CN100452080C - 步态波形特征提取方法以及个人识别系统 - Google Patents

步态波形特征提取方法以及个人识别系统 Download PDF

Info

Publication number
CN100452080C
CN100452080C CNB200610142563XA CN200610142563A CN100452080C CN 100452080 C CN100452080 C CN 100452080C CN B200610142563X A CNB200610142563X A CN B200610142563XA CN 200610142563 A CN200610142563 A CN 200610142563A CN 100452080 C CN100452080 C CN 100452080C
Authority
CN
China
Prior art keywords
waveform
electric field
gait
field displacement
feature
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.)
Expired - Fee Related
Application number
CNB200610142563XA
Other languages
English (en)
Other versions
CN1955978A (zh
Inventor
泷口清昭
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.)
Sony Corp
Original Assignee
Sony Corp
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 Sony Corp filed Critical Sony Corp
Publication of CN1955978A publication Critical patent/CN1955978A/zh
Application granted granted Critical
Publication of CN100452080C publication Critical patent/CN100452080C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • 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)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及步态波形特征提取方法以及个人识别系统，其提取步态波形的特征。使用峰值振幅作为指标，在随着人体步行运动而在人体上形成的电场位移中确定与步行运动中一步相对应的一步波形，其中，所述峰值振幅与一只脚的几乎全部底面与地面接触并且另一只脚的脚趾刚离开地面的状态相对应。基于确定的一步波形，提取一步波形的特征，从而，不受左、右腿之间电荷干涉影响地出现峰值振幅。相应地，一步波形反映步行运动中的实际一步，因此，可精确地提取一步波形的特征。

Description

步态波形特征提取方法以及个人识别系统
本发明专利申请是国际申请日为2003年10月28日、申请号为200380101545.1、发明名称为“步态波形特征提取方法以及个人识别系统”的发明专利申请的分案申请。
技术领域
本发明涉及步态波形特征提取方法以及个人识别系统，并适用于根据在人体上随着他/她的步行运动而形成的电场位移来识别个人的个人识别系统。
背景技术
近来，有以下个人识别系统，所述系统通过提取人体特有的生物统计特征，如眼睛虹膜、指纹或手印，并通过执行基于所提取结果的规定匹配过程，而标识个人。
另外，近年来，人体步行运动本身已经成为人体特有的一个生物统计特征。例如，有这样一种个人识别系统，该系统通过对步行运动产生的声振荡(声音)进行频率分析而提取生物统计特征，并基于提取结果而识别个人。
此个人识别系统要求在人体上放置麦克风(声-电转换器)，麦克风通过在他/她步行运动过程中收集声振荡能量而获得电信号子集，使用此电信号子集作为一步的指标来检测步行周期。收集表示在脚着地时的声振荡的信号子集，接着，系统基于检测结果而提取人体特有的步态特征，其中，所述声振荡是当一只脚部分着地时因撞击而产生的。(参见，美国专利出版物US2002/0107649A1)(如图6和7)，此专利全部内容在此引作参考。)
然而，在此个人识别系统中，着地时的声振荡随着麦克风在人体上的放置部位而改变。另外，由于在麦克风周围声音和电噪音的主要影响，不能准确地确定表示着地时振荡的一部分电信号，相应地，难以精确地提取步态波形的特征。
发明内容
考虑到以上观点而进行本发明，并提出用于精确提取步态波形特征的步态波形特征提取方法和个人识别系统。
为了解决上述和其它的问题，本发明使用在规定频带内的峰值振幅作为指标，从随着他/她的双腿步行运动而在人体上形成的电场位移中确定一步波形，其中，所述规定频带峰值振幅表示一只脚的全部底面与地面接触并且另一只脚的脚趾刚离开地面之后的状态。此一步波形表示双腿步行运动中的一步，并接着提取一步波形的特征。
对于本发明，不受左、右腿之间电荷干涉影响地出现输出信号的峰值振幅。此峰值振幅接着用作与步行图案差异无关的指标，从而，可几乎准确地确定一步，其中，所述步行图案差异因左、右腿之间差异或个人之间差异而引起。
附图说明
图1为示出应用本发明的个人识别系统的构造的框图。
图2为示出根据本发明的电场位移检测部件的构造的示意图。
图3为示出光谱仪实例的示意图。
图4为示出步行图案的示意图。
图5为示出电场位移检测部件的等效电路的示意图。
图6为解释输出信号的时间图，所述输出信号是步行运动的函数。
图7为示出根据本发明的步态波形注册处理的程序的流程图。
图8为示出如何识别和划分一步波形的示意图。
图9为示出子段中积分值的示意图。
图10为示出注册波形特征参数组的分布实例的示意图。
图11为示出步态波形匹配处理的程序的流程图。
图12为解释马哈拉诺比斯距离计算的示意图。
具体实施方式
以下结合附图详细描述本发明的一个实施例。
个人识别系统的构造
在图1中，参考号1示出应用本发明的个人识别系统的整体。该系统包括电场位移检测部件2、(经有线或无线机构)连接到电场位移检测部件2的分析部件3、以及输入部件4、存储器5和连接到分析部件3的输出部件6。该系统按以下方式形成：整个系统，或者至少电场位移检测部件2，可与人体的皮肤如手臂或脚踝直接接触。而且，电场位移检测部件2配置为可佩带装置，并且可配置为手表、戒指、珠宝或其它可佩带配置，从而，检测部件2充分与用户的外表皮肤接触。
个人识别系统1配置为：通过检测变化，如随着人体的步行运动而在脚底面与路(或其它)表面之间形成的静电容量的变化，而识别个人。在人体上形成的电场位移的变化例如因脚底面与路面之间电荷运动的变化而造成的。系统1在电场位移检测部件2中产生电信号(以下称作步态波形信号)S1，其中，电信号S1表示电场位移的变化。接着在分析部件3中分析所检测的步态波形信号S1。
这里，此实施例中的步行运动指人在几乎平直的路(或其它)表面上行走，对步行速度不特别敏感。应指出，在随着他/她步行运动而在人体上形成的电场位移中，频率较低并且波长较长，从而，非常宽范围的静电场是占主要的。
如图2所示，电场位移检测部件2包括场效应晶体管(以下称作FET)10、连接到FET 10栅极的主电极11、插入到主电极11和检测目标人体的外表皮肤OS之间的电介质12、以及放大器13，其中，放大器13的一端连接到FET 10的源极，另一端则同时连接到FET 10的漏极。
人体的外表皮肤OS通过电介质12连接到FET 10的漏极与放大器13的另一端之间的中点MP。并且，放大器13配置为以内部电源或从外部提供的电源工作。在当就近提供有源/无源装置时从外部电源向FET供电的情况下，甚至可使用有源/无源装置，但是，不必与外部电源接触。
相应地，当随着他/她的步行运动而在检测目标人体上形成的非常低频带的电场位移在人体外表皮肤OS发送时，电场位移检测部件2借助FET 10通过在电介质12与主电极11之间产生的电势而检测与电场位移相应的低电流，接着，通过放大器13向分析部件3(图1)发送检测的低电流，作为步态波形信号S1。
在此情况下，在电场位移检测部件2中，在人体上形成的电场位移是非常低的频带，从而，可几乎不受杂散场和其它来源所产生噪音影响地精确检测随着他/她的步行运动而形成的电场位移，其中，所述噪音例如为交流声。
进而，电场位移检测部件2通过直接连接电介质12和他/她的外表皮肤OS，并进而通过用具有高介电常数的材料如软聚氯乙烯形成电介质12，可灵敏地检测随着检测目标的步行运动而形成的电场位移，从而，可灵敏地检测随着步行运动而形成的电场位移。
如上所述，电场位移检测部件2不必在检测目标人体上照射诸如微波的搜索光束，就可检测电场位移。除了上述构造以外，电场位移检测部件2配置为通过保护电极14与人体外表皮肤OS接地(或接地)，其中，保护电极14包围FET 10和主电极11，同时通过中点MP与人体外表皮肤OS接地。此接地以几种方式发生，包括：使保护电极与OS互连的单独导电部件(如导线或接头)；或者通过形成保护电极14的底部，局部卷绕电介质12的下侧，以便与OS接触。可替换地，保护电极不必物理接触OS。
利用此构造并利用保护电极14，除了随着人体步行运动而形成的电场位移之外，电场位移检测部件2可尽可能地避免检测频率成分(噪音)。
如图3所示，由上述电场位移检测部件2检测的步态波形信号S1为低频带并且在20Hz以下，步态波形信号S1随着时间的流逝而表现出电场强度的强和弱图案，就象声波纹一样。
在这，讨论电场强度变化与人体步行运动图案(以下称作步行图案)之间的对应关系。首先，对于基本假设，解释人体步行图案和电场强度的产生机制。
如图4所示，在右腿的人体步行图案中，大致顺序地重复三个过程：离地过程，此过程从右脚后跟刚离开地面(以下指离开路面等)开始到右脚趾刚离开地面结束(图4A)；踢腿过程，此过程从右脚趾刚离开地面开始到右脚后跟刚着地结束(图4B)；以及着地过程，此过程从右脚后跟刚着地开始到右脚的全部底面变成与地面接触(以下称作完全着地)结束(图4C)。
另一方面，在左腿的人体步行图案中，以与右腿相同的方式大致顺序地重复三个过程，然而，每个过程的开始时间与右腿不同。“接触地面”过程在右腿离地过程中间开始(由图4A中的箭头示出)，并且，离地过程在右腿着地过程的中间开始(由图4C中的箭头示出)。
如上所述，在人体步行运动中，交替重复左、右腿的每个过程，以使他/她向前行进，这里，左腿的离地过程几乎比右腿的着地过程滞后半个周期，并且，左腿的着地过程几乎比右腿的离地过程滞后半个周期。
其次，解释产生电场强度(电势)的机制。
通过以下表达式，可以表达静电容量，这里，C为静电容量，ε为介电常数，S为电极面积，并且d是电极之间的距离，
表达式1
C＝ε·S/d    ......(1)
从而，在人体步行运动中，当脚底面与地面接触的接触面积S越大，静电容量C就越大，相反，当脚底面离开地面时，静电容量C变得更小，因为与路面和脚底面之间距离d相应地形成具有更小介电常数的空气层，其中，距离d表示分离面积S。
换句话说，每次脚底面与路面接触的分离面积(或接触面积)变化时，路面与脚底面之间的距离都变化，并且，路面与脚底面之间的电荷交换(电荷交互作用)几乎包含在电场位移的电场强度内，其中，所述电场位移随着人体步行运动而形成。
这里，通过以下表达式，可表达电荷量，其中，Q为电荷量，而V为电压，
表达式2
Q＝C·V    ......(2)
在这，在人体步行运动中，电荷量Q的变化非常小，从而，可以假设电荷量Q是不变的，这意味着静电容量C的变化与电压V的变化反向关联。
从而，在人体步行运动中，当在离地过程(图4A)中静电容量C随着脚底面迅速离开路面而突然减小时，由于脚底面与路面之间的电压突然增加，超过空气的介质击穿电压，导致放电。
如上所述，在人体步行运动中，当脚底面离开路面时，电压V增加，同时，由于静电容量C突然减小，在脚底面与路面之间发生放电。
相应地，在产生随着人体步行运动而改变的电场强度的机制中，由人体脚底面与路面之间电势差导致的电压V不是唯一因素，静电容量C也是紧密相关的因素。
考虑到上述基本假设，基于在人体脚底面与路面之间形成静电容量C的模型，描述人体步行图案与随着人体步行运动而产生的电场强度变化之间的对应关系。
对于此模型，使用等效电路，假设在路面与脚底面四个部分每一个之间形成可变电容器，这里，通过把左脚的底面一分为二：一部分覆盖从左脚长度方向的中间开始到左脚后跟结束的区域、另一部分覆盖从左脚长度方向的中间开始到左脚趾结束的区域，并通过以与左脚相同的方式把右脚的底面一分为二：一部分覆盖右脚后跟、另一部分覆盖右脚趾，从而形成四个部分。
如图5所示，等效电路20具有与电场位移检测部件2(图2)几乎相同的电路设计，然而，假设在电场位移检测部件2内的FET 10的栅极，为取代主电极11和电介质12，有四个连接到FET 10栅极的可变电容器：在左脚后跟与路面之间形成的电容器CL1；在左脚趾与路面之间形成的电容器CL2；在右脚后跟与路面之间形成的电容器CR1；以及在右脚趾与路面之间形成的电容器CR2。
应指出，为方便起见，在虚线内的部分具有电场位移检测部件2的简化结构。
使用等效电路20，在图6中以时间图描述人体步行图案、人体电荷量Q的变化、在脚底面与路面之间形成的静电容量C的变化、以及脚底面与路面之间电压V的变化(指步态检测信号S1的电场强度的变化)之间的对应关系，并且，时间图的描述在表1中总结。
应指出，为方便起见，忽略路面的漏电阻，人体电荷量Q视为是不变的，因为其变化非常小，并且假设当脚底面离开地面时，脚后跟和脚趾明显地分别离开地面。
另外，应指出，人体步行图案包含以下运动：从右腿在人体质量中心之后并且右脚后跟正要离开地面的状态(图4A中的左端状态)开始，经过右腿的踢腿过程(图4B)，并在左脚趾刚离开地面的状态(图4C所示的右端状态)结束。
表1
  步行运动   静电容量的变化   电势/电荷
  [1]右脚后跟离开地面。   在右脚后跟离开地面时，在右脚底面与路面之间发生电荷分离(放电)。   电荷为Q。
  右脚后跟逐渐离开路面。   右脚后跟与路面之间的距离变长，并且，当该距离变得足够长时，电容C<sub>R1</sub>可视为0。从而，人体的电容从C<sub>R1</sub>+C<sub>R2</sub>变为C<sub>R2</sub>。
  [2]左脚后跟着地。   当左脚后跟使与地面接触的面积变大时，人体电容变为C<sub>L1</sub>+C<sub>R2</sub>。   电势改变为Q/(C<sub>L1</sub>+C<sub>R2</sub>)
  [3]左脚全部底面与地面接触。   当左脚底面使与地面接触的面积变大时，人体的电容变为C<sub>L1</sub>+C<sub>L2</sub>+C<sub>R2</sub>。   电势改变为Q/(C<sub>L1</sub>+C<sub>L2</sub>+C<sub>R2</sub>)
  [4]右脚趾离开地面。   在右脚趾离开地面时，在右脚底面与路面之间发生电荷分离(放电)。   电势为Q/(C<sub>L1</sub>+C<sub>L2</sub>+C<sub>R2</sub>)
  右脚趾逐渐离开路面。   右脚后跟与路面之间的距离变长，并且，当该距离变得足够长时，电容C<sub>R2</sub>可视为0。从而，人体的电容变为C<sub>L1</sub>+C<sub>L2</sub>。   电势改变为Q/(C<sub>L1</sub>+C<sub>L2</sub>)
  [5]右腿向前踢，并且，在右脚后跟着地之前，左脚后跟离开地面。   在左脚后跟离开地面时，在左脚底面与路面之间发生电荷分离(放电)。
  左脚后跟逐渐离开路面。   左脚后跟与路面之间的距离变长，并且，当该距离变得足够长时，电容C<sub>L1</sub>可视为0。从而，人体的电容从C<sub>L1</sub>+C<sub>L2</sub>变为C<sub>L2</sub>。   电势从Q/C<sub>L2</sub>改变为Q/(C<sub>L1</sub>+C<sub>L2</sub>)
  [6]右脚后跟着地。   人体的电容变为C<sub>L2</sub>+C<sub>R1</sub>。   电势改变为Q/(C<sub>L2</sub>+C<sub>R1</sub>)
  [7]右脚全部底面与地面接触。   人体的电容变为C<sub>L2</sub>+C<sub>R1</sub>+C<sub>R2</sub>。   电势改变为Q/(C<sub>L2</sub>+C<sub>R1</sub>+C<sub>R2</sub>)
  [8]左脚趾离开地面。   在左脚趾离开地面时，在左脚底面与路面之间发生电荷分离(放电)。
  左脚趾逐渐离开路面。   左脚趾与路面之间的距离变长，并且，当该距离变得足够长时，电容C<sub>L2</sub>可视为0。从而，人体的电容从C<sub>L2</sub>+C<sub>R1</sub>+C<sub>R2</sub>变为C<sub>R1</sub>+C<sub>R2</sub>。   电势从Q/(C<sub>L2</sub>+C<sub>R1</sub>+C<sub>R2</sub>)改变为Q/(C<sub>R1</sub>+C<sub>R2</sub>)。
如表1中所述，图6所示步态波形是随着步行图案的每个状态(表1中步行运动的[1]-[8]项)以接近半周期的相差交替重复而改变的静电容量与电势的变化结果，并且与图3所示电场强度的强、弱图案相对应。
从而，步态波形以唯一图案出现，同时，静电容量与电势根据生物统计差异，如左、右腿之间差异或个人之间差异、以及步行图案如步行路线的差异，而变化。
顺便提一下，在图6所示的步态波形中，在与以下每个状态相应地出现电荷分离(放电)时，看到尖锐的峰值振幅(在图6中测量波形上的
Figure C20061014256300131
-∑)，所述状态为：右脚后跟刚离开地面(图6中的[1]，右腿的运动)；右脚趾刚离开地面(图6中的[4]，右腿的运动)；左脚后跟刚离开地面(图6中的[5]，左腿的运动)；以及左脚趾刚离开地面(图6中的[7]，左腿的运动)。
此峰值振幅可分为两组：第一组是在脚后跟刚离开地面之后看到的峰值；第二组是在脚趾刚离开地面之后看到的峰值。对于第一峰值，当就在右(或左)脚后跟完全离开地面之后时(如图4中所示，在虚线内部)，左(或右)脚在空中并且不与地面接触。
从而，与就在右或左脚后跟离开地面之后的状态相对应的峰值振幅(图6中的
Figure C20061014256300132
)因电荷分离(放电)而相对明显地出现，然而，峰值振幅受左、右腿之间电荷干涉的限制，并且，如上所述，振幅差异也看成是左、右腿之间电荷干涉根据左、右腿之间步行图案差异而变化的状态。
相反，对于第二峰值，当就在右(或左)脚趾完全离开地面之后时(如图4中所示，在虚线内部)，由于步行图案的特性，左(或右)腿处于完全着地的状态，与步行图案的差异无关。
从而，与就在右或左脚趾离开地面之后的状态相对应的峰值振幅(图6中的
Figure C20061014256300133
)在大约8Hz±2Hz带宽出现，并且在步态波形中最大峰值振幅几乎没有变化，因为在左、右腿之间没有电荷干涉。在此情况下，对于为多个测试步行者测量的步态波形，8Hz±2Hz带宽的峰值振幅(以下称作8Hz峰值)以相同的峰值-振幅-频率特性出现。
如上所述，步态检测信号S1的步态波形(图1)以唯一图案出现，同时，静电容量和电势随着波形图案的差异而变化。然而，以几乎不变的间隔出现明显的8Hz峰值，与步行图案的差异无关，其中，所述间隔与右或左脚趾离开地面的循环相对应。
顺便提一下，分析部件3(图1)通过输入部件4(如外部界面端口或外围装置)在规定的注册开始操作中执行波形注册处理，使用上述8Hz峰值作为指标，从步态波形信号(以下称作注册步态波形信号)S1中提取注册波形的特征，其中，所述步态波形信号S1由电场位移检测部件2在操作过程中提供，并且步态波形信号S1例如与戴着个人识别系统1的人(以下称作注册人)的步行运动相对应，接着，把提取的结果储存到存储器5中，作为注册波形特征数据D1。
在此阶段，分析部件3首先通过输入部件4在规定的匹配开始操作中执行步态波形匹配处理，使用上述8Hz峰值作为指标，从步态波形信号(以下称作匹配步态波形信号)S2中提取匹配目标波形的特征，其中，所述步态波形信号S2由电场位移检测部件2在操作过程中根据例如戴着个人识别系统1的人(以下称作匹配目标人)的步行运动提供。
其次，分析部件3通过匹配所述匹配目标波形的特征与储存在存储器5中的注册人特征数据D1的注册波形的特征而识别该人是否为注册人，接着，产生和发送表示识别结果的识别结果数据D2。
输出部件6配置为产生与输出目标电路(系统)的接受状态相对应的输出信号，并且，例如通过光电转换器对从分析部件3提供的识别结果数据D2进行转换而产生红外线信号S3，并向外部输出该信号。
在存储器5中，储存峰值信息之间的平均间隔(以下称作峰值间隔)，作为分析部件3在步态波形注册处理或步态波形匹配处理中使用的信息，其中，储存峰值信息之间的平均间隔表示8Hz峰值与下一8Hz峰值之间的平均间隔。
实际上，分析部件3配置为：通过控制部件，根据预先储存在存储器5中的分析程序而执行步态波形注册处理和步态波形匹配处理，其中，所述控制部件由在图中未示出的但包含在分析部件3中的部件组成，如CPU、ROM和RAM。分析部件3在包括存储器的个人计算机、便携式计算机、PDA或其它基于处理器的装置上作为主机，或(就地或远程)访问存储器。电场位移检测部件2与分析部件3之间的连接可通过有线连接或无线连接。有线连接包括物理连接器(如USB 2，或其它外围连接器)，其中，物理连接器使电场位移检测部件2能把采集的信号传递给分析部件3(如储存和传递)。可替换地，电场位移检测部件2包括无线发送器，如IEEE 802.11a、802.11b、802.11g或蓝牙发送器。分析部件3包括兼容接收器，其中，所述兼容接收器接收从电场位移检测部件2(通过直接连接或无线连接)发送的信号S1。
首先，使用以下流程图详细解释步态波形注册处理。
步态波形注册处理
如图7所示，分析部件3从程序RT1的开始步骤开始，前进到步骤SP1，通过对在规定的时间单位从电场位移检测部件2提供的注册步态波形信号S1(图2)进行A/D转换处理，而产生步态波形数据，接着前进到下一步骤SP2。
在步骤SP2中，分析部件3(例如通过数字低通滤波器)从注册步态波形数据中除去等于或高于40Hz的频率成分，其中，所述频率成分不是分析目标，接着，例如通过积分变换处理如快速傅里叶变换(FFT)而产生在8Hz频带附近的注册步态波形数据(以下称作8Hz频带注册步态波形)，如图8所示，随后，前进到下一步骤SP3。
在步骤SP3中，分析部件3从在步骤SP2中产生的8Hz频带注册步态波形中除去代表正常步行运动之外运动的波形，其中，所述正常步行运动例如为在开始或结束时的步行运动、或停止运动，随后前进到下一步骤SP4。
实际上，分析部件3配置为：检测在8Hz频带注册步态波形中出现的8Hz峰值，并且，通过比较事先储存在存储器5(图1)中的平均峰值间隔信息与检测的8Hz峰值间隔，除去超出规定的8Hz峰值间隔允许范围的波形。
这里，分析部件3配置为：通过使用以几乎不变间隔出现的8Hz峰值作为指标，除去代表正常步行运动之外运动的波形，而充分保留代表正常步行运动的8Hz频带注册步态波形，其中，所述间隔与步行图案的差异无关。
在步骤SP4中，分析部件3配置为：确定在标准8Hz峰值的中心与在标准8Hz峰值之前和之后的8Hz峰值的中心之间的长度为代表步行运动中实际一步的单元(以下称作一步单元)SU。分析部件3还通过用一步单元SU划分在步骤SP3中获得的8Hz频带注册步态波形，而产生一步注册波形的多步，接着前进到步骤SP5。
这里，分析部件3配置为：通过用一步单元SU划分8Hz频带注册步态波形，而充分产生代表步行运动中实际一步的一步注册波形，其中，使用8Hz峰值作为指标而确定一步单元SU。
在步骤SP5中，分析部件3判断在步骤SP4中得到的一步注册波形的步数是否达到规定的数量(以下称作规定步数)。
否定结果意味着在步骤SP4中得到的一步注册波形的步数小于规定步数，并且分析部件3返回到步骤SP1，并重复上述处理。
相反，步骤SP5中的肯定结果意味着在步骤SP4中得到的一步注册波形的步数已经达到规定步数，并且分析部件3前进到下一步骤SP6。
在步骤SP6中，分析部件3以几乎相同的间隔把在步骤SP4中得到的一步注册波形的规定步数的每一步划分为子段，如分别为21个子段CSU1-CSU21。
接着，分析部件3提取通过在子段CSU1-CSU21上求振幅值(电场强度值)的积分而获得的积分值，作为一步注册波形的特征，接着前进到下一步骤SP7。
这里，图9为示出例如当一步注册波形的五步中的每一步分别划分为21个子段CSU1-CSU21时获得的积分值。应指出，积分值被规整。
当连接多个积分值时，图9中的一条直线代表一步注册波形的一步，从而，代表原始一步注册波形的详细近似形式，其中，积分值是通过在21个子段CSU1-CSU21的每一个上求一步注册波形的积分而获得的。
相应地，形成一条直线的每个子段CSU1-CSU21的每组积分值代表每个注册人所特有的一步注册波形。进而，每个划分区间上的五组积分值是一步注册波形的每部分特征的组合，从而，代表证明注册人每部分的区域，其中，每个划分区间由子段CSU1-CSU21组成。
在步骤SP7中，分析部件3把划分区间上的十组积分值的每一组分别识别为注册波形特征参数组GR1-GR21，其中，每个划分区间由子段CSU1-CSU21组成，接着前进到下一步骤SP8。
在步骤SP8中，例如如图10所示，分析部件3产生表示注册波形特征参数组GR1和GR2在21维空间上的分布状态的注册波形特征分布数据，并且，以相同方式产生注册波形特征参数组GR3-GR21的注册波形特征分布数据，接着，前进到下一步骤SP9。
应指出，为方便起见，图10示出二维空间上的分布状态。另外，分析部件3示出21维空间上的分布状态，然而，实际上，分析部件3配置为示出x维空间上的分布状态，这里，x为在步骤SP6中划分一步注册波形的次数。
在步骤SP9中，分析部件3通过把在步骤SP8中产生的与每个注册波形特征参数组GR1-GR21相应的每个注册波形特征分布数据转换为规定的数据存储格式，而产生注册波形特征数据D2，并把该数据储存到存储器5(图1)中，接着前进到下一步骤SP10，结束步态波形注册处理。
如上所述，分析部件3配置为：在规定的注册开始操作中，使用8Hz峰值作为指标而获得一步注册波形，并且，在一步注册波形的多个子段上求振幅值的积分，从而，可准确地提取出代表注册人所特有的一步注册波形的特征的积分值。
步态波形匹配处理
下面，使用以下流程图详细描述在分析部件3中的步态波形匹配处理。
如图11所示，分析部件3从程序RT2的开始步骤开始，前进到步骤SP21，对在规定的时间单位从电场位移检测部件2提供的匹配步态波形信号S2执行上述程序RT1(图1)中步骤SP1、SP2和SP3的每个处理，从而，产生8Hz频带匹配步态波形，其中，8Hz频带匹配步态波形代表除去以下波形的波形，被除去波形代表除正常步行运动之外的运动，接着前进到下一步骤SP22。
在步骤SP22中，以与步骤SP4相同的方式，分析部件3通过用一步单元SU(图8)划分在步骤SP21中获得的8Hz频带匹配步态波形而产生一步匹配波形的一步，接着前进到下一步骤SP23。
在步骤SP23中，分析部件3把在步骤SP22中得到的一步匹配波形划分为与步骤SP6中划分次数相同数量的子段，例如，划分为21个子段CSU1-CSU21(图8)。
接着，分析部件3提取通过在子段CSU1-CSU21上求电场强度(电势)的积分而获得的积分值，作为一步匹配波形的特征，接着前进到下一步骤SP24。
在步骤SP24中，如图11所示，分析部件3计算在步骤SP24所提取的子段CSU1的积分值CP与例如三个注册波形特征参数组GR1的分布DS1-DS3的重心位置之间的马哈拉诺比斯距离，所述三个注册波形特征参数组GR1与三个注册人的子段CSU1相对应。在下式(3)中的数量r称作从特征向量x到均值向量mx的马哈拉诺比斯距离，这里，Cx是x的协方差矩阵。
r2＝(X-mx)′Cx -1(X-mx)               (3)
进而，分析部件3以相同的方式计算子段CSU2-CSU21的积分值的马哈拉诺比斯距离，接着，前进到下一步骤SP25。在步骤SP25中，对于三个注册人中的每一个，分析部件3对在步骤SP24中对三个注册人和每个子段CSU1-CSU21计算的马哈拉诺比斯距离求和，并且，基于为每个注册人求和的马哈拉诺比斯距离而计算每个注册人的个人识别比率，其中，个人识别比率表示匹配目标人可被识别为一个注册人他/她自己的可能性的比率，接着，前进到下一步骤SP26。
实际上，分析部件3配置为：当总计的马哈拉诺比斯距离更短时，计算更高的个人识别比率，相反，当总计的马哈拉诺比斯距离更长时，计算更低的个人识别比率。
在步骤SP26中，分析部件3判断在步骤SP25中计算的多个个人识别比率中的一个或多个是否为90％或更高。可替换地，可使用其它阈值，如75％或更大、或85％或更大、或者是任何在75％-100％之内的阈值。否定结果意味着匹配目标人的一步匹配波形与事先储存在存储器5中的注册人的一步注册波形具有较低的匹配比率，换句话说，匹配目标人不能被识别为一个注册人他/她自己，并且相应地，分析部件3识别匹配目标人不是注册人之一，接着前进到下一步骤SP29。
相反，肯定结果意味着匹配目标人适合注册人之一，并且分析部件3前进到下一步骤SP27。
在步骤SP27中，分析部件3在步骤SP25所计算的多个个人识别比率中判断是否存在两个或更多个大于或等于90％的个人识别比率。否定结果意味着只存在一个申请人是应被识别为匹配目标人他/她自己的注册人，从而，分析部件3识别该注册人是作为匹配目标人的申请人，接着前进到下一步骤SP29。
相反，肯定结果意味着存在两个或更多个申请人是可被识别为匹配目标人他/她自己的注册人，并且分析部件3前进到下一步骤SP28，把具有最高和至少90％个人识别比率的注册人识别为匹配目标人，接着前进到下一步骤SP29。
在步骤SP29中，分析部件3产生与步骤SP26、SP27或SP28中识别结果相应的识别结果数据D2(图1)，把该数据传送给输出部件6，并接着前进到下一步骤SP30，结束步态波形匹配处理。
当存在两个或更多个具有最高和至少90％个人识别比率的注册人时，分析部件3配置为向输出部件6传递作为识别结果数据D2的信息。
如上所述，分析部件3使用以几乎不变间隔出现的8Hz峰值作为指标，得到一步匹配波形，其中，所述8Hz峰值与步行图案差异无关，并且，提取与步态波形处理过程中划分次数相同数量的子段CSU1-CSU21(图8)的积分值，作为一步匹配波形的特征，接着，基于注册波形特征参数组GR1-GR21的分布之间的马哈拉诺比斯距离而识别匹配目标人是否为注册人之一，因此，通过匹配注册人与匹配目标人的一步波形的相应部分而匹配注册人与匹配目标人，从而，可精确地识别匹配目标人。一旦被识别，系统产生能以多种方式中任一种方式使用的结果。例如，一旦系统识别某人，系统就产生视频或音频信号，宣布已经得到匹配的事实。可替换地，系统可使用识别事件来触发用于驱动某个装置(如该人可进入的门)的控制信号。
在上述构造中，个人识别系统1配置为：通过电场位移检测部件2来检测在路面与脚底面之间随着人体步行运动而形成的静电容量变化、以及因路面与脚底面之间电荷变化而导致在人体上形成的电场位移的相对变化，作为步态波形检测信号S1或S2。
在此情况下，当静电容量和电荷的变化以极其低的频带传播时，个人识别系统1可检测电场位移的相对变化，作为步态波形检测信号S1或S2，其中，所述电场位移的相对变化不受电场位移检测部件2位置的影响，并且不受噪音如交流声和电场位移检测部件2周围噪音的影响。
在此状态下，个人识别系统1配置为：使用步态波形检测信号S1或S2的步态波之一，即8Hz±2Hz频带上明显的8Hz峰值，作为指标来确定一步波形，其中，所述8Hz峰值与一只脚的全部底面与地面接触并且另一只脚的脚趾刚离开地面的状态(如图4所示，在虚线内部)相对应。
在此情况下，个人识别系统1可使用不受左、右腿之间电荷干涉影响而出现的最大峰值振幅作为指标，从而可准确地确定一步波形，其中，即使步行运动以唯一图案出现，所述一步波形也可精确地反映步行运动中的实际一步，所述唯一图案与左、右腿之间差异或个人步行图案之间差异相对应。
进而，个人识别系统1把一步波形划分为多个子段CSU1-CSU21(图8)，并提取通过对每个划分的子段CSU1-CSU21上的每一个振幅值求积分而获得的积分值，作为一步波形的波形特征，从而，可表示一步波形的详细适当形式，因此，个人识别系统1可精确地识别与一步波形本身不匹配的个人。
对于上述构造，使用与一只脚的全部底面与地面接触并且另一只脚的脚趾刚离开地面的状态相对应的8Hz峰值作为指标，在随着人体步行运动而在人体上形成的电场位移中确定与步行运动中一步相对应的一步波形，并且，基于确定的一步波形，提取一步波形的特征，从而，不受左、右腿之间电荷干涉影响而出现的最大峰值振幅可以是指标，并且相应地，可准确地确定准确反映步行运动中实际一步的一步波形，因此，可精确地提取一步波形的特征。
以上描述已经涉及分析部件3分析根据人体步行运动而在人体上形成的电场位移的情况，然而，并不局限于此，随着诸如轻快散步、上下楼梯或踏步的运动，总之，随着一只脚的底面与地面接触并且另一只脚的脚趾刚离开地面的任何双腿步行运动，而在人体上形成的电场位移可以是分析的目标。
在此情况下，步态波形的最大峰值振幅随着在右(或左)腿完全着地的状态与右(或左)腿的脚趾刚离开地面的状态之间的运动速度而变化，从而，为了获得与上述相同的效果，要求分析部件3使用在以下频带出现的峰值振幅作为检测目标，以取代用于检测的8Hz峰值，其中，所述频带与在双腿步行运动过程中在右(或左)腿完全着地的状态与右(或左)腿的脚趾刚离开地面的状态之间的运动速度相对应。
进而，上述实施例已经涉及检测直接连接电场位移检测部件2的人体的步态的情形，这里，该人被视为注册人或匹配目标人，然而，本发明并不局限于此，在已经直接连接电场位移检测部件2的某人周围的人可以是其步态应该被检测的注册人或匹配目标人。
在此情况下，振幅根据途径而经历时间序列增加，从而，如果分析部件3事先储存个人识别系统1和检测目标位置之间距离与作为8Hz峰值的峰值振幅之间的对应关系，当静电场位移随着人体的步行运动而在人体上非常广泛地传播时，分析部件3就可精确地检测注册人或匹配目标人的步态，所述注册人或匹配目标人在距已经直接连接电场位移检测部件2的某人相对较远的位置上。
进而，以上描述已经涉及电场位移检测部件2直接连接到人体外表皮肤OS的情形，然而，本发明不局限于此，电场位移检测部件2可连接到各种导体，例如，可安装到移动电话或计步器上，或放置在金属杆或桌子上。
在此情况下，本发明不仅可用于识别个人，而且可用于与双腿步行运动有关的各种目的，如用于在医疗机构分析患者(步行者)的步行图案，以及用于在生物统计领域从动物身体中识别人体。
进而，上述实施例已经涉及如上所述用电场位移检测部件2作为上述电场位移检测装置的构造的情形，然而，本发明不局限于此，本发明可配置为使用称作超导量子干涉装置(SQID)的磁力传感器来取代电场位移检测部件2，在SQID中，与微观制作超导薄膜平行地放置用作超导的结合部件(约瑟夫逊结)。
进而，上述实施例已经涉及在个人识别系统1中设置分析部件3和电场位移检测部件2作为识别装置的情形，但是本发明不局限于此，可分别单独地设置电场位移检测部件2和分析部件3中的每一个。
进而，上述实施例已经涉及一步波形划分为多个子段CSU1-CSU21(图8)并且提取对每个子段CSU1-CSU21计算得到的积分值作为一步波形特征的情形，然而，本发明不局限于此，可提取在多个子段CSU1-CSU21(图8)的分界线上的未被积分的振幅值，作为一步波形的特征。
进而，上述实施例已经涉及通过分析程序来实现分析部件3中每个处理的情形，然而，本发明不局限于此，所述处理的部分或全部可通过硬件装置如专用集成电路，如ASIC或FPGA，来实现。
进而，上述实施例已经涉及根据事先储存在存储器5中的分析程序而执行上述步态波形注册处理(图7)和步态波形匹配处理(图11)的情形，然而，本发明不局限于此，可通过把储存分析程序的程序存储介质安装到信息处理装置中而执行步态波形注册处理和步态波形匹配处理。
在此情况下，例如，对于在信息处理装置中以可执行状态安装用于执行步态波形注册处理和步态波形匹配处理的分析程序的程序存储介质，不仅可以是封闭介质，如软盘、紧凑盘-只读存储器(CD-ROM)和数字多用途盘(DVD)，也可以是临时或永久储存程序的半导体存储器或磁盘。另外，对于在此程序存储介质中储存分析程序的装置，可使用有线或无线通信介质如局域网、因特网和数字卫星广播，并且可通过各种通信接口如路由器和调制解调器进行储存。
根据本发明的以上描述，使用在规定频带上的峰值振幅作为指标，在随着他/她双腿步行运动而在人体上形成的电场位移中，确定与双腿步行运动中一步相对应的一步波形，其中，所述规定频带峰值振幅与一只脚的全部底面与地面接触并且另一只脚的脚趾刚离开地面的状态相对应，并且，基于确定的一步波形，提取一步波形的特征，从而，不受左、右腿之间电荷干涉影响而出现的最大峰值振幅可以是指标，并且相应地，可准确地确定准确反映步行运动中实际一步的一步波形，因此，可精确地提取一步波形的特征。
本专利文献涉及2002年10月29日向日本专利办公室提交的日本优先权文件JP2003-314920，此优先权文件的全部内容在此引作参考。
显然，根据以上论述，对本发明的许多变更和变化是有可能的。从而，应该理解，只要在后附权利要求的范围内，就能以与本文具体所述不同的方式来实施本发明。

Claims (20)

1.一种步态波形特征提取方法，包括以下步骤：
从数字信号的一部分确定一步波形，所述数字信号与根据主体的双腿步行运动而在所述主体的身体上形成的电场位移相对应，所述确定步骤包括：
使预定频带中的峰值振幅作为所述一步波形的指标，所述峰值振幅与所述主体的第一只脚的全部底面与行走表面接触并且所述主体的第二只脚的脚趾刚离开行走表面的状态相对应；以及
在所述确定步骤中确定所述一步波形之后，提取所述一步波形的特征。
2.如权利要求1所述的步态波形特征提取方法，其中：
所述预定频带在包括6Hz-10Hz的范围内。
3.如权利要求1所述的步态波形特征提取方法，进一步包括：
从存储器检索数字信号。
4.如权利要求1所述的步态波形特征提取方法，进一步包括：
比较所述一步波形的所述特征与储存在存储器中的第二波形；以及
当所述一步波形的所述特征在所述第二波形的相应特征的预定标准内时，确定所述一步波形与所述第二波形匹配。
5.如权利要求4所述的步态波形特征提取方法，进一步包括：
产生控制信号；以及
一旦所述确定步骤确定一步波形与所述第二波形匹配，就驱动另一装置。
6.如权利要求5所述的步态波形特征提取方法，其中：
所述驱动步骤包括以下至少一个步骤：
驱动视频显示，
驱动音频警报，以及
解锁。
7.如权利要求5所述的步态波形特征提取方法，其中：
所述确定步骤包括从所述一步波形的所述特征计算马哈拉诺比斯距离。
8.如权利要求1所述的步态波形特征提取方法，其中：
所述提取步骤包括：
用间隔把所述一步波形划分为多个子段，，以及
提取通过对所述多个子段的振幅值求积分而获得的积分值，作为所述一步波形的特征。
9.如权利要求1所述的步态波形特征提取方法，进一步包括：用电场位移检测器产生所述数字信号。
10.如权利要求9所述的步态波形特征提取方法，其中：
所述产生步骤包括产生所述数字信号，作为无线信号。
11.如权利要求10所述的步态波形特征提取方法，其中：
在与所述电场位移检测器分离的分析装置中执行所述提取步骤。
12.一种个人识别系统，包括：
电场位移检测器，所述电场位移检测器配置为：检测根据主体的双腿步行运动而在所述主体的身体上形成的电场位移，并产生与电场位移相对应的信号；以及
处理器，所述处理器配置为：使用在预定频带中所述信号的峰值振幅作为指标而从所述信号识别个人，其中，所述峰值振幅与所述主体的第一只脚的全部底面与行走表面接触并且第二只脚的脚趾刚离开行走表面的状态相对应。
13.如权利要求12所述的个人识别系统，其中：
所述预定频带在包括6Hz-10Hz的范围内。
14.如权利要求13所述的个人识别系统，进一步包括：
存储器，所述存储器配置为保存与个人相关的第二波形的特征，其中，
所述处理器配置为：
从所述与电场位移相对应的数字信号的一部分确定一步波形，并在确定所述一步波形后，提取所述一步波形的特征；
比较所述一步波形的所述特征与储存在存储器中的第二波形；以及
当所述一步波形的所述特征在所述第二波形的相应特征的预定标准内时，确定所述一步波形与所述第二波形匹配。
15.如权利要求14所述的个人识别系统，其中：
所述电场位移检测器配置为：当所述处理器确定所述一步波形与所述第二波形匹配时，产生控制信号；以及
所述处理器配置为：一旦所述确定步骤确定一步波形与所述第二波形匹配，就在接收所述控制信号之后驱动另一装置。
16.如权利要求15所述的个人识别系统，其中：
所述另一装置是视频显示器、音频警报机构和控制锁中的至少一个。
17.如权利要求14所述的个人识别系统，其中：
所述处理器配置为：从所述一步波形的所述特征计算马哈拉诺比斯距离。
18.如权利要求15所述的个人识别系统，其中：
所述电场位移检测器包括配置为发送所述控制信号作为无线信号的发送器。
19.如权利要求14所述的个人识别系统，其中：
所述电场位移检测器与所述处理器分离。
20.一种个人识别系统，包括：
用于检测根据主体的双腿步行运动而在所述主体上形成的电场位移的装置；以及
用于比较所述电场位移和与不同个人相关联的预定电场位移，以便基于所述电场位移来识别预定个人的装置。
CNB200610142563XA 2002-10-29 2003-10-28 步态波形特征提取方法以及个人识别系统 Expired - Fee Related CN100452080C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2002314920 2002-10-29
JP2002314920A JP4385274B2 (ja) 2002-10-29 2002-10-29 歩行波形特徴抽出方法及び個人識別装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN200380101545A Division CN100587706C (zh) 2002-10-29 2003-10-28 步态波形特征提取方法以及个人识别系统

Publications (2)

Publication Number Publication Date
CN1955978A CN1955978A (zh) 2007-05-02
CN100452080C true CN100452080C (zh) 2009-01-14

Family

ID=32211636

Family Applications (2)

Application Number Title Priority Date Filing Date
CN200380101545A Expired - Fee Related CN100587706C (zh) 2002-10-29 2003-10-28 步态波形特征提取方法以及个人识别系统
CNB200610142563XA Expired - Fee Related CN100452080C (zh) 2002-10-29 2003-10-28 步态波形特征提取方法以及个人识别系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN200380101545A Expired - Fee Related CN100587706C (zh) 2002-10-29 2003-10-28 步态波形特征提取方法以及个人识别系统

Country Status (7)

Country Link
US (1) US7346464B2 (zh)
EP (2) EP1556824B1 (zh)
JP (1) JP4385274B2 (zh)
KR (1) KR101201378B1 (zh)
CN (2) CN100587706C (zh)
DE (2) DE60316170T2 (zh)
WO (1) WO2004040501A1 (zh)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4507058B2 (ja) 2003-06-05 2010-07-21 ソニー株式会社 距離検出システム
FI20045336A0 (fi) * 2004-09-13 2004-09-13 Valtion Teknillinen Menetelmä mukana kuljetettavan henkilökohtaisen laitteen kantajan verifiointiin/identifiointiin
JP4661440B2 (ja) * 2005-08-04 2011-03-30 パナソニック電工株式会社 健康管理システム
DE102006014623A1 (de) * 2006-03-29 2007-10-11 Siemens Ag Verfahren zum automatischen Erkennen von Personen aus einer Personengruppe, Verfahren zum personenspezifischen Einstellen von Funktionen an einem elektrischen Gerät und elektrisches Gerät
JP4894500B2 (ja) * 2006-12-22 2012-03-14 ソニー株式会社 歩行波形処理方法及び歩行波形処理装置
US20080158222A1 (en) * 2006-12-29 2008-07-03 Motorola, Inc. Apparatus and Methods for Selecting and Customizing Avatars for Interactive Kiosks
US7917768B2 (en) * 2007-01-23 2011-03-29 Dp Technologies, Inc. System control via characteristic gait signature
US7567874B2 (en) * 2007-09-28 2009-07-28 Intel Corporation System and method for detecting furniture cruising frequency to monitor gait decline
JP4937888B2 (ja) * 2007-11-22 2012-05-23 パナソニック株式会社 歩行動作分析装置
CN101917902B (zh) 2007-12-27 2014-03-12 国立大学法人筑波大学 重心位置检测装置以及具有该重心位置检测装置的装戴式动作辅助装置
JP5176622B2 (ja) * 2008-03-18 2013-04-03 オムロンヘルスケア株式会社 歩数計
KR100959561B1 (ko) * 2008-06-19 2010-05-27 인제대학교 산학협력단 마그네틱센서 어레이를 이용한 보행 패턴 추출장치
KR101000789B1 (ko) 2008-08-04 2010-12-13 한국전자통신연구원 사용자 인식 장치 및 사용자 인식 방법
CN101477619B (zh) * 2008-12-26 2012-05-23 北京航空航天大学 基于dtw曲线的运动数据动作分类方法
US8614663B2 (en) * 2010-03-15 2013-12-24 Empire Technology Development, Llc Selective motor control classification
CN102508867B (zh) * 2011-10-09 2013-04-24 南京大学 一种人体运动的运动图检索方法
CN102610017A (zh) * 2011-12-19 2012-07-25 上海电机学院 行人步行状态记录仪
CN103679171B (zh) * 2013-09-24 2017-02-22 暨南大学 基于人体重心轨迹分析的步态特征提取方法
KR102275241B1 (ko) 2013-12-06 2021-07-12 삼성전자주식회사 신호의 변환 및 복원 방법, 신호의 변환 및 복원 시스템, 원본 신호 변환 방법, 원본 신호 변환 장치 및 원본 신호 복원 방법
US10503967B2 (en) 2014-11-21 2019-12-10 The Regents Of The University Of California Fast behavior and abnormality detection
CN104729507B (zh) * 2015-04-13 2018-01-26 大连理工大学 一种基于惯性传感器的步态识别方法
CN105268171B (zh) * 2015-09-06 2018-09-18 安徽华米信息科技有限公司 步态监测方法、装置及可穿戴设备
KR102134421B1 (ko) 2015-10-22 2020-07-15 삼성전자주식회사 신호 처리 및 복원 방법, 및 상기 방법을 수행하는 장치들
CN106250802B (zh) * 2015-12-28 2019-11-29 北京智谷睿拓技术服务有限公司 识别对象的方法和装置
US10631752B2 (en) 2016-01-27 2020-04-28 Life Detection Technologies, Inc. Systems and methods for detecting physical changes without physical contact
CN108601531A (zh) * 2016-01-27 2018-09-28 生命探测技术股份有限公司 用于在没有物理接触的情况下检测物理变化的系统和方法
US10605842B2 (en) * 2016-06-21 2020-03-31 International Business Machines Corporation Noise spectrum analysis for electronic device
WO2018047855A1 (ja) 2016-09-09 2018-03-15 旭化成株式会社 歩数計数装置、歩数計数方法、およびプログラム
US10361860B2 (en) 2016-09-16 2019-07-23 Raytheon Bbn Technologies Corp. Method and apparatus for authentication and validation of persons using gait data
CN107101984B (zh) * 2017-05-18 2019-11-08 广东顺德工业设计研究院(广东顺德创新设计研究院) 信号波形特征检测方法、装置、存储介质和计算机设备
CN107273857B (zh) * 2017-06-19 2021-03-02 深圳市酷浪云计算有限公司 运动动作的识别方法及装置、电子设备
KR102071495B1 (ko) 2018-05-31 2020-01-30 단국대학교 산학협력단 스마트 인솔의 가속도 센서를 이용한 사용자 식별을 위한 장치 및 방법
US20220218233A1 (en) * 2019-05-29 2022-07-14 Nec Corporation Information processing device, personal identification device, personal identification system, information processing method, and storage medium
CN112401875B (zh) * 2019-08-23 2022-03-18 南京大学 一种基于电荷感应的运动姿态识别装置及方法
JP7473354B2 (ja) * 2019-08-29 2024-04-23 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ サルコペニア評価方法、サルコペニア評価装置及びサルコペニア評価プログラム
CN113390387A (zh) * 2020-03-13 2021-09-14 意法半导体股份有限公司 用户情景和活动检测设备以及方法
IT202000007942A1 (it) 2020-04-15 2021-10-15 St Microelectronics Srl Dispositivo e metodo di rilevamento di presenza, in particolare per sistemi di anti-intrusione
TWI812235B (zh) * 2022-05-20 2023-08-11 國立清華大學 基於步態分析的個人身分識別方法及系統

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020107649A1 (en) * 2000-12-27 2002-08-08 Kiyoaki Takiguchi Gait detection system, gait detection apparatus, device, and gait detection method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6360597B1 (en) * 1997-01-08 2002-03-26 The Trustees Of Boston University In-shoe remote telemetry gait analysis system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020107649A1 (en) * 2000-12-27 2002-08-08 Kiyoaki Takiguchi Gait detection system, gait detection apparatus, device, and gait detection method

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHOE-INTEGRATED SENSOR SYSTEM FOR WIRELESSGAIT ANALYSIS AND REAL-TIME FEEDBACK. Stacy J. Morris, Joseph A. Paradiso.Proceedings of the Second Joint EMBS/BMES Conference. 2002
SHOE-INTEGRATED SENSOR SYSTEM FOR WIRELESSGAIT ANALYSIS AND REAL-TIME FEEDBACK. Stacy J. Morris, Joseph A. Paradiso.Proceedings of the Second Joint EMBS/BMES Conference. 2002 *

Also Published As

Publication number Publication date
EP1556824A1 (en) 2005-07-27
DE60316170D1 (de) 2007-10-18
WO2004040501A1 (en) 2004-05-13
KR101201378B1 (ko) 2012-11-15
JP2004147793A (ja) 2004-05-27
DE60326020D1 (de) 2009-03-12
CN1705956A (zh) 2005-12-07
US7346464B2 (en) 2008-03-18
CN1955978A (zh) 2007-05-02
US20060158173A1 (en) 2006-07-20
EP1556824B1 (en) 2007-09-05
EP1804194B1 (en) 2009-01-21
EP1804194A1 (en) 2007-07-04
JP4385274B2 (ja) 2009-12-16
CN100587706C (zh) 2010-02-03
DE60316170T2 (de) 2008-05-29
KR20050062783A (ko) 2005-06-27

Similar Documents

Publication Publication Date Title
CN100452080C (zh) 步态波形特征提取方法以及个人识别系统
Cheng et al. Active capacitive sensing: Exploring a new wearable sensing modality for activity recognition
Fu et al. Sensing technology for human activity recognition: A comprehensive survey
Yang et al. MU-ID: Multi-user identification through gaits using millimeter wave radios
Thang et al. Gait identification using accelerometer on mobile phone
Wang et al. A millimetre-wave radar-based fall detection method using line kernel convolutional neural network
Teixeira et al. A survey of human-sensing: Methods for detecting presence, count, location, track, and identity
CN106407905A (zh) 基于机器学习的无线感知动作识别方法
CN108924736B (zh) 一种基于PCA-Kalman的无源室内人员状态检测方法
Tanawongsuwan et al. Performance analysis of time-distance gait parameters under different speeds
Kawsar et al. A novel activity detection system using plantar pressure sensors and smartphone
US20150268729A1 (en) Electric Field Sensor Arrays for Interactive Gaming, Computer Interfaces, Machine Vision, Medical, Imaging, and Geological Exploration CIP
Al-Naimi et al. Indoor human detection and tracking using advanced smart floor
Sarkar et al. Gait recognition
CN106653058B (zh) 基于双声道的脚步检测方法
Bours et al. The Shakespeare experiment: Preliminary results for the recognition of a person based on the sound of walking
Fagert et al. Recursive sparse representation for identifying multiple concurrent occupants using floor vibration sensing
Liu et al. Research on recognition of criminal suspects based on foot sounds
Fan et al. WiVi: WiFi-video cross-modal fusion based multi-path gait recognition system
JP4251269B2 (ja) 片足歩行検出用歩行路、片足歩行検出システム、及び片足歩行検出方法
CN104729659A (zh) 自然运动体重测量系统
Ganesha et al. Multi-layer heterogeneous ensemble model for human activity recognition
Leonardo Contextual information based on pervasive sound analysis
Elvitigala et al. RadarFoot: Fine-grain Ground Surface Context Awareness for Smart Shoes
Alobaid Identifying Action with Non-Repetitive Movements Using Wearable Sensors: Challenges, Approaches and Empirical Evaluation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20090114

Termination date: 20131028