CN103514302A - 人体步态数据库及其建立方法 - Google Patents
人体步态数据库及其建立方法 Download PDFInfo
- Publication number
- CN103514302A CN103514302A CN201310516264.8A CN201310516264A CN103514302A CN 103514302 A CN103514302 A CN 103514302A CN 201310516264 A CN201310516264 A CN 201310516264A CN 103514302 A CN103514302 A CN 103514302A
- Authority
- CN
- China
- Prior art keywords
- gait
- data
- database
- body gait
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
- G06F16/436—Filtering based on additional data, e.g. user or group profiles using biological or physiological data of a human being, e.g. blood pressure, facial expression, gestures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及人体步态分析技术领域,提供了一种人体步态数据库及其建立方法。其中建立人体步态数据库的方法包括如下步骤:采集人体步态数据,所述人体步态数据包括运动数据、人体EMG数据和足底压力数据;通过人物身份识别,存储所述人体步态数据;设计人体步态数据库界面,所述数据库界面链接至所述步态数据,可根据用户在数据库界面上的操作要求提取不同类型的步态数据。本发明不仅可以满足研究者对大数据量的需求,而且可以满足不同研究者对不同类别步态数据的需要。
Description
【技术领域】
本发明涉及人体步态分析技术领域,特别是涉及一种人体步态数据库及其建立方法。
【背景技术】
随着科学技术的发展,利用摄像头来监控动态场景早已被广泛应用,例如门禁***、安全监控等。人在走路的时候,腿部膝关节、手臂及肘关节等部位都会重复相同的动作,根据这一现象拍摄下人走路的姿态,然后将这些信息进行分析,得出这些部位运动关系的精确数据,可以确定某个人的步态特征。而且,随着人体肌电图(EMG,electromyography)在研究中的推广,EMG采集在下肢运动的研究中也得到了广泛的应用。
由于有着广泛的应用前景,人体运动的研究已经备受关注,而用其来辅助人体运动分析更是发展的趋势。例如,在临床上,病理步态可能反映了潜在的病状或病状起因。研究脑瘫、中风患者步态,可以及时地采取诊断和干预策略。在康复工程方面,步态研究在障碍的评估和矫形外科的纠正效果方面,也有很广泛的应用。除此之外,步态分析也可以用于专业运动训练,提高运动性能。在生物特征识别领域,步态识别是生物特征识别技术的一个新兴子领域,步态的差异可以作为生物标识来识别个体。生物特征识别是利用人的生理或行为特征进行人的身份识别。第一代生物特征包括脸、指纹、虹膜等,通常要求近距离的或者接触性的感知(如指纹需要接触指纹扫描仪、脸需要近距离的捕捉以提供足够的分辨率等)。在远距离的情况下,人的步态仍是清晰可见的,且它可从任意角度进行非接触性的感知和度量,而不被觉察。因此,从视觉监控的观点来看,步态是远距离情况下最有开发潜力的生物特征。步态分析是用来分析研究人类的行走能力的一种方法,这一技术可以用于生物特征识别和取证、医疗诊断、生物力学比较,但研究者要实现步态的分析和识别,需要采集和存储大量的步态数据。
目前正是步态分析的起步阶段,研究者要进行步态分析,需要大量的数据。目前国内外仅有少量的步态数据库可供查询,且现有的步态数据库的步态特征都是基于图像的。然而,动态环境中拍摄的图像受光照变化、运动目标的影子等多方面因素的影响,会给基于图像的步态特征提取带来较大困难。目前尚未有一个大的标准数据库可以涵盖所有的研究内容所需的数据,因此各研究机构有不同的自己采集的数据库。而且这些数据库都不太完善,采集范围小,采集单一,没有对性别以及各个年龄段、身高段等的采集,没有对非正常步态的采集,不具有普遍性和广泛适用性,为具有针对性的步态分析带来很大的困难。因此,目前的研究者只能基于各自不同的研究目的和兴趣去选用适当的数据库或者自己采集数据,因此迫切需要建立一个全面而广泛应用的数据库。
鉴于此,克服上述现有技术所存在的缺陷是本技术领域亟待解决的问题。
【发明内容】
本发明要解决的技术问题是提供一种人体步态数据库及其建立方法,不仅可以满足研究者对大数据量的需求,而且可以满足不同研究者对不同类别步态数据的需要。
本发明采用如下技术方案:
一种建立人体步态数据库的方法,包括如下步骤:
采集人体步态数据,所述人体步态数据包括运动数据、人体EMG数据和足底压力数据;
通过人物身份识别,分类存储所述人体步态数据;
设计人体步态数据库界面,所述数据库界面与所述步态数据相连接,根据用户在数据库界面上的操作要求提取不同类型的步态数据。
进一步地,通过红外运动捕捉***采集所述运动数据,通过无线肌电采集***采集所述人体EMG数据,通过三维测力台采集所述足底压力数据。
进一步地,所述运动数据包括髋关节角度、膝关节角度、踝关节角度、步长、步宽、行走速度和步态周期中的一种或多种;所述人体EMG数据包括肌肉动作电位。
进一步地,在所述采集人体步态数据的步骤中对多种步态进行采集,在所述分类存储所述人体步态数据的步骤中对多种步态进行分类存储;所述多种步态的类别包括性别、年龄、身高、正常和病理中的一种或多种。
进一步地,所述通过人物身份识别,存储所述人体步态数据的步骤具体包括:
将采集的被试者的步态数据在所述人体步态数据库的现有数据中通过线性判别分析法进行模式识别;
若识别结果在人体步态数据库中,则识别出所述被试者;
若识别结果不在人体步态数据库中,则将采集的人体步态数据和所述被试者信息加入人体步态数据库中。
进一步地,所述人体步态数据库界面包括步态存储选项、全部步态数据选项和分类步态数据选项,其中:
通过步态存储选项将经过步态识别后的但未在人体步态数据库中的数据进行存储;
通过全部步态数据选项选择采集过的所有未经分类的人体步态数据;
通过分类步态数据选项下设的分类选择经分类处理的人体步态数据类别。
本发明还提供了一种人体步态数据库,包括:
数据存储模块,所述数据存储模块存储的人体步态数据包括运动数据、人体EMG数据和足底压力数据,通过人物身份识别将所述人体步态数据存储进数据存储模块;
人体步态数据库界面,所述数据库界面与所述步态数据相连接,根据用户在数据库界面上的操作要求提取不同类型的步态数据。
进一步地,所述运动数据包括髋关节角度、膝关节角度、踝关节角度、步长、步宽、行走速度和步态周期中的一种或多种;所述人体EMG数据包括肌肉动作电位。
进一步地,所述数据存储模块中分类存储有多种步态的人体步态数据,所述多种步态的类别包括性别、年龄、身高、正常和病理中的一种或多种。
进一步地,所述通过人物身份识别将所述人体步态数据存储进数据存储模块具体为:
将采集的被试者的步态数据在所述人体步态数据库的现有数据中通过线性判别分析法进行模式识别;
若识别结果在人体步态数据库中,则识别出所述人物;
若识别结果不在人体步态数据库中,则将采集的人体步态数据和所述人物信息加入人体步态数据库中。
进一步地,所述人体步态数据库界面包括步态存储选项、全部步态数据选项和分类步态数据选项,其中:
通过步态存储选项将经过步态识别后的但未在人体步态数据库中的数据进行存储;
通过全部步态数据选项选择采集过的所有未经分类的人体步态数据;
通过分类步态数据选项下设的分类选择经分类处理的人体步态数据类别。
与现有技术相比,本发明的有益效果在于:
1、数据库存储多角度采集到的数据,数据量大,分类清晰,可以通过数据库界面直观的找出所需数据类别的数据,方便分析研究,节省研究者在实验过程中采集数据的人力和物力;
2、数据库界面与步态数据相连接,可以根据研究者的要求提取不同类型的数据,这样不仅可以满足研究者对大数据量的需求,而且满足了不同研究者对不同类别步态数据的需要;
3、数据库界面可以简单提取不同类别的步态数据,该数据库按正常和病理(不同疾病分类存储)、性别、年龄、身高等分类,例如从病理分类中提取脑中风患者的步态数据进行分析,可以及时在临床上对患者采取诊断和干预策略;
4、通过在进行人物识别的同时存储数据来扩大数据量,避免了数据冗余。
【附图说明】
图1是本发明实施例建立人体步态数据库的方法流程图;
图2是图1中人体步态数据采集的流程图;
图3是图1中人体步态数据识别和存储的流程图;
图4是本发明实施例中人体步态数据库界面示意图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供了一种建立人体步态数据库的方法,如图1所示,该方法包括如下步骤:
步骤A:采集人体步态数据,该人体步态数据包括运动数据、人体EMG数据和足底压力数据;
步骤B:通过人物身份识别,分类存储人体步态数据。
需要说明的是,该方法还包括设计人体步态数据库界面的步骤,设计人体步态数据库界面的步骤的执行时间不限,可以在步骤A之前,步骤A与步骤B之间,或者步骤B之后。该数据库界面与步态数据相连接,根据用户在数据库界面上的操作要求可提取不同类型的步态数据。
如图2所示,在本实施例中,通过红外运动捕捉***运动数据,例如红外摄像头,通过无线肌电采集***采集人体EMG数据,通过三维测力台采集足底压力数据。其中红外运动捕捉***采集的被试者的运动信息需经过视频处理,提取所需的运动数据。在采集人体步态数据的实验开始前,记录被试者的个人信息,如姓名、性别、年龄、身高、体重等。在被试者腰、大腿、小退、臀部、足部放置电极和“标记球”。
可以理解的是,在其他实施例中,还可以使用其他的运动采集设备、肌电采集设备和足底压力采集设备替换本实施例中所采用的设备,此处不一一列举。
优选地,运动数据可包括髋关节角度、膝关节角度、踝关节角度、步长、步宽、行走速度和步态周期中的一种或多种,人体EMG数据包括肌肉动作电位。在采集人体步态数据时可对多种步态进行采集,在后续的分类存储人体步态数据时也将对多种步态进行分类存储。多种步态的类别包括性别、年龄、身高、正常和病理中的一种或多种。
如图3所示,在本实施例中,将采集的被试者的步态数据在人体步态数据库的现有数据中通过线性判别分析法(LDA,Linear Discriminant Analysis)进行模式识别;若识别结果在人体步态数据库中,则识别出该被试者;若识别结果不在人体步态数据库中,则将采集的人体步态数据和该被试者信息加入人体步态数据库中。
如图4所示,该人体步态数据库界面包括步态存储选项、全部步态数据选项和分类步态数据选项,其中:通过步态存储选项将经过步态识别后的但未在人体步态数据库中的数据进行存储;通过全部步态数据选项选择采集过的所有未经分类的人体步态数据;通过分类步态数据选项下设的分类选择经分类处理的人体步态数据类别。
本发明实施例还提供了一种人体步态数据库,该数据库可通过上述的建立人体步态数据库的方法生成。其包括数据存储模块和人体步态数据库界面。其中数据存储模块存储的人体步态数据包括运动数据、人体EMG数据和足底压力数据,通过人物身份识别将人体步态数据存储进数据存储模块;人体步态数据库界面与步态数据相连接,根据用户在数据库界面上的操作要求提取不同类型的步态数据。
优选地,运动数据可包括髋关节角度、膝关节角度、踝关节角度、步长、步宽、行走速度和步态周期中的一种或多种,人体EMG数据包括肌肉动作电位。
在数据存储模块中分类存储有多种步态的人体步态数据,多种步态的类别包括性别、年龄、身高、正常和病理中的一种或多种。
在本实施例中,通过如下方式将人体步态数据存储进数据存储模块:
将采集的被试者的步态数据在人体步态数据库的现有数据中通过线性判别分析法进行模式识别;若识别结果在人体步态数据库中,则识别出该被试者;若识别结果不在人体步态数据库中,则将采集的人体步态数据和该被试者信息加入人体步态数据库中。
同样参考图4所示,该数据库的界面包括步态存储选项、全部步态数据选项和分类步态数据选项,可以将经过步态识别后的但未在数据库中的数据,通过步态存储选项进行存储;全部步态数据主要存储采集过的所有的未经分类的步态数据,可以通过此选项选择全部步态数据;经分类处理的步态数据分类存储,可以通过分类步态数据选项下设的分类选择所需的类别。
在分类步态数据选项下,比如按性别可分为男和女,按身高阶段可分为160-170cm,170-180cm等等,按年龄阶段可分为20-30,40-50等等,按病理可分为脑卒中,足下垂等等。
实验:
通过比较160-170cm,170-180cm两个身高段的步态数据,除了步长和步速有明显区别之外,髋关节、踝关节、膝关节角度变化、最大值、最小值均有明显差异,EMG信号分类正确率85%以上,所以人体步态特征具有个体差异,建立本发明实施例的人体步态数据库意义深远。
本发明实施例对包括下肢运动中多种步态的运动数据采集和EMG的采集,可以对多种领域的研究者提供数据支撑,减少在研究初期由于采集数据而产生的花费,进一步地,一个大而全面的步态数据库可以提供一个标准以利于不同算法在同一数据库上进行比较,以评定技术发展水平、确定将来的研究重点、度量算法的性能。
本发明实施例所建立的人体步态数据库较全面地包含了同一个人不同影响因素下的步态数据,以更深入地发掘个体之内的变化;包含了EMG的采集以及更多的试验个体,采集涵盖了不同性别、各个年龄段、身高段、以及病理步态等,以更深入地考察在有限的个体之内的变化下的个体之间的变化,从而可以更全面地进行步态分析、更好地度量步态识别作为一种生物认证技术的潜力;包含了试验个体在各个观察角度的步态数据,便于从各个角度对实验个体步态进行分析;可不断地丰富,能在进行人物识别的同时存储数据以扩大数据量但又避免数据重复。
本发明实施例为研究者进行步态分析和识别提供了数据支持,还可以应用于假肢领域,比如可以通过对步态的研究控制下肢的活动,如控制外骨骼机器人等。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种建立人体步态数据库的方法,其特征在于,包括如下步骤:
采集人体步态数据,所述人体步态数据包括运动数据、人体EMG数据和足底压力数据;
通过人物身份识别,分类存储所述人体步态数据;
设计人体步态数据库界面,所述数据库界面与所述步态数据相连接,根据用户在数据库界面上的操作要求提取不同类型的步态数据。
2.如权利要求1所述的建立人体步态数据库的方法,其特征在于,通过红外运动捕捉***采集所述运动数据,通过无线肌电采集***采集所述人体EMG数据,通过三维测力台采集所述足底压力数据。
3.如权利要求1所述的建立人体步态数据库的方法,其特征在于,所述运动数据包括髋关节角度、膝关节角度、踝关节角度、步长、步宽、行走速度和步态周期中的一种或多种;所述人体EMG数据包括肌肉动作电位。
4.如权利要求1所述的建立人体步态数据库的方法,其特征在于,在所述采集人体步态数据的步骤中对多种步态进行采集,在所述分类存储所述人体步态数据的步骤中对多种步态进行分类存储;所述多种步态的类别包括性别、年龄、身高、正常和病理中的一种或多种。
5.如权利要求1所述的建立人体步态数据库的方法,其特征在于,所述通过人物身份识别,存储所述人体步态数据的步骤具体包括:
将采集的被试者的步态数据在所述人体步态数据库的现有数据中通过线性判别分析法进行模式识别;
若识别结果在人体步态数据库中,则识别出所述被试者;
若识别结果不在人体步态数据库中,则将采集的人体步态数据和所述被试者信息加入人体步态数据库中。
6.如权利要求1所述的建立人体步态数据库的方法,其特征在于,所述人体步态数据库界面包括步态存储选项、全部步态数据选项和分类步态数据选项,其中:
通过步态存储选项将经过步态识别后的但未在人体步态数据库中的数据进行存储;
通过全部步态数据选项选择采集过的所有未经分类的人体步态数据;
通过分类步态数据选项下设的分类选择经分类处理的人体步态数据类别。
7.一种人体步态数据库,其特征在于,包括:
数据存储模块,所述数据存储模块存储的人体步态数据包括运动数据、人体EMG数据和足底压力数据,通过人物身份识别将所述人体步态数据存储进数据存储模块;
人体步态数据库界面,所述数据库界面与所述步态数据相连接,根据用户在数据库界面上的操作要求提取不同类型的步态数据。
8.如权利要求7所述的人体步态数据库,其特征在于,所述运动数据包括髋关节角度、膝关节角度、踝关节角度、步长、步宽、行走速度和步态周期中的一种或多种;所述人体EMG数据包括肌肉动作电位。
9.如权利要求7所述的人体步态数据库,其特征在于,所述数据存储模块中分类存储有多种步态的人体步态数据,所述多种步态的类别包括性别、年龄、身高、正常和病理中的一种或多种。
10.如权利要求7所述的人体步态数据库,其特征在于,所述通过人物身份识别将所述人体步态数据存储进数据存储模块具体为:
将采集的被试者的步态数据在所述人体步态数据库的现有数据中通过线性判别分析法进行模式识别;
若识别结果在人体步态数据库中,则识别出所述人物;
若识别结果不在人体步态数据库中,则将采集的人体步态数据和所述人物信息加入人体步态数据库中。
11.如权利要求7所述的人体步态数据库,其特征在于,所述人体步态数据库界面包括步态存储选项、全部步态数据选项和分类步态数据选项,其中:
通过步态存储选项将经过步态识别后的但未在人体步态数据库中的数据进行存储;
通过全部步态数据选项选择采集过的所有未经分类的人体步态数据;
通过分类步态数据选项下设的分类选择经分类处理的人体步态数据类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310516264.8A CN103514302A (zh) | 2013-10-28 | 2013-10-28 | 人体步态数据库及其建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310516264.8A CN103514302A (zh) | 2013-10-28 | 2013-10-28 | 人体步态数据库及其建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103514302A true CN103514302A (zh) | 2014-01-15 |
Family
ID=49897026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310516264.8A Pending CN103514302A (zh) | 2013-10-28 | 2013-10-28 | 人体步态数据库及其建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103514302A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103800016A (zh) * | 2014-02-25 | 2014-05-21 | 河北工业大学 | 基于视触觉结合的人体身份步态识别***及其识别方法 |
CN104008398A (zh) * | 2014-06-11 | 2014-08-27 | 北京大学 | 一种基于多传感器信息融合的步态分类方法 |
WO2016115835A1 (zh) * | 2015-01-20 | 2016-07-28 | 中兴通讯股份有限公司 | 人体特征数据的处理方法及装置 |
CN105893966A (zh) * | 2016-04-04 | 2016-08-24 | 上海大学 | 人体步态信息采集和步态形式分类识别***及方法 |
CN106681997A (zh) * | 2015-11-05 | 2017-05-17 | ***通信集团公司 | 一种信息处理方法及装置 |
CN107273677A (zh) * | 2017-06-08 | 2017-10-20 | 中国科学院软件研究所 | 一种多通道神经功能定量评价*** |
CN107536613A (zh) * | 2016-06-29 | 2018-01-05 | 深圳光启合众科技有限公司 | 机器人及其人体下肢步态识别装置和方法 |
CN107609523A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 基于Python的步态周期及三维肢体活动角度算法 |
CN108022248A (zh) * | 2016-11-03 | 2018-05-11 | 北京航空航天大学 | 一种基于视觉采集设备的下肢步态康复评估*** |
CN108151849A (zh) * | 2018-01-03 | 2018-06-12 | 王长贵 | 一种基于铺装物的数据采集处理***及方法 |
CN108228585A (zh) * | 2016-12-09 | 2018-06-29 | 江苏物联网研究发展中心 | 建立数字运动人库的方法 |
CN108379817A (zh) * | 2018-04-03 | 2018-08-10 | 杭州心景科技有限公司 | 肢体康复训练***及方法 |
CN109662718A (zh) * | 2019-01-22 | 2019-04-23 | 北京城市***工程研究中心 | 与老年人肌肉能力相关的运动功能评估*** |
CN110069963A (zh) * | 2018-01-24 | 2019-07-30 | 南京机器人研究院有限公司 | 一种基于机器人的用户身份验证方法 |
CN110069965A (zh) * | 2018-01-24 | 2019-07-30 | 南京机器人研究院有限公司 | 一种机器人身份识别方法 |
CN110246583A (zh) * | 2019-05-26 | 2019-09-17 | 江西中医药大学 | 一种基于虚拟现实技术的脑卒中认知训练***及其操作方法 |
CN111079651A (zh) * | 2019-12-17 | 2020-04-28 | 河南水滴智能技术有限公司 | 一种步态分类方法的再优化 |
CN111178338A (zh) * | 2020-03-18 | 2020-05-19 | 福建中医药大学 | 一种步态分析***中数据库和标准化模型的建立方法 |
CN111860063A (zh) * | 2019-04-30 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 步态数据构建***、方法及装置 |
CN112022166A (zh) * | 2020-08-08 | 2020-12-04 | 司法鉴定科学研究院 | 基于医学运动障碍特征识别的人体身份识别方法及*** |
CN113110332A (zh) * | 2021-04-16 | 2021-07-13 | 中科海拓(无锡)科技有限公司 | 一种智能工厂控制*** |
WO2022233138A1 (zh) * | 2021-05-07 | 2022-11-10 | 深圳先进技术研究院 | 一种步态分析*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692977A (zh) * | 2009-10-16 | 2010-04-14 | 中国科学院合肥物质科学研究院 | 一种多参数生物信息测试平台及测试方法 |
CN101732052A (zh) * | 2009-11-16 | 2010-06-16 | 清华大学 | 一种人体运动形态的红外测量装置及方法 |
CN102982323A (zh) * | 2012-12-19 | 2013-03-20 | 重庆信科设计有限公司 | 快速步态识别方法 |
-
2013
- 2013-10-28 CN CN201310516264.8A patent/CN103514302A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692977A (zh) * | 2009-10-16 | 2010-04-14 | 中国科学院合肥物质科学研究院 | 一种多参数生物信息测试平台及测试方法 |
CN101732052A (zh) * | 2009-11-16 | 2010-06-16 | 清华大学 | 一种人体运动形态的红外测量装置及方法 |
CN102982323A (zh) * | 2012-12-19 | 2013-03-20 | 重庆信科设计有限公司 | 快速步态识别方法 |
Non-Patent Citations (1)
Title |
---|
韩鸿哲等: "基于线性判别分析和支持向量机的步态识别", 《模式识别与人工智能》, vol. 18, no. 2, 30 April 2005 (2005-04-30), pages 160 - 164 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103800016A (zh) * | 2014-02-25 | 2014-05-21 | 河北工业大学 | 基于视触觉结合的人体身份步态识别***及其识别方法 |
CN103800016B (zh) * | 2014-02-25 | 2015-11-04 | 河北工业大学 | 基于视触觉结合的人体身份步态识别***及其识别方法 |
CN104008398A (zh) * | 2014-06-11 | 2014-08-27 | 北京大学 | 一种基于多传感器信息融合的步态分类方法 |
CN104008398B (zh) * | 2014-06-11 | 2017-07-07 | 北京大学 | 一种基于多传感器信息融合的步态分类方法 |
WO2016115835A1 (zh) * | 2015-01-20 | 2016-07-28 | 中兴通讯股份有限公司 | 人体特征数据的处理方法及装置 |
CN106681997A (zh) * | 2015-11-05 | 2017-05-17 | ***通信集团公司 | 一种信息处理方法及装置 |
CN106681997B (zh) * | 2015-11-05 | 2020-09-08 | ***通信集团公司 | 一种信息处理方法及装置 |
CN105893966A (zh) * | 2016-04-04 | 2016-08-24 | 上海大学 | 人体步态信息采集和步态形式分类识别***及方法 |
CN107536613B (zh) * | 2016-06-29 | 2021-10-08 | 沭阳县成基实业有限公司 | 机器人及其人体下肢步态识别装置和方法 |
CN107536613A (zh) * | 2016-06-29 | 2018-01-05 | 深圳光启合众科技有限公司 | 机器人及其人体下肢步态识别装置和方法 |
CN108022248A (zh) * | 2016-11-03 | 2018-05-11 | 北京航空航天大学 | 一种基于视觉采集设备的下肢步态康复评估*** |
CN108228585A (zh) * | 2016-12-09 | 2018-06-29 | 江苏物联网研究发展中心 | 建立数字运动人库的方法 |
CN107273677A (zh) * | 2017-06-08 | 2017-10-20 | 中国科学院软件研究所 | 一种多通道神经功能定量评价*** |
CN107609523A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 基于Python的步态周期及三维肢体活动角度算法 |
CN108151849A (zh) * | 2018-01-03 | 2018-06-12 | 王长贵 | 一种基于铺装物的数据采集处理***及方法 |
CN110069963A (zh) * | 2018-01-24 | 2019-07-30 | 南京机器人研究院有限公司 | 一种基于机器人的用户身份验证方法 |
CN110069965A (zh) * | 2018-01-24 | 2019-07-30 | 南京机器人研究院有限公司 | 一种机器人身份识别方法 |
CN108379817A (zh) * | 2018-04-03 | 2018-08-10 | 杭州心景科技有限公司 | 肢体康复训练***及方法 |
CN109662718A (zh) * | 2019-01-22 | 2019-04-23 | 北京城市***工程研究中心 | 与老年人肌肉能力相关的运动功能评估*** |
CN111860063A (zh) * | 2019-04-30 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 步态数据构建***、方法及装置 |
CN111860063B (zh) * | 2019-04-30 | 2023-08-11 | 杭州海康威视数字技术股份有限公司 | 步态数据构建***、方法及装置 |
CN110246583A (zh) * | 2019-05-26 | 2019-09-17 | 江西中医药大学 | 一种基于虚拟现实技术的脑卒中认知训练***及其操作方法 |
CN111079651A (zh) * | 2019-12-17 | 2020-04-28 | 河南水滴智能技术有限公司 | 一种步态分类方法的再优化 |
CN111178338A (zh) * | 2020-03-18 | 2020-05-19 | 福建中医药大学 | 一种步态分析***中数据库和标准化模型的建立方法 |
CN112022166A (zh) * | 2020-08-08 | 2020-12-04 | 司法鉴定科学研究院 | 基于医学运动障碍特征识别的人体身份识别方法及*** |
CN113110332A (zh) * | 2021-04-16 | 2021-07-13 | 中科海拓(无锡)科技有限公司 | 一种智能工厂控制*** |
WO2022233138A1 (zh) * | 2021-05-07 | 2022-11-10 | 深圳先进技术研究院 | 一种步态分析*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103514302A (zh) | 人体步态数据库及其建立方法 | |
Samuel et al. | Pattern recognition of electromyography signals based on novel time domain features for amputees' limb motion classification | |
CN103584919B (zh) | 多模态生物信号同步检测***及方法 | |
Bussmann et al. | Measuring daily behavior using ambulatory accelerometry: the Activity Monitor | |
Mazilu et al. | Feature learning for detection and prediction of freezing of gait in Parkinson’s disease | |
Olugbade et al. | Pain level recognition using kinematics and muscle activity for physical rehabilitation in chronic pain | |
CN108960155B (zh) | 基于Kinect的成人步态提取与异常分析方法 | |
Kukreja et al. | Deep learning in Human Gait Recognition: An Overview | |
CN109717833A (zh) | 一种基于人体运动姿态的神经疾病辅助诊断*** | |
He et al. | Spatial information enhances myoelectric control performance with only two channels | |
CN113066260B (zh) | 一种基于日常行为分析的帕金森症预警*** | |
CN111091890B (zh) | 自我激励与反馈控制下的健康认知*** | |
Burns et al. | Wearable technology for patients with brain and spinal cord injuries | |
CN108968918A (zh) | 早期帕金森的可穿戴辅助筛查设备 | |
CN108231156A (zh) | 一种基于可穿戴设备进行行为识别的患者活动情况分析***及其方法 | |
Gao et al. | Use of advanced materials and artificial intelligence in electromyography signal detection and interpretation | |
Pinzón-Arenas et al. | Percentage estimation of muscular activity of the forearm by means of EMG signals based on the gesture recognized using CNN | |
Chuang et al. | A wearable activity sensor system and its physical activity classification scheme | |
Yadav et al. | Recent trends and challenges of surface electromyography in prosthetic applications | |
CN113456060B (zh) | 一种运动功能特征参数的提取装置 | |
Ali et al. | Detection and analysis of transitional activity in manifold space | |
Poon et al. | Special issue on health informatics and personalized medicine | |
Wang et al. | Research on multimodal fusion recognition method of upper limb motion patterns | |
Zhang et al. | Multimodal fusion convolutional neural network based on sEMG and accelerometer signals for intersubject upper limb movement classification | |
Anam et al. | Estimation of Finger Joint Movement based on Electromyography Signal using Long Short-Term Memory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140115 |