CN115607146B - 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 - Google Patents
一种用于腿部姿态估计的可穿戴单节点设备及测量方法 Download PDFInfo
- Publication number
- CN115607146B CN115607146B CN202211620807.6A CN202211620807A CN115607146B CN 115607146 B CN115607146 B CN 115607146B CN 202211620807 A CN202211620807 A CN 202211620807A CN 115607146 B CN115607146 B CN 115607146B
- Authority
- CN
- China
- Prior art keywords
- angle
- hydrogel
- leg
- information
- value
- 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
- 238000000691 measurement method Methods 0.000 title claims description 10
- 239000000017 hydrogel Substances 0.000 claims abstract description 51
- 230000033001 locomotion Effects 0.000 claims abstract description 46
- 210000002414 leg Anatomy 0.000 claims abstract description 44
- 230000036544 posture Effects 0.000 claims abstract description 39
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 34
- 210000001699 lower leg Anatomy 0.000 claims abstract description 20
- 210000000629 knee joint Anatomy 0.000 claims abstract description 15
- 210000000689 upper leg Anatomy 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000000295 complement effect Effects 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 12
- 230000008447 perception Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 210000003414 extremity Anatomy 0.000 claims description 7
- 230000008054 signal transmission Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 2
- 244000309466 calf Species 0.000 abstract 1
- 238000001914 filtration Methods 0.000 abstract 1
- 210000003127 knee Anatomy 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 8
- 210000003141 lower extremity Anatomy 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- A61B5/1116—Determining posture transitions
-
- 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
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种用于腿部姿态估计的可穿戴单节点设备及测量方法，设备由一个微惯性传感器以及多块水凝胶集成，置于膝盖处，能够测量人体运动时的大腿、小腿姿态以及膝关节的角度。首先利用大腿姿态、水凝胶测量数据估计人体运动状态，而后根据运动约束条件，预测小腿姿态；微惯性测量膝关节角度采用互补滤波融合，再与水凝胶的角度测量值利用Kalman滤波器进行融合，获得准确关节角度。本发明仅采用一个微惯性传感器，有效避免了多传感器的对齐问题，同时水凝胶的辅助测量有助于减少惯性解算的累计误差，提高测量结果的准确性和稳定性。
Description
技术领域
本发明属于人体运动监测领域，特别涉及一种用于腿部姿态估计的可穿戴单节点设备及测量方法。
背景技术
人体下肢承担着人体移动的重要功能，包括走、跑、跳跃等，在复健过程中，监测下肢在运动过程中的姿态变化能为提供个性化理疗方案提供助力。基于光学的姿态跟踪，能够精准评估患者姿态，但使得患者活动空间受限，不仅如此，穿戴多个标记点也增加了评估过程的复杂性。因此，具有便携、可持续监测等特点的可穿戴传感器方案得到了市场青睐。目前主流穿戴方案是双惯性传感器。然而，多传感器的对齐误差、解算的累计误差、传感器位移、以及初始状态识别等诸多因素均会导致不可靠的测量结果。因此，引入其他测量手段进行多源信息融合是必要的。水凝胶材料表现出良好的导电性和机械性能，其弯曲-伸展的电特性变化利于感知下肢的角度变化。利用水凝胶材料制成的角度感知传感器，利用辅助测量人体下肢运动姿态，能够减少惯性测量的误差，提升测量结果的可靠性与稳定性。
发明内容
本发明旨在解决人体运动时腿部姿态监测问题，包括大腿和小腿倾角以及膝关节外展角度问题，提出一种用于腿部姿态估计的可穿戴单节点设备及测量方法，该设备集成一个惯性传感器以及多块水凝胶，置于人体膝关节处。该设备利用水凝胶的稳定测量值，修正惯性测量结果，能够缓解惯性测量的累计误差，避免传感器对齐误差。
为实现上述目的，本发明采取的技术方案是：
本发明提供一种用于腿部姿态估计的可穿戴单节点设备，包括一个微惯性模块，水凝胶感知模块，无线信号传输模块以及中央信号处理模块；所述微惯性传感器采集腿部运动时的加速度和角速度信息；所述水凝胶感知模块为水凝胶阵列，感知运动时肢体的弯曲变化；所述无线信号传输模块包括信号接收模块和信号发送模块；所述中央信号处理模块用于初步信号处理，解算出欧拉角、四元数以及粗略膝关节角度。
作为本发明设备进一步改进，所述水凝胶感知模块包括A/D数模转换电路，将水凝胶形变的模拟信号转换为数字信号。
作为本发明设备进一步改进，所述中央信号处理模块的主控开发板为ArduinoNano 33 BLE，且搭载有微惯性芯片LSM9DS1和蓝牙5.0。
作为本发明设备进一步改进，所述中央信号处理模块的主控芯片为nRF52840。
本发明提供一种用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，该方法包含以下步骤：
步骤1：获取微惯性测量值以及粗略关节角度值；
步骤2：估计人体运动模式以及腿部运动姿态；
所述估计人体运动模式方法为：
（1）水凝胶感知信息和微惯性加速度信息以m长度的滑动窗口截取，形成动作信号，第k时刻的动作信号长度从第（k-m+1）时刻开始，记为：
其中是 
三轴加速度， 
是三轴角速度，
是四元数，
是俯仰角，
是横滚
角， 
是粗略的膝关节角度，进一步计算每列的特征信号，最终形成动作的特征集合，用于
识别动作类型；
（2）利用机器学习方法训练动作模型，进行分类；
所述腿部运动姿态的估计方法为：
（1）将设备穿戴完毕后，进行腿部关节轴识别，最小化方程：
求解出关节轴参数，
式中j为关节轴，其表达式为：
，
为俯仰角，
为横滚
角；
为k时刻角速度值；
（2）利用Elman神经网络对另一肢体的姿态进行测量，输入为：
输出为：
式中，
为小腿的横滚角和俯仰角，表征小腿姿态；
步骤（3）步骤（2）中所述神经网络模型根据运动模式的不同，共训练4个，训练时的损失函数设定为：
式中,K为比例参数，
为第k时刻大腿的偏航角，
为小腿的姿态估计值；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值；
步骤3中，惯性信息一次融合，与水凝胶信息进行二次融合，具体为：
（1）通过陀螺仪积分，计算膝关节角度
其中
为k-1时刻解算值，当足部着地时，该值替换为水凝胶测量值
，以消除
累计误差；
为陀螺仪测得三轴角速度,j为估计的关节轴，
为小腿的俯仰角的估算值，
为采样的间隔时间；
（2）利用加速度计计算角度值：
（3）加速度计信息与陀螺仪信息基于互补滤波器进行融合：
式中，
为k刻，惯性传感器的数据融合结果， 
为权值，取值范围为(0,1)；
（4）IMU解算角度和水凝胶估算角度利用Kalman滤波器进行融合，状态方程为：
其中，
为高斯白噪声，观测方程设定为：
其中
为高斯白噪声；
步骤4：输出人体运动状态下的姿态测量信息。
作为本发明测量方法进一步改进，步骤1中所述微惯性测量值包括加速度、角速度以及由其解算得到的四元数和欧拉角。
作为本发明测量方法进一步改进，步骤1中粗略关节角度值的测量方法为，首先测
定多角度下n块水凝胶阵列的电信号值，然后采用双层前馈网络进行拟合，得到角度-电信
号模型，用于获取角度信息，角度信息记为
。
作为本发明测量方法进一步改进，步骤2中所述人体运动模式分为行走、跑步、上下楼以及下蹲。
作为本发明测量方法进一步改进，步骤2中每列的特征信号包括均值、极值、标准差和频率。
作为本发明测量方法进一步改进，所述腿部运动姿态的估计方法中腿部摆动时间为5-10s。
与现有技术相比，本发明的有益效果为：
本发明提出的一种用于腿部姿态估计的可穿戴节点设备中，采用单惯性传感器及水凝胶组合测量，能避免多惯性的对齐问题。所述姿态估计方法中，利用大腿姿态、运动模式及运动约束估计小腿姿态，在减少传感器数量的同时，保证了姿态估计的精度与稳定性。同时，将水凝胶测量值周期性作为惯性解算初值，并将测量值和惯性解算值进行数据融合，有效减少了累计误差的影响。该方法引入了水凝胶传感器测量作为补充，减少了惯性传感器数量，提供了腿部姿态的稳定测量值。
附图说明
图1是一种用于腿部姿态估计的可穿戴单节点及估计方法基本原理框架图；
图2是腿部姿态估计方法的总体流程图；
图3是利用大腿姿态估计小腿姿态方法框架；
图4是水凝胶传感器测量值与惯性传感器解算值的数据融合方法框架。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
以下结合实施例和说明书附图，详细说明本发明的实施过程。
实施例1：
如图1所示，一种用于关节角度测量的单节点可穿戴设备，包括一个微惯性模块，水凝胶感知模块，无线信号传输模块以及中央信号处理模块；其特征在于，所述微惯性传感器采集腿部运动时的加速度和角速度信息；所述水凝胶感知模块为水凝胶阵列，可以感知运动时肢体的弯曲变化；所述无线信号传输模块包括信号接收模块和信号发送模块；所述中央信号处理模块用于初步信号处理，解算出欧拉角、四元数以及粗略膝关节角度。
其中，水凝胶感知模块包括A/D数模转换电路，将水凝胶形变的模拟信号转换为数字信号。
如图2所示，一种用于腿部姿态测量的方法，其特征在于，该方法包含以下步骤：
步骤1：获取微惯性测量值以及粗略关节角度值；
步骤2：估计人体运动模式以及腿部运动姿态；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值；
步骤4：输出人体运动状态下的姿态测量信息。
进一步地，步骤1中所述微惯性测量值包括加速度、角速度以及由其解算得到的四
元数和欧拉角；所述粗略关节角度测量方法为，首先测定多角度下n块水凝胶阵列的电信号
值，然后采用双层前馈网络进行拟合，得到角度-电信号模型，用于获取角度信息，角度信息
记为
；
其中，步骤2中所述人体运动模式分为行走、跑步、上下楼以及下蹲；
所述估计方法流程如图3所示，
其中，运动模式的估计方法为：
（1）水凝胶感知信息和微惯性加速度信息以m长度的滑动窗口截取，形成动作信号，第k时刻的动作信号长度从第（k-m+1）时刻开始，记为：
其中是 
三轴加速度， 
是三轴角速度，
是四元数，
是俯仰角，
是横滚
角， 
是粗略的膝关节角度，进一步计算每列的特征信号，如均值、极值、标准差、频率等，
最终形成动作的特征集合，用于识别动作类型。
（2）利用机器学习方法训练动作模型，进行分类；
其中，腿部运动姿态的估计方法为：
（1）将设备穿戴完毕后，进行腿部关节轴识别，将腿部进行摆动5-10s，最小化方程：
求解出关节轴参数。
式中j为关节轴，其表达式为：
，
为俯仰角，
为横滚
角；
为k时刻角速度值。
（2）利用Elman神经网络对另一肢体的姿态进行测量，输入为：
输出为：
式中，
为小腿的横滚角和俯仰角，表征小腿姿态；
（3）（2）中所述神经网络模型根据运动模式的不同，共训练4个，训练时的损失函数设定为：
式中,K为比例参数，
为第k时刻大腿的偏航角，
为小腿的姿态估计值；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值。
如图4所示，步骤3中，惯性信息一次融合，与水凝胶信息进行二次融合，具体为：
（（1）通过陀螺仪积分，计算膝关节角度
其中
为k-1时刻解算值，当足部着地时，该值替换为水凝胶测量值
，以消
除累计误差；
为陀螺仪测得三轴角速度,j为估计的关节轴，
为小腿的俯仰角的估算
值，
为采样的间隔时间。
（2）利用加速度计计算角度值：
（3）加速度计信息与陀螺仪信息基于互补滤波器进行融合：
式中，
为k刻，惯性传感器的数据融合结果， 
为权值，取值范围为(0,1)；
（4）IMU解算角度和水凝胶估算角度利用Kalman滤波器进行融合，状态方程为：
其中，
为高斯白噪声，观测方程设定为：
其中
为高斯白噪声；
步骤4：输出人体运动状态下的姿态测量信息。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (9)
1.一种用于腿部姿态估计的可穿戴单节点设备，包括一个微惯性模块，水凝胶感知模块，无线信号传输模块以及中央信号处理模块；其特征在于，用于腿部姿态估计的可穿戴单节点设备的测量方法，包含以下步骤：
步骤1：获取微惯性测量值以及粗略关节角度值；
粗略关节角度值的测量方法为，首先测定多角度下n块水凝胶阵列的电信号值，然后采用双层前馈网络进行拟合，得到角度-电信号模型，用于获取角度信息，角度信息记为
；
步骤2：估计人体运动模式以及腿部运动姿态；
所述估计人体运动模式方法为：
（1）水凝胶感知信息和微惯性加速度信息以m长度的滑动窗口截取，形成动作信号，第k时刻的动作信号长度从第（k-m+1）时刻开始，记为：
其中是 
三轴加速度， 
是三轴角速度，
是四元数，
是俯仰角，
是横滚角， 
是粗略的膝关节角度，进一步计算每列的特征信号，最终形成动作的特征集合，用于识别动作类型；
（2）利用机器学习方法训练动作模型，进行分类；
所述腿部运动姿态的估计方法为：
1）将设备穿戴完毕后，进行腿部关节轴识别，最小化方程：
求解出关节轴参数，
式中j为关节轴，其表达式为：
，
为俯仰角，
为横滚角；
为k时刻角速度值；
2）利用Elman神经网络对另一肢体的姿态进行测量，输入为：
输出为：
式中，
为小腿的横滚角和俯仰角，表征小腿姿态；
3）步骤2）中所述神经网络模型根据运动模式的不同，共训练4个，训练时的损失函数设定为：
式中,K为比例参数，
为第k时刻大腿的偏航角，
为小腿的姿态估计值；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值；
步骤3中，对惯性信息进行一次融合，与水凝胶信息进行二次融合，具体为：
（1）通过陀螺仪积分，计算膝关节角度
其中
为k-1时刻解算值，当足部着地时，该值替换为水凝胶测量值
，以消除累计误差；
为陀螺仪测得三轴角速度,j为估计的关节轴，
为小腿的俯仰角的估算值，
为采样的间隔时间；
（2）利用加速度计计算角度值：
（3）加速度计信息与陀螺仪信息基于互补滤波器进行融合：
式中，
为k时刻，惯性传感器的数据融合结果， 
为权值，取值范围为(0,1)；
（4）IMU解算角度和水凝胶估算角度利用Kalman滤波器进行融合，状态方程为：
其中
为高斯白噪声，观测方程设定为：
其中
为高斯白噪声；
步骤4：输出人体运动状态下的姿态测量信息；
所述微惯性模块采集腿部运动时的加速度和角速度信息；所述水凝胶感知模块为水凝胶阵列，感知运动时肢体的弯曲变化；所述无线信号传输模块包括信号接收模块和信号发送模块；所述中央信号处理模块用于初步信号处理，解算出欧拉角、四元数以及粗略膝关节角度。
2.根据权利要求1所述的一种用于腿部姿态估计的可穿戴单节点设备，其特征在于，所述水凝胶感知模块包括A/D数模转换电路，将水凝胶形变的模拟信号转换为数字信号。
3.根据权利要求1所述的一种用于腿部姿态估计的可穿戴单节点设备，其特征在于，所述中央信号处理模块的主控开发板为Arduino Nano 33 BLE，且搭载有微惯性芯片LSM9DS1和蓝牙5.0。
4.根据权利要求1所述的一种用于腿部姿态估计的可穿戴单节点设备，其特征在于，所述中央信号处理模块的主控芯片为nRF52840。
5.根据权利要求1-4任意一项所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，该方法包含以下步骤：
步骤1：获取微惯性测量值以及粗略关节角度值；
粗略关节角度值的测量方法为，首先测定多角度下n块水凝胶阵列的电信号值，然后采用双层前馈网络进行拟合，得到角度-电信号模型，用于获取角度信息，角度信息记为
；
步骤2：估计人体运动模式以及腿部运动姿态；
所述估计人体运动模式方法为：
（1）水凝胶感知信息和微惯性加速度信息以m长度的滑动窗口截取，形成动作信号，第k时刻的动作信号长度从第（k-m+1）时刻开始，记为：
其中是 
三轴加速度， 
是三轴角速度，
是四元数，
是俯仰角，
是横滚角， 
是粗略的膝关节角度，进一步计算每列的特征信号，最终形成动作的特征集合，用于识别动作类型；
（2）利用机器学习方法训练动作模型，进行分类；
所述腿部运动姿态的估计方法为：
1）将设备穿戴完毕后，进行腿部关节轴识别，最小化方程：
求解出关节轴参数，
式中j为关节轴，其表达式为：
，
为俯仰角，
为横滚角；
为k时刻角速度值；
2）利用Elman神经网络对另一肢体的姿态进行测量，输入为：
输出为：
式中，
为小腿的横滚角和俯仰角，表征小腿姿态；
3）步骤2）中所述神经网络模型根据运动模式的不同，共训练4个，训练时的损失函数设定为：
式中,K为比例参数，
为第k时刻大腿的偏航角，
为小腿的姿态估计值；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值；
步骤3中，对惯性信息进行一次融合，与水凝胶信息进行二次融合，具体为：
（1）通过陀螺仪积分，计算膝关节角度
其中
为k-1时刻解算值，当足部着地时，该值替换为水凝胶测量值
，以消除累计误差；
为陀螺仪测得三轴角速度,j为估计的关节轴，
为小腿的俯仰角的估算值，
为采样的间隔时间；
（2）利用加速度计计算角度值：
（3）加速度计信息与陀螺仪信息基于互补滤波器进行融合：
式中，
为k时刻，惯性传感器的数据融合结果， 
为权值，取值范围为(0,1)；
（4）IMU解算角度和水凝胶估算角度利用Kalman滤波器进行融合，状态方程为：
其中
为高斯白噪声，观测方程设定为：
其中
为高斯白噪声；
步骤4：输出人体运动状态下的姿态测量信息。
6.根据权利要求5所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，步骤1中所述微惯性测量值包括加速度、角速度以及由其解算得到的四元数和欧拉角。
7.根据权利要求5所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，步骤2中所述人体运动模式分为行走、跑步、上下楼以及下蹲。
8.根据权利要求5所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，步骤2中每列的特征信号包括均值、极值、标准差和频率。
9.根据权利要求5所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，所述腿部运动姿态的估计方法中腿部摆动时间为5-10s。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211620807.6A CN115607146B (zh) | 2022-12-16 | 2022-12-16 | 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 |
| PCT/CN2022/144033 WO2024124638A1 (zh) | 2022-12-16 | 2022-12-30 | 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211620807.6A CN115607146B (zh) | 2022-12-16 | 2022-12-16 | 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115607146A CN115607146A (zh) | 2023-01-17 |
| CN115607146B true CN115607146B (zh) | 2023-03-14 |
Family
ID=84880733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211620807.6A Active CN115607146B (zh) | 2022-12-16 | 2022-12-16 | 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115607146B (zh) |
| WO (1) | WO2024124638A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116442202B (zh) * | 2023-06-19 | 2023-08-18 | 贵州航天控制技术有限公司 | 一种基于背部姿态信息的腰部助力设备控制方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105797350A (zh) * | 2016-03-18 | 2016-07-27 | 深圳大学 | 健身姿势识别、评估、预警和强度估算的智能方法及*** |
| CN107242920A (zh) * | 2017-07-26 | 2017-10-13 | 北京易迈医疗科技有限公司 | 膝关节单髁姿态测量装置及*** |
| CN107788991A (zh) * | 2017-10-26 | 2018-03-13 | 复旦大学 | 可穿戴式下肢康复评估*** |
| CN108403122A (zh) * | 2018-02-12 | 2018-08-17 | 中国科学院宁波材料技术与工程研究所 | 一种人体关节运动的测量***及其测量方法 |
| CN108874146B (zh) * | 2018-07-09 | 2021-11-26 | 北京掌中飞天科技股份有限公司 | 一种应用于虚拟现实***中的运动人体质心位移计算方法 |
| KR20200008973A (ko) * | 2018-07-17 | 2020-01-29 | 주식회사 엔젤로보틱스 | 착용형 하체 동작정보 수집장치 |
| JP2020178730A (ja) * | 2019-04-23 | 2020-11-05 | サンコール株式会社 | 歩行動作補助装置 |
| CN111659006B (zh) * | 2020-06-11 | 2021-11-19 | 浙江大学 | 一种基于多传感融合的步态采集及神经肌肉电刺激*** |
| CN112762934B (zh) * | 2020-12-14 | 2023-12-22 | 浙江理工大学 | 下肢运动方向预测装置和方法 |
| CN112603295B (zh) * | 2020-12-15 | 2022-11-08 | 深圳先进技术研究院 | 一种基于可穿戴传感器的康复评估方法和*** |
| CN112617811A (zh) * | 2021-01-04 | 2021-04-09 | 杭州风行医疗器械有限公司 | 一种关节生物力学测量评估装置及其方法 |
| CN114041782A (zh) * | 2021-07-26 | 2022-02-15 | 南宁师范大学 | 一种多通道人体下肢运动信息采集***及方法 |
| CN113892942B (zh) * | 2021-08-24 | 2023-09-19 | 重庆大学 | 一种实时追踪人体下肢运动的穿戴设备 |
| CN115290076A (zh) * | 2022-06-17 | 2022-11-04 | 南京大学 | 一种基于多传感器融合的人体关节角数据处理方法 |
-
2022
- 2022-12-16 CN CN202211620807.6A patent/CN115607146B/zh active Active
- 2022-12-30 WO PCT/CN2022/144033 patent/WO2024124638A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024124638A1 (zh) | 2024-06-20 |
| CN115607146A (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101751760B1 (ko) | 하지 관절 각도를 이용한 보행 인자 추정 방법 | |
| CN104757976B (zh) | 一种基于多传感器融合的人体步态分析方法和*** | |
| 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 | |
| CN110303471B (zh) | 助力外骨骼控制***及控制方法 | |
| Watanabe et al. | A preliminary test of measurement of joint angles and stride length with wireless inertial sensors for wearable gait evaluation system | |
| CA3023844C (en) | Dead-reckoning drift compensation using personal gait | |
| Li et al. | Wearable sensor system for detecting gait parameters of abnormal gaits: A feasibility study | |
| CN103417217B (zh) | 关节活动度量测装置及其量测方法 | |
| Li et al. | The lower limbs kinematics analysis by wearable sensor shoes | |
| Liu et al. | A wearable human motion tracking device using micro flow sensor incorporating a micro accelerometer | |
| CN107616898B (zh) | 基于日常动作的上肢穿戴式康复机器人及康复评价方法 | |
| CN115607146B (zh) | 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 | |
| CN111895997B (zh) | 一种无需标准矫正姿势的基于惯性传感器的人体动作采集方法 | |
| Ding et al. | Control of walking assist exoskeleton with time-delay based on the prediction of plantar force | |
| Akhavanhezaveh et al. | Diagnosing gait disorders based on angular variations of knee and ankle joints utilizing a developed wearable motion sensor | |
| Cotton et al. | Wearable monitoring of joint angle and muscle activity | |
| CN113229806A (zh) | 可穿戴人体步态检测及导航***及其运行方法 | |
| CN114287890A (zh) | 基于mems传感器的帕金森患者的运动功能评估方法 | |
| CN110638456A (zh) | 用于计算跑步或行走个体的实时步长和速度的方法 | |
| CN112762934B (zh) | 下肢运动方向预测装置和方法 | |
| Qiu et al. | Heterogeneous data fusion for three-dimensional gait analysis using wearable MARG sensors | |
| Asif et al. | Analysis of Human Gait Cycle With Body Equilibrium Based on Leg Orientation | |
| CN114748306A (zh) | 一种外骨骼设备穿戴误差校正方法 | |
| Tan et al. | Joint angle analysis with imu sensors for gait | |
| CN114224325A (zh) | 利用惯性传感器计算关节力矩和角度的步态分析***及方法 |
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 |