CN111329485A - 一种基于imu的步态识别方法及装置 - Google Patents
一种基于imu的步态识别方法及装置 Download PDFInfo
- Publication number
- CN111329485A CN111329485A CN202010117483.9A CN202010117483A CN111329485A CN 111329485 A CN111329485 A CN 111329485A CN 202010117483 A CN202010117483 A CN 202010117483A CN 111329485 A CN111329485 A CN 111329485A
- Authority
- CN
- China
- Prior art keywords
- state
- probability
- gait
- hmm
- motion data
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F2218/04—Denoising
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Dentistry (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本申请揭示了一种基于IMU的步态识别方法及装置,属于计算机技术领域。该方法包括利用IMU获取步态切换时的运动数据,对所述运动数据进行预处理;从预处理后的运动数据中提取t时刻的运动特征向量,将所述运动特征向量作为观测序列输入至预先训练的隐马尔可模型HMM中;计算t时刻的HMM输出概率和各状态概率,将状态概率最大的状态所对应的步态状态作为t时刻的步态状态。本申请通过将IMU获取的数据作为HMM的观察值,将步态相位作为HMM的状态值,通过HMM算法实现对步态的预测,提高了步态预测的准确度。
Description
技术领域
本发明属于计算机技术领域,涉及一种基于IMU的步态识别方法及装置。
背景技术
用于外骨骼控制的人体下肢步态识别问题是要实时判断下肢动作类型与某一动作下的相位,为实现识别结果的准确性与实时性。对于人体行走步态来说,下肢行走具有节律性步态,下肢各部分的运动信息呈现周期性变化,根据步态特征将一个步态周期划分为相位时序,比如行走周期的相位为脚尖离地、摆动中期、脚跟着地、脚底着地、脚底撑地等五个相位依次循环。
目前的一种常见方式是通过采集下肢各部分的角度信息来对下肢步态进行识别。由于传感器随机测量噪声,并且会受到个体差异、行走特点、环境条件等方面的影响,每个运动周期的下肢各部分外在运动姿态特征重复性差,因此仅采用角度信息判断的方法容易引起错判。
发明内容
为了解决相关技术因仅采用角度信息对步态判断时容易引起错判的问题,本申请提供了一种基于IMU的步态识别方法及装置,技术方案如下:
第一方面,提供了一种基于IMU的步态识别方法,该方法包括:
利用IMU获取步态切换时的运动数据,对所述运动数据进行预处理;
从预处理后的运动数据中提取t时刻的运动特征向量,将所述运动特征向量作为观测序列输入至预先训练的隐马尔可模型HMM中;
计算t时刻的HMM输出概率和各状态概率,将状态概率最大的状态所对应的步态状态作为t时刻的步态状态。
可选的,所述利用IMU获取步态切换时的运动数据,对所述运动数据进行预处理,包括:
利用IMU获取运动数据,对所述运动数据特征进行平滑、滤波、归一化处理,所述运动数据包括步态切换时的速度与加速度。
可选的,所述从预处理后的运动数据中提取t时刻的运动特征向量,包括:
采用滑动窗口对预处理后的运动数据进行分割;
从第t个窗口内的运动数据中提取运动特征向量,作为t时刻的运动特征向量。
可选的,所述计算t时刻的HMM输出概率和各状态概率,包括:
利用t-1时刻的HMM输出概率以及Viterbi算法,计算t时刻的HMM输出概率和各状态概率。
可选的,本申请提供的方法还包括:
将训练样本中的运动数据作为观测序列,将训练样本中的参考相位数据作为状态序列;
根据所述观测序列和所述状态序列,估计HMM的初始状态概率分布矩阵π、状态转移概率分布矩阵A、观测概率分布矩阵B,使得HMM在参数π、A和B下的观测序列概率最大;
其中,初始状态概率分布矩阵π中元素πi为状态序列中第一时刻状态i1为si时的概率;
HMM的相位状态空间为S={s1,s2,…sN},所述状态序列为I={i1,i2,…iT},且s.t.i∈S,HMM的观测值空间为V={v1,v2,…vM},假设序列长度为T,所述观测序列为O={o1,o2,…oT},且s.t.o∈V。
第二方面,提供了一种基于IMU的步态识别装置,所述装置包括:
获取模块,被配置为利用IMU获取步态切换时的运动数据,对所述运动数据进行预处理;
提取模块,被配置为从所述获取模块预处理后的运动数据中提取t时刻的运动特征向量;
输入模块,被配置为将所述提取模块提取出的所述运动特征向量作为观测序列输入至预先训练的隐马尔可模型HMM中;
步态确定模块,被配置为利用计算t时刻的HMM输出概率和各状态概率,将状态概率最大的状态所对应的步态状态作为t时刻的步态状态。
可选的,所述获取模块还被配置为:
利用IMU获取运动数据,对所述运动数据特征进行平滑、滤波、归一化处理,所述运动数据包括步态切换时的速度与加速度。
可选的,所述提取模块包括:
分割单元,被配置为采用滑动窗口对预处理后的运动数据进行分割;
提取单元,被配置为从所述分割单元分割出的第t个窗口内的运动数据中提取运动特征向量,作为t时刻的运动特征向量。
可选的,所述步态确定模块还被配置为:
利用t-1时刻的HMM输出概率以及Viterbi算法,计算t时刻的HMM输出概率和各状态概率。
可选的,本申请提供的装置还包括:
训练模块,被配置为将训练样本中的运动数据作为观测序列,将训练样本中的参考相位数据作为状态序列;根据所述确定模块确定的观测序列和状态序列,估计HMM的初始状态概率分布矩阵π、状态转移概率分布矩阵A、观测概率分布矩阵B,使得HMM在参数π、A和B下的观测序列概率最大;
其中,初始状态概率分布矩阵π中元素πi为状态序列中第一时刻状态i1为si时的概率;
HMM的相位状态空间为S={s1,s2,…sN},所述状态序列为I={i1,i2,…iT},且s.t.i∈S,HMM的观测值空间为V={v1,v2,…vM},假设序列长度为T,所述观测序列为O={o1,o2,…oT},且s.t.o∈V。
基于上述技术特征,本申请至少可以实现如下技术效果:
通过将IMU获取的数据作为HMM的观察值,将步态相位作为HMM的状态值,通过HMM算法实现对步态的预测,提高了步态预测的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请一个实施例中提供的IMU在一个行走周期获取的运动数据的示意图;
图2是本申请一个实施例中提供的基于IMU的步态识别方法中HMM训练的流程图;
图3是本申请一个实施例中提供的基于IMU的步态识别方法的流程图;
图4A是本申请一个实施例中提供的基于IMU的步态识别装置的结构示意图;
图4B是本申请另一个实施例中提供的基于IMU的步态识别装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
用于外骨骼控制的人体下肢步态识别问题是要实时判断下肢动作类型与某一动作下的相位,为实现识别结果的准确性与实时性,需结合下肢各部分的角度与加速度特征,角度特征一般可准确对应步态周期的相位,加速度可视为下肢关节旋转运动的趋势即作为相位变化的先行指标。惯性测量单元(IMU)小巧易用,能够实时获取刚体运动学信息,将IMU固连于后背、大腿、小腿与足部,通过刚体运动变换即可获取下肢各个部分的速度与加速度信息。隐马尔可模型(HMM)是一种时序变化性信号统计模型,能够描述动态过程并适应动态过程的变化,将下肢运动学信号和步态相位分别作为模型的观察值和状态值,将每个步态相位描述为一个随机状态,马尔科夫链对应步态相位的切换过程,可采用隐马尔可模型进行步态识别。通过数据处理与特征提取、HMM算法设计实现基于IMU的步态预测。
对于人体行走步态来说,下肢行走具有节律性步态,下肢各部分的运动信息,即速度、加速度呈现周期性变化,根据步态特征将一个步态周期划分为相位时序,如图1所示为行走周期的运动相位,脚尖离地、摆动中期、脚跟着地、脚底着地、脚底撑地等五个相位依次循环,图1中上面第一行曲线纵坐标为膝关节角度数据,横坐标为步态周期;第二行曲线纵坐标为膝关节角速度数据,横坐标为步态周期。但是由于传感器随机测量噪声,并且会受到个体差异、行走特点、环境条件等方面的影响,每个运动周期的下肢各部分外在运动姿态特征重复性差,因此仅采用角度阈值判断的方法容易引起错判。结合加速度信息,判断下肢各部分运动的先行趋势,结合角度阈值判断,对步态切换时刻点进行定位。为更准确地提取步态切换时的运动与加速度信息,对IMU信号进行平滑、滤波、归一化等预处理操作,为控制数据误差、数据实时性,使用尽可能小的平滑、滤波窗进行处理。然后采用滑动窗口对数据进行分割,对单个窗口提取运动学特征,用于后续的HMM算法输入。
下面结合图2、图3对本申请提供的基于IMU的步态识别方法进行举例说明。
在使用HMM模型以及IMU获取的运动数据对步态进行预测之前,首先需要对HMM模型进行训练,训练过程如图2所示,其是本申请一个实施例中提供的基于IMU的步态识别方法中HMM训练的流程图,该训练过程包括如下步骤:
步骤201,将训练样本中的运动数据作为观测序列,将训练样本中的参考相位数据作为状态序列;
行走时一个步态周期中相位变化过程依次是脚尖离地、摆动中期、脚跟着地、脚底着地、脚底撑地。人体正常行走步态下分为N个相位(图1中N=5),则对应马尔可夫过程有N种状态,HMM的相位状态空间为S={s1,s2,…sN},状态序列为I={i1,i2,…iT},且s.t.i∈S,HMM的观测值空间为V={v1,v2,…vM},假设序列长度为T,观测序列为O={o1,o2,…oT},且s.t.o∈V。
步骤202,根据观测序列和状态序列,估计HMM的初始状态概率分布矩阵π、状态转移概率分布矩阵A、观测概率分布矩阵B,使得HMM在参数π、A和B下的观测序列概率最大。
隐马尔科夫模型有三要素:初始状态概率分布矩阵π、状态转移概率分布矩阵A、观测概率分布矩阵B,如下:
初始状态概率分布矩阵π中元素πi为状态序列中第一时刻状态i1为si时的概率,即π={πi=P(i1=si)}。
状态转移概率分布矩阵中元素aij为t-1时刻状态si转化到t时刻状态sj的概率,即aij=P(it=sj|it-1=si)。某个时刻t只能处于其中的某一个状态,则该时刻马尔可夫链所处的状态it就取决于状态it-1和状态转移概率矩阵A。
应用经典的B-W算法,基于递归法采用极大似然估计使得观测概率最大,进而得到模型参数π、A、B下的HMM模型。
在完成HMM模型训练后,利用HMM模型以及IMU获取到的运动数据信息对步态进行预测,流程如图3所示,其是本申请一个实施例中提供的基于IMU的步态识别方法的流程图,该方法包括如下步骤:
步骤301,利用IMU获取步态切换时的运动数据,对运动数据进行预处理;
在利用IMU获取步态切换时的运动数据,对运动数据进行预处理时,利用IMU获取运动数据,对运动数据特征进行平滑、滤波、归一化处理,运动数据包括步态切换时的速度与加速度。
步骤302,从预处理后的运动数据中提取t时刻的运动特征向量,将运动特征向量作为观测序列输入至预先训练的隐马尔可模型HMM中;
从预处理后的运动数据中提取t时刻的运动特征向量,首先,采用滑动窗口对预处理后的运动数据进行分割,实际应用中,为了控制数据误差、数据实时性,使用尽可能小的平滑、滤波窗进行处理。
然后,从第t个窗口内的运动数据中提取运动特征向量,作为t时刻的运动特征向量。
步骤303,计算t时刻的HMM输出概率和各状态概率,将状态概率最大的状态所对应的步态状态作为t时刻的步态状态。
计算t时刻的HMM输出概率和各状态概率,包括:
利用t-1时刻的HMM输出概率以及Viterbi算法,计算t时刻的HMM输出概率和各状态概率,状态概率最大的状态所对应的步态状态即是时刻t的步态状态,即完成对下肢运动步态的相位辨识。
综上,本申请提供的方法可以包括训练部分和步态识别部分:
训练部分:对模型进行训练,得到HMM模型参数π、A、B。已知观测序列O={o1,o2,…oT}和状态序列I={i1,i2,…iT},估计模型参数,使得模型参数下的观测序列概率最大。应用经典的B-W算法,基于递归法采用极大似然估计使得观测概率最大,进而得到模型参数π、A、B下的HMM模型。
步态识别部分:将观测特征向量输入到训练好的HMM模型,解算下肢运动状态值序列,即步态相位。利用IMU获取人体下肢运动学信息,将提取的运动特征向量序列作为HMM的输入值,在HMM步态状态识别的阶段,将时刻t的各类数据特征提取后,输入到训练好的HMM中,结合前一时刻的HMM输出概率,利用Viterbi算法可计算HMM输出概率和各状态概率,状态概率最大的状态所对应的步态状态即是时刻t的步态状态,即完成对下肢运动步态的相位辨识。
综上,本申请提供的基于IMU的步态识别方法,通过将IMU获取的数据作为HMM的观察值,将步态相位作为HMM的状态值,通过HMM算法实现对步态的预测,提高了步态预测的准确度。
本申请提出的技术方案从运动信号的处理与识别出发,提高信号对人体步态的表征能力与精确性,本申请提出的方法能为人体运动辨识应用提供一种通用方法。
很显然,本申请所涉及的步态识别算法不仅局限于应用本发明所举例的行走步态识别,也可应用于其他步态,如蹲起、上下台阶、上下斜坡等。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4A是本申请一个实施例中提供的基于IMU的步态识别装置的结构示意图,该装置可以通过软件、硬件或软硬件结合的方式实现如图2和图3所示的基于IMU的步态识别方法。本申请提供的基于IMU的步态识别装置可以包括:获取模块410、提取模块420、输入模块430和步态确定模块440。
获取模块410可以被配置为利用IMU获取步态切换时的运动数据,对运动数据进行预处理。
提取模块420可以被配置为从获取模块410预处理后的运动数据中提取t时刻的运动特征向量。
输入模块430可以被配置为将提取模块420提取出的运动特征向量作为观测序列输入至预先训练的隐马尔可模型HMM中。
步态确定模块440可以被配置为利用计算t时刻的HMM输出概率和各状态概率,将状态概率最大的状态所对应的步态状态作为t时刻的步态状态。
在一种可能的实现方式中,获取模块410还被配置为利用IMU获取运动数据,对运动数据特征进行平滑、滤波、归一化处理,运动数据包括步态切换时的速度与加速度。
在另一种可能的实现方式中,请参见图4B所示,其是本申请另一个实施例中提供的基于IMU的步态识别装置的结构示意图,该提取模块420可以包括:分割单元421和提取单元422。
分割单元421可以被配置为采用滑动窗口对预处理后的运动数据进行分割。
提取单元422可以被配置为从分割单元421分割出的第t个窗口内的运动数据中提取运动特征向量,作为t时刻的运动特征向量。
在另一种可能的实现方式中,步态确定模块440还被配置为:利用t-1时刻的HMM输出概率以及Viterbi算法,计算t时刻的HMM输出概率和各状态概率。
在另一种可能的实现方式中,本申请提供的装置还可以包括训练模块450。
训练模块450可以被配置为将训练样本中的运动数据作为观测序列,将训练样本中的参考相位数据作为状态序列,根据确定模块确定的观测序列和状态序列,估计HMM的初始状态概率分布矩阵π、状态转移概率分布矩阵A、观测概率分布矩阵B,使得HMM在参数π、A和B下的观测序列概率最大;
其中,初始状态概率分布矩阵π中元素πi为状态序列中第一时刻状态i1为si时的概率;
HMM的相位状态空间为S={s1,s2,…sN},状态序列为I={i1,i2,…iT},且s.t.i∈S,HMM的观测值空间为V={v1,v2,…vM},假设序列长度为T,观测序列为O={o1,o2,…oT},且s.t.o∈V。
综上所述,本申请提供的基于IMU的步态识别装置,通过将IMU获取的数据作为HMM的观察值,将步态相位作为HMM的状态值,通过HMM算法实现对步态的预测,提高了步态预测的准确度。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于IMU的步态识别方法,其特征在于,所述方法包括:
利用IMU获取步态切换时的运动数据,对所述运动数据进行预处理;
从预处理后的运动数据中提取t时刻的运动特征向量,将所述运动特征向量作为观测序列输入至预先训练的隐马尔可模型HMM中;
计算t时刻的HMM输出概率和各状态概率,将状态概率最大的状态所对应的步态状态作为t时刻的步态状态。
2.根据权利要求1所述的方法,其特征在于,所述利用IMU获取步态切换时的运动数据,对所述运动数据进行预处理,包括:
利用IMU获取运动数据,对所述运动数据特征进行平滑、滤波、归一化处理,所述运动数据包括步态切换时的速度与加速度。
3.根据权利要求1所述的方法,其特征在于,所述从预处理后的运动数据中提取t时刻的运动特征向量,包括:
采用滑动窗口对预处理后的运动数据进行分割;
从第t个窗口内的运动数据中提取运动特征向量,作为t时刻的运动特征向量。
4.根据权利要求1所述的方法,其特征在于,所述计算t时刻的HMM输出概率和各状态概率,包括:
利用t-1时刻的HMM输出概率以及Viterbi算法,计算t时刻的HMM输出概率和各状态概率。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述方法还包括:
将训练样本中的运动数据作为观测序列,将训练样本中的参考相位数据作为状态序列;
根据所述观测序列和所述状态序列,估计HMM的初始状态概率分布矩阵π、状态转移概率分布矩阵A、观测概率分布矩阵B,使得HMM在参数π、A和B下的观测序列概率最大;
其中,初始状态概率分布矩阵π中元素πi为状态序列中第一时刻状态i1为si时的概率;
HMM的相位状态空间为S={s1,s2,…sN},所述状态序列为I={i1,i2,…iT},且s.t.i∈S,HMM的观测值空间为V={v1,v2,…vM},假设序列长度为T,所述观测序列为O={o1,o2,…oT},且s.t.o∈V。
6.一种基于IMU的步态识别装置,其特征在于,所述装置包括:
获取模块,被配置为利用IMU获取步态切换时的运动数据,对所述运动数据进行预处理;
提取模块,被配置为从所述获取模块预处理后的运动数据中提取t时刻的运动特征向量;
输入模块,被配置为将所述提取模块提取出的所述运动特征向量作为观测序列输入至预先训练的隐马尔可模型HMM中;
步态确定模块,被配置为利用计算t时刻的HMM输出概率和各状态概率,将状态概率最大的状态所对应的步态状态作为t时刻的步态状态。
7.根据权利要求6所述的装置,其特征在于,所述获取模块还被配置为:
利用IMU获取运动数据,对所述运动数据特征进行平滑、滤波、归一化处理,所述运动数据包括步态切换时的速度与加速度。
8.根据权利要求6所述的装置,其特征在于,所述提取模块包括:
分割单元,被配置为采用滑动窗口对预处理后的运动数据进行分割;
提取单元,被配置为从所述分割单元分割出的第t个窗口内的运动数据中提取运动特征向量,作为t时刻的运动特征向量。
9.根据权利要求6所述的装置,其特征在于,所述步态确定模块还被配置为:
利用t-1时刻的HMM输出概率以及Viterbi算法,计算t时刻的HMM输出概率和各状态概率。
10.根据权利要求6-9中任一所述的装置,其特征在于,所述装置还包括:
训练模块,被配置为将训练样本中的运动数据作为观测序列,将训练样本中的参考相位数据作为状态序列,根据所述确定模块确定的观测序列和状态序列,估计HMM的初始状态概率分布矩阵π、状态转移概率分布矩阵A、观测概率分布矩阵B,使得HMM在参数π、A和B下的观测序列概率最大;
其中,初始状态概率分布矩阵π中元素πi为状态序列中第一时刻状态i1为si时的概率;
HMM的相位状态空间为S={s1,s2,…sN},所述状态序列为I={i1,i2,…iT},且s.t.i∈S,HMM的观测值空间为V={v1,v2,…vM},假设序列长度为T,所述观测序列为O={o1,o2,…oT},且s.t.o∈V。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117483.9A CN111329485A (zh) | 2020-02-25 | 2020-02-25 | 一种基于imu的步态识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117483.9A CN111329485A (zh) | 2020-02-25 | 2020-02-25 | 一种基于imu的步态识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111329485A true CN111329485A (zh) | 2020-06-26 |
Family
ID=71173967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010117483.9A Pending CN111329485A (zh) | 2020-02-25 | 2020-02-25 | 一种基于imu的步态识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111329485A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113146611A (zh) * | 2020-12-29 | 2021-07-23 | 武汉理工大学 | 一种刚柔耦合外骨骼机器人运动模式识别方法 |
CN115239767A (zh) * | 2022-09-22 | 2022-10-25 | 北京工业大学 | 动态客流行为态势预测方法、***、存储介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150161516A1 (en) * | 2013-12-06 | 2015-06-11 | President And Fellows Of Harvard College | Method and apparatus for detecting mode of motion with principal component analysis and hidden markov model |
CN109492703A (zh) * | 2018-11-23 | 2019-03-19 | 河北工程大学 | 一种步态的识别方法、***及终端设备 |
-
2020
- 2020-02-25 CN CN202010117483.9A patent/CN111329485A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150161516A1 (en) * | 2013-12-06 | 2015-06-11 | President And Fellows Of Harvard College | Method and apparatus for detecting mode of motion with principal component analysis and hidden markov model |
CN109492703A (zh) * | 2018-11-23 | 2019-03-19 | 河北工程大学 | 一种步态的识别方法、***及终端设备 |
Non-Patent Citations (2)
Title |
---|
刘畅等: "基于隐马尔可夫模型的步态识别算法", 《计算机工程与设计》 * |
张向刚等: "一种基于隐马尔科夫模型的步态识别算法", 《计算机科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113146611A (zh) * | 2020-12-29 | 2021-07-23 | 武汉理工大学 | 一种刚柔耦合外骨骼机器人运动模式识别方法 |
CN113146611B (zh) * | 2020-12-29 | 2022-06-03 | 武汉理工大学 | 一种刚柔耦合外骨骼机器人运动模式识别方法 |
CN115239767A (zh) * | 2022-09-22 | 2022-10-25 | 北京工业大学 | 动态客流行为态势预测方法、***、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Human activity recognition based on motion sensor using u-net | |
CN108256433B (zh) | 一种运动姿态评估方法及*** | |
KR101815975B1 (ko) | 객체 자세 검색 장치 및 방법 | |
KR20160031246A (ko) | 보행 환경 인식 방법 및 장치 | |
CN110738154A (zh) | 一种基于人体姿态估计的行人摔倒检测方法 | |
KR20150089482A (ko) | 표정 동작사전을 이용한 표정인식 방법 및 장치 | |
Assaleh et al. | Low complexity classification system for glove-based arabic sign language recognition | |
CN111329485A (zh) | 一种基于imu的步态识别方法及装置 | |
JP5604249B2 (ja) | 人体姿勢推定装置、人体姿勢推定方法、およびコンピュータプログラム | |
CN111104902B (zh) | 一种基于图卷积网络的偏瘫步态分类方法 | |
CN114267088B (zh) | 一种步态信息的处理方法、装置及电子设备 | |
Wang et al. | A2dio: Attention-driven deep inertial odometry for pedestrian localization based on 6d imu | |
CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
CN113705507B (zh) | 基于深度学习的混合现实开集人体姿态识别方法 | |
Ning et al. | Articulated model based people tracking using motion models | |
Guenterberg et al. | Distributed continuous action recognition using a hidden markov model in body sensor networks | |
Gaud et al. | Human gait analysis and activity recognition: A review | |
Balti et al. | Gait analysis and detection of human pose diseases | |
US20220027726A1 (en) | Pre-processing device, pre-processing method, and pre-processing program | |
CN112487902A (zh) | 面向外骨骼的基于tcn-hmm的步态相位分类方法 | |
CN112293295B (zh) | 一种奶牛早期跛行识别方法及装置 | |
Li et al. | An automatic framework for generating Labanotation scores from continuous motion capture data | |
Zhang et al. | PCA & HMM based arm gesture recognition using inertial measurement unit | |
CN114171194A (zh) | 帕金森多症状量化评估方法、装置、电子设备、及介质 | |
CN109985369B (zh) | 一种基于智能腕戴式设备的自适应泳姿识别方法 |
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 |