人体跌倒的鲁棒检测方法

通过对跌倒行为特性的研究,提出了人体跌倒鲁棒检测方法.采用穿戴式跌倒检测装置,将加速度传感器和倾角传感器安置于腰间,压力传感器安置于脚底,用于采集人体运动中的姿态加速度信息、倾角信息和脚底压力信息,采用主成分分析法提取姿态变化特征量,并运用支持向量机对特征量进行分析和判断,判断人体是否跌倒.通过试验测试验证,所提出的方法对跌倒检测具有较高的鲁棒性.     

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.     

利用多源运动信息的下肢假肢多模式多步态识别研究

运动状态识别对智能下肢假肢的控制非常关键,本文利用下肢表面肌电信号、腿部角度和足底压力信号在运动模式和步态分析中的优势和特点,对下肢假肢的多模式多步态识别进行研究.通过建立下肢运动信息系统,获取下肢多源运动信息.先提取下肢肌电信号的小波包能量作为特征,建立多个HMM对下肢假肢的运动模式进行识别;再根据大小腿和膝关节的角...     

一种面向下肢假肢的运动意图识别方法及验证

对截肢者下肢运动意图的准确识别是提高下肢假肢人机交互性能，降低假肢使用者运动能耗的关键。基于健康受试者在不同运动模式的下肢表面肌电信号(sEMG)和由六自由度惯性测量单元(IMU)采集到的角速度信号、加速度信号等运动学信号设计了一种面向下肢假肢的运动意图识别方法，并通过髋截肢者的健侧肌电和两侧下肢的运动学数据对上述方法进行可行性和有效性验证。结果表明，该方法能在健康受试者的多源传感信息中选出最适于分类的最小特征子集，并在精细K最近邻(KNN)分类器中实现对站、平地走、上下楼梯、上下斜坡这6种不同运动意图高达99.2%的识别准确率；同时在髋截肢者这一类高位截肢患者的多源传感信息中依然能筛选出最小特征子集并实现高达99.8%的识别精度。实验结果说明了所提出方法的有效性和普遍适用性。     

下肢骨骼服全过程运动控制研究

为了实现下肢骨骼服的全过程运动控制,提出了对下肢骨骼服进行分阶段控制的策略.根据人体运动数据将下肢骨骼服的运动划分为摆动阶段和支撑阶段;根据这2个阶段的特点,摆动阶段采用灵敏度放大控制方法,支撑阶段采用位置控制方法,利用脚底压力传感器信号实现两种状态下控制器的切换.分阶段控制策略既利用了灵敏度放大控制的优点,避免了在使...     

基于多源信息和广义回归神经网络的下肢运动模式识别

针对目前下肢运动模式识别率低的问题,提出了一种基于多源信息和广义回归神经网络(GRNN)的下肢运动模式识别方法.通过足底压力信息将人体日常下肢动作分解为不同的动作片段以组成识别目标集.采用下肢表面肌电信号中的偏度、峭度、功率谱熵,以髋关节角度作为腿部特征值,利用主成分分析(PCA)方法对文中提取的特征值进行降维处理,以缩短模型训练时间,防止过拟合.最后,利用GRNN对目标集中平地行走、上楼、下楼3种动作进行识别.实验结果表明,该方法的正确识别率为90.16%.     

基于惯性传感器和LSTM神经网络的人体运动识别方法

面向人体惯性运动捕捉系统,提出一种基于长短期记忆网络(LSTM)的人体运动模式识别方法。设计1个包含2层LSTM层的深度学习神经网络对人体三维加速度信息进行自动特征提取并对多类运动模式进行时序建模,从而实现对运动模式的快速实时识别。实验基于WISDM公开数据集,对人体右腿前口袋部位的三维加速度信息进行分析。验证模型识别人体慢跑、步行、坐、站、上楼、下楼运动过程的准确率为97.5％,并通过对比实验验证了该方法的有效性, 为基于移动设备及可穿戴设备的人体运动识别研究提供了一个可行的方法。     

基于特征融合的步态识别算法研究*

提出一种融合步态运动中的人体形状信息特征和下肢运动信息特征的步态识别算法：利用边界跟踪算法获取人体轮廓边界线,并采用傅里叶描述子表达人体轮廓特征;依据人体解剖学的知识定位下肢关节点,并提取下肢角度特征;分别对两种特征进行匹配,然后采用特征融合的方法对匹配结果进行处理。实验结果表明,本算法的性能较基于单个特征的步态识别算法有明显的改善。     

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。     

基于多传感器数据融合的人体运动模式识别研究

针对单一传感器在人体运动姿态监测中误差较大的问题,提出了一种基于加速度传感器和陀螺仪数据融合的人体运动模式识别方法;该方法使用陀螺仪输出的人体运动信息对加速度传感器采集到的姿态角信息进行修正,采用卡尔曼滤波算法实现多传感器信息的融合,有效提高了姿态角度测量的准确度;根据人体日常的活动状态构建了基于人体姿态角度特征的隐马尔可夫模型实现人体运动模式的识别;实验表明,该方法比采用单一传感器方法识别的准确率高,可以有效区分不同的日常活动行为。