CN112535474B - 一种基于相似规律搜索的下肢运动关节角度实时预测方法 - Google Patents
一种基于相似规律搜索的下肢运动关节角度实时预测方法 Download PDFInfo
- Publication number
- CN112535474B CN112535474B CN202011257519.XA CN202011257519A CN112535474B CN 112535474 B CN112535474 B CN 112535474B CN 202011257519 A CN202011257519 A CN 202011257519A CN 112535474 B CN112535474 B CN 112535474B
- Authority
- CN
- China
- Prior art keywords
- joint
- angle
- motion
- lower limb
- joint angle
- 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
Images
Classifications
-
- 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
- A61B5/103—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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/6828—Leg
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/0006—Exoskeletons, i.e. resembling a human figure
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于相似规律搜索的下肢运动关节角度实时预测方法:获取下肢运动规律;针对单个关节,获取下肢周期性运动中的六轴数据、关节角度angle,得到每个采样时刻获取运动数据列向量和关节角度标签向量;通过滑动窗口连续获取运动数据帧和关节角度标签帧,并构建关节运动规律数据库;将实时滑动窗口获取的当前运动帧与关节运动规律数据库中的历史帧序列匹配,找到匹配度最高的历史帧,以对应的采样点坐标作为最佳匹配位置;以该采样点后的关节角度标签帧的值作为下一个采样点时刻的关节角度预测值,实现对未来多个连续时刻的关节角度预测。本发明可有效改善当前可穿戴机器人跟随控制的滞后性,提高穿戴舒适感。
Description
技术领域
本发明涉及人体运动意图实时连续预测技术领域,特别是涉及一种基于相似规律搜索的下肢运动关节角度实时预测方法。
背景技术
随着可穿戴机器人技术的不断发展,其控制需求逐步从被动控制向主动控制转变和迈进。其关键技术中,控制柔顺已经成为制约其发展的瓶颈,而人体运动意图的感知预测又是制约柔顺控制的关键。当前,人体意图感知预测方法主要包括基于脑电、肌电与物理运动传感器的意图感知预测。脑电信号产生于意图输送过程前端,超前于下肢运动,但辨识难度高,由于技术限制尚不能适用于下肢关节角度的实时连续预测;肌电信号产生于肌肉运动前25ms-125ms左右,但肌电传感器对佩戴环境要求较高,不适合长期佩戴;物理运动传感器,如惯性测量单元IMU,具有佩戴方便,鲁棒性好等优势,但是其感知信号滞后于人体运动,往往需要通过预测来弥补感知上的延迟。当前在人体运动关节角度预测领域,主要通过肌电、物理运动传感器以及两者相结合的方式来实现对关节角度的预测。
中国发明专利CN202010245346.3公布了一种基于肌电信号的人体运动意图实时连续预测方法,通过将肌电信号与惯性传感器获取的信号输入到LSTM神经网络实现对膝关节角度的实时预测;中国发明专利CN201810850181.5公布了一种基于表面肌电信号连续估计人体关节角度的方法,利用稀疏伪输入高斯过程回归算法构建预测模型,实现了人体关节角度的连续估计;中国发明专利CN201910804483.3公布了一种基于多传感器信息融合的下肢运动位姿快速预测***及方法,通过将肌电信号估计的角度与惯性测量单元解算获取的角度进行短时动态加权数据融合,实现对穿戴者下肢运动姿态和关节的位置坐标进行快速预测;2019年浙江大学的王昕,将多个预测模型进行融合来实现对下肢关节角度的预测,实现了对关节角度较高准确性的预测。
上述方法,均可实现对下肢关节角度的连续预测,但在计算资源消耗、预测模型训练以及关节角度的实时预测仍存在一定的局限性。当前针对人体下肢运动关节角度的实时连续预测需求,还没有一种能有效实现预测模型实时构建与关节角度实时预测的方法。
因此,设计一种可实现预测模型实时训练、预测实时性高的关节角度连续预测方法,去解决现有技术方法中存在的不足十分必要。
发明内容
本发明的目的在于解决下肢运动关节角度的实时预测问题,实现预测模型的实时构建以及关节角度的实时准确预测,改善现有可穿戴机器人的柔顺控制性能,本发明提供了一种基于相似规律搜索的下肢运动关节角度实时预测方法,利用物理运动传感器来获取下肢运动规律,构建关节运动规律数据库,基于相似规律搜索利用历史规律实现对未来运动的预测,以实现对下肢运动关节角度的实时预测,本发明不仅预测速度快,而且可实现预测模型的在线实时构建,算法鲁棒性高。
本发明采用以下技术方案:
一种基于相似规律搜索的下肢运动关节角度实时预测方法,包括以下步骤:
S1、为了获取下肢运动规律,将惯性测量单元布置于下肢关节连杆处,将关节角度测量单元布置于下肢关节处;
S2、针对单个关节,获取下肢周期性运动中的惯性测量单元测量的六轴数据以及关节角度测量单元获取的关节角度angle;
其中,accx为x轴加速度,accy为y轴加速度,accz为z轴加速度,gyrox为x轴角速度,gyroy为y轴角速度,gyroz为z轴角速度;
S3、通过实时滑动窗口连续获取当前运动数据帧Pt=[Vec1 Vec2 Vec3 … Vecn]和关节角度标签帧P’t=[Vec’n],并构建关节运动规律数据库其中,n表示n个连续采样点序列长度,t表示当前采样点;
S4、将当前运动数据帧Pt与关节运动规律数据库T中的历史帧序列进行匹配搜索,找到匹配度最高的历史帧Pm,以采样点坐标m作为最佳匹配位置;
S5、以采样点m后的关节角度标签帧P’m+i的值作为t+i采样点时刻的关节角度预测值anglepredict,实现对当前采样点t后多个连续时刻的关节角度预测。
优选的,还包括S6,令所述t+i采样点时刻的关节角度预测值anglepredict满足以下关系:
angle’predict=anglet+w·(anglepredict-anglet)
将angle’predict作为最终关节角度预测值,其中,w为系数,w满足0<w<1,anglet为t采样点时刻的关节角度值。
优选的,系数w满足w=f(r),其中r为每次规律匹配过程中序列中相关度最高的值,w与r正相关。
优选的,S1中,针对髋关节角度的预测,在髋关节与膝关节连杆上布置有惯性测量单元;对于膝关节角度的预测,膝关节与踝关节连杆上布置有惯性测量单元;所述惯性测量单元包含加速度计和陀螺仪。
优选的,S1中,角度测量仪采用倾角仪或旋转角度仪。
优选的,S2中,所述下肢周期性运动包括行走、跑步、上楼、下楼、上坡和下坡。
优选的,S3中,通过6×n的滑动窗口Windowslid实时滑动窗口连续获取当前运动数据帧,n小于单个运动周期的采样点数。
优选的,S3中,在构建当前运动数据帧之前,需要判断历史采样点数是否不小于滑动窗口长度n,当历史采样点数不小于滑动窗口长度n时,开始构建运动数据帧。
优选的,S4中,将当前运动数据帧Pt与关节运动规律数据库T中的历史帧序列进行匹配搜索,获取每次匹配过程中当前运动帧Pt与历史帧序列的相关度rk构成序列{rk|0<k<t},其中,关节运动规律数据库T中的历史帧序列为{Pk|Pk∈T,0<k<t},模板匹配中采用矩阵相关性计算或矩阵Hash特征提取与汉明距离计算方法来计算运动帧之间的相关度。
优选的,S4中,在匹配搜索过程中,设置搜索停止条件:次数限制qlimit和相关度阈值rthreshold,当搜索次数大于qlimit或相关度大于rthreshold时中止搜索。
本发明至少具有如下有益的技术效果:
本发明基于相似规律搜索的下肢运动关节角度实时预测方法,利用物理运动传感器来获取下肢运动规律,构建关节运动规律数据库,基于相似规律搜索利用历史规律实现对未来运动的预测,以实现对下肢运动关节角度的实时预测,通过预测既弥补了物理运动传感器的滞后性,又发挥了物理运动传感器的鲁棒性优势。本发明中在相似规律搜索过程中利用多个通道数据同时进行相似运动规律的匹配搜索,避免了采用单通道数据易受干扰的缺点,提高了序列模板匹配的稳定性。本发明可实现训练过程的实时建模与实时预测,提高了方法的实用性与便利性。同时本发明对于可穿戴机器人柔顺控制具有巨大意义,通过将预测角度提前输入到关节角度控制器进行跟随,可有效改善当前可穿戴机器人跟随控制的滞后性,提高穿戴舒适感。
进一步的,为提高预测角度的稳定性,使得t+i采样点时刻的关节角度预测值anglepredict满足关系:angle’predict=anglet+w·(anglepredict-anglet),w满足0<w<1,在当前规律与历史规律相似时w越大,预测作用越强,当前规律与历史规律差异越大时w越小,预测作用越弱。
进一步的,系数w满足w=f(r),其中r为每次匹配过程中序列中相关度最高的值,w与r正相关,使预测模型在匹配效果好时预测效果强,匹配效果差时预测效果弱。
进一步的,在构建当前运动数据帧之前,需要判断历史采样点数是否不小于滑动窗口长度n,同时n一般小于单个运动周期采样点数,以提高预测准确性。
进一步的,在匹配搜索过程中,为了降低无效搜索次数,因此设置搜索停止条件。
附图说明
图1为本发明基于相似规律搜索的下肢运动关节角度实时预测方法的处理流程图;
图2为本发明中传感器布置示意图;
图3为本发明实施例中惯性测量单元获取的6轴运动规律数据在矩阵中的存储形式示意图;
图4为本发明实施例中运动规律数据库构建方法示意图;
图5为本发明实施例中基于相似规律搜索的角度预测过程示意图。
图中,1-惯性测量单元,2-角度测量单元,3-躯干,4-髋关节,5-大腿,6-膝关节,7-小腿,8-踝关节,9-足。
具体实施方式
下面结合附图对本发明做详细的说明,以使本发明的优点和特征更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
参照图1和图2,本发明基于相似规律搜索的下肢运动关节角度实时预测方法,包括以下步骤:
S1、为获取下肢运动规律,将惯性测量单元1布置于下肢关节连杆处,将关节角度测量单元2布置于下肢关节处用以获取关节实时角度;
S2、针对单个关节,获取下肢周期性运动中的惯性测量单元1输出的六轴数据,以及关节角度测量单元2获取的关节角度angle,六轴数据包括x轴加速度accx、y轴加速度accy、z轴加速度accz、x轴角速度gyrox、y轴角速度gyroy和z轴角速度gyroz;
S3、通过6×n的滑动窗口Windowslid(n表示n个连续采样点序列长度)连续获取运动数据帧Pt=[Vec1 Vec2 Vec3 … Vecn]和关节角度标签帧P’=[Vec’n](每帧数据包括当前采样点和前n-1个采样点数据),并构建关节运动规律数据库(t表示当前采样点);
S4、将实时滑动窗口获取的当前运动帧Pt与关节运动规律数据库T中的历史帧序列{Pk|Pk∈T,0<k<t}通过模板匹配,找到匹配度最高的历史帧Pm,以采样点坐标m作为最佳匹配位置;
S5、以采样点m后的关节角度标签帧P’m+i的值作为t+i采样点时刻的关节角度预测值anglepredict,实现对未来(当前采样点t后)多个连续时刻的关节角度预测;
本发明进一步的改进在于,还包括S6,为提高预测角度的稳定性,将最终关节角度预测值angle’predict=anglet+w·(anglepredict-anglet),系数w满足(0<w<1),w越大,预测作用越强,w越小,预测作用越弱。系数w满足w=f(r),其中r为每次匹配过程中序列{rk|0<k<t}中相关度最高的值,w与r正相关,使预测模型在匹配效果好时预测效果强,匹配效果差时预测效果弱
本发明进一步的改进在于,S1中,惯性测量单元1包含加速度计和陀螺仪,布置于下肢关节连杆处,针对髋关节角度的预测,布置于髋关节与膝关节连杆,对于膝关节角度的预测,布置于膝关节与踝关节连杆,角度测量仪2可采用倾角仪或旋转角度仪来获取对应的关节角度angle。
本发明进一步的改进在于,S2中,下肢周期性运动为步态运动,包括但不限于行走、跑步、上楼、下楼、上坡和下坡这些周期性下肢步态运动。
本发明进一步的改进在于,所S3中,在构建运动帧Pt=[Vec1 Vec2 Vec3 … Vecn]之前,需要判断历史采样点数是否不小于滑动窗口长度n(n一般小于单个运动周期采样点数,以提高预测准确性)。
本发明进一步的改进在于,S4中,模板匹配可采用矩阵相关性计算、矩阵Hash特征提取与汉明距离计算方法,获取每次规律匹配搜索过程中当前运动帧Pt与历史帧序列{Pk|Pk∈T,0<k<t}的相关度rk构成的序列{rk|0<k<t}。
本发明进一步的改进在于,所S4中,在搜索过程中,为了降低无效搜索次数设置搜索停止条件:次数限制qlimit和相关度阈值rthreshold,当搜索次数大于qlimit或相关度大于rthreshold时中止搜索。
实施例
参见图1,本实施例基于相似规律搜索的下肢运动关节角度实时预测方法,包括步骤:
S1、为获取下肢运动规律,将惯性测量单元1布置于下肢关节连杆处,将关节角度测量单元2布置于下肢关节处用以获取关节实时角度;
S2、针对单个关节,获取步态运动中的惯性测量单元1输出的六轴数据,以及关节角度测量单元2获取的关节角度angle,六轴数据包括x轴加速度accx、y轴加速度accy、z轴加速度accz、x轴角速度gyrox、y轴角速度gyroy和z轴角速度gyroz,每个采样时刻获取运动数据列向量和关节角度标签向量Vec’=[angle];
S3、通过6×n的滑动窗口Windowslid(n表示n个连续采样点序列长度),连续获取运动数据帧Pt=[Vec1 Vec2 Vec3 … Vecn]和关节角度标签帧P’t=[Vec’n](每帧数据包括当前采样点t和t前n-1个采样点数据),并构建关节运动规律数据库(t表示当前采样点);
S4、将实时滑动窗口获取的当前运动帧Pt与关节运动规律数据库T中的历史帧序列{Pk|Pk∈T,0<k<t}通过模板匹配,找到匹配度最高的历史帧Pm,以采样点坐标m作为最佳匹配位置;
S5、以采样点m后的关节角度标签帧P’m+i的值作为t+i采样点时刻的关节角度预测值anglepredict,实现对未来(当前采样点t后)多个连续时刻的关节角度预测;
S6、为提高预测角度的稳定性,将最终关节角度预测值angle’predict=anglet+w·(anglepredict-anglet),系数w满足(0<w<1),w越大,预测作用越强,w越小,预测作用越弱;
参见图3,在本实施例中,针对单个关节采集的六轴数据(包括x轴加速度accx,y轴加速度accy,z轴加速度accz,x轴角速度gyrox,y轴角速度gyroy,z轴角速度gyroz),按矩阵形式存入运动数据缓存区;
参见图4,在运动规律数据库T构建过程中,通过6×n的滑动窗口Windowslid(n表示n个连续采样点序列长度),连续获取运动数据帧Pt=[Vec1 Vec2 Vec3 … Vecn]和关节角度标签帧P’t=[Vec’n](每帧数据包括当前采样点t和t前n-1个采样点数据),并构建关节运动规律数据库(t表示当前采样点);
参见图5,在匹配预测过程中,滑动窗口实时获取当前运动帧Pt与关节运动规律数据库T中的历史帧序列{Pk|Pk∈T,0<k<t}通过模板匹配搜索,找到匹配度最高的历史帧Pm,以采样点坐标m作为最佳匹配位置,以采样点m后的关节角度标签帧P’m+i的值作为t+i采样点时刻的关节角度预测值anglepredict,经过优化后,最终实现对未来(当前采样点t后)多个连续时刻的关节角度预测。
以上显示和描述了本发明的基本原理,主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入本发明要求保护的范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,包括以下步骤:
S1、将惯性测量单元(1)布置于下肢关节连杆处,将关节角度测量单元(2)布置于下肢关节处;
S2、针对单个关节,获取下肢周期性运动中的惯性测量单元(1)测量的六轴数据以及关节角度测量单元(2)获取的关节角度angle;
其中,accx为x轴加速度,accy为y轴加速度,accz为z轴加速度,gyrox为x轴角速度,gyroy为y轴角速度,gyroz为z轴角速度;
S3、通过实时滑动窗口连续获取当前运动数据帧Pt=[Vec1 Vec2 Vec3 … Vecn]和关节角度标签帧Pt'=[Vec'n],并构建关节运动规律数据库其中,n表示n个连续采样点序列长度,t表示当前采样点时刻;
S4、将当前运动数据帧Pt与关节运动规律数据库T中的历史帧序列进行匹配搜索,找到匹配度最高的历史帧Pm,以采样点坐标m作为最佳匹配位置;
S5、以采样点m后的关节角度标签帧P'm+i的值作为t+i采样点时刻的关节角度预测值anglepredict,实现对当前采样点t后多个连续时刻的关节角度预测。
2.根据权利要求1所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,还包括S6,令所述t+i采样点时刻的关节角度预测值anglepredict满足以下关系:
angle'predict=anglet+w·(anglepredict-anglet)
将angle'predict作为最终关节角度预测值,其中,w为系数,w满足0<w<1,anglet为t采样点时刻的关节角度值。
3.根据权利要求2所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,系数w满足w=f(r),其中r为每次规律匹配过程中序列中相关度最高的值,w与r正相关。
4.根据权利要求1所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,S1中,针对髋关节角度的预测,在髋关节与膝关节连杆上布置有惯性测量单元(1);对于膝关节角度的预测,膝关节与踝关节连杆上布置有惯性测量单元(1);所述惯性测量单元(1)包含加速度计和陀螺仪。
5.根据权利要求1所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,S1中,关节角度测量单元(2)采用倾角仪或旋转角度仪。
6.根据权利要求1所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,S2中,所述下肢周期性运动包括行走、跑步、上楼、下楼、上坡和下坡。
7.根据权利要求1所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,S3中,通过6×n的滑动窗口Windowslid实时滑动窗口连续获取当前运动数据帧,n小于单个运动周期的采样点数。
8.根据权利要求1所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,S3中,在构建当前运动数据帧之前,需要判断历史采样点数是否不小于滑动窗口长度n,当历史采样点数不小于滑动窗口长度n时,开始构建运动数据帧。
9.根据权利要求1所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,S4中,将当前运动数据帧Pt与关节运动规律数据库T中的历史帧序列进行匹配搜索,获取每次匹配过程中当前运动帧Pt与历史帧序列的相关度rk构成序列{rk|0<k<t},其中,关节运动规律数据库T中的历史帧序列为{Pk|Pk∈T,0<k<t},模板匹配中采用矩阵相关性计算或矩阵Hash特征提取与汉明距离计算来计算运动帧之间的相关度。
10.根据权利要求9所述的一种基于相似规律搜索的下肢运动关节角度实时预测方法,其特征在于,S4中,在匹配搜索过程中,设置搜索停止条件:次数限制qlimit和相关度阈值rthreshold,当搜索次数大于qlimit或相关度大于rthreshold时中止搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011257519.XA CN112535474B (zh) | 2020-11-11 | 2020-11-11 | 一种基于相似规律搜索的下肢运动关节角度实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011257519.XA CN112535474B (zh) | 2020-11-11 | 2020-11-11 | 一种基于相似规律搜索的下肢运动关节角度实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112535474A CN112535474A (zh) | 2021-03-23 |
CN112535474B true CN112535474B (zh) | 2021-12-28 |
Family
ID=75015056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011257519.XA Active CN112535474B (zh) | 2020-11-11 | 2020-11-11 | 一种基于相似规律搜索的下肢运动关节角度实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112535474B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705353B (zh) * | 2021-07-30 | 2024-04-02 | 西安交通大学 | 一种基于周期帧全局特征的下肢运动模式识别方法及*** |
CN114253281A (zh) * | 2021-11-09 | 2022-03-29 | 深圳鹏行智能研究有限公司 | 一种四足机器人运动控制方法、相关装置及存储介质 |
CN117462314B (zh) * | 2023-11-09 | 2024-04-09 | 浙江强脑科技有限公司 | 阻尼调整方法、装置、智能假肢、终端及存储介质 |
CN117281667B (zh) * | 2023-11-09 | 2024-04-09 | 浙江强脑科技有限公司 | 运动模式识别方法、装置、智能假肢、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086706A (zh) * | 2018-07-24 | 2018-12-25 | 西北工业大学 | 应用于人机协作中的基于分割人体模型的动作识别方法 |
CN109634419A (zh) * | 2018-12-14 | 2019-04-16 | 上海迦立信息科技有限公司 | 康复机器人运动意图识别方法及其计算机可读存储介质 |
WO2019095108A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳先进技术研究院 | 机器人的模仿学习方法、装置、机器人及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003228341A1 (en) * | 2002-03-19 | 2003-10-08 | The Board Of Trustees Of The University Of Illinois | System and method for prosthetic fitting and balancing in joints |
US9597015B2 (en) * | 2008-02-12 | 2017-03-21 | Portland State University | Joint angle tracking with inertial sensors |
CN101412218B (zh) * | 2008-10-28 | 2010-09-29 | 北京理工大学 | 基于人体运动轨迹的机器人节奏性动作的相似性评价方法 |
CN107194193B (zh) * | 2017-06-21 | 2020-05-08 | 北京航天控制仪器研究所 | 一种踝泵运动监测方法及装置 |
CN110755070B (zh) * | 2019-08-28 | 2022-07-05 | 北京精密机电控制设备研究所 | 基于多传感器融合的下肢运动位姿快速预测***及方法 |
CN111096830B (zh) * | 2019-12-28 | 2021-11-30 | 杭州电子科技大学 | 一种基于LightGBM的外骨骼步态预测方法 |
CN111325768B (zh) * | 2020-01-31 | 2022-08-30 | 武汉大学 | 一种基于3d视觉和模仿学习的自由漂浮目标抓捕方法 |
-
2020
- 2020-11-11 CN CN202011257519.XA patent/CN112535474B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095108A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳先进技术研究院 | 机器人的模仿学习方法、装置、机器人及存储介质 |
CN109086706A (zh) * | 2018-07-24 | 2018-12-25 | 西北工业大学 | 应用于人机协作中的基于分割人体模型的动作识别方法 |
CN109634419A (zh) * | 2018-12-14 | 2019-04-16 | 上海迦立信息科技有限公司 | 康复机器人运动意图识别方法及其计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
A new model predicting locomotor cost from limb length via force production;Pontzer, H等;《JOURNAL OF EXPERIMENTAL BIOLOGY》;20050430;第1513-1524页 * |
Fuzzy inference system for lower limbs angles prediction;Slavka Viteckova等;《2012 35th International Conference on Telecommunications and Signal Processing (TSP)》;20120802;第517-520页 * |
基于下肢关节力矩解算与预测的人体运动趋势感知研究;杨丛为;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20160215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112535474A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112535474B (zh) | 一种基于相似规律搜索的下肢运动关节角度实时预测方法 | |
Chen et al. | A novel gait pattern recognition method based on LSTM-CNN for lower limb exoskeleton | |
CN106821391B (zh) | 基于惯性传感器信息融合的人体步态采集分析***及方法 | |
CN110146077A (zh) | 移动机器人姿态角解算方法 | |
Li et al. | The lower limbs kinematics analysis by wearable sensor shoes | |
Qi et al. | DCNN based human activity recognition framework with depth vision guiding | |
WO2021258333A1 (zh) | 一种步态异常早期识别与风险预警方法和装置 | |
CN109646009B (zh) | 基于便携式步态分析***的步态时空参数的计算方法 | |
CN110193830B (zh) | 基于rbf神经网络的踝关节步态预测方法 | |
CN112004183B (zh) | 一种基于卷积神经网络融合IMU和WiFi信息的机器人自主定位方法 | |
CN107941212B (zh) | 一种视觉与惯性联合定位方法 | |
CN113295158A (zh) | 一种融合惯性数据、地图信息以及行人运动状态的室内定位方法 | |
Yang et al. | Novel soft smart shoes for motion intent learning of lower limbs using LSTM with a convolutional autoencoder | |
CN114459469B (zh) | 多运动状态导航方法、装置及智能可穿戴设备 | |
Li et al. | Real-time gait event detection for a lower extremity exoskeleton robot by infrared distance sensors | |
Chen et al. | Deep learning for inertial positioning: A survey | |
Chen et al. | Real-time walking gait estimation for construction workers using a single wearable inertial measurement unit (IMU) | |
Lu et al. | Whole-body pose estimation in physical rider–bicycle interactions with a monocular camera and wearable gyroscopes | |
Ko et al. | CNN and bi-LSTM based 3D golf swing analysis by frontal swing sequence images | |
Nouriani et al. | Deep-learning-based human activity recognition using wearable sensors | |
Qiu et al. | Heterogeneous data fusion for three-dimensional gait analysis using wearable MARG sensors | |
CN111539364A (zh) | 基于特征融合和多分类器投票的多体感人体行为识别算法 | |
Zhang et al. | Motion velocity, acceleration and energy expenditure estimation using micro flow sensor | |
CN116206358A (zh) | 一种基于vio***的下肢外骨骼运动模式预测方法及*** | |
Taheri et al. | Human leg motion tracking by fusing imus and rgb camera data using extended kalman filter |
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 |