CN111539507A - 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法 - Google Patents

一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法 Download PDF

Info

Publication number
CN111539507A
CN111539507A CN202010201690.2A CN202010201690A CN111539507A CN 111539507 A CN111539507 A CN 111539507A CN 202010201690 A CN202010201690 A CN 202010201690A CN 111539507 A CN111539507 A CN 111539507A
Authority
CN
China
Prior art keywords
particle
optimal
optimization algorithm
objective function
particle swarm
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.)
Granted
Application number
CN202010201690.2A
Other languages
English (en)
Other versions
CN111539507B (zh
Inventor
张辉
石谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010201690.2A priority Critical patent/CN111539507B/zh
Publication of CN111539507A publication Critical patent/CN111539507A/zh
Application granted granted Critical
Publication of CN111539507B publication Critical patent/CN111539507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6824—Arm or wrist

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Dentistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法，涉及利用便携式运动参数测量设备，检测康复运动速度的模型参数辨识策略。首先建立含未知参数的步行速度模型；其次建立优化算法目标函数；最后利用粒子群优化算法优化目标函数，得到最优模型参数。本发明引入手腕佩戴式运动测量设备计量康复运动参数，相较于足部佩戴，为训练人员带来了便利。本发明基于粒子群优化算法的康复运动速度计算模型参数辨识方法建立手腕部位运动与步行速度关系模型，为手腕佩戴式运动测量设备提供了一种训练速度计算方法。同时利用粒子群优化算法进行模型参数辨识，为手腕部位运动与步行速度关系模型提供了精确快速的模型参数求解方法。

Description

一种基于粒子群优化算法的康复运动速度计算模型参数辨识 方法
技术领域
本发明涉及一种运动模型参数方法，具体涉及利用便携式运动参数测量设备，检测康复运动速度的模型参数辨识策略，属于运动医学领域。
背景技术
运动跟踪可以用于康复领域。对于腿部有残疾的人或行走不便的老年人来说，行走辅助装置是康复训练的必需品。通常康复训练需要在医师监督下在专门的康复中心完成。然而，由于成本及人力的限制，康复中心的数量和可获得性往往不能满足所有需要康复训练人群的需要。而便携式运动采集设备可以实时采集康复人群在家的运动数据并将数据发送给医师。
运动采集设备内部包括加速度传感器，角速度传感器及磁力计。由于足部的运动最能反映人体步行时的各种状态，目前大多数运动采集设备都需要被测人员将其佩戴在脚步或鞋上，对于老年人或步行不便的人群来说，这个佩戴部位往往带来不便。而将运动采集设备佩戴在手腕上则可以避免这一不便。然而，手腕部位的运动与人体步行时的状态关联较小，尤其是在运用行走辅助装置时，手部的运动相较于正常步行时更不明显，因此本专利致力于建立手腕部位与步行状态的关系。
发明内容
本发明针对目前佩戴在手腕部位的便携式运动测量设备在有行走辅助装置时计算步行速度困难的问题，提出了一种计算模型及参数辨识方法。
本发明提出的康复运动速度模型参数辨识方法，包括：
步骤1、建立含未知参数的步行速度模型；
步骤2、建立优化算法目标函数，求解出步骤1中的未知参数；
步骤3、利用粒子群优化算法优化目标函数，得到最优模型参数。
本发明的优点在于：
(1)本发明基于粒子群优化算法的康复运动速度计算模型参数辨识方法，引入手腕佩戴式运动测量设备计量康复运动参数，相较于足部佩戴，为训练人员带来了便利。
(2)本发明基于粒子群优化算法的康复运动速度计算模型参数辨识方法，建立手腕部位运动与步行速度关系模型，为手腕佩戴式运动测量设备提供了一种训练速度计算方法。
(3)本发明基于粒子群优化算法的康复运动速度计算模型参数辨识方法，利用粒子群优化算法进行模型参数辨识，为手腕部位运动与步行速度关系模型提供了精确快速的模型参数求解方法。
附图说明
图1为本发明基于粒子群优化算法的康复运动速度计算模型参数辨识方法整体流程图。
图2为本发明基于粒子群优化算法的康复运动速度计算模型参数辨识方法中参数辨识目标函数计算流程图。
图3为本发明基于粒子群优化算法的康复运动速度计算模型参数辨识方法中粒子群优化算法计算流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明基于粒子群优化算法的康复运动速度计算模型参数辨识方法，如图1所示，通过下述步骤实现：
步骤一：建立含未知参数的运动关系模型。
如图2所示，使用行走辅助装置的康复人员将数据采集设备(如Apple Watch)佩戴于手腕部位，数据采集设备以一定的采样周期采集x，y，z三个方向的加速度信号(ax，ay，az)以及角速度信号(gx，gy，gz)。运动关系模型即为手腕部位的运动数据与步行速度之间的数学关系。根据相关性分析可以得到使用步行辅助装置时的步行速度v与手腕部位周期运动的频率f以及z方向角速度gz有关，因此建立运动关系模型如下：
v＝af+bgz+c (1)
其中，a，b以及c为未知参数，为模型中待辨识参数。
步骤二：建立参数求解的目标函数
为了求解出未知参数a，b，c，本方法将参数求解问题转化为优化问题，首先需要建立参数求解的目标函数，具体如下：
设康复训练人员佩戴便携式运动测量设备时步行距离L所需时间为T，进行步行距离L，时长T的同一段运动时，利用运动测量设备测得的频率为f，z方向角速度为gz。本方法建立目标函数如下：
Figure BDA0002419606820000021
如图3所示，未知参数a，b，c的最优取值，需要使得训练人员进行同一运动时，利用关系模型估计的步行速度v，与利用速度定义式计算的速度
Figure BDA0002419606820000031
之间的差的平方和最小。
步骤三：求解使目标函数最小的参数值
如图2所示，待优化变量包括a，b，c三个,优化目标函数为cost(a,b,c)。利用粒子群优化算法实现参数辨识，使目标函数达到最优，也就是让v与L/T之间差的平方和最小，即求解使得目标函数最小的a，b，c，具体步骤如下：
(a)设置种群粒子个数为m和粒子维度3；
(b)随机初始化种群中各粒子的速度和位置，得到初始种群位置
Figure BDA0002419606820000032
下角标表示粒子标号；um是一个三维的向量，表示第m个粒子的位置，是优化过程中一个可能的解；上角标“1”表示当前为第1次迭代过程；设置初始种群速度
Figure BDA0002419606820000033
(c)在迭代过程中，比较各可能解的目标函数值。将迭代过程中，每个粒子最优位置(目标函数值最小)设为该粒子最优位置pbest,i；比较得到所有粒子中最优位置设为粒子群最优位置gbest；
(d)更新粒子速度和位置，第i个粒子的速度及位置更新公式分别如下：
Figure BDA0002419606820000034
其中，
Figure BDA0002419606820000035
为第i个粒子第k次迭代的速度，
Figure BDA0002419606820000036
为第i个粒子第k+1次迭代的速度，
Figure BDA0002419606820000037
为第i个粒子第k次迭代前的位置，
Figure BDA0002419606820000038
为第i个粒子第k+1次迭代前的位置；w为惯性权重，r1和r2为分布于区间[0,1]内的随机数，k为当前迭代次数，初始值为1，
Figure BDA0002419606820000039
为第k次迭代时的第i个粒子的个体最优粒子位置，
Figure BDA00024196068200000310
为第k代时的全局最优粒子位置，c1与c2为常数。
进而得到k+1次迭代种群位置：
Figure BDA00024196068200000311
(e)计算k+1步的每个粒子的目标函数值，并与之前的最优位置
Figure BDA00024196068200000312
所对应得到的目标函数值比较，若当前位置更好，则将其当前位置作为该粒子的最优位置
Figure BDA00024196068200000313
将每一个粒子的目标函数与粒子群的最优粒子位置
Figure BDA00024196068200000314
相比较，若当前位置更好，则更新最优粒子位置
Figure BDA00024196068200000315
(f)检查终值条件，若精度满足预设条件或迭代次数超出限制，则停止迭代，否则重复步骤(c)-(f)；
(g)输出最优的种群最优
Figure BDA0002419606820000041
得到最优a，b，c。
最终，辨识出a,b,c后，建立了康复人员的运动速度与频率，角速度之间的关系。实际测量时，将频率，角速度带入该关系式即可测量康复人员运动速度，避免了传统方法计算运动速度建立运动模型的繁琐步骤。

Claims (4)

1.一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法，其特征在于：通过下述步骤实现：
步骤1、建立含未知参数的步行速度模型；
步骤2、建立优化算法目标函数，求解出步骤1中的未知参数；
步骤3、利用粒子群优化算法优化目标函数，得到最优模型参数。
2.如权利要求1所述一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法，其特征在于：步骤1中步行速度模型建立方法为：
使用行走辅助装置的康复人员将数据采集设备佩戴于手腕部位，数据采集设备以一定的采样周期采集x，y，z三个方向的加速度信号(ax，ay，az)以及角速度信号(gx，gy，gz)；运动关系模型为手腕部位的运动数据与步行速度之间的数学关系，如下：
v＝af+bgz+c
其中，a，b以及c为为模型中待辨识参数。
3.如权利要求1所述一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法，其特征在于：步骤2中未知参数具体求解方法为：
设康复训练人员佩戴便携式运动测量设备时步行距离L所需时间为T，进行步行距离L，时长T的同一段运动时，利用运动测量设备测得的频率为f，z方向角速度为gz；则建立目标函数如下：
Figure FDA0002419606810000011
4.如权利要求3所述一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法，其特征在于：步骤3中最优模型参数的获取方法为：
待优化变量包括a，b，c三个,优化目标函数为cost(a,b,c)。利用粒子群优化算法实现参数辨识，使目标函数达到最优，也就是让v与L/T之间差的平方和最小，即求解使得目标函数最小的a，b，c，具体步骤如下：
(a)设置种群粒子个数为m和粒子维度3；
(b)随机初始化种群中各粒子的速度和位置，得到初始种群位置
Figure FDA0002419606810000012
下角标表示粒子标号；um是一个三维的向量，表示第m个粒子的位置，是优化过程中一个可能的解；上角标“1”表示当前为第1次迭代过程；设置初始种群速度
Figure FDA0002419606810000013
(c)在迭代过程中，比较各可能解的目标函数值；将迭代过程中，每个粒子最优位置(目标函数值最小)设为该粒子最优位置pbest,i；比较得到所有粒子中最优位置设为粒子群最优位置gbest；
(d)更新粒子速度和位置，第i个粒子的速度及位置更新公式分别如下：
Figure FDA0002419606810000021
其中，
Figure FDA0002419606810000022
为第i个粒子第k次迭代的速度，
Figure FDA0002419606810000023
为第i个粒子第k+1次迭代的速度，
Figure FDA0002419606810000024
为第i个粒子第k次迭代前的位置，
Figure FDA0002419606810000025
为第i个粒子第k+1次迭代前的位置；w为惯性权重，r1和r2为分布于区间[0,1]内的随机数，k为当前迭代次数，初始值为1，
Figure FDA0002419606810000026
为第k次迭代时的第i个粒子的个体最优粒子位置，
Figure FDA0002419606810000027
为第k代时的全局最优粒子位置，c1与c2为常数；
进而得到k+1次迭代种群位置：
Figure FDA0002419606810000028
(e)计算k+1步的每个粒子的目标函数值，并与之前的最优位置
Figure FDA0002419606810000029
所对应得到的目标函数值比较，若当前位置更好，则将其当前位置作为该粒子的最优位置
Figure FDA00024196068100000210
将每一个粒子的目标函数与粒子群的最优粒子位置
Figure FDA00024196068100000211
相比较，若当前位置更好，则更新最优粒子位置
Figure FDA00024196068100000212
(f)检查终值条件，若精度满足预设条件或迭代次数超出限制，则停止迭代，否则重复步骤(c)-(f)；
(g)输出最优的种群最优
Figure FDA00024196068100000213
得到最优a，b，c。
CN202010201690.2A 2020-03-20 2020-03-20 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法 Active CN111539507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010201690.2A CN111539507B (zh) 2020-03-20 2020-03-20 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010201690.2A CN111539507B (zh) 2020-03-20 2020-03-20 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法

Publications (2)

Publication Number Publication Date
CN111539507A true CN111539507A (zh) 2020-08-14
CN111539507B CN111539507B (zh) 2021-08-31

Family

ID=71969195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010201690.2A Active CN111539507B (zh) 2020-03-20 2020-03-20 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法

Country Status (1)

Country Link
CN (1) CN111539507B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632455A (zh) * 2020-12-29 2021-04-09 华中科技大学 一种转动设备的参数辨识方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104586399A (zh) * 2013-10-31 2015-05-06 卡西欧计算机株式会社 用于辅助行走或者慢跑等训练的装置以及***
CN104888444A (zh) * 2015-05-20 2015-09-09 深圳大学 一种卡路里消耗和手部姿势识别的智慧手套、方法及***
CN105823483A (zh) * 2016-05-11 2016-08-03 南京邮电大学 一种基于惯性测量单元的用户步行定位方法
CN106846372A (zh) * 2017-02-13 2017-06-13 南京升渡智能科技有限公司 人体运动质量视觉分析与评价***及其方法
CN108564600A (zh) * 2018-04-19 2018-09-21 北京华捷艾米科技有限公司 运动物体姿态跟踪方法及装置
CN110543727A (zh) * 2019-09-05 2019-12-06 北京工业大学 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104586399A (zh) * 2013-10-31 2015-05-06 卡西欧计算机株式会社 用于辅助行走或者慢跑等训练的装置以及***
CN104888444A (zh) * 2015-05-20 2015-09-09 深圳大学 一种卡路里消耗和手部姿势识别的智慧手套、方法及***
CN105823483A (zh) * 2016-05-11 2016-08-03 南京邮电大学 一种基于惯性测量单元的用户步行定位方法
CN106846372A (zh) * 2017-02-13 2017-06-13 南京升渡智能科技有限公司 人体运动质量视觉分析与评价***及其方法
CN108564600A (zh) * 2018-04-19 2018-09-21 北京华捷艾米科技有限公司 运动物体姿态跟踪方法及装置
CN110543727A (zh) * 2019-09-05 2019-12-06 北京工业大学 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵汇东: "基于位姿的人体运动模式识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632455A (zh) * 2020-12-29 2021-04-09 华中科技大学 一种转动设备的参数辨识方法和装置
CN112632455B (zh) * 2020-12-29 2024-06-07 华中科技大学 一种转动设备的参数辨识方法和装置

Also Published As

Publication number Publication date
CN111539507B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Zhang et al. Accurate ambulatory gait analysis in walking and running using machine learning models
Bonnet et al. Monitoring of hip and knee joint angles using a single inertial measurement unit during lower limb rehabilitation
US20140066816A1 (en) Method, apparatus, and system for characterizing gait
CN110811553B (zh) 一种用于负重外骨骼助力效率的检测方法
CN110236550B (zh) 一种基于多模态深度学习的人体步态预测装置
US20200297243A1 (en) System for estimating body motion of person or the like
Li et al. Real-time human motion capture based on wearable inertial sensor networks
CN104656112B (zh) 基于表面肌电信号与mems惯组组合的个人定位方法和装置
Bonnet et al. Fast determination of the planar body segment inertial parameters using affordable sensors
Panero et al. Comparison of different motion capture setups for gait analysis: Validation of spatio-temporal parameters estimation
CN107194193A (zh) 一种踝泵运动监测方法及装置
CN109480857A (zh) 一种用于帕金森病患者冻结步态检测的装置及方法
Tien et al. Results of using a wireless inertial measuring system to quantify gait motions in control subjects
CN115655265B (zh) 一种基于惯性传感的行人导航室内定位方法
Anwary et al. Validity and consistency of concurrent extraction of gait features using inertial measurement units and motion capture system
CN110313918A (zh) 一种基于足底压力的步态相位识别方法及***
Florentino-Liaño et al. Human activity recognition using inertial sensors with invariance to sensor orientation
CN111539507B (zh) 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法
Ladetto et al. Human walking analysis assisted by DGPS
Lueken et al. Estimation of stride time variability in unobtrusive long-term monitoring using inertial measurement sensors
Loose et al. Gait patterns in standard scenarios: Using Xsens MTw inertial measurement units
Qiu et al. Heterogeneous data fusion for three-dimensional gait analysis using wearable MARG sensors
CN116108873B (zh) 基于rfid/imu融合的运动姿势评估***
Matthews et al. In-situ step size estimation using a kinetic model of human gait
CN112107290A (zh) 预测对象的多个步态周期的kam的***、方法和软件应用程序

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