基于粒子滤波算法的足底压力预测

针对人体下肢运动状态识别精度低的问题,提出了一种基于足底压力的下肢运动状态识别预测方法。以EMED足底压力平板采集的不同步速下各40组足底压力数据为试验样本,通过分析足底压力特征参数,构建步态相位,建立足底步态周期关系,以及步态位移模型。下肢运动是非线性运动,采用步态周期模型结合粒子滤波算法实现足底压力预测。先对粒子群初始化获取先验概率密度函数,对预测压力进行估计,其次对状态向量检验,使用多元线性回归推导出预测足底压力。实验结果表明,在不同步态速度下,粒子滤波算法性能好,精确度达到97%以上,从而证明了足底压力预测方法的有效性。补充不同年龄、性别、体重的实验者的足底压力数据进行分析,预测精度均在97.5%以上,验证了预测算法的稳定性和精准性。     

基于隐马尔可夫模型的动力型下肢假肢步态预识别

为使动力型假肢膝关节协调配合人体的运动,关键是对人体行走步态进行有效预识别.本文利用安装在假肢接受腔上的加速度传感器和安装在足底的压力传感器采集人体的运动信息,根据人体运动的规律性和重复性特点,通过将隐马尔可夫模型引入到所获得的运动信息中来分析并预识别人体的运动步态.实验表明,基于隐马尔可夫模型的动力型下肢假肢的步态预识别方法是有效并且准确的.     

仿人足底肌电特征的机器人行走规划

模仿人类行走规律是规划双足机器人运动的基础.以往模仿人类步态主要通过视觉方法或惯性模块测量(Inertia measurement unit, IMU)方法捕捉人体特征点轨迹.这些方法不考虑零力矩点(Zero moment point, ZMP)的相似性.为解决该问题,本文提出了一种基于足底肌电信号(Electromyography, EMG)和惯性模块测量信号的混合运动规划方法.该方法通过测量足底肌电信号计算出足底压力中心的位置以及踝关节扭矩,结合惯性模块所测量的人体躯干和双足轨迹,来规划双足机器人的步态.首先,用肌电仪测量足底肌电信号,用惯性测量模块测量人体各肢体部分的姿态轨迹,经数据标定后作为仿人机器人的运动参考; 然后,通过预观控制输出稳定的步态.为确保仿人行走的效果,基于人体相似性对运动数据进行了步态优化.实验验证和分析表明, EMG信号超前ZMP约160ms,利用这个特性实现了对压力点位置的有效预测,提高了机器人在线模仿人类行走的稳定性.     

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。     

基于实时意图识别的外骨骼机器人步态切换

根据外骨骼穿戴者的实时运动意图,切换外骨骼机器人的行走步态,是外骨骼机器人研究热点问题之一.针对外骨骼机器人能够根据穿戴者的运动意图控制步态切换问题,提出采集人体表面肌电信号进行解码,通过BP神经网络识别穿戴者的运动意图,实现外骨骼进行步态规划,利用关节角度与足底压力的相关性以及重心轨迹,对所规划的步态的稳定性进行分析,依据不同的运动意图完成步态进行实时切换,验证了基于实时意图识别控制的外骨骼步态切换的可行性.     

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.     

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FSR的可穿戴式足底压力检测系统

足底压力信息的研究对人体健康状况评估和某些疾病预测具有重要意义。提出了一种可穿戴式足底压力检测系统的实现方法。该方法充分考虑了穿戴式检测工具的方便灵活和低功耗要求,采用薄片式力敏电阻器(FSR)和低功耗微小器件,将整套系统集成于鞋垫中,体积小巧,功能实用。实验结果表明:介绍的系统可以实时采集足底压力信号并在计算机上显示压力波形,系统有较好的灵敏度、准确性和可穿戴性,低功耗运行,满足足底压力检测和人体步态分析等实际需要。     

基于柔性力敏传感器的左右脚动态识别方法

在利用柔性力敏传感器获取动态足底压力分布数据时,能够准确快速自动区分左右脚的数据将极大提升数据的可视性和分析的便利性。为此,提出了一种基于足底压力和脚印外观形状的左右脚动态识别方法。首先,基于足底动力学原理,利用连通域的图像分割算法对足底压力数据进行聚类分析,得到每一步压力脚印的时间和坐标范围;在此基础上进一步分离出完整的单步压力数据;最后利用单步压力数据刻画脚印轮廓,并根据轮廓的外观特征进行左右脚识别。本文提出的方法可应用于步态分析、临床辅助诊断、步态识别等领域。通过108个实测数据样本的测试表明：本文方法的识别率高达94.5%,并具有较好的鲁棒性。     

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.     

结合无符号Laplace谱特征的触觉步态识别算法

针对单纯利用压力点分布特征进行触觉步态识别的不足,提出了一种结合无符号Laplace谱特征的动态触觉步态识别算法。利用足底压力数字化场地采集常速、快速和慢速三种情况下的触觉步态数据,生成足底压力分布图像,并根据足底解剖学的结构划分区域;以足底压力图像各区域为节点构造结构图,并采用无符号Laplace矩阵表示;通过对该矩阵进行奇异值分解（Singular Value Decomposition,SVD）获取谱特征,并结合形状特征得到触觉步态特征;选择“一对一”的支持向量机（Support Vector Machine,SVM）多分类方法,按照人在行走过程中不同的速度分别构造分类器,从而实现动态触觉步态的识别。实验结果表明该识别算法对不同速度样本数据的触觉步态识别正确率都较高。     

基于图像的异常步态二次特征提取算法仿真

针对传统特征提取算法容易忽略对数据的降维处理,未能较好的提取出图像异常步态特征,导致提取准确率不高的问题,提出一种基于图像的异常步态二次特征提取算法。根据不同姿态下足底的压力变化数值,完成异常步态图像的一次特征提取;根据一次特征提取后正常步态定义的特征变量数据,构建目标个体行走轮廓的步态能量图,同时结合KPCA核方法,对一次特征提取后的步态轮廓数据进行降维处理,完成异常步态的二次特征提取。仿真结果表明,在正常步态下和异常步态下,所提算法都能够有效地提取出图像的异常步态,具有较高的特征提取准确率,表明所提算法具有较强的实用性。     

可穿戴下肢外骨骼足底压力检测系统设计与研究

可穿戴下肢外骨骼能够柔性跟随人体运动的前提是足底压力检测数据符合人体步态特征,因此研究外骨骼足底压力检测系统具有重要意义。针对现有穿戴式下肢外骨骼系统压力传感器输入输出存在非线性误差,不能准确检测足底压力变化的缺点,选择电阻式压力传感器,通过理论计算确定曲线拟合方法可行性,并将曲线拟合方法引入足底压力检测系统设计中。研究结果表明,该方式采集数据特征明显,曲线拟合的系统线性度较小,可靠性高,适用足底压力检测系统。     

Prediction of gait speed from plantar pressure using artificial neural networks

The goal of this study was to predict gait speed over the entire cycle in reference to plantar pressure data acquired by means of the insole-type plantar pressure measuring device (Novel Pedar-x system). To predict gait speed, the artificial neural network is adopted to develop the model to predict gait speed in the stance phase (Model I) and the model to predict gait speed in the swing phase (Model II). The predicted gait speeds were validated with actual values measured using a motion capturing system (VICON 460 system) through a five-fold cross-validation method, and the correlation coefficients (R) for the gait speed were 0.963 for normal walking, 0.978 for slow walking, and 0.950 for fast walking. The method proposed in this study is expected to be widely used clinically in understanding the progress and clarifying the cause of such diseases as Parkinsonism, strike, diabetes, etc. It is expected that the method suggested in this study will be the basis for the establishment of a new research method for pathologic gait evaluation.     

基于外侧腓肠肌sEMG的帕金森神经调控步态量化测评方法

帕金森(Parkinson's disease,PD)患者脑深部电刺激(deep brain stimulation,DBS)神经调控治疗迫切需要客观、量化的测评手段和分析方法.针对这一临床需求,本文提出一种基于外侧腓肠肌(lateral gastrocnemius,LG)表面肌电(surface electromyo...     

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。     

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。     

基于步态检测算法的辅助行走系统设计

为了保证盲人和视障患者安全方便出行和减少误报警,设计一种基于步态检测算法的辅助行走系统。信号处理算法上利用小波包对信号进行降噪,提取三轴加速度的均值、标准差、方差与小波能量谱,并结合足底压力信息组成多维参数作为步态特征,选取基于遗传算法优化支持向量机进行步态识别。硬件部分主要包括三轴加速度信号和足底压力信号采集硬件设计。软件部分主要包括对足底压力信号和三轴加速度信号的采集和处理以及一款能够自动拨号安卓手机APP。实验结果表明,该系统基于多传感器融合的步态检测技术,步态检测识别率平均达90.48%。该系统便携性好、功耗低、测障效果好,在辅助行走领域具有一定的研究意义和实用价值。