CN109635638B - 用于人体运动的特征提取方法及***、识别方法及*** - Google Patents
用于人体运动的特征提取方法及***、识别方法及*** Download PDFInfo
- Publication number
- CN109635638B CN109635638B CN201811284383.4A CN201811284383A CN109635638B CN 109635638 B CN109635638 B CN 109635638B CN 201811284383 A CN201811284383 A CN 201811284383A CN 109635638 B CN109635638 B CN 109635638B
- Authority
- CN
- China
- Prior art keywords
- muscle
- data
- feature extraction
- information
- motion
- 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.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title claims description 72
- 210000003205 muscle Anatomy 0.000 claims abstract description 155
- 238000012545 processing Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000007115 recruitment Effects 0.000 claims description 18
- 230000008030 elimination Effects 0.000 claims description 16
- 238000003379 elimination reaction Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 14
- 230000008602 contraction Effects 0.000 claims description 13
- 230000002567 autonomic effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007918 intramuscular administration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000002269 spontaneous effect Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 description 12
- 238000005452 bending Methods 0.000 description 11
- 238000005381 potential energy Methods 0.000 description 11
- 230000002068 genetic effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000001087 myotubule Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种用于人体运动的特征提取方法及***、识别方法及***，包括以下步骤：采集人体运动时产生的信号数据；提取所述信号数据中的异义信息，所述异义信息包括肌肉外部运动轨迹信号数据信息和肌肉内部振动信号数据信息；针对所述异义信息进行特征提取，所述特征包括肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及组合特征，所述组合特征是指根据所述肌肉外部运动轨迹信号数据信息和所述肌肉内部振动信号数据信息获得的关联特征。
Description
技术领域
本发明涉及计算领域，特别涉及一种用于人体运动的特征提取方法及***、识别方法及***。
背景技术
人体运动识别是通过传感器数据采集和数据挖掘等技术的结合，从而实现对人体行为的识别和记录。人体运动识别的应用领域广泛，例如吃饭、看电视、休息等日程生活行为的识别，或者如走路、跑步、上楼梯等步态识别等。人体运动识别可为人们的生活带来很多潜在的好处和优势，例如，记录和监督运动健身，人们自身的健康管理或辅助预测行为意向等，多年来一直是学者们的研究热点。
一般来说，可作为识别对象的人体运动都有多种分类方式，例如，其中一种是按照人体进行动作时的躯干表现及生理信号差异进行的分类，即人体在进行一组不同的动作时，躯干整体表现相似，但是生理信号(例如心率值、肌肉募集)情况表现有很大差别，我们将这类动作定义为亲缘动作；与此相对的，人体进行一组不同的动作时，躯干动作本身就表现有较大差异的动作，我们将这类动作定义为非亲缘动作。
现有技术中的人体运动识别方法可以分为以下两种，一种是基于非可穿戴设备的识别方法，例如，利用摄像机记录人体的运动，然后利用图像识别的方法对摄像机采集到的人体运动图像进行分析，这种方法受采集条件限制可能会导致采集数据的不准确，而且与处理传感器采集数据的方法相比，用于图像识别的数据处理也更加复杂；另一种识别方法是基于可穿戴设备的识别方法，这种方法可以采用多种可穿戴设备，例如，成本较低的加速度计传感器，这类可穿戴设备虽然对非亲缘动作的识别精度较高，但是对于亲缘动作的识别精度却较差；而测量生理信号的传感器(如肌电电极、心率传感器)，整体识别精度均较差，并且其中的肌电电极的成本也较高，不利于推广使用；如需提高精度采取多传感器组合的方式(如加速度计和心率传感器组合)进行测量又会导致客户佩戴的传感器过多，体验感较差。
因此，需要一种识别精度高，成本较低，且用户体验感好的人体运动识别***及方法。
发明内容
本发明提供一种针对人体运动数据的特征提取方法，包括以下步骤：
1)采集人体运动时产生的信号数据；
2)提取所述信号数据中的异义信息，所述异义信息包括肌肉外部运动轨迹信号数据信息和肌肉内部振动信号数据信息；
3)针对所述异义信息进行特征提取，所述特征包括肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及组合特征，所述组合特征是指根据所述肌肉外部运动轨迹信号数据信息和所述肌肉内部振动信号数据信息获得的关联特征。
优选的，所述步骤1)进一步包括：
11)利用单源加速度传感器采集人体运动时产生的信号数据；
12)判断所述信号数据的有效性，并获得有效的信号数据
优选的，所述步骤2)进一步包括：
针对所述信号数据执行低通滤波和数据清洗，获得肌肉外部运动轨迹信号数据信息；
针对所述信号数据执行带通滤波、数据清洗和个性化差异消除，获得肌肉内部轨迹信号数据信息；
其中，所述低通滤波的频率在10-20赫兹范围内波动；所述带通滤波的最低频率在5-15赫兹范围内波动，所述带通滤波的最高频率在100-150赫兹范围内波动。
优选的，针对经所述带通滤波和数据清洗的所述有效数据，利用最大自主收缩值进行所述个性化差异消除，包括以下步骤：
将一系列运动作为标准运动，采集至少一组用户进行所述标准运动时的运动数据；
针对所述至少一组运动数据执行带通滤波和数据清洗获得至少一组有效运动数据；
将获得的有效运动数据中的最大值，或多组有效数据的最大值的平均值，作为最大自主收缩值；
利用所述最大自主收缩值执行归一化处理。
优选的，利用所述最大自主收缩值执行归一化处理的公式如下：
其中，a表示经过差异消除的肌肉内部振动信号数据，ahinit表示在数据清洗后的初始肌肉内部振动信号，MVCper是最大自主收缩值。
优选的，所述步骤3)进一步包括：
31)针对所述异义信息，分别提取所述肌肉外部运动轨迹信号特征、肌肉内部振动信号特征；
32)针对所述异义信息，提取用于描述所述肌肉外部运动轨迹数据和所述肌肉内部振动数据之间的内在联系的组合特征；
33)利用所述步骤31)和所述步骤32)获得的特征获得最终特征。
优选的，所述组合特征是肌肉募集能量系数特征，所述步骤32)进一步包括：
321)分别求取所述肌肉外部运动轨迹信号数据和所述肌肉内部振动信号数据的合加速度信号；
322)针对获得的所述合加速度信号进行积分运算，获得合速度值；
323)根据下述公式计算肌肉募集能量系数特征：
其中，MREC是肌肉募集能量系数特征，用于表示单位肌肉外部运动距离下，与肌肉内部产生和存储的能量值成正相关关系，sh 2是表示与肌肉运动过程中持续产生和存储的能量值成正相关关系，sl是表示肌肉的外部运动距离，vl和vh分别为肌肉外部运动轨迹信号和肌肉内部振动信号的合速度值。
优选的，所述步骤31)进一步包括：
311)针对所述肌肉外部运动轨迹信号数据执行特征提取，包括平均值、标准差、频域能量、频域熵；
312)针对所述肌肉内部振动信号数据执行特征提取，包括余弦相关性、标准差、平均功率频率、功率频谱密度、频域熵。
优选的，所述步骤33)进一步包括：将所述步骤31)和所述步骤32)获得的特征数据执行串行的首尾相接的拼接处理，或在拼接处理后执行维度约减，获得最终特征。
根据本发明的另一个方面，还提供一种人体运动识别模型建立方法，包括以下步骤：
利用如上所述的特征提取方法提取用于建立识别模型的特征数据；
利用所述特征数据建立人体运动识别模型。
根据本发明的另一个方面，还提供一种人体运动识别方法，包括以下步骤：
利用如上所述的特征提取方法提取待识别对象的运动特征数据；
将所述运动特征数据输入至人体运动识别模型中进行人体运动识别。
根据本发明的另一方面，还提供一种针对人体运动数据的特征提取装置，包括用于运动数据采集的采集单元，用于提取异义信息的信息提取单元和用于特征提取的特征提取单元；其中，所述异义信息提取单元包括用于提取肌肉外部运动轨迹信号数据的第一信息提取模块和用于提取肌肉内部振动信号数据的第二信息提取模块；所述特征提取单元包括用于分别提取肌肉外部运动轨迹信号特征的第一特征提取模块、用于提取肌肉内部振动信号特征的第二特征提取模块以及用于提取描述所述肌肉外部运动轨迹信号数据和所述肌肉内部振动信号数据之间内在联系的组合特征的第三特征提取模块；所述特征提取单元还包括用于针对所述肌肉外部运动轨迹信号特征、所述肌肉内部振动信号特征以及所述组合特征进行组合处理并获得最终特征的处理模块。
根据本发明的另一个方面，还提供一种人体运动识别***，包括如上所述的特征提取装置，以及与所述特征提取装置通信连接的数据采集接收装置、模型建立和运动识别装置，以及识别结果输出装置。
相对于现有技术，本发明取得了如下有益技术效果：本发明提供的人体运动识别***及方法，通过提取用户的肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及上述两种信号的关联特征，从而获得包含上述三种特征的最终特征进行运动识别，大幅度提高了识别精度；特别的，发明人提出了肌肉募集能量系数这一概念，能够有效的表示出上述两种信号的内部关系；另外，本发明在进行数据采集时，只使用了单源的加速度传感器，无需其它传感器配合使用，不仅节省了采集设备的成本，更减小了用户的穿戴负重，提高了用户体验感，有利于推广使用。
附图说明
图1是本发明优选实施例提供的人体运动识别方法示意图。
图2是本发明优选实施例提供的人体运动识别***结构示意图。
具体实施方式
为了使本发明的目的、技术方案以及优点更加清楚明白，以下结合附图，对根据本发明的实施例中提供的用于人体运动的特征提取方法及***、识别方法及***进一步详细说明。
对于一组非亲缘动作的识别，由于人体在运动时，躯干本身就表现出很大差异，因此利用一般的加速度传感器即可识别出这种宏观上的对地运动；而对于一组亲缘动作的识别，由于人体在运动时，躯干上的整体表现相似，因此还需要通过生理信号来加以区分。
为此，发明人经过大量的实验发现，人体在运动时，不仅会产生对地的运动轨迹，同时还会产生肌肉内部的振动。针对相对地面产生的位移，可以直接利用设置在肌肉表面的加速度传感器来识别对地的运动轨迹信号(即肌肉外部运动轨迹信号)来进行识别，该信号的主要频段范围是0～20赫兹，最高频可以在15～25赫兹范围内波动；另外，由于人体在运动时，肌肉纤维会产生收缩或放松，进而使得肌肉纤维之间会发生摩擦和滑动等内在的机械振动，这种振动能够通过传递到达皮肤表面，并且可在皮肤表面产生位移，因此可以通过采集人体运动时肌肉纤维募集情况在皮肤表面的反应(即肌肉内部振动信号)对人体的运动进行识别，该信号的主要频段范围是5～100赫兹，最低频率可以在5～15赫兹范围内波动，最高频率可以在100～150赫兹范围内波动。
通过上述研究，发明人提出了一种利用加速度传感器实现同时提取人体在运动时产生的肌肉外部运动轨迹信号和肌肉内部振动信号来进行人体运动识别的***及方法。
图1是本发明优选实施例提供的人体运动识别方法示意图，如图1所示，以杠铃肩距弯举、杠铃宽距弯举、杠铃窄距弯举、标准俯卧撑和下斜俯卧撑这五种不同的运动为例，对本发明提供的人体运动识别方法进行详细说明。其中，杠铃肩距弯举、杠铃宽距弯举、杠铃窄距弯举属于一组亲缘动作，标准俯卧撑和下斜俯卧撑属于一组亲缘动作，而杠铃运动和俯卧撑运动之间属于非亲缘动作。本发明提供的人体识别方法包括以下步骤：
S10采集人体运动产生的信号数据
将具有加速度传感器的采集装置佩戴到用户的身上，具体的，采用一个外侧带有口袋，且内侧设有加速度传感器节点的运动臂带，将该运动臂带内侧紧贴于用户的左臂肱三头肌的中心皮肤处，同时将包含单片机、蓝牙传输模块及电池的采集装置设置在口袋中。佩戴完成后，用户可依次进行一组上述五种运动，采集装置将记录下人体进行上述五种运动的数据。为了计算准确，可以让用户分别进行多组运动。例如，可进行3组运动，完成每组运动完成后，用户可休息一段时间，再进行下一组运动。采集完成后，可将记录的数据通过采集设备中的蓝牙传输模块传输至后台服务器，以便执行计算。
S20判断数据有效性
后台服务器获得采集的数据后，将对数据进行有效性判断的预处理。预处理主要是为了验证采集到的原始数据中是否包含了由于各种原因导致出现的异常数据。以硬件误差问题导致的异常数据为例，如果在硬件调试阶段出现过类似连线断开等硬件问题，则会导致得到的数据都为恒定值，因此，在进行预处理时，可采用判断采集数据是否为恒定值为预设条件进行数据的有效性判断。例如，在判断时，可通过随机选择某一段很小的数据窗口，如果这一窗口内所有的数据值都是相同的，那么说明该数据是无效的，并且出现了硬件问题，需要维修采集设备；反之，则说明该数据是有效的，可以继续执行后续的步骤。特别的，除了上述提到的硬件断开等故障，还会有其它问题导致的数据异常，例如，由于硬件设备的电磁干扰等问题，导致出现突然波动的异常数据等。
S30提取异义信息
完成上述步骤的判断后，将获得的有效数据分别通过低通滤波器和带通滤波器进行异义信息的拆分和数据清洗，以便获得肌肉外部运动轨迹信号数据和肌肉内部振动信号数据。具体的，低通滤波器的频率可以在10赫兹至20赫兹范围内波动，优选为15赫兹；带通滤波器的最低频率可以在5～15赫兹范围内波动，最高频率可以在100～150赫兹范围内波动。滤波完成后，可对获得的数据分别进行数据清洗，例如，对得到的滤波信号进行缺失值补全、异常点去除等。
特别的，由于不同人在进行相同动作时，其肌肉内部振动信号的平均幅值通常是不同的(例如，不常运动的普通人和健身爱好者)，因此，在获得上述经过带通滤波和数据清洗后的数据后，还需要对该数据进行个性化差异消除，才能获得可用于识别人体运动的肌肉内部振动信号数据。进行个性化差异消除有多种方式，例如，根据用户的年龄、身高、体重或运动习惯设置阈值参数进行差异消除。下面以利用最大自主收缩值对经过带通滤波和数据清洗后的数据进行归一化处理，从而进行个性化差异消除的方式为例进行说明。
发明人经研究发现，对于不同人来说，其肌肉内部振动信号的平均幅值通常是不同的，但是对于同一个人来说，其在进行一组亲缘动作时，肌肉内部振动信号幅值的相对趋势是相同的。例如，针对杠铃的肩距弯举和窄距弯举两种运动，一位健身爱好者在进行上述两个动作时，其肱二头肌的内部振动信号的幅值均大于另一位不常运动的普通人。但是当二者在进行窄距弯举时，肱二头肌的肌肉振动信号幅值却都满足大于肩距弯举时相应的幅值这一条件。
基于这一原理，发明人提出可以对肌肉内部振动信号数据进行MVC(最大自主收缩)的归一化处理，以便消除因用户个人习惯不同导致的数据上的差异。具体包括以下步骤：
S301、用户佩戴采集装置后执行预设运动，例如，上述的杠铃肩距弯举、杠铃宽距弯举、杠铃窄距弯举、标准俯卧撑和下斜俯卧撑，采集装置可以获得一组或多组采集数据；
S302、将获得的一组或多组采集数据利用5～100赫兹的带通滤波器进行滤波处理和数据清洗，例如，缺失值不全和异常点去除；
S303、针对清洗后获得数据取最大值作为最大自主收缩值MVCper，如果是多组数据，可以取每组最大值的平均值，并将该平均值作为对应于该用户的最大自主收缩值MVCper。
S304、个性化差异消除
利用下述公式获得经过差异消除的肌肉内部振动信号数据。
其中，a表示经过差异消除的肌肉内部振动信号数据，ahinit表示在数据清洗后的初始肌肉内部振动信号，MVCper是每个人的最大自主收缩值。
S40特征提取
完成步骤S30后，可分别获得可用于提取特征的肌肉外部运动轨迹信号数据和肌肉内部振动信号数据。特征提取具体包括以下步骤：
S401、信息分治处理
针对上述两种信号数据，分别进行特征提取。例如，可以采用滑动窗口方法分别从时域、频域以及时频域等多种角度进行提取。具体的，针对肌肉外部运动轨迹信号数据，可提取的特征包括但不限于平均值、标准差、频域能量、频域熵等，其中，每个特征都可以从三个正交轴分别提取，从而获得12维特征；针对肌肉内部振动信号数据，可提取的特征包括但不限于余弦相关性、标准差、平均功率频率、功率频谱密度、频域熵等，其中每个特征都可以从三个正交轴分别提取，从而获得15维特征。
S402、信息组合特征提取
完成步骤S401的信息分治处理后，可分别获得描述单个用户运动的肌肉外部特征和肌肉内部特征，为了更好的使二者相关联，发明人经研究提出了一种利用组合特征描述用户个性运动时肌肉外部和肌肉内部状态的方式，这种组合特征可以通过利用上述肌肉外部特征和肌肉内部特征计算获得。
为此，发明人提出了“肌肉募集能量系数特征”的概念，作为一种组合特征用于表示人体运动时其肌肉的外部运动轨迹信号和肌肉收缩时的内部振动信号之间的联系。
这一概念的提出是基于发明人的以下研究，由于人体运动与肌肉纤维的收缩有关，而肌纤维在收缩的过程中，ATP分解使肌肉内部存储了大量的弹性势能。肌肉收缩越充分，弹性势能的值也就越大。并且，当弹性势能释放时会与动能发生互相转化，从而帮助肌肉产生相对于地面的位移，也就是形成了运动。该过程与弹簧的运动相类似，弹簧在外力作用下发生拉伸或者压缩会产生弹性势能，当外力解除时，弹性势能和动能会发生转化。因此，基于弹簧的动力学模型，即弹簧的能量是与距离的平方成正比，可以获得肌肉的类似动力学模型，即肌肉内部的弹性势能也与距离的平方成正比。但是由于弹簧的弹性势能是一次性产生的，而肌肉的弹性势能是在肌肉运动的过程中持续消耗ATP持续产生。因此，为了完善肌肉的动力学模型，发明人提出了关于肌肉募集能量系数特征，用于定性的近似反映出肌肉在单位外部运动距离下，其内部所持续产生和存储的弹性势能的值，即这种肌肉弹性势能值与肌肉募集能量系数特征之间有正相关的关系。下面将具体说明关于肌肉募集能量系数特征的计算方式。
首先，将步骤S30获得的肌肉外部运动轨迹信号数据和肌肉内部振动信号数据分别求取合加速度信号:
其中，al是肌肉外部运动轨迹的合信号数据，alx,aly,alz分别表示肌肉外部运动轨迹信号数据在三个正交轴x,y,z上的信号数值；ah是肌肉内部振动的合信号，ahx,ahy,ahz分别表示肌肉内部振动信号在三个正交轴上的信号数值。
其次，对两种合信号数据进行积分运算，得到合速度值：
其中，vl和vh分别为肌肉外部运动轨迹信号和肌肉内部振动信号的合速度值。
最后，执行肌肉募集能量系数特征的计算。
其中，MREC是肌肉募集能量系数特征，用于表示单位肌肉外部运动距离下，与肌肉内部产生和存储的能量值成正相关关系，sh 2是表示与肌肉运动过程中持续产生和存储的能量值成正相关关系，sl是表示肌肉的外部运动距离。
S50、特征处理及运动识别
S501、特征处理
将上述步骤S401和S402获得的特征进行特征融合，例如，串行融合、并行融合等，从而获得能够描述用户个体在运动时的肌肉外部运动轨迹特征、肌肉内部振动特征以及肌肉募集能量特征。例如，可以采用串行方式将获得的上述特征首尾相接连在一起获得28维度的特征，以便可以充分利用所有获得的特征信息。特别的，为了防止因为特征维度过多而造成过拟合现象，还可以对上述获得的特征进行维度约减。
S502、运动识别
完成上述步骤后，可利用上述获得的最终特征建立分类模型，以及分类模型建立完成后，进行人体运动的识别。其中，上述用于运动识别的分类模型可以是机器学习常用的分类模型。例如，随机森林分类模型等。
根据本发明的另一个方面，还提供一种用于人体运动识别的***。图2是本发明优选实施例提供的人体运动识别***结构示意图，如图2所示，本发明提供的人体运动识别***包括用于采集人体运动信号的采集单元101、用于提取异义信息的信息提取单元102、用于提取异义信息特征的信息分治处理单元103、用于提取组合信息特征的信息组合处理单元104以及用于建立识别模型的运动识别模型建立单元105。
其中，信号采集单元101包括布置在待测肌肉处，紧贴皮肤表面佩戴的加速度传感器。优选的，加速度传感器的采样频率不低于300HZ，且灵敏度不低于5000LSB/g，可有利于信息提取单元中异义信号的有效提取；信号采集单元101在采集完成后，可将采集数据传输至信息提取单元102。
信息提取单元102包括用于从上述信号采集单元101的加速度传感器接收数据的接收模块和用于对接收到的待处理数据进行数据有效性判断的预处理模块，利用预处理模块完成对接收的采集数据有效性判断后，可获得有效数据；信息提取单元102还包括低通滤波模块和带通滤波模块，以及与上述低通滤波模块相连的低通数据清洗模块，与上述带通滤波模块相连的带通数据清洗模块和个性化差异消除模块。其中，将有效数据经低通滤波模块和低通数据清洗模块后，可获得肌肉外部运动轨迹信号数据，并将该数据传输至信息分治处理单元103；将有效数据经带通滤波模块、带通数据清洗模块以及个性化差异消除模块后，可获得肌肉内部振动信号数据，并将该数据传输至信息分治处理单元103。
信息分治处理单元103包括肌肉外部特征提取模块和肌肉内部特征提取模块，其中，肌肉外部特征提取模块用于针对获得的肌肉外部运动轨迹信号数据进行特征提取；肌肉内部特征提取模块用于针对获得的肌肉内部振动信号数据进行特征提取。
信息组合处理单元104用于根据获得的单源异义信息特征(例如，肌肉外部运动轨迹信号特征和肌肉内部振动信号特征)提取得到的两种异义信息的内在联系，并据此提取出两者的组合特征(例如，肌肉募集能量系数特征)。
运动识别模型建立单元105用于将信息分治处理单元103和信息组合处理单元104获得所有特征进行拼接处理，并基于机器学习建立识别模型。
尽管在上述实施例中，采用了最大自主收缩值进行个性化差异消除的方法为例来说明本发明提供的人体运动识别方法及***，但本领域普通技术人员应理解，还可以采用其它方法针对肌肉内部振动数据进行个性化差异消除，例如根据用户的年龄、运动习惯等；并且，虽然在上述实施例中，采用了，肌肉募集能量系数来表示肌肉外部运动轨迹信号和肌肉内部振动信号的内在联系，但是本领域普通技术人员应理解，还可以采用其它方式来表示二者之间的联系，例如基于数学原理的加权方式等。
相对于现有技术，本发明提供的人体运动识别***及方法，采用了单源的加速度传感器，设备成本低，采集方式简便，用户体验更好；同时，在特征提取时，采用了用户的肌肉外部信号、肌肉内部信号以及二者的组合信号作为最终特征，提高了识别精度，不仅适用于非亲缘运动的识别，还能够实现对亲缘运动的识别。
虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所作出的各种改变以及变化。
Claims (12)
1.一种用于人体运动数据的特征提取方法，其特征在于，包括以下步骤：
1）利用单源加速度传感器采集人体运动时产生的信号数据，判断所述信号数据的有效性，并获得有效的信号数据；
2）提取所述信号数据中的异义信息，所述异义信息包括肌肉外部运动轨迹信号数据信息和肌肉内部振动信号数据信息；
3）针对所述异义信息进行特征提取，所述特征包括肌肉外部运动轨迹信号特征、肌肉内部振动信号特征以及组合特征，所述组合特征是指根据所述肌肉外部运动轨迹信号数据信息和所述肌肉内部振动信号数据信息获得的关联特征。
2.根据权利要求1所述的特征提取方法，其特征在于，所述步骤2）进一步包括：
针对所述信号数据执行低通滤波和数据清洗，获得肌肉外部运动轨迹信号数据信息；
针对所述信号数据执行带通滤波、数据清洗和个性化差异消除，获得肌肉内部轨迹信号数据信息；
其中，所述低通滤波的频率在10-20赫兹范围内波动；所述带通滤波的最低频率在5-15赫兹范围内波动，所述带通滤波的最高频率在100-150赫兹范围内波动。
3.根据权利要求2所述的特征提取方法，其特征在于，针对经所述带通滤波和数据清洗的所述有效数据，利用最大自主收缩值进行所述个性化差异消除，包括以下步骤：
将一系列运动作为标准运动，采集至少一组用户进行所述标准运动时的运动数据；
针对所述至少一组运动数据执行带通滤波和数据清洗获得至少一组有效运动数据；
将获得的有效运动数据中的最大值，或多组有效数据的最大值的平均值，作为最大自主收缩值；
利用所述最大自主收缩值执行归一化处理。
4.根据权利要求3所述的特征提取方法，其特征在于，利用所述最大自主收缩值执行归一化处理的公式如下：
其中，
表示经过差异消除的肌肉内部振动信号数据，
表示在数据清洗后的初始
肌肉内部振动信号，
是最大自主收缩值。
5.根据权利要求1所述的特征提取方法，其特征在于，所述步骤3）进一步包括：
31）针对所述异义信息，分别提取所述肌肉外部运动轨迹信号特征、肌肉内部振动信号特征；
32）针对所述异义信息，提取用于描述所述肌肉外部运动轨迹数据和所述肌肉内部振动数据之间的内在联系的组合特征；
33）利用所述步骤31）和所述步骤32）获得的特征获得最终特征。
6.根据权利要求5所述的特征提取方法，其特征在于，所述组合特征是肌肉募集能量系数特征，所述步骤32）进一步包括：
321）分别求取所述肌肉外部运动轨迹信号数据和所述肌肉内部振动信号数据的合加速度信号；
322）针对获得的所述合加速度信号进行积分运算，获得合速度值；
323）根据下述公式计算肌肉募集能量系数特征：
其中，
是肌肉募集能量系数特征，用于表示单位肌肉外部运动距离下，与肌肉内
部产生和存储的能量值成正相关关系，
是表示与肌肉运动过程中持续产生和存储的能
量值成正相关关系，
是表示肌肉的外部运动距离，
和
分别为肌肉外部运动轨迹信号
和肌肉内部振动信号的合速度值。
7.根据权利要求5所述的特征提取方法，其特征在于，所述步骤31）进一步包括：
311）针对所述肌肉外部运动轨迹信号数据执行特征提取，包括平均值、标准差、频域能量、频域熵；
312）针对所述肌肉内部振动信号数据执行特征提取，包括余弦相关性、标准差、平均功率频率、功率频谱密度、频域熵。
8.根据权利要求5所述的特征提取方法，其特征在于，所述步骤33）进一步包括：将所述步骤31）和所述步骤32）获得的特征数据执行串行的首尾相接的拼接处理，或在拼接处理后执行维度约减，获得最终特征。
9.一种人体运动识别模型建立方法，包括以下步骤：
利用如权利要求1-8任一项所述的特征提取方法提取用于建立识别模型的特征数据；
利用所述特征数据建立人体运动识别模型。
10.一种人体运动识别方法，包括以下步骤：
利用如权利要求1-8任一项所述的特征提取方法提取待识别对象的运动特征数据；
将所述运动特征数据输入至人体运动识别模型中进行人体运动识别。
11.一种针对人体运动数据的特征提取装置，其特征在于，包括用于运动数据采集的采集单元，用于提取异义信息的信息提取单元和用于特征提取的特征提取单元；其中，所述采集单元利用单源加速度传感器采集人体运动时产生的信号数据，判断所述信号数据的有效性，并获得有效的信号数据；所述异义信息提取单元包括用于提取肌肉外部运动轨迹信号数据的第一信息提取模块和用于提取肌肉内部振动信号数据的第二信息提取模块；所述特征提取单元包括用于分别提取肌肉外部运动轨迹信号特征的第一特征提取模块、用于提取肌肉内部振动信号特征的第二特征提取模块以及用于提取描述所述肌肉外部运动轨迹信号数据和所述肌肉内部振动信号数据之间内在联系的组合特征的第三特征提取模块；所述特征提取单元还包括用于针对所述肌肉外部运动轨迹信号特征、所述肌肉内部振动信号特征以及所述组合特征进行组合处理并获得最终特征的处理模块。
12.一种人体运动识别***，其特征在于，包括如权利要求11所述的特征提取装置，以及与所述特征提取装置通信连接的数据采集接收装置、模型建立和运动识别装置，以及识别结果输出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811284383.4A CN109635638B (zh) | 2018-10-31 | 2018-10-31 | 用于人体运动的特征提取方法及***、识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811284383.4A CN109635638B (zh) | 2018-10-31 | 2018-10-31 | 用于人体运动的特征提取方法及***、识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109635638A CN109635638A (zh) | 2019-04-16 |
| CN109635638B true CN109635638B (zh) | 2021-03-09 |
Family
ID=66066980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811284383.4A Active CN109635638B (zh) | 2018-10-31 | 2018-10-31 | 用于人体运动的特征提取方法及***、识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109635638B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984962A (zh) * | 2014-05-30 | 2014-08-13 | 河北工业大学 | 一种基于肌电信号的外骨骼行走模式识别方法 |
| CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
| CN104523270A (zh) * | 2014-12-18 | 2015-04-22 | 深圳先进技术研究院 | 一种肌电信号分析方法及*** |
| CN105138134A (zh) * | 2015-09-14 | 2015-12-09 | 李玮琛 | 肌电信号识别分段方法 |
| CN105210084A (zh) * | 2013-03-15 | 2015-12-30 | 耐克创新有限合伙公司 | 来自运动表现的图像数据的反馈信号 |
| CN105446461A (zh) * | 2014-06-24 | 2016-03-30 | 北京创思博德科技有限公司 | 手势识别方法及使用该方法的手掌虚拟键盘及其输入方法 |
| CN105686827A (zh) * | 2016-03-22 | 2016-06-22 | 浙江大学 | 一种基于微控制器的肌电信号处理及特征提取方法 |
| CN106228200A (zh) * | 2016-10-17 | 2016-12-14 | 中北大学 | 一种不依赖于动作信息采集设备的动作识别方法 |
| CN106726357A (zh) * | 2017-02-24 | 2017-05-31 | 宁波工程学院 | 一种外骨骼机械腿康复***站立模式控制方法 |
| CN106897740A (zh) * | 2017-02-17 | 2017-06-27 | 重庆邮电大学 | 基于惯性传感器的人体行为识别***下eemd‑dfa特征提取方法 |
| CN107243141A (zh) * | 2017-05-05 | 2017-10-13 | 北京工业大学 | 一种基于运动识别的动作辅助训练*** |
| CN107636683A (zh) * | 2015-03-27 | 2018-01-26 | 三星电子株式会社 | 利用加速计识别用户的活动的方法和装置 |
| CN107684501A (zh) * | 2017-09-07 | 2018-02-13 | 北京机械设备研究所 | 一种基于表面肌电的肘关节动作连续辨识方法 |
| CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
| CN108209902A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 运动员竞技状态评估方法及*** |
| CN108245172A (zh) * | 2018-01-10 | 2018-07-06 | 山东大学 | 一种不受位置约束的人体姿态识别方法 |
| CN108309295A (zh) * | 2018-02-11 | 2018-07-24 | 宁波工程学院 | 一种手臂肌肉力量测评方法 |
-
2018
- 2018-10-31 CN CN201811284383.4A patent/CN109635638B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105210084A (zh) * | 2013-03-15 | 2015-12-30 | 耐克创新有限合伙公司 | 来自运动表现的图像数据的反馈信号 |
| CN103984962A (zh) * | 2014-05-30 | 2014-08-13 | 河北工业大学 | 一种基于肌电信号的外骨骼行走模式识别方法 |
| CN105446461A (zh) * | 2014-06-24 | 2016-03-30 | 北京创思博德科技有限公司 | 手势识别方法及使用该方法的手掌虚拟键盘及其输入方法 |
| CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
| CN104523270A (zh) * | 2014-12-18 | 2015-04-22 | 深圳先进技术研究院 | 一种肌电信号分析方法及*** |
| CN107636683A (zh) * | 2015-03-27 | 2018-01-26 | 三星电子株式会社 | 利用加速计识别用户的活动的方法和装置 |
| CN105138134A (zh) * | 2015-09-14 | 2015-12-09 | 李玮琛 | 肌电信号识别分段方法 |
| CN105686827A (zh) * | 2016-03-22 | 2016-06-22 | 浙江大学 | 一种基于微控制器的肌电信号处理及特征提取方法 |
| CN106228200A (zh) * | 2016-10-17 | 2016-12-14 | 中北大学 | 一种不依赖于动作信息采集设备的动作识别方法 |
| CN106897740A (zh) * | 2017-02-17 | 2017-06-27 | 重庆邮电大学 | 基于惯性传感器的人体行为识别***下eemd‑dfa特征提取方法 |
| CN106726357A (zh) * | 2017-02-24 | 2017-05-31 | 宁波工程学院 | 一种外骨骼机械腿康复***站立模式控制方法 |
| CN107243141A (zh) * | 2017-05-05 | 2017-10-13 | 北京工业大学 | 一种基于运动识别的动作辅助训练*** |
| CN108209902A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 运动员竞技状态评估方法及*** |
| CN107684501A (zh) * | 2017-09-07 | 2018-02-13 | 北京机械设备研究所 | 一种基于表面肌电的肘关节动作连续辨识方法 |
| CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
| CN108245172A (zh) * | 2018-01-10 | 2018-07-06 | 山东大学 | 一种不受位置约束的人体姿态识别方法 |
| CN108309295A (zh) * | 2018-02-11 | 2018-07-24 | 宁波工程学院 | 一种手臂肌肉力量测评方法 |
Non-Patent Citations (4)
| Title |
|---|
| 《Comparison of sEMG-Based Feature Extraction and Motion Classification Methods for Upper-Limb Movement》;Shuxiang Guo等;《Sensors 2015》;20150416;第15卷;第9022-9038页 * |
| 《Fatigue muscle detection using time-frequency methods》;Yao Rong等;《2011 4th International Congress on Image and Signal Processing》;20111231;第2478-2480页 * |
| 《人体腿部表面肌电信号特征提取方法》;王坤朋等;《重庆大学学报》;20171130;第40卷(第11期);第83-90页 * |
| 《基于表面肌电的肘关节运动角度预测》;井本成等;《上海师范大学学报（自然科学版）》;20170831;第46卷(第4期);第571-576页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109635638A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112353407B (zh) | 一种基于神经功能康复主动训练的评估***及方法 | |
| CN105561567B (zh) | 一种计步及运动状态评估装置 | |
| Ghasemzadeh et al. | A body sensor network with electromyogram and inertial sensors: Multimodal interpretation of muscular activities | |
| EP2830494B1 (en) | System for the acquisition and analysis of muscle activity and operation method thereof | |
| Khan et al. | Accelerometer signal-based human activity recognition using augmented autoregressive model coefficients and artificial neural nets | |
| CN104127181B (zh) | 基于wkfda的肌电信号跌倒检测方法 | |
| Belgacem et al. | ECG based human authentication using wavelets and random forests | |
| EP2470076B1 (en) | Characterizing a physical capability by motion analysis | |
| Surangsrirat et al. | Support vector machine classification of Parkinson's disease and essential tremor subjects based on temporal fluctuation | |
| 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 | |
| US20220287651A1 (en) | Method and system for analyzing biomechanical activity and exposure to a biomechanical risk factor on a human subject in a context of physical activity | |
| Spasojević et al. | Combined vision and wearable sensors-based system for movement analysis in rehabilitation | |
| CN111544015A (zh) | 基于认知力的操控工效分析方法、设备及*** | |
| CN115105100A (zh) | 运动数据处理方法和运动监控*** | |
| CN111598451A (zh) | 基于任务执行能力的操控工效分析方法、设备及*** | |
| Lee et al. | Biometric personal identification based on gait analysis using surface EMG signals | |
| CN109833041A (zh) | 运动性疲劳智能检测与分析*** | |
| US10272292B1 (en) | Adaptive sport posture sensing system and method | |
| CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
| Senanayake et al. | A knowledge-based intelligent framework for anterior cruciate ligament rehabilitation monitoring | |
| CN112263244A (zh) | 基于步态的疲劳度评估***及方法 | |
| CN109635638B (zh) | 用于人体运动的特征提取方法及***、识别方法及*** | |
| Zhang et al. | Fine-fit: A fine-grained gym exercises recognition system | |
| Zeng et al. | Accelerometer-based gait recognition via deterministic learning | |
| Giuffrida et al. | Upper-extremity stroke therapy task discrimination using motion sensors and electromyography |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |