CN107403143A - 一种步态识别方法及电子设备 - Google Patents
一种步态识别方法及电子设备 Download PDFInfo
- Publication number
- CN107403143A CN107403143A CN201710547836.7A CN201710547836A CN107403143A CN 107403143 A CN107403143 A CN 107403143A CN 201710547836 A CN201710547836 A CN 201710547836A CN 107403143 A CN107403143 A CN 107403143A
- Authority
- CN
- China
- Prior art keywords
- gait
- parameter
- cycle
- destination object
- electronic equipment
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 354
- 238000000034 method Methods 0.000 title claims abstract description 55
- 206010017577 Gait disturbance Diseases 0.000 claims abstract description 56
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000027455 binding Effects 0.000 claims description 11
- 238000009739 binding Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 201000010099 disease Diseases 0.000 description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 18
- 238000003860 storage Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 210000002414 leg Anatomy 0.000 description 7
- 230000036541 health Effects 0.000 description 5
- 230000001771 impaired effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000011644 Neurologic Gait disease Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010017585 Gait spastic Diseases 0.000 description 1
- 241000489861 Maximus Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 206010056242 Parkinsonian gait Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000006742 locomotor activity Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000018360 neuromuscular disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/76—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries based on eigen-space representations, e.g. from pose or different illumination conditions; Shape manifolds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明实施例公开了一种步态识别方法及电子设备,其中,该方法包括:获取目标对象的步态参数;根据所述步态参数,提取所述步态参数的步态特征信息;将所述步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率;如果所述匹配率达到预设阈值,识别出所述目标对象的当前步态为异常步态。实施本发明实施例,能够有助于提高步态识别的准确度,降低误判的概率。
Description
技术领域
本发明涉及电子设备技术领域,具体涉及一种步态识别方法及电子设备。
背景技术
步态是指人体步行时的姿态,人体通过髋、膝、踝、足趾等的一系列连续活动,使身体沿着一定方向移动的过程。正常步态一般具有稳定性、周期性、节律性、方向性以及协调性等特征。然而,当人体存在疾病或任何环节失调时都可能影响步态,从而形成病理步态。步态分析是一种用来分析和评估人体行走能力的技术,通过分析可以及时发现人体步态的异常,目前在人类病理状况方面(如脑瘫、帕金森氏病和神经肌肉疾病等)应用广泛。然而,步态分析技术的评估结果主要取决于观察者的判断,即人为因素的成分较大,这样就很容易出现误判,从而使得步态分析的准确度低下。
发明内容
本发明实施例公开了一种步态识别方法及电子设备,能够提高步态识别的准确度。
本发明实施例第一方面公开一种步态识别方法,所述方法应用于电子设备中,所述方法包括:
获取目标对象的步态参数;
根据所述步态参数,提取所述步态参数的步态特征信息;
将所述步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率;
如果所述匹配率达到预设阈值,识别出所述目标对象的当前步态为异常步态。
作为一种可选的实施方式,在本发明实施例第一方面中,所述获取目标对象的步态参数之前,所述方法还包括:
建立所述电子设备与至少一个外接设备的绑定关系;
在所述识别出所述目标对象的当前步态为异常步态之后,所述方法还包括:
向所述至少一个外接设备发送报警信息,所述报警信息包括用来警示所述目标对象的步态异常的信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述目标对象的步态参数包括所述目标对象行走时的加速度、步长、步幅、步宽、步频、步速以及足角中的至少一种信息参数。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据所述步态参数,提取所述步态参数的步态特征信息,包括:
解析所述步态参数,从所述步态参数中确定所述目标对象在一个步态周期内的步态参数,以获得周期步态参数;
从所述周期步态参数中提取出步态特征信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述解析所述步态参数,从所述步态参数中确定所述目标对象在一个步态周期内的步态参数,以获得周期步态参数,包括:
对所述步态参数进行预处理,以获得预处理后的步态参数;
利用局部极大值和局部极小值的方式对所述预处理后的步态参数进行步态周期的划分,以获得每一个步态周期内的步态参数;
从所述每一个步态周期内的步态参数中选取其中一个步态周期内的步态参数作为周期步态参数。
本发明实施例第二方面公开一种电子设备,包括:
获取单元,用于获取目标对象的步态参数;
提取单元,用于根据所述步态参数,提取所述步态参数的步态特征信息;
匹配单元,用于将所述步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率;
识别单元,用于当所述匹配单元获得的所述匹配率达到预设阈值时,识别出所述目标对象的当前步态为异常步态。
作为一种可选的实施方式,在本发明实施例第二方面中,所述电子设备还包括:
建立单元,用于在所述获取单元获取目标对象的步态参数之前,建立所述电子设备与至少一个外接设备的绑定关系;
发送单元,用于在所述识别单元识别出所述目标对象的当前步态为异常步态之后,向所述至少一个外接设备发送报警信息,所述报警信息包括用来警示所述目标对象的步态异常的信息。
作为一种可选的实施方式,在本发明实施例第二方面中,所述目标对象的步态参数包括所述目标对象行走时的加速度、步长、步幅、步宽、步频、步速以及足角中的至少一种信息参数。
作为一种可选的实施方式,在本发明实施例第二方面中,所述提取单元包括:
确定子单元,用于解析所述步态参数,从所述步态参数中确定所述目标对象在一个步态周期内的步态参数,以获得周期步态参数;
提取子单元,用于从所述周期步态参数中提取出步态特征信息。
作为一种可选的实施方式,在本发明实施例第二方面中,所述确定子单元具体用于对所述步态参数进行预处理以获得预处理后的步态参数,利用局部极大值和局部极小值的方式对所述预处理后的步态参数进行步态周期的划分,以获得每一个步态周期内的步态参数,并从所述每一个步态周期内的步态参数中选取其中一个步态周期内的步态参数作为周期步态参数。
本发明实施例第三方面公开一种电子设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的所述步态识别方法。
本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的所述步态识别方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,当利用电子设备来识别目标对象的步态时,可以先通过电子设备采集目标对象的步态参数,再根据该步态参数,从中提取出相应的步态特征信息;在此基础上,可以将提取出的步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率;进一步地,将该匹配率与预设阈值进行比较,如果该匹配率大于或等于预设阈值,则识别出该目标对象的当前步态为异常步态;如果该匹配率小于预设阈值,则识别出该目标对象的当前步态为非异常步态,即为正常步态。通过实施本发明实施例,无需过多人为因素的干涉,而是将采集到的步态参数的特征信息与预先建立的异常步态模型进行比对,以获得最终的步态识别结果。从而能够有效提高步态识别的准确度,并降低误判的概率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种步态识别方法的流程示意图;
图2是本发明实施例公开的几种异常步态的示意图;
图3是本发明实施例公开的另一种步态识别方法的流程示意图;
图4是本发明实施例公开的一个步态周期的各组成阶段的示意图;
图5是本发明实施例公开的一种电子设备的结构示意图;
图6是本发明实施例公开的另一种电子设备的结构示意图;
图7是本发明实施例公开的又一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种步态识别方法及电子设备,能够提高步态识别的准确度,降低误判的概率。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种步态识别方法的流程示意图。其中,图1所描述的步态识别方法可以适用于移动手机、平板电脑、个人数字助理(PersonalDigital Assistant,PDA)、智能穿戴设备(如智能手表、智能手环、智能项圈等)、移动互联网设备(Mobile Internet Device,MID)等各类电子设备,本发明实施例不作限定。如图1所示,该步态识别方法可以包括以下步骤:
101、电子设备获取目标对象的步态参数。
本发明实施例中,目标对象可以为人或动物。电子设备可以安装有步态检测应用,该步态检测应用可以是电子设备自带的,也可以是安装的第三方应用软件。当要检测目标对象的步态参数时,可以开启电子设备中的步态检测应用来实时采集目标对象在行走时的步态参数。其中,电子设备在采集目标对象的步态参数时,目标对象可以是随身携带电子设备,例如将电子设备拿在手上、放在兜里,或把电子设备穿戴在身上。当然,也可以是目标对象与电子设备建立有线式或无线式连接,此时无需随身携带电子设备。
本发明实施例中,目标对象的步态参数可以包括但不限于目标对象行走时的加速度、步长、步幅、步宽、步频、步速以及足角等中的至少一种信息参数。电子设备中可以配置有用于采集目标对象的加速度参数的加速度传感器,如三轴加速度传感器等,还可以配置有用于采集步长、步幅、步宽、步频、步速以及足角等参数的专用芯片或电路等。
102、电子设备根据该步态参数,提取该步态参数的步态特征信息。
本发明实施例中,电子设备采集的步态参数可以是目标对象在行走时一段时间内的各项参数指标,可以对这一段时间内的各项参数进行解析,从而提取出各项参数包含的特征信息。例如,对这一段时间内的加速度信息进行分析,提取出它的特征信息;或者,对这一段时间内的步频参数进行分析,提取出步频参数中的特征信息等。
103、电子设备将该步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率。
其中,步态数据库中既存储有异常步态模型,还可以存储正常步态模型。在实际应用中,可以预先建立异常步态模型和/或正常步态模型。具体的,先采集大量的异常步态参数和/正常步态参数,并对这些参数预处理后进行模型训练操作,训练完成后即可获得异常步态模型和/或正常步态模型,并将其保存至步态数据库中。
本发明实施例中,步态数据库可以存储在电子设备本端,也可以将其存储在其他设备或服务器端。可选的,步骤103电子设备将该步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率的具体实施方式可以包括以下步骤:
11)电子设备将该步态特征信息与电子设备自身的步态数据库中存储的异常步态模型进行匹配,以获得匹配率;或者
12)电子设备将该步态特征信息与从服务器端获取的步态数据库中存储的异常步态模型进行匹配,以获得匹配率。
104、电子设备判断该匹配率是否达到预设阈值,如果是,则执行步骤105;如果否,则执行步骤106。
105、电子设备识别出该目标对象的当前步态为异常步态。
106、电子设备识别出该目标对象的当前步态为正常步态。
本发明实施例中,当获得步态特征信息与异常步态模型之间的匹配率后,可以将该匹配率与事先存储的预设阈值进行比较,当该匹配率大于或等于预设阈值时,表明该步态特征信息与异常步态模型的匹配度高,此时可以确定出目标对象当前行走时的步态为异常步态。反之,当该匹配率小于预设阈值时,表明该步态特征信息与异常步态模型的匹配度低,此时可以确定出目标对象当前行走时的步态为正常步态。
其中,正常步态的参数一般为步长50-80cm,步幅通常为步长的两倍,步宽(以足跟中点为测量点)为4.5-11.5cm,足角约为6.75°,步频约为95-125步/分钟(东方男性步频约为112.2±8.9步/分钟,女性约为123.4±8.0步/分钟),步速约为65-95米/分钟。而异常步态的种类有多种情况,如图2所示,异常步态可以包括但不限于偏瘫步态、截瘫步态、臀大肌步态、臀中肌步态、慌张步态、蹒跚步态、胫前肌步态等等。其中,异常步态的参数与正常步态的参数相比,有较大区别。
作为一种可选的实施方式,在执行完步骤105之后,图1所描述的方法还可以包括以下步骤:
13)电子设备输出报警信息,该报警信息包括用来警示目标对象的步态异常的信息。
在该实施方式中,当识别出目标对象当前处于步态异常的状态时,电子设备可以以文字和/或语音等方式输出报警信息,以提示该目标对象当前步态存在异常。通过实施该实施方式,在出现步态异常时,可以及时向目标对象自身进行预警、提醒,可提前发现身体存在的疾病并及时治疗,进而可以降低因疾病未能提前发现,致使疾病进一步加深或身体健康受损的风险和概率。
作为一种可选的实施方式,在执行步骤101之前,图1所描述的方法还可以包括以下步骤:
14)建立电子设备与至少一个外接设备的绑定关系;
相应地,在执行完步骤105之后,图1所描述的方法还可以包括以下步骤:
15)向上述至少一个外接设备发送报警信息,该报警信息包括用来警示目标对象的步态异常的信息。
在该实施方式中,在检测目标对象的步态参数之前,可以将目标对象的电子设备与其他外接设备进行绑定,例如将目标对象的电子设备与家人的手机设备进行绑定。这里的绑定可以理解为建立有线式和/或无线式的连接关系。具体的,可以在目标对象的电子设备中的步态检测应用中进行与其他外接设备的绑定操作,可以根据实际需求添加或删除某个外接设备与该电子设备的绑定。当识别出目标对象当前处于步态异常的状态时,电子设备可以向绑定的部分或全部外接设备推送报警信息,以告知外接设备的拥有者当前目标对象的步态存在异常。通过实施该实施方式,在出现步态异常时,可以及时向目标对象的家人或看护者进行预警、提醒,可提前发现目标对象的身体存在的疾病并及时治疗,进而可以降低目标对象因疾病未能提前发现,致使疾病进一步加深或身体健康受损的风险和概率。
在图1所描述的方法中,当利用电子设备来识别目标对象的步态时,可以先通过电子设备采集目标对象的步态参数,再根据该步态参数,从中提取出相应的步态特征信息;在此基础上,可以将提取出的步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率;进一步地,将该匹配率与预设阈值进行比较,如果该匹配率大于或等于预设阈值,则识别出该目标对象的当前步态为异常步态;如果该匹配率小于预设阈值,则识别出该目标对象的当前步态为非异常步态,即为正常步态。通过实施本发明实施例,无需过多人为因素的干涉,而是将采集到的步态参数的特征信息与预先建立的异常步态模型进行比对,以获得最终的步态识别结果。从而能够有效提高步态识别的准确度,并降低误判的概率。此外,可提前发现隐藏的疾病,进而可以降低疾病进一步加深或身体健康受损的风险和概率。
实施例二
请参阅图3,图3是本发明实施例公开的另一种步态识别方法的流程示意图。其中,该步态识别方法可以应用于电子设备中。如图3所示,该步态识别方法可以包括以下步骤:
301、电子设备获取目标对象的步态参数。
其中,目标对象的步态参数可以包括但不限于目标对象行走时的加速度、步长、步幅、步宽、步频、步速以及足角等中的至少一种信息参数。
302、电子设备解析该步态参数,从该步态参数中确定目标对象在一个步态周期内的步态参数,以获得周期步态参数。
本发明实施例中,由于人或动物在行走时,其步态是呈周期性的。因此,对于采集到的一段时间内的步态参数,可以根据步态参数的规律性划分出各个步态周期,通过对一个步态周期内的步态参数进行分析处理即可解析出目标对象的步态状况。
作为一种可选的实施方式,步骤302电子设备解析该步态参数,从该步态参数中确定目标对象在一个步态周期内的步态参数,以获得周期步态参数的具体实施方式可以包括以下步骤:
31)对该步态参数进行预处理,以获得预处理后的步态参数;
32)利用局部极大值和局部极小值的方式对预处理后的步态参数进行步态周期的划分,以获得每一个步态周期内的步态参数;
33)从上述每一个步态周期内的步态参数中选取其中一个步态周期内的步态参数作为周期步态参数。
在该实施方式中,当电子设备采集到目标对象行走时的步态参数后,可以先对该步态参数进行预处理,具体的,对步态参数进行预处理可以包括对采集到的步态参数进行校正,然后再进行去噪处理,其中,去噪的方式可以参考现有的去噪技术,例如利用FIR(Finite Impulse Response,有限脉冲响应)线性滤波器和小波阈值两种去噪方式对步态参数进行去噪处理,得到相对平滑的周期性信号。进一步地,可以利用每个周期的采样点数与局部极大值和局部极小值相结合的方式对预处理后的步态参数进行步态周期的划分处理,以划分出每个步态周期内的步态参数,进而可以从上述每个步态周期内的步态参数中选取出一个步态周期内的步态参数。其中,可以是随机选取,也可以是选取指定周期内的步态参数,如第一个周期、第二个周期、最后一个周期等等。
人们在行走时的一个步态周期可以被定义为在行走时一侧足跟着地到该侧足跟再次着地的过程,通常用时间秒(s)来表示,一般成人的步态周期约为1~1.32s左右。如图4举例所示,一个完整的步态周期可以被划分为两个阶段,分别是“支撑阶段(stancephase)”和“摆动阶段(swing phase)”,并且又可进一步分为七个部分。即,“支撑阶段”可以包括首次触地、触地反应、支撑中期和支撑末期共四个部分,其中,首次触地也可以作为单独的一个阶段而不划入支撑阶段中。“摆动阶段”可以包括摆动早期、摆动中期和摆动末期共三个部分。一个步态周期内的步态参数包括上述七个部分各自的参数,每一部分的参数均具有各自的特征。
303、电子设备从该周期步态参数中提取出步态特征信息。
本发明实施例中,在提取步态特征信息之前,可以先对该周期步态参数进行归一化处理,具体的,对该周期步态参数进行幅度归一化和时间归一化处理,以消除参数中的绝对量对步态识别时的影响。可选的,步骤303电子设备从该周期步态参数中提取出步态特征信息的具体实施方式可以包括:通过插值方式和等间隔取样方式进行周期步态参数维数的规整,之后利用高斯函数的一阶导函数作为小波基函数对周期步态参数进行小波变换,通过找出小波变换后的过零点即可提取出周期步态参数中的极值点,从而确定出步态特征信息。
304、电子设备将该步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率。
本发明实施例中,将提取的步态特征信息与异常步态模型进行匹配的具体实施方式可以为:利用动态时间规整(Dynamic Time Warping,DTW)算法、错误接收率和错误拒绝率求取步态特征信息的阈值,以及利用多级别判别***与步态数据库中的异常步态模型进行匹配,从而获得匹配率。
305、电子设备判断该匹配率是否达到预设阈值,如果是,则执行步骤306;如果否,则执行步骤307。
306、电子设备识别出该目标对象的当前步态为异常步态。
307、电子设备识别出该目标对象的当前步态为正常步态。
作为一种可选的实施方式,电子设备在步态识别结束后,可以自动输出报警信息,以提示目标对象当前的步态状况。另外,当电子设备上绑定有其他外接设备时,也可以向绑定的外接设备推送报警信息,以告知目标对象的家人或看护者当前目标对象的健康状态,以及时发现可能存在的健康问题。
在实际应用中,可以通过上述实施例中所描述的步态识别方法来检测目标对象的步态是否存在异常状况,以提前发现隐藏的疾病;也可以将该方法用在监控目标对象康复的阶段,通过分析目标对象的步态来监测目标对象是否病情得到缓解或病情加重等场景。
其中,实施图3所描述的方法,无需过多人为因素的干涉,而是将采集到的步态参数的特征信息与预先建立的异常步态模型进行比对,以获得最终的步态识别结果。从而能够有效提高步态识别的准确度,并降低误判的概率。
此外,实施图3所描述的方法,在识别出目标对象的步态异常时,可以及时向目标对象的家人或看护者进行预警、提醒,可提前发现目标对象的身体存在的疾病并及时治疗,进而可以降低目标对象因疾病未能提前发现,致使疾病进一步加深或身体健康受损的风险和概率。
实施例三
请参阅图5,图5是本发明实施例公开的一种电子设备的结构示意图。其中,该电子设备可以用于执行上述实施例中所描述的步态识别方法。如图5所示,该电子设备可以包括:
获取单元501,用于获取目标对象的步态参数。
其中,目标对象的步态参数可以包括但不限于目标对象行走时的加速度、步长、步幅、步宽、步频、步速以及足角等信息中的至少一种信息参数。
提取单元502,用于根据该步态参数,提取该步态参数的步态特征信息。
匹配单元503,用于将该步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率。
具体的,匹配单元503可以用于将该步态特征信息与电子设备自身的步态数据库中存储的异常步态模型进行匹配,以获得匹配率;或者,匹配单元503可以用于将该步态特征信息与从服务器端获取的步态数据库中存储的异常步态模型进行匹配,以获得匹配率。
识别单元504,用于当匹配单元503获得的该匹配率达到预设阈值时,识别出该目标对象的当前步态为异常步态。
可选的,识别单元504,还可以用于当匹配单元503获得的该匹配率未达到预设阈值时,识别出该目标对象的当前步态为正常步态。
请一并参阅图6,图6是本发明实施例公开的另一种电子设备的结构示意图,可以用于执行上述实施例中所描述的步态识别方法。其中,图6所示的电子设备是在图5所示的电子设备的基础上进一步优化得到的。与图5所示的电子设备进行比较,图6所示的电子设备还可以包括:
建立单元505,用于在获取单元501获取目标对象的步态参数之前,建立该电子设备与至少一个外接设备的绑定关系;
发送单元506,用于在识别单元504识别出目标对象的当前步态为异常步态之后,向上述至少一个外接设备发送报警信息,该报警信息可以包括用来警示目标对象的步态异常的信息。
作为一种可选的实施方式,图6所示的电子设备中提取单元502可以进一步包括:
确定子单元5021,用于解析该步态参数,从该步态参数中确定目标对象在一个步态周期内的步态参数,以获得周期步态参数;
提取子单元5022,用于从该周期步态参数中提取出步态特征信息。
作为一种可选的实施方式,确定子单元5021具体可以用于对该步态参数进行预处理以获得预处理后的步态参数,利用局部极大值和局部极小值的方式对预处理后的步态参数进行步态周期的划分,以获得每一个步态周期内的步态参数,并从每一个步态周期内的步态参数中选取其中一个步态周期内的步态参数作为周期步态参数。
其中,实施图5和图6所描述的电子设备,无需过多人为因素的干涉,而是将采集到的步态参数的特征信息与预先建立的异常步态模型进行比对,以获得最终的步态识别结果。从而能够有效提高步态识别的准确度,并降低误判的概率。
此外,实施图5和图6所描述的电子设备,在识别出目标对象的步态异常时,可以及时向目标对象的家人或看护者进行预警、提醒,可提前发现目标对象的身体存在的疾病并及时治疗,进而可以降低目标对象因疾病未能提前发现,致使疾病进一步加深或身体健康受损的风险和概率。
实施例四
请参阅图7,图7是本发明实施例公开的又一种电子设备的结构示意图。如图7所示,该电子设备可以包括:
存储有可执行程序代码的存储器701;
与存储器701耦合的处理器702;
其中,处理器702调用存储器701中存储的可执行程序代码,执行图1或图3所描述的方法。
此外,实施图7所描述的电子设备,可以有助于提高步态识别的准确度,并降低误判的概率;此外,可提前发现隐藏的疾病,进而可以降低疾病进一步加深或身体健康受损的风险和概率。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行图1或图3所描述的方法。
本领域普通技术人员可以理解上述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,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种步态识别方法及电子设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种步态识别方法,其特征在于,所述方法应用于电子设备中,所述方法包括:
获取目标对象的步态参数;
根据所述步态参数,提取所述步态参数的步态特征信息;
将所述步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率;
如果所述匹配率达到预设阈值,识别出所述目标对象的当前步态为异常步态。
2.根据权利要求1所述的步态识别方法,其特征在于,所述获取目标对象的步态参数之前,所述方法还包括:
建立所述电子设备与至少一个外接设备的绑定关系;
在所述识别出所述目标对象的当前步态为异常步态之后,所述方法还包括:
向所述至少一个外接设备发送报警信息,所述报警信息包括用来警示所述目标对象的步态异常的信息。
3.根据权利要求1所述的步态识别方法,其特征在于,所述目标对象的步态参数包括所述目标对象行走时的加速度、步长、步幅、步宽、步频、步速以及足角中的至少一种信息参数。
4.根据权利要求1-3中任一项所述的步态识别方法,其特征在于,所述根据所述步态参数,提取所述步态参数的步态特征信息,包括:
解析所述步态参数,从所述步态参数中确定所述目标对象在一个步态周期内的步态参数,以获得周期步态参数;
从所述周期步态参数中提取出步态特征信息。
5.根据权利要求4所述的步态识别方法,其特征在于,所述解析所述步态参数,从所述步态参数中确定所述目标对象在一个步态周期内的步态参数,以获得周期步态参数,包括:
对所述步态参数进行预处理,以获得预处理后的步态参数;
利用局部极大值和局部极小值的方式对所述预处理后的步态参数进行步态周期的划分,以获得每一个步态周期内的步态参数;
从所述每一个步态周期内的步态参数中选取其中一个步态周期内的步态参数作为周期步态参数。
6.一种电子设备,其特征在于,包括:
获取单元,用于获取目标对象的步态参数;
提取单元,用于根据所述步态参数,提取所述步态参数的步态特征信息;
匹配单元,用于将所述步态特征信息与步态数据库中存储的异常步态模型进行匹配,以获得匹配率;
识别单元,用于当所述匹配单元获得的所述匹配率达到预设阈值时,识别出所述目标对象的当前步态为异常步态。
7.根据权利要求6所述的电子设备,其特征在于,还包括:
建立单元,用于在所述获取单元获取目标对象的步态参数之前,建立所述电子设备与至少一个外接设备的绑定关系;
发送单元,用于在所述识别单元识别出所述目标对象的当前步态为异常步态之后,向所述至少一个外接设备发送报警信息,所述报警信息包括用来警示所述目标对象的步态异常的信息。
8.根据权利要求6所述的电子设备,其特征在于,所述目标对象的步态参数包括所述目标对象行走时的加速度、步长、步幅、步宽、步频、步速以及足角中的至少一种信息参数。
9.根据权利要求6-8中任一项所述的电子设备,其特征在于,所述提取单元包括:
确定子单元,用于解析所述步态参数,从所述步态参数中确定所述目标对象在一个步态周期内的步态参数,以获得周期步态参数;
提取子单元,用于从所述周期步态参数中提取出步态特征信息。
10.根据权利要求9所述的电子设备,其特征在于,所述确定子单元具体用于对所述步态参数进行预处理以获得预处理后的步态参数,利用局部极大值和局部极小值的方式对所述预处理后的步态参数进行步态周期的划分,以获得每一个步态周期内的步态参数,并从所述每一个步态周期内的步态参数中选取其中一个步态周期内的步态参数作为周期步态参数。
11.一种电子设备,其特征在于,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行权利要求1-5任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,其存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547836.7A CN107403143A (zh) | 2017-07-06 | 2017-07-06 | 一种步态识别方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547836.7A CN107403143A (zh) | 2017-07-06 | 2017-07-06 | 一种步态识别方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107403143A true CN107403143A (zh) | 2017-11-28 |
Family
ID=60404867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710547836.7A Pending CN107403143A (zh) | 2017-07-06 | 2017-07-06 | 一种步态识别方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403143A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600707A (zh) * | 2018-06-19 | 2018-09-28 | 华为技术有限公司 | 一种监控方法、识别方法、相关装置及*** |
CN110210392A (zh) * | 2019-05-31 | 2019-09-06 | 吉林化工学院 | 一种基于概率论的步态识别装置 |
CN110874910A (zh) * | 2018-08-31 | 2020-03-10 | 杭州海康威视数字技术股份有限公司 | 路面报警方法、装置、电子设备及可读存储介质 |
CN111197446A (zh) * | 2018-11-20 | 2020-05-26 | 宝沃汽车(中国)有限公司 | 开启后备箱的方法、装置、存储介质及车辆 |
CN111242079A (zh) * | 2020-01-20 | 2020-06-05 | 深圳市丞辉威世智能科技有限公司 | 步态检测融合方法、装置、设备及可读存储介质 |
CN112906457A (zh) * | 2021-01-06 | 2021-06-04 | 南昌大学 | 一种基于手机加速度传感器的行走步态信号预处理方法 |
TWI788721B (zh) * | 2018-07-17 | 2023-01-01 | 長庚大學 | 行走導引裝置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091177A (zh) * | 2014-06-30 | 2014-10-08 | 华南理工大学 | 一种基于确定学习理论的异常步态检测方法 |
CN105335696A (zh) * | 2015-08-26 | 2016-02-17 | 湖南信息职业技术学院 | 一种基于3d异常步态行为检测识别的智能助老机器人及实现方法 |
CN105740621A (zh) * | 2016-01-29 | 2016-07-06 | 江阴中科今朝科技有限公司 | 人体行为数据的移动监测及智能养老健康云平台 |
CN106175778A (zh) * | 2016-07-04 | 2016-12-07 | 中国科学院计算技术研究所 | 一种建立步态数据集的方法及步态分析方法 |
CN106344031A (zh) * | 2016-08-29 | 2017-01-25 | 常州市钱璟康复股份有限公司 | 一种基于声音反馈的步态训练与评估*** |
CN106361544A (zh) * | 2015-07-23 | 2017-02-01 | 三星电子株式会社 | 步行辅助方法和执行步行辅助方法的设备 |
CN106778546A (zh) * | 2016-11-29 | 2017-05-31 | 聚鑫智能科技(武汉)股份有限公司 | 一种基于可见光和非可见光的视觉识别方法及*** |
-
2017
- 2017-07-06 CN CN201710547836.7A patent/CN107403143A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091177A (zh) * | 2014-06-30 | 2014-10-08 | 华南理工大学 | 一种基于确定学习理论的异常步态检测方法 |
CN106361544A (zh) * | 2015-07-23 | 2017-02-01 | 三星电子株式会社 | 步行辅助方法和执行步行辅助方法的设备 |
CN105335696A (zh) * | 2015-08-26 | 2016-02-17 | 湖南信息职业技术学院 | 一种基于3d异常步态行为检测识别的智能助老机器人及实现方法 |
CN105740621A (zh) * | 2016-01-29 | 2016-07-06 | 江阴中科今朝科技有限公司 | 人体行为数据的移动监测及智能养老健康云平台 |
CN106175778A (zh) * | 2016-07-04 | 2016-12-07 | 中国科学院计算技术研究所 | 一种建立步态数据集的方法及步态分析方法 |
CN106344031A (zh) * | 2016-08-29 | 2017-01-25 | 常州市钱璟康复股份有限公司 | 一种基于声音反馈的步态训练与评估*** |
CN106778546A (zh) * | 2016-11-29 | 2017-05-31 | 聚鑫智能科技(武汉)股份有限公司 | 一种基于可见光和非可见光的视觉识别方法及*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600707A (zh) * | 2018-06-19 | 2018-09-28 | 华为技术有限公司 | 一种监控方法、识别方法、相关装置及*** |
TWI788721B (zh) * | 2018-07-17 | 2023-01-01 | 長庚大學 | 行走導引裝置 |
CN110874910A (zh) * | 2018-08-31 | 2020-03-10 | 杭州海康威视数字技术股份有限公司 | 路面报警方法、装置、电子设备及可读存储介质 |
CN110874910B (zh) * | 2018-08-31 | 2021-03-23 | 杭州海康威视数字技术股份有限公司 | 路面报警方法、装置、电子设备及可读存储介质 |
CN111197446A (zh) * | 2018-11-20 | 2020-05-26 | 宝沃汽车(中国)有限公司 | 开启后备箱的方法、装置、存储介质及车辆 |
CN110210392A (zh) * | 2019-05-31 | 2019-09-06 | 吉林化工学院 | 一种基于概率论的步态识别装置 |
CN110210392B (zh) * | 2019-05-31 | 2022-12-09 | 吉林化工学院 | 一种基于概率论的步态识别装置 |
CN111242079A (zh) * | 2020-01-20 | 2020-06-05 | 深圳市丞辉威世智能科技有限公司 | 步态检测融合方法、装置、设备及可读存储介质 |
CN111242079B (zh) * | 2020-01-20 | 2023-10-27 | 深圳市丞辉威世智能科技有限公司 | 步态检测融合方法、装置、设备及可读存储介质 |
CN112906457A (zh) * | 2021-01-06 | 2021-06-04 | 南昌大学 | 一种基于手机加速度传感器的行走步态信号预处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403143A (zh) | 一种步态识别方法及电子设备 | |
CN106228200B (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
US10537403B2 (en) | Passive RFID based health data monitor | |
KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
CN105205464A (zh) | 指纹识别方法、指纹识别装置和终端 | |
US20140247145A1 (en) | Methods using activity manager for monitoring user activity | |
US20140247156A1 (en) | User or patient monitoring methods using one or more analysis tools | |
US20160353996A1 (en) | Systems and methods for real-time signal processing and fitting | |
CN103519819A (zh) | 步态分析方法及步态分析*** | |
CN110720894B (zh) | 一种心房扑动的检测方法、装置、设备及存储介质 | |
US20200382286A1 (en) | System and method for smart, secure, energy-efficient iot sensors | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
Shrestha et al. | Deepwalking: Enabling smartphone-based walking speed estimation using deep learning | |
CN102106734A (zh) | 一种人体身份识别*** | |
CN105528070A (zh) | 一种智能手环丢失检测、提示方法以及相关装置、*** | |
US20140180173A1 (en) | Method and System for Monitoring Terrain and Gait and Predicting Upcoming Terrain | |
US11457865B2 (en) | Wearable sports monitoring equipment for measuring heart rate or muscular activity and relating method | |
CN108875654A (zh) | 一种人脸特征采集方法及装置 | |
CN103727954A (zh) | 一种计步器 | |
Cola et al. | Personalized gait detection using a wrist-worn accelerometer | |
Kao et al. | GA-SVM applied to the fall detection system | |
CN116491935B (zh) | 一种智能穿戴设备的运动健康监测方法、***及介质 | |
Amara et al. | A smartphone application for fall detection using accelerometer and convlstm network | |
WO2018086321A1 (zh) | 一种计步方法及装置 | |
CN111563397B (zh) | 检测方法、装置、智能设备及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171128 |
|
RJ01 | Rejection of invention patent application after publication |