CN111079651A - 一种步态分类方法的再优化 - Google Patents
一种步态分类方法的再优化 Download PDFInfo
- Publication number
- CN111079651A CN111079651A CN201911303983.5A CN201911303983A CN111079651A CN 111079651 A CN111079651 A CN 111079651A CN 201911303983 A CN201911303983 A CN 201911303983A CN 111079651 A CN111079651 A CN 111079651A
- Authority
- CN
- China
- Prior art keywords
- patient
- information
- gait
- foot
- pressure
- 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 62
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000006978 adaptation Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000013480 data collection Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Social Psychology (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种步态分类方法的再优化，涉及步态分析技术领域，包括以下步骤：S10：采集若干组不同人群行走时的足部压力信息以及步幅信息，并对应记录不同人群的身份特征信息，S20：根据S10中不同人群行走时的足部信息得到不同人群行走时足部的压力以及行走时的步幅大小。该步态分类方法的再优化，通过前期的数据采集，特征值提取，对采集到的数据进行分析处理，得出一个类函数模型，通过该模型输入一些新患者的基本信息之后，将获得该名患者的最佳适配规划步态，通过这套对应机制可以有效地获得新患者的步态相关的关键性信息，利用这些信息对新患者进行康复步态的规划，能有效降低患者在康复训练中的不匹配性，提高患者康复训练的效率。
Description
技术领域
本发明涉及步态分析技术领域，具体为一种步态分类方法的再优化。
背景技术
随着近些年来老龄化程度的加剧和各种意外的发生，我国下肢运动障碍的病患人口也逐年增加，而针对这些患者当前的康复训练大都采用标准的步态进行训练，众所周知每个人的步态与其他人相对比都具有很大的差异性，而针对每个人的康复训练标准步态又难以满足每一位患者的需求，在实际的操作过程中，为了减少不必要的麻烦，就采用了一刀切的康复训练方式对每一位与众不同的患者进行康复训练，这是不明智的，同样地其康复训练结果也不很理想。
以一种恒定的无差别的康复训练过程去应对每一位患者，显然这种做法是不科学的，通过实际的考察发现这种做法确实存在很大的问题，例如：有些患者由于先天自身身体条件的问题走路方式跟不同的大部分人有很大的区别，而该类患者在进行康复训练的时候如果采用标准的步态来进行康复训练，很有可能会对该名患者造成二次伤害，另外在有些情况下，患者仅仅是由于自己的一部分肌肉需要进行康复训练，传统的康复训练方法就显得不那么明智了，采用传统方式将会造成很大程度上的资源浪费，并且训练过程没有针对性。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种步态分类方法的再优化，具备能针对不同条件的患者进行针对治疗提高资源浪费利用率的优点，解决了上述背景技术中提到的问题。
(二)技术方案
为实现上述不同条件的患者进行分类区别治疗目的，本发明提供如下技术方案：一种步态分类方法的再优化，包括以下步骤：
S10：采集若干组不同人群行走时的足部压力信息以及步幅信息，并对应记录不同人群的身份特征信息；
S20：根据S10中不同人群行走时的足部信息得到不同人群行走时足部的压力以及行走时的步幅大小；
S30：将步骤S20中得到的不同人群的信息(足部的压力以及行走时的步幅大小)对应S10其的身份特征信息，并一同输入数据库，建立一个比较有代表性的人类步态数据库；
S40：根据S30中具有代表性的数据库的数据进行分析处理，进而得出一个类函数模型；
S50：通过S40中得到的类函数模型，在患者穿戴上康复外骨骼设备的前提下，再输入一些患者的身份特征信息之后，能够通过上述类函数模型使***自动计算并获得该名患者的最佳适配规划步态；
S60：根据S50在步态数据模型确立以后进行患者的康复训练，在康复训练的过程中根据当前外骨骼的数据(足部的压力以及行走时的步幅大小)返回信息通过控制算法对当前所采用的康复训练步态数据进行优化处理，优化处理过后的数据再重新应用到康复训练中去(重复此步骤)，形成适配该名患者的康复训练标准步态；
S70：在患者康复训练完成后，***将患者的身份特征信息以及训练完成后的患者足部压力信息以及步幅信息记录一同输入人类步态数据库为后来患者提供数据依据。
优选的，所述S10中足部信息采集时需要在采集人群的足底设置压力传感器，用以测量患者足部的压力，所述S10中步幅信息测量时在采集人群足背上设置惯性传感器，用以测量患者的步幅大小，S10中采集人群的身份特征信息测量时需要在用到身高测量传感器。
优选的，所述S10中采集人群的身份特征信息包括采集人群的性别、年龄和体重，所述采集人群的性别和年龄均通过外部键盘进行输入，所述采集人群体重通过压力传感器获取，所述压力传感器、惯性传感器和身高测量传感器均安装在采集人群进行信息采集的外部设备上。
优选的，所述患者穿戴的康复外骨骼设备上加装了压力传感器、惯性传感器和身高测量传感器，所以在所述S50中患者的身份特征信息时只需要输入患者的性别和年龄即可。
优选的，所述S10中足部信息采集时和S50患者穿戴使用时，所述压力传感器能够对采集人员和患者的足部压力以及体重进行测量。
优选的，S10中步幅信息测量时惯性传感器使用时采用微机电***惯性测量单元，所述步幅信息测量时其步态周期由站立和摆动两个阶段构成，步幅大小为人们摆动时所移动的距离的平均值。
优选的，所述惯性传感器在患者两足上均有安装。
优选的，所述S30中数据库为云端数据库，而患者穿戴上康复外骨骼设备上的压力传感器、惯性传感器和身高测量传感器测得的数据通过蓝牙协议连接终端，终端上存在能够输入在身份特征信息(性别年龄)的数据输入窗口，且该终端通过4G通讯协议连接云端数据库。
(三)有益效果
与现有技术相比，本发明提供了一种步态分类方法的再优化，具备以下有益效果：
该步态分类方法的再优化，通过前期的数据采集，特征值提取，对采集到的数据进行分析处理，进而得出一个类函数模型。通过该模型输入一些新患者的基本信息之后，将获得该名患者的最佳适配规划步态，通过这套对应机制可以有效地获得新患者的步态相关的关键性信息，利用这些信息对新患者进行康复步态的规划，能有效降低患者在康复训练中的不匹配性，提高患者康复训练的效率，同时也能对需要针对性治疗的患者进行专项的设计治疗，另一方面随着使用该康复训练方法的患者们的增多，数据库也将逐渐增大，整个过程获得的规划步态也就将更适应于患者。
附图说明
图1为本发明提出的一种步态分类方法的再优化的流程结构示意图；
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。
请参阅图1，一种步态分类方法的再优化，包括以下步骤：
S10：采集若干组不同人群行走时的足部压力信息以及步幅信息，并对应记录不同人群的身份特征信息；
S20：根据S10中不同人群行走时的足部信息得到不同人群行走时足部的压力以及行走时的步幅大小；
S30：将步骤S20中得到的不同人群的信息(足部的压力以及行走时的步幅大小)对应S10其的身份特征信息，并一同输入数据库，建立一个比较有代表性的人类步态数据库；
S40：根据S30中具有代表性的数据库的数据进行分析处理，进而得出一个类函数模型；
S50：通过S40中得到的类函数模型，在患者穿戴上康复外骨骼设备的前提下，再输入一些患者的身份特征信息之后，能够通过上述类函数模型使***自动计算并获得该名患者的最佳适配规划步态；
S60：根据S50在步态数据模型确立以后进行患者的康复训练，在康复训练的过程中根据当前外骨骼的数据(足部的压力以及行走时的步幅大小)返回信息通过控制算法对当前所采用的康复训练步态数据进行优化处理，优化处理过后的数据再重新应用到康复训练中去(重复此步骤)，形成适配该名患者的康复训练标准步态；
S70：在患者康复训练完成后，***将患者的身份特征信息以及训练完成后的患者足部压力信息以及步幅信息记录一同输入人类步态数据库为后来患者提供数据依据。通过前期的数据采集，特征值提取，对采集到的数据进行分析处理，进而得出一个类函数模型。通过该模型输入一些新患者的基本信息之后，将获得该名患者的最佳适配规划步态，通过这套对应机制可以有效地获得新患者的步态相关的关键性信息，利用这些信息对新患者进行康复步态的规划，能有效降低患者在康复训练中的不匹配性，提高患者康复训练的效率，同时也能对需要针对性治疗的患者进行专项的设计治疗，另一方面随着使用该康复训练方法的患者们的增多，数据库也将逐渐增大，整个过程获得的规划步态也就将更适应于患者。
S10中足部信息采集时需要在采集人群的足底设置压力传感器，用以测量患者足部的压力，S10中步幅信息测量时在采集人群足背上设置惯性传感器，用以测量患者的步幅大小，S10中采集人群的身份特征信息测量时需要在用到身高测量传感器，S10中采集人群的身份特征信息包括采集人群的性别、年龄和体重，采集人群的性别和年龄均通过外部键盘进行输入，采集人群体重通过压力传感器获取，压力传感器、惯性传感器和身高测量传感器均安装在采集人群进行信息采集的外部设备上，患者穿戴的康复外骨骼设备上加装了压力传感器、惯性传感器和身高测量传感器，所以在S50中患者的身份特征信息时只需要输入患者的性别和年龄即可，S10中足部信息采集时和S50患者穿戴使用时，压力传感器能够对采集人员和患者的足部压力以及体重进行测量，S10中步幅信息测量时惯性传感器使用时采用微机电***惯性测量单元，步幅信息测量时其步态周期由站立和摆动两个阶段构成，步幅大小为人们摆动时所移动的距离的平均值，惯性传感器在患者两足上均有安装，S30中数据库为云端数据库，而患者穿戴上康复外骨骼设备上的压力传感器、惯性传感器和身高测量传感器测得的数据通过蓝牙协议连接终端，终端上存在能够输入在身份特征信息(性别年龄)的数据输入窗口，且该终端通过4G通讯协议连接云端数据库。
综上所述，该步态分类方法的再优化，通过前期的数据采集，特征值提取，对采集到的数据进行分析处理，进而得出一个类函数模型。通过该模型输入一些新患者的基本信息之后，将获得该名患者的最佳适配规划步态，通过这套对应机制可以有效地获得新患者的步态相关的关键性信息，利用这些信息对新患者进行康复步态的规划，能有效降低患者在康复训练中的不匹配性，提高患者康复训练的效率，同时也能对需要针对性治疗的患者进行专项的设计治疗，另一方面随着使用该康复训练方法的患者们的增多，数据库也将逐渐增大，整个过程获得的规划步态也就将更适应于患者。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种步态分类方法的再优化，其特征在于，包括以下步骤：
S10：采集若干组不同人群行走时的足部压力信息以及步幅信息，并对应记录不同人群的身份特征信息；
S20：根据S10中不同人群行走时的足部信息得到不同人群行走时足部的压力以及行走时的步幅大小；
S30：将步骤S20中得到的不同人群的信息(足部的压力以及行走时的步幅大小)对应S10其的身份特征信息，并一同输入数据库，建立一个比较有代表性的人类步态数据库；
S40：根据S30中具有代表性的数据库的数据进行分析处理，进而得出一个类函数模型；
S50：通过S40中得到的类函数模型，在患者穿戴上康复外骨骼设备的前提下，再输入一些患者的身份特征信息之后，能够通过上述类函数模型使***自动计算并获得该名患者的最佳适配规划步态；
S60：根据S50在步态数据模型确立以后进行患者的康复训练，在康复训练的过程中根据当前外骨骼的数据(足部的压力以及行走时的步幅大小)返回信息通过控制算法对当前所采用的康复训练步态数据进行优化处理，优化处理过后的数据再重新应用到康复训练中去(重复此步骤)，形成适配该名患者的康复训练标准步态。
S70：在患者康复训练完成后，***将患者的身份特征信息以及训练完成后的患者足部压力信息以及步幅信息记录一同输入人类步态数据库为后来患者提供数据依据。
2.根据权利要求1所述的一种步态分类方法的再优化，其特征在于：所述S10中足部信息采集时需要在采集人群的足底设置压力传感器，用以测量患者足部的压力，所述S10中步幅信息测量时在采集人群足背上设置惯性传感器，用以测量患者的步幅大小，S10中采集人群的身份特征信息测量时需要在用到身高测量传感器。
3.根据权利要求1所述的一种步态分类方法的再优化，其特征在于：所述S10中采集人群的身份特征信息包括采集人群的性别、年龄和体重，所述采集人群的性别和年龄均通过外部键盘进行输入，所述采集人群体重通过压力传感器获取，所述压力传感器、惯性传感器和身高测量传感器均安装在采集人群进行信息采集的外部设备上。
4.根据权利要求1所述的一种步态分类方法的再优化，其特征在于：所述患者穿戴的康复外骨骼设备上加装了压力传感器、惯性传感器和身高测量传感器，所以在所述S50中患者的身份特征信息时只需要输入患者的性别和年龄即可。
5.根据权利要求1所述的一种步态分类方法的再优化，其特征在于：所述S10中足部信息采集时和S50患者穿戴使用时，所述压力传感器能够对采集人员和患者的足部压力以及体重进行测量。
6.根据权利要求1所述的一种步态分类方法的再优化，其特征在于：S10中步幅信息测量时惯性传感器使用时采用微机电***惯性测量单元，所述步幅信息测量时其步态周期由站立和摆动两个阶段构成，步幅大小为人们摆动时所移动的距离的平均值。
7.根据权利要求1所述的一种步态分类方法的再优化，其特征在于：所述惯性传感器在患者两足上均有安装。
8.根据权利要求1所述的一种步态分类方法的再优化，其特征在于：所述S30中数据库为云端数据库，而患者穿戴上康复外骨骼设备上的压力传感器、惯性传感器和身高测量传感器测得的数据通过蓝牙协议连接终端，终端上存在能够输入在身份特征信息(性别年龄)的数据输入窗口，且该终端通过4G通讯协议连接云端数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911303983.5A CN111079651A (zh) | 2019-12-17 | 2019-12-17 | 一种步态分类方法的再优化 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911303983.5A CN111079651A (zh) | 2019-12-17 | 2019-12-17 | 一种步态分类方法的再优化 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111079651A true CN111079651A (zh) | 2020-04-28 |
Family
ID=70315245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911303983.5A Pending CN111079651A (zh) | 2019-12-17 | 2019-12-17 | 一种步态分类方法的再优化 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111079651A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI812235B (zh) * | 2022-05-20 | 2023-08-11 | 國立清華大學 | 基於步態分析的個人身分識別方法及系統 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130165820A1 (en) * | 2011-12-23 | 2013-06-27 | Industrial Technology Research Institute | System and method for estimating the mechanical behavior of human lower limbs |
| CN103514302A (zh) * | 2013-10-28 | 2014-01-15 | 深圳先进技术研究院 | 人体步态数据库及其建立方法 |
| 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 |
| 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 |
| CN108992852A (zh) * | 2018-07-18 | 2018-12-14 | 广州市三甲医疗信息产业有限公司 | 基于虚拟现实康复训练的智能评估方法与*** |
| US20190117121A1 (en) * | 2017-10-24 | 2019-04-25 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | System and Methods for Gait and Running Functional Improvement and Performance Training |
| CN110110633A (zh) * | 2019-04-28 | 2019-08-09 | 华东交通大学 | 一种基于机器学习的偏瘫步态自动识别和分析的方法 |
| CN110164524A (zh) * | 2019-04-29 | 2019-08-23 | 北京国润健康医学投资有限公司 | 一种偏瘫患者康复训练任务自适应匹配方法及其*** |
| 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 |
-
2019
- 2019-12-17 CN CN201911303983.5A patent/CN111079651A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130165820A1 (en) * | 2011-12-23 | 2013-06-27 | Industrial Technology Research Institute | System and method for estimating the mechanical behavior of human lower limbs |
| CN103514302A (zh) * | 2013-10-28 | 2014-01-15 | 深圳先进技术研究院 | 人体步态数据库及其建立方法 |
| 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 |
| 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 |
| US20190117121A1 (en) * | 2017-10-24 | 2019-04-25 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | System and Methods for Gait and Running Functional Improvement and Performance Training |
| CN108992852A (zh) * | 2018-07-18 | 2018-12-14 | 广州市三甲医疗信息产业有限公司 | 基于虚拟现实康复训练的智能评估方法与*** |
| CN110110633A (zh) * | 2019-04-28 | 2019-08-09 | 华东交通大学 | 一种基于机器学习的偏瘫步态自动识别和分析的方法 |
| CN110164524A (zh) * | 2019-04-29 | 2019-08-23 | 北京国润健康医学投资有限公司 | 一种偏瘫患者康复训练任务自适应匹配方法及其*** |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 刘艳阳;刘永久;聂余满;张磊杰;宋全军;: "基于图像处理的人体步态信息采集与处理", 计算机***应用, no. 04 * |
| 李满宏;张建华;张小俊;张明路;: "基于马尔可夫决策过程的六足机器人自由步态规划", 机器人, no. 05 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI812235B (zh) * | 2022-05-20 | 2023-08-11 | 國立清華大學 | 基於步態分析的個人身分識別方法及系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106971059B (zh) | 一种基于神经网络自适应健康监测的可穿戴设备 | |
| CN108244744B (zh) | 一种运动状态识别的方法、鞋底及鞋 | |
| CN108309318B (zh) | 基于大脑血红蛋白信息的大脑功能状态评价装置 | |
| Sant’Anna et al. | A symbol-based approach to gait analysis from acceleration signals: Identification and detection of gait events and a new measure of gait symmetry | |
| Joshi et al. | High energy spectrogram with integrated prior knowledge for EMG-based locomotion classification | |
| CN106166071A (zh) | 一种步态参数的采集方法及设备 | |
| 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 | |
| US20140180173A1 (en) | Method and System for Monitoring Terrain and Gait and Predicting Upcoming Terrain | |
| CN108514421A (zh) | 提升混合现实与日常健康监测的方法 | |
| CN109805935A (zh) | 一种基于人工智能分层分级运动识别方法的智能腰带 | |
| CN107536613A (zh) | 机器人及其人体下肢步态识别装置和方法 | |
| Aubol et al. | Tibial acceleration reliability and minimal detectable difference during overground and treadmill running | |
| CN111079651A (zh) | 一种步态分类方法的再优化 | |
| AU2021268331A1 (en) | Systems, devices, and methods for determining movement variability, illness and injury prediction and recovery readiness | |
| Liang et al. | Elderly fall risk prediction with plantar center of force using convlstm algorithm | |
| Li et al. | Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals | |
| CN109009005A (zh) | 一种可穿戴式中医脉象采集与分析*** | |
| CN116959723A (zh) | 一种老年人防跌倒的评价与训练方法和*** | |
| CN111178338A (zh) | 一种步态分析***中数据库和标准化模型的建立方法 | |
| CN116687429A (zh) | 一种基于下肢外骨骼机器人的肌肉实时监测分析*** | |
| WO2023205147A1 (en) | System and method for assessing neuro muscular disorder by generating biomarkers from the analysis of gait | |
| CN110801230A (zh) | 一种针对下肢骨折康复效果的评价方法 | |
| CN114098714B (zh) | 基于机器视觉建立冻结步态识别模型的方法 | |
| CN109745055A (zh) | 智能康复训练梯检测***及检测方法 | |
| CN110215202A (zh) | 基于步态非线性特征的心电rr间隔预测关联方法 |
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 |