CN114287890B - 基于mems传感器的帕金森患者的运动功能评估方法 - Google Patents
基于mems传感器的帕金森患者的运动功能评估方法 Download PDFInfo
- Publication number
- CN114287890B CN114287890B CN202210033665.7A CN202210033665A CN114287890B CN 114287890 B CN114287890 B CN 114287890B CN 202210033665 A CN202210033665 A CN 202210033665A CN 114287890 B CN114287890 B CN 114287890B
- Authority
- CN
- China
- Prior art keywords
- gait
- acceleration
- foot
- sensor
- parkinson
- 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 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 230000005021 gait Effects 0.000 claims abstract description 79
- 230000001133 acceleration Effects 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000010354 integration Effects 0.000 claims abstract description 15
- 208000004067 Flatfoot Diseases 0.000 claims description 25
- 208000018737 Parkinson disease Diseases 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 9
- 230000007659 motor function Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 208000027089 Parkinsonian disease Diseases 0.000 description 6
- 206010034010 Parkinsonism Diseases 0.000 description 6
- 238000003672 processing method Methods 0.000 description 5
- 206010017577 Gait disturbance Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 206010056242 Parkinsonian gait Diseases 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000006880 cross-coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000003692 ilium Anatomy 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开基于MEMS传感器的帕金森患者的运动功能评估方法。首先采用受试者进行一组直行，转弯步态任务进行数据采集；采用基于规则的阈值，峰值检测法进行步态HS,FF,HO,TO四周期检测，并计算步幅时间，支撑相时间和摆动相时间；采用基于规则的阈值检测方法进行多任务识别，输出转弯与直行任务类型；结合双积分与加速度补偿的步长估计算法，计算步长与步速。精度满足运动分析的要求，可以有效、准确地对帕金森患者进行步态评估，为PD患者的临床运动评估提供了技术基础。
Description
技术领域
本发明涉及运动评估领域，特别涉及一种基于MEMS(Micro-Electro-Mechanicalsystem，微机电***)传感器的帕金森患者在多任务下的运动评估***，具体为基于MEMS传感器的帕金森患者的运动功能评估方法。
背景技术
帕金森病(Parkinson's disease，PD)是仅次于阿兹海默症的第二高发的神经退行性疾病，由大脑中黑质纹状体神经节受损引起。临床常见肌肉僵硬、震颤、姿态不稳、冻结步态等多种运动障碍，对PD患者的生活质量造成较大负面影响。由于PD无法治愈，及早诊断与治疗干预，可以有效延缓其病程的进展。但是目前PD病人的临床诊断以医生主观观察和量表为主，早中期步态障碍表现隐匿，确诊困难，误诊率高。目前，研究者们发现在复杂运动任务(如转弯)下PD的步态障碍表现会更为显著，发展面向PD运动障碍评估的客观量化手段可以有效辅助疾病诊断。
惯性测量单元(IMU)以其体积小、便携性和不受实验环境限制等优点被广泛应用于可穿戴运动评估中。将一个或多个可穿戴惯性传感器安装在受试者的身体节段上，通过一系列步态动作，可以从步长，步态节奏，步态变异性，不对称性，身体重心稳定性这些方面评估受试者的平衡和行走能力。目前的研究通常用于计算在跑步机或地面直走过程中的步态参数。而其他运动任务，如转弯，在目前的模型中很少考虑。转弯是一项具有挑战性的运动能力任务，需要受试者运动功能和认知功能的共同作用完成。与对照组相比，PD患者在步态变量方面表现出更显著的差异。在疾病早期，甚至在步态障碍出现之前，帕金森患者就可能在转弯过程中出现步态缓慢和重心转移困难等步态障碍。评估帕金森病患者直线行走和转弯时的步态特征至关重要。
发明内容
本发明的目的在于克服现有技术的不足和填补空白，提供一种基于MEMS(Micro-Electro-Mechanical system，微机电***)传感器的帕金森患者的运动评估方法。本发明由步态相位检测，步态任务识别与步幅估计三个部分组成，通过新颖的数据滤波方法，阈值、峰值识别规则与加速度矫正技术等数据处理方法，能够实现对多任务下帕金森患者的步态周期，转弯、直行任务与步长、步速这些步态参数进行评估。
为达成上述目的，解决背景技术问题，本发明的方案如下：基于MEMS传感器的帕金森患者的运动功能评估方法，该方法基于包括IMU测量单元在内的装置；
所述IMU测量单元安装在帕金森患者的左右小腿，左右脚部与腰部，建立运动评估模型，评估人体的步态时间参数与步态空间参数；
进一步地，所述装置融合九轴惯性传感器进行帕金森患者运动功能评估；
进一步地，所述的基于MEMS传感器的帕金森患者的运动功能评估方法，包括如下步骤：
S1采用受试者进行一组直行，转弯步态任务进行数据采集；
S2采用基于规则的阈值，峰值检测法进行步态HS,FF,HO,TO四周期检测，并计算步幅时间，支撑相时间和摆动相时间；
S3采用基于规则的阈值检测方法进行多任务识别，输出转弯与直行任务类型；
S4通过创新提出的结合双积分与加速度补偿的步长估计算法，计算步长与步速。
进一步地，所述步骤S1中采用受试者进行一组动态动作进行数据采集，具体步骤包括：
采用所述的装置进行数据采集，输出安装在受试者左右小腿，左右脚部与腰部传感器的姿态角与加速度信号；
进一步地，所述步骤S2中采用基于规则的阈值，峰值检测法进行步态周期检测，具体步骤包括：
S2.1根据所述步骤S1.2输出的安装在小腿的姿态角信号，使用峰值检测识别TO与HS步态事件；
S2.2根据所述步骤S1.2输出的安装在脚部的姿态角信号，进行一阶微分，得到脚部传感器的俯仰角角速度；
S2.3对脚部传感器的俯仰角角速度，通过三阶零滞后高通滤波器滤波，得到滤波后的脚部传感器的俯仰角角速度；
S2.4对俯仰角角速度使用阈值检测与峰值检测的方法识别HO与FF步态事件，并调整阈值的参数使其达到精度要求；
S2.5根据HO,TO,HS,FF步态事件计算，输出步态时间参数。
进一步地，所述步骤S3中采用基于规则的阈值检测方法进行转弯与直行多任务识别输出任务类型，具体步骤包括：
S3.1根据所述步骤S1.2输出的安装在左、右脚和腰部的传感器的姿态角信号，使用阈值检测识别直行与转弯步态任务：
进一步地，所述步骤S4中基于步态周期，采用脚部加速度为输入，通过结合误差矫正的双积分步长估计算法，估计步长，与速度，具体步骤包括：
S4.1根据所述步骤S1.2输出的安装在脚部的加速度信号，在全局坐标系中消除重力加速度影响；
S4.2根据所述步骤S2.5输出的步态时间参数，对消除重力影响后的加速度信号进行零速度更新，并使用零速度校正法计算积分误差：
S4.3对校正后加速度信号双积分计算位移，计算步长，与速度。
本发明提供的有益效果表现如下：
本发明提出了一种基于可穿戴IMU的面向“直行-转弯”多任务的PD患者步态时空参数模型。
基于放置在左、右小腿，左、右脚和腰部的惯性传感器，通过新颖的滤波处理方法，阈值、峰值识别与加速度矫正技术等数据处理方法，可以准确地识别直行、转弯任务，检测HS,FF,HO,TO步态事件，并计算步长、步速参数。
步态相位检测算法能够以100％的识别准确率检测步态事件，步态任务识别精度高于98.83％，步态时间参数误差低于4.81ms，步态空间参数平均偏差在2cm以下,行走速度的绝对平均偏差在0.01m/s以下。
本发明的精度满足运动分析的要求，可以有效、准确地对帕金森患者进行步态评估，为PD患者的临床运动评估提供了技术基础。
附图说明
图1为本发明使用的MEMS传感器装置的佩戴方法；
图2为本发明采用的动态动作示意；
图3为本发明的的基于可穿戴传感器的帕金森患者的多任务运动功能评估方法流程图；
图4为本发明的步态任务识别结果图；
图5为本发明的步态时空参数验证结果图；
具体实施方式
以下结合附图以及具体实施例，对本发明作进一步详细说明。
一、如图1所示，在受试者佩戴五个无线惯性传感器采集运动传感数据，融合下肢与腰部的信息搭建运动评估模型。该九轴传感器包括三轴加速度计、三轴陀螺仪和三轴磁力计，其中两个传感器放在左右脚脚背上，用3M双面胶进行固定，两个传感器分别固定在左、右小腿位置，一个传感器放在髂后上棘位置，用弹性带进行固定；以100Hz的频率采样。要求参与者首先进行静态试验，同时站立不动，双脚相距15厘米。在步行试验中，他/她进行如图2所示“直走-转弯-直走-转弯-直走”任务，并以自我舒适的速度重复20圈(图2)。路径长度为7米，被试者须在行走过程中进行180°转弯。通过IMU采集肢体的加速度与姿态角数据。二、进行脚跟触地(heel strike,HS)、平足(flat foot,FF)、脚跟离地(heel off,HO)和脚趾离地(toe off,TO)四步态相位检测。目前的研究者普遍通过脚部的俯仰角角速度进行步态四相位的划分。在HS和TO事件，即摆动相的开始和结束的时刻，脚部传感器的俯仰角角速度达到局部极小值；而在FF和HO事件，即平足期阶段的开始和结束的时刻，脚部传感器的俯仰角角速度测量值绝对值趋近零。可以通过简单的阈值、峰值检测算法检测步态相位。
然而，对受试者正常行走时的典型角速率测量的仔细检查表明，由于步态的差异，脚部的俯仰角角速度的变化具有较大差别，简单的阈值算法不足以准确检测步态相位。
为了解决上述问题，本发明提出了一种新颖的步态事件检测算法。如图3所示，首先进行数据预处理：计算全局坐标系下脚部的俯仰角的一阶微分，然后用一个3rd零滞后高通滤波器(fHC＝1Hz)滤波,得到脚部的俯仰角角速度。将小腿俯仰角采用截止频率为5HZ的12th零滞后低通巴特沃斯滤波器滤波。
随后采用基于规则的机器学习方法识别四种步态事件:
1)检测小腿俯仰角的局部峰值为HS事件。
2)检测HS事件后足部俯仰角角速度的过零点为FF事件。
3)检测FF事件后足部俯仰角角速度的局部峰值为HO事件
4)检测小腿俯仰角的局部负峰值为TO事件。
在步态事件检测的基础上，计算步态的时间参数，如步幅时间、姿态相位时间和摆动时间。
三、进行步态直行、转弯多任务识别。由于转弯是通过自顶向下的身体节段顺序旋转完成的，使用来自躯干上的惯性传感器和双脚上的惯性传感器输出的航向角进行转弯检测，计算上述航向角在HO与下一个HS事件间的角度变化，如图1所示。采用一种基于规则的阈值检测方法进行基于步态周期的行走和转弯多任务识别。
若参数满足以下条件，则认为步态状态为转向:
四、进行步态空间参数计算。采用基于全局坐标系局部加速度的双积分方法获得足部的三维位置。首先将加速度从传感器坐标系转换到地球坐标系，去除重力加速度，得到局部加速度/>
其中，为传感器坐标系下测量的加速度值，四元数q(t)表示传感器方位，重力加速度分量g＝[0,0,9.81]。
利用全局坐标系下的运动加速度的双积分计算脚部位移。采用零速度更新(ZVU)，将连续的运动分成一系列的步态周期，在每个周期中从HO到FF事件之间进行积分，而脚在平足期(FF)时积分速度清零以实现减小积分过程中产生漂移误差：
其中，为各时刻由加速度/>积分得的瞬时速度，vFo(tHO)设为0,P为一个步态周期中从HO到下一个FF的脚部三维位移。
步长估计的另一个误差来源是积分过程中积累的加速度计噪声或测量误差，特别是在运动实验条件下。需要考虑加速度补偿算法。测量的局部加速度可以看做真实加速度与尺度因子误差、坐标交叉耦合误差、随机噪声等多种因素产生的偏置误差的线性组合。可以假定偏移误差在短时间内是恒定的：
其中，为测量的加速度，/>为真实加速度，ε为偏移误差常数。
采用时间积分法计算速度vFo(tFF)，当脚部完全接触地面时，理想速度应为零。ε的计算公式如下:
式中，tHO和tFF分别为HO和下一个FF在一个步态周期中的时刻，为在地球坐标系下测得的局部加速度。
采用基于步态周期的加速度校正方法进行步幅估计补偿，可以计算步幅为：
步行速度可以根据估计的步幅和步幅时间来计算。
图4为步态任务识别结果。
在步态任务和步态相位识别的基础上，分别计算行走和转弯时的步幅时间、站立时间和摆动时间等时间步态参数。图5为步态时空参数验证结果。
步态相位检测算法在直线行走和转弯过程中的4个步态事件的识别准确率均为100％，在直行、转弯任务识别中获得了良好的准确率(>98.83％)。直行时时间步态参数的绝对平均偏差低于2.24ms，转弯时低于4.81ms。步幅绝对平均偏差在2厘米以下,行走速度的绝对平均偏差在0.01m/s以下。
综上所述，本发明提出了一种基于可穿戴IMU的面向“直行-转弯”多任务的PD患者步态时空参数模型。本发明基于放置在左、右小腿，左、右脚和腰部的惯性传感器，通过新颖的滤波处理方法，阈值、峰值识别规则与加速度矫正技术等数据处理方法，可以准确地识别直行、转弯任务，检测HS,FF,HO,TO步态事件，并计算步长、步速参数。本发明的模型精度满足运动分析的要求，可以有效且准确地对帕金森患者进行步态评估，为PD患者的临床运动评估提供了技术基础。
本发明不局限于上述实施例，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围。
Claims (4)
1.基于MEMS传感器的帕金森患者的运动功能评估方法，其特征在于，包括如下步骤：
S1采用受试者进行一组直行，转弯步态任务进行数据采集；
S2采用基于规则的阈值，峰值检测法进行步态HS,FF,HO,TO四周期检测，并计算步幅时间，支撑相时间和摆动相时间；
S3采用基于规则的阈值检测方法进行多任务识别，输出转弯与直行任务类型；
S4结合双积分与加速度补偿的步长估计算法，计算步长与步速；
所述步骤S1中采用受试者进行一组动态动作进行数据采集，具体步骤包括：
根据基于MEMS传感器的帕金森患者的运动功能评估装置进行数据采集，输出安装在受试者左右小腿，左右脚部与腰部传感器的姿态角与加速度信号；
所述步骤S2中采用基于规则的阈值，峰值检测法进行步态周期检测，具体步骤包括：
S2.1根据输出的安装在小腿的姿态角信号，使用峰值检测识别TO与HS步态事件；
S2.2根据输出的安装在脚部的姿态角信号，进行一阶微分，得到脚部传感器的俯仰角角速度；
S2.3对脚部传感器的俯仰角角速度，通过三阶零滞后高通滤波器滤波，得到滤波后的脚部传感器的俯仰角角速度；
S2.4对俯仰角角速度使用阈值检测与峰值检测的方法识别HO与FF步态事件，并调整阈值的参数使其达到精度要求；
S2.5根据HO,TO,HS,FF步态事件计算，输出步态时间参数；
所述步骤S3中采用基于规则的阈值检测方法进行转弯与直行多任务识别输出任务类型，具体步骤包括：
S3.1根据输出的安装在左、右脚和腰部的传感器的姿态角信号，使用阈值检测识别直行与转弯步态任务：
所述步骤S4中基于步态周期，采用脚部加速度为输入，通过结合误差矫正的双积分步长估计算法，估计步长，与速度，具体步骤包括：
S4.1根据输出的安装在脚部的加速度信号，在全局坐标系中消除重力加速度影响；
S4.2根据输出的步态时间参数，对消除重力影响后的加速度信号进行零速度更新，并使用零速度校正法计算积分误差；
S4.3对校正后加速度信号双积分计算位移，计算步长，与速度。
2.根据权利要求1所述的基于MEMS传感器的帕金森患者的运动功能评估方法，其特征在于，所述步骤S4采用基于全局坐标系局部加速度的双积分方法获得足部的三维位置：首先将加速度从传感器坐标系转换到地球坐标系，去除重力加速度，得到局部加速度
其中，为传感器坐标系下测量的加速度值，四元数q(t)表示传感器方位，重力加速度分量g＝[0,0,9.81]；
利用全局坐标系下的运动加速度的双积分计算脚部位移；
采用零速度更新(ZVU)，将连续的运动分成一系列的步态周期，在每个周期中从HO到FF事件之间进行积分，而脚在平足期(FF)时积分速度清零以实现减小积分过程中产生漂移误差：
其中，为各时刻由加速度/>积分得的瞬时速度，vFo(tHO)设为0,P为一个步态周期中从HO到下一个FF的脚部三维位移；
步长估计的另一个误差来源是积分过程中积累的加速度计噪声或测量误差，特别是在运动实验条件下，需要考虑加速度补偿算法，假定偏移误差在短时间内是恒定的：
其中，为测量的加速度，/>为真实加速度，ε为偏移误差常数；
采用时间积分法计算速度vFo(tFF)，当脚部完全接触地面时，理想速度应为零；
ε的计算公式如下:
式中，tHO和tFF分别为HO和下一个FF在一个步态周期中的时刻，/>为在地球坐标系下测得的局部加速度；
采用基于步态周期的加速度校正方法进行步幅估计补偿，可以计算步幅为：
步行速度可以根据估计的步幅和步幅时间来计算。
3.根据权利要求1所述的基于MEMS传感器的帕金森患者的运动功能评估方法，其特征在于，所述方法使用装置包括：IMU测量单元；所述IMU测量单元安装在帕金森患者的左右小腿，左右脚部与腰部，建立运动评估模型，评估人体的步态时间参数与步态空间参数。
4.根据权利要求1所述的基于MEMS传感器的帕金森患者的运动功能评估方法，其特征在于，所述装置融合九轴惯性传感器进行帕金森患者运动功能评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210033665.7A CN114287890B (zh) | 2022-01-12 | 2022-01-12 | 基于mems传感器的帕金森患者的运动功能评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210033665.7A CN114287890B (zh) | 2022-01-12 | 2022-01-12 | 基于mems传感器的帕金森患者的运动功能评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114287890A CN114287890A (zh) | 2022-04-08 |
| CN114287890B true CN114287890B (zh) | 2023-09-26 |
Family
ID=80977980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210033665.7A Active CN114287890B (zh) | 2022-01-12 | 2022-01-12 | 基于mems传感器的帕金森患者的运动功能评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114287890B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115486837B (zh) * | 2022-09-22 | 2023-04-25 | 北京戴来科技有限公司 | 一种步态分析方法、***以及改善行走障碍的装置 |
| CN117747115B (zh) * | 2024-02-19 | 2024-05-14 | 天津大学 | 一种步态信息处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012007855A1 (en) * | 2010-07-14 | 2012-01-19 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and method for 3d gait assessment |
| CN104598722A (zh) * | 2014-12-25 | 2015-05-06 | 中国科学院合肥物质科学研究院 | 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法 |
| CN110151189A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 用于帕金森步态风险评估的非线性步态动力学判别方法 |
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN112656406A (zh) * | 2021-01-27 | 2021-04-16 | 山东农业大学 | 一种基于可穿戴传感器的帕金森病下肢运动检测方法 |
-
2022
- 2022-01-12 CN CN202210033665.7A patent/CN114287890B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012007855A1 (en) * | 2010-07-14 | 2012-01-19 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and method for 3d gait assessment |
| CN104598722A (zh) * | 2014-12-25 | 2015-05-06 | 中国科学院合肥物质科学研究院 | 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法 |
| CN110151189A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 用于帕金森步态风险评估的非线性步态动力学判别方法 |
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN112656406A (zh) * | 2021-01-27 | 2021-04-16 | 山东农业大学 | 一种基于可穿戴传感器的帕金森病下肢运动检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于人体重心轨迹的步态分析方法;周丽萍;刘敬浩;;信息技术(第08期);全文 * |
| 帕金森病冻结步态的实时监测***;袁心一;王家莉;仇一青;杨春晖;胡小吾;吴曦;沈林勇;;北京生物医学工程(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114287890A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114287890B (zh) | 基于mems传感器的帕金森患者的运动功能评估方法 | |
| Sabatini et al. | Assessment of walking features from foot inertial sensing | |
| Chang et al. | A wearable inertial measurement system with complementary filter for gait analysis of patients with stroke or Parkinson’s disease | |
| CN104757976B (zh) | 一种基于多传感器融合的人体步态分析方法和*** | |
| Gujarathi et al. | Gait analysis using imu sensor | |
| CN110916679B (zh) | 一种人体下肢位姿步态检测装置及方法 | |
| Lee et al. | Quasi real-time gait event detection using shank-attached gyroscopes | |
| CN106176149A (zh) | 一种基于多传感融合的外骨骼步态分析***及方法 | |
| CN108836346A (zh) | 一种基于惯性传感器的人体步态分析方法和*** | |
| Han et al. | Gait detection from three dimensional acceleration signals of ankles for the patients with Parkinson’s disease | |
| Djurić-Jovičić et al. | Nonlinear optimization for drift removal in estimation of gait kinematics based on accelerometers | |
| Zihajehzadeh et al. | Experimental evaluation of regression model-based walking speed estimation using lower body-mounted IMU | |
| Yang et al. | Inertial sensors in estimating walking speed and inclination: an evaluation of sensor error models | |
| Bishop et al. | Walking speed estimation using shank-mounted accelerometers | |
| CN114469073B (zh) | 基于可穿戴传感器的步态分析与异常检测方法 | |
| JP2014504932A (ja) | 哺乳動物の体の向きを分類するための装置および方法 | |
| Kong et al. | Comparison of gait event detection from shanks and feet in single-task and multi-task walking of healthy older adults | |
| Kose et al. | Estimation of traversed distance in level walking using a single inertial measurement unit attached to the waist | |
| Yang et al. | Validation of a spatiotemporal gait model using inertial measurement units for early-stage Parkinson’s disease detection during turns | |
| FÉLIX et al. | Adaptive real-time tool for human gait event detection using a wearable gyroscope | |
| CN114663913A (zh) | 一种基于Kinect的人体步态参数提取方法 | |
| Li et al. | Quantitative analysis of abnormal and normal gait based on inertial sensors | |
| Alam et al. | Gait speed estimation using Kalman Filtering on inertial measurement unit data | |
| Patterson et al. | Using a foot mounted accelerometer to detect changes in gait patterns | |
| CN115530815A (zh) | 一种基于角速度传感器的步态时相识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |