,主要包括数据采集和数据通信两部分.数据采集部分包括电荷放大电路、滤波电路、后级调整输出电路;数据通信部分包括ATmega16单片机最小系统、无线数传模块、串口通信电路.实验结果表明:数据符合足底压力实际分布,达到了预期的设计要求.     

路面不平度采集系统设计

针对路面不平度的检测,开发了一套基于加速度传感器和C8051F单片机路面不平度采集系统。该采集系统的硬件主要包括传感器模块、信号调理模决、单片机模块和蓝牙无线通信模块。加速度传感器检测行驶车辆的悬架垂直加速度信号,并通过信号调理模块调整模拟信号的电压范围。单片机则对传感器采集的信号进行模数转换并通过蓝牙传送给上位机。编写了基于C#环境下的上位机采集控制和数据处理软件。经过连续运行测试证明,系统运行稳定,具备良好的实时性和可靠性,可应用于路面不平度检测。     

基于足底压力与支持向量机的步态相位识别研究

随着两足机器人、人工假肢技术以及为行走困难病人康复设计的康复训练机器人的发展,在线的步态相位识别方法越来越重要。本文提出的基于足底压力与支持向量机(SVM)的步态相位识别算法主要由五部分组成,即数据采集、数据预处理、特征提取、训练分类器和分类识别。实验表明：该方法能够对运动中的步态相位进行准确的判断。     

CC2420和MMA7260的无线传感器数据采集系统

简要介绍了ZigBee技术协议以及CC2420和MMA7260的性能和特点,设计了一种基于CC2420和MMA7260的无线传感器数据采集系统,给出了具体的软、硬件设计方法以及实际测试结果。该系统选用高灵敏度的三轴加速度传感器芯片MMA7260来采集机构的振动加速度信号,再通过支持ZigBee无线传输协议的CC2420把数据发送给接收装置。     

针对小儿脑瘫早期诊断的无线传输便携式足底压力分布测量系统的设计

足底压力的大小与分布能反映人体腿、足的结构和功能及整个身体姿势等信息。测试、分析足底应力,对小儿脑瘫的早期诊断具有重要意义。因此研制了一套足底压力分布测量系统并测评其应用价值。本系统由硬件和软件两个部分组成。系统硬件包括12个FlexiForce薄膜测力传感器、信号转换电路、51单片机采集电路;系统软件主要由实时采集模块、数据存储模块、数据计算分析和显示模块等组成。     

基于声信号的供水管网自适应泄漏检测定位仪器系统

介绍了自适应供水管网泄漏检测及漏点定位的基本原理及仪器系统的构成.针对城市供水管网分布密度大,泄漏信号特征因管道材质、口径、管内压力、流量、漏点形状的不同而各异,以及检测现场存在不可避免的突发干扰噪声的情况,采用自适应信号处理技术估计泄漏信号到达漏点管道两侧传感器的时间延迟检测定位漏点,采用小波分解识别、取阈值消除突发噪声.系统由主机、多个数据采集单元和加速度传感器组成,基于虚拟仪器技术构建,软硬件结合,实现信号的采集、分析处理及检测信息的显示等功能.     

基于足底压力的人体姿态检测和行为分析方法

人体的运动姿态检测和行为分析具有广泛应用价值.设计了一种基于足底压力的人体姿态检测和行为分析系统,系统由压力采集模块、数据处理模块、无线通信模块和行为分析软件组成.姿态检测系统获取足底压力数据,采用蓝牙方式进行数据通信,行为分析软件使用支持向量机多分类方法实现坐、站、走、跑和爬楼5个经典人体姿态的区分.实验证明该系统对人体姿态具有较好的识别精度和可靠性,可以用于人体姿态检测和行为分析.     

基于离散傅里叶变换的多旋翼无人机循迹检测系统设计

传统多旋翼无人机循迹检测系统在循迹数据检测方面存在数据动态性强,变数大的问题,影响循迹检测整体效果。为此提出基于离散傅里叶变换的多旋翼无人机循迹检测系统设计;设计系统主要分为检测硬件与执行程序两部分,其中,检测硬件分别设计了数据传感器、数据采集模块、数据逻辑变阻器与信号分量控制器模块,通过各模块共同实现信号分量控制器调制输出;软件部分通过离散算法设计循迹数据离散处理程序,通过离散傅里叶变换对循迹数据传输通道内的回路进行闭环转换,设计循迹数据傅里叶变换输出程序,实现多旋翼无人机循迹检测系统设计;通过实验数据的对比表明,设计系统优化了多旋翼无人机循迹数据识别精度,能够有效提升系统整体循迹效率,具有实际应用性。