CN102438519A - 通过运动分析来表征身体能力 - Google Patents

通过运动分析来表征身体能力 Download PDF

Info

Publication number
CN102438519A
CN102438519A CN2010800221555A CN201080022155A CN102438519A CN 102438519 A CN102438519 A CN 102438519A CN 2010800221555 A CN2010800221555 A CN 2010800221555A CN 201080022155 A CN201080022155 A CN 201080022155A CN 102438519 A CN102438519 A CN 102438519A
Authority
CN
China
Prior art keywords
motion
data
computer
ability
parameter
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
CN2010800221555A
Other languages
English (en)
Other versions
CN102438519B (zh
Inventor
艾伦·约瑟夫·泽尔纳
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Publication of CN102438519A publication Critical patent/CN102438519A/zh
Application granted granted Critical
Publication of CN102438519B publication Critical patent/CN102438519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B5/1124—Determining motor skills
    • 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
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • A61B5/1038—Measuring plantar pressure during gait
    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
    • A63B24/0006—Computerised comparison for qualitative assessment of motion sequences or the course of a movement
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B69/00—Training appliances or apparatus for special sports
    • A63B69/36—Training appliances or apparatus for special sports for golf
    • A63B69/3608—Attachments on the body, e.g. for measuring, aligning, restraining
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B69/00—Training appliances or apparatus for special sports
    • A63B69/38—Training appliances or apparatus for special sports for tennis
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0616—Means for conducting or scheduling competition, league, tournaments or rankings
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2209/00—Characteristics of used materials
    • A63B2209/08—Characteristics of used materials magnetic
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/10—Positions
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/10—Positions
    • A63B2220/12—Absolute positions, e.g. by using GPS
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/30—Speed
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/40—Acceleration
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/50—Force related parameters
    • A63B2220/51—Force
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/80—Special sensors, transducers or devices therefor
    • A63B2220/806—Video cameras
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/80—Special sensors, transducers or devices therefor
    • A63B2220/807—Photo cameras
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
    • A63B2225/50—Wireless data transmission, e.g. by radio transmitters or telemetry

Abstract

运动分析用于经由最少的运动和产生所选的身体能力的离散的、整体的优值系数的数据采集协议在身体范围内分类或评定人体能力。通过较广泛的运动的数据挖掘和数据采集确定最小协议。协议与医疗、体育和职业应用相关。囊括了运动学、动力学、体型、肌电图(EMG)、地面反作用力(GRF)、人口统计学和心理数据。生成的协议能够将表示特定的人体运动的原始数据变换为关于那些运动的技能或能力的客观等级。

Description

通过运动分析来表征身体能力
技术领域
本发明的实施例包括分析人体运动以对涉及那些运动的身体能力或状况进行分级或定级。 
背景技术
运动学和动力学测量已经被用于理解人体生理学，用于诊断疾病、体育研究以及提高体育技能的目的。已经通过大量测量技术采集运动数据，这些技术包括利用连接到身体的设备以及利用检测身体部位的运动和检测身体上的特别标记点的运动的照相机。 
该技术的专业运动、临床和研究应用包括了优秀运动员的训练、预测婴幼儿大脑瘫痪症状的后期显现以及跟踪整个疗程的改善。动态身体运动和力量测量设备的花费降低并且生物力学知识得到了增长。然而，潜在的人体运动的广泛排列和复杂性、生成的大量原始数据，特别是无需专家解释的有用结果的缺乏严重限制了本领域的工具和技术的程序开发。用于将基于运动的测量包含到日常卫生保健的便宜并且程序化的解决方案在总成本控制上可具有非常重要的作用。先前的工作包括WO 2007/029012″Categorizing Movement Data″、US 6,248,063″Computer Assisted Methods for Diagnosing Diseases″、US 5,533,519″Method and Apparatus for Diagnosing Joints″、″The Gait Profile Score and Movement Analysis Profile″，Baker Richard，et al.Gait Posture 2009、″Extracting a Diagnostic Gait Signature″Lakany，Heva.Pattern Recognition 41(2008)、″Applications of Artificial Neural Nets in Clinical Biomechanics，Schollhorn，W.I.Clinical Biomechanics 19(2004)。 
发明内容
具有能够从装备仪器的运动中提供大量信息的采集运动数据的资源。本文中的教导通过产生并使用协议能够生成与临床医生和教练有关的生物力学数据，该协议能够提供与感兴趣的身体任务有关的可理解的等级。运动测试协议通过适度训练的个体能够有优势地进行管理以及快速和相对自动地提供结果。 
本文中教导的方法和系统可包括：序数或标量等级或者客观确定的微细的分类。根据在规定的运动协议的执行期间进行的测量，这些等级和分类可关于身体能力或身体表现。可采集一组预定的、有关涉及运动的信息以用于分析。可根据预定的标准分析所采集的信息以生成客观的分类或等级。这些教导的各种应用可具有不同的可执行的运动和测量协议。数据挖掘技术可用于一大群个体的数据表示以识别运动的关键参数以允许对未知的对象进行分类。用于执行测试并生成对象的量化等级的方法和系统以及用于创建这样的协议的方法和系统在本文中的教导中。 
问题 
通过本文的教导解决的问题是将来自人体的大量的有关运动的数据的高效和可靠的半自动分析创建为用于容易地量化与其他人相比较的特定的身体能力的形式。该量化可在数字量度上实现。 
附图说明
提供了多个图以更好地图示本文所描述的概念，并且更好地教导本领域的技术人员实现、使用和执行这些发明。它们不旨在限制或设置界限和边界。 
图1A以示意图示出了人体并标示了可能包含在开发协议中的一些运动的实例； 
图1B以示意图示出了人体以及可能包含在开发协议中的运动的进一步的实例； 
图2A示出了包括装备有嵌入式运动和方向传感器的连身衣的人体运动的测量的一种可能的方式； 
图2B示出了在多个照相机观察的各个人体部位中使用可视化标记以用于3D位置确定的人体运动的测量的一种可能的方式； 
图3是包含在协议创建的示例性实施方式中的数据采集步骤的流程图； 
图4是包含在协议创建的示例性实施方式中的数据挖掘和分析步骤的流程图； 
图5是包含在协议执行的实施例中的数据采集步骤的流程图； 
图6是包含在协议创建的示例性实施方式中的数据挖掘和分析步骤的流程图； 
图7示出了用于执行评估网球挥击的协议的系统；示出了在所选择的位置上连接加速度计的人体对象、数据捕获和预处理计算机以及数据分析计算。 
具体实施方式
介绍
通过示例性实施方式的方式描述用于开发和使用评估测试协议的方法和系统。如本文中所使用的，利用协议，通常指(a)用于采集涉及实验对象、研究者或患者的特定信息的预先计划的一组步骤或行为；(b)用于分析、绘制、比较或变换“原始”数据的预先计划的一系列步骤或行为；以及(c)用于基于信息分析分配等级、得分、指数或标记分类的预定的方法和标准。虽然完整的协议包含以上(a)、(b)和(c)的步骤，然而术语协议可以分别表示这些步骤。协议的一个平常实施例可为用于测量某人的血压的步骤。更复杂的协议可以是为患者做准备、配置设备和管理MRI扫描中涉及的一系列步骤。 
数据挖掘包括多个参数之间的非结构化分析和相关性的数学和计算 技术。这些技术有助于发现参数之间的意想不到的关系。当数据形成相对紧切的分组时，那些分组可称为聚类。 
示出的实施例包括用于开发具体协议的方法和用于将表示个体表现的运动数据变换为易于理解的分类或优值系数的那些可执行协议的性能。 
实施例
有关人类身体能力评估的多个领域包括例如体育训练、职业选择、老年人身心健康评估、医疗进展以及诈病检测。与本文的教导有关的人类身体活动的其他领域包括物理治疗、运动程序和玩游戏。尽管可使用低成本的运动和力学传感器且广泛了解生物力学，仍然经常以主观形式或利用诸如运动范围的静态测量进行评估。可选地，具有可以生成大量实时的原始运动信息的运动实验室，从原始的运动信息中难以得到结论。通过将量化的关于运动的测量加入日常医疗保健，应用这些教导的一些自动或半自动方法和系统有可能显著降低医疗保健费用。 
本文中教导的实施例可以使用数据挖掘技术以半自动地分析一组采集的运动和非运动相关的参数。该分析可以确定该组参数中的每一项关于相关属性的统计学意义。基于帕累托原则，可以识别原始的一组综合信息中的一部分较重要的测试，以并入有效的可执行协议。 
方法概述
基于运动学、动力学和其他数据的客观、可重复和量化的等级的协议的实施方式可以通过以下步骤进行开发： 
(1)应用对象领域的知识以假设全面范围的运动和全面范围的可采集数据来表示那些运动的参数。 
(2)对于感兴趣的具体领域中的一组具有已知属性的对象：引导对象执行预定范围的运动，同时使用仪器采集关于该范围的参数的数据。 
(3)用线性和非线性数学和计算方法分析所采集的数据。这些方法可以包括：多元回归、神经网络，利用分类的数据挖掘、聚类分析、自组织映射和其他方法。分析的目标可以是寻找与对象的预知的能力有关的参数。 
(4)利用参数的预测力或相关力来组织这些参数。 
(5)建立运动和它们各自的参数的列表以从运动的原始范围的子集中生成可执行协议。子集共同具有总的预测力和相关力的期望水平。 
符合本文中的理论的协议还可以涉及测量诸如EMG(肌电图)和地面反作用力(GRF)信息的非运动参数，并且还可以涉及诸如体型、人口统计学、生理学、静态生物力学的系数和心理信息的静态变量。 
实施例1-背部疼痛评估
在背部疼痛评估的情况中，测试了一组具有已知的不同程度损伤的对象。 
根据临床观点，规定了对象要执行的一组全面的运动，同时采集表征那些运动的一组全面的参数。图1A和1B示出了人体1和各种可能规定的运动。例如，可指示对象向一个或多个特定的方向弯曲2、从坐姿站起3、不同程度地扭动身体部位4、正常行走以及转动或移动各个身体部位5、6。运动可重复多次。规定的运动可包括在负重下进行的运动以及没有负重或在不同程度的负重下的那些运动。可以采用涉及生物力学上打开的动力学链以及涉及封闭的动力学链的两种运动。 
本领域的那些技术人员将认识到有多种方式来采集有关人体运动的参数。图2A和2B示出了3D实时全身仪器测量的可选的方法。图2A示意性地示出了穿全身衣10的人体，并指出了与数据分析计算机12通信的嵌入式运动和方向传感器11的位置。相反地，图2B示出了具有多个标记点13的人体。多照相机系统14提供了经由3D跟踪系统15实时跟踪每个点的位置的装置。一些形式使用无源的点和以及其他形式可使用有源的发光点。利用数据分析计算机17分析所跟踪的点的数据以及来自压力板16的数据。除了空间位置之外，还可确定诸如关节角度和EMG数据的变化的其他参数。 
具有已知能力或已知损伤的对象中的每一个进行预定的一组运动，同时进行测量。接受并存储信息。用包括人工神经网络(ANN)、自组织映射(SOM)，机器学习分类树、模糊分类和其他数据挖掘技术的非线性技 术分析从以上测试产生的大量信息。可以采用回归分析、多变量分析和其他更传统的统计学方法。 
这些分析可以将多个对象表现的聚类生成微细分类或者可以找出多个对象的能力的参数和已知分类之间的相关的统计意义。然后，另一步骤产生初始运动和初始参数的子集，它们在指示分类从属关系或等级中特别敏感并且具有显著的统计学意义。如熟悉本领域的那些人员将理解的，这可以通过进一步的统计分析来完成以识别运动以及与那些运动有关的参数，所述参数在将个体与聚类、分类或等级相关联中具有最大的预测力。从最敏感的运动和相关的参数开始，在达到协议管理的容易和统计可靠性的之间的期望的平衡之前，编写运动和测量的列表以用于对可执行协议进行可能的补充。运动及其相关的突出参数的列表成为可执行协议的基础。还可以进行在预测力和执行多个运动和测量多个参数的容易性之间进行权衡，而不是严格采用基于可执行协议的排名靠前的运动和参数。可以设计在管理时间、成本和仪器的复杂性与测试结论的可信度之间进行权衡的协议。 
在背部疼痛的情况下，对象的一部分具有公知严重的背部疼痛，也包含一些没有背部疼痛的对象。该信息与所采集的运动参数进行比较。产生的协议旨在生成后背损伤或后背健康的整体评估，其可用于客观评估治疗的进展。对于背部疼痛评估或对于一般的背部体能，可以采用1-10的标量指数。 
实施例2-诈病评估
也涉及背部疼痛的第二应用实施例是用于诈病或“努力的真实”的检测的协议。不是产生背部健康的标度指数，该协议生成所声明的置信程度内的不真实/真实的努力或者欺骗/非欺骗的两状态分类。在本文的教导之后，对于实际的背部疼痛患者和控制对象两者，假设可能的运动范围以及那些运动的测量，并且测量并分析关于那些特定的因素的信息。该评估的一个前提是当在进行规定的运动，进入“疼痛点”时，慢性背部疼痛将导致非常一致的运动特征。换言之，如果要求对象执行导致背部疼痛的任务，他或她将在每次执行任务，在运动时在相同的点经历背部疼痛。并且，还 假设对象在疼痛的点开始减速，然后能够在疼痛消失之后再次加速。使用腰椎运动监视器(连接到后背的外骨骼，其能够在运动的三个平面内测量运动范围、速度和加速度)对对象进行测量。设计需要向前弯曲以及然后伸展，并且最终返回到开始位置的多个运动任务。将这种循环分为360度，以便逐个位置地将每个试验与其他试验进行时间归一化。使用LMM，可以建立捕获并存储包括峰值加速度、平均加速度、峰值速度、平均速度以及一致性的运动信息。将每个个体的诸如高度、重量、四肢长度、脚的位置、人类学的细节的其他变量及其他生物力学因素添加到所采集的数据中。 
测试两组对象。一组是具有慢性背部疼痛的19位患者。通过病史和通过医生进行的身体检查建立起这种事实。第二组20位对象没有背部疼痛的病史。要求两组都尽他们全部的努力执行预定的运动协议任务。然后，要求每组重复相同的运动任务，这次“假装”他们在特定的位置上有背部疼痛以试图让我们相信他们真的在那个位置上有疼痛。目标是发现易于测量的一组变量，将其搜集在一起能够可靠地将那个未知的个体放入正确的组中。 
从测量中得到每个对象的超过100种运动和静态变量。进行符合本文的教导的统计回归分析以查看这些参数的组合的任意子集是否具有足够的预测力来产生将对象可靠地放入正确的组(欺骗或非欺骗)的数据的聚类。该分析生成具有90％的概率将未知个体放入合适的组的公式。最突出的因素是涉及靠近疼痛点的加速度的突然改变以及该测量的一致性。与那些实际具有背部损伤的人相比，“欺骗者”在“疼痛”到一定程度的点上不产生加速/减速曲线并与定位一致且以计时。 
开发可执行协议以在拐点上进行特别的测量、计算并评估加速/减速曲线。该协议可快速并可靠地分类自报告背部疼痛的真实性和非真实性。 
实施例3-高尔夫球表现指数
符合本文中所教导的理论的体育表演实施例是“高尔夫球性能指标”。GPI得分是高尔夫球技能的表现的整体水平的标度等级。思考这种情况的一种方式是作为将包括表示人体运动的时间序列的值的数据变换为提供 那个人的高尔夫球挥击等级的客观的有意义的评估的过程。当学习新的挥击时，对象可能在他们掌握新的技能的过程中稳步前进，而事实上可能产生不稳定的最终结果。训练他人或自我训练时，除了通过最终结果以外的方式来客观评估学习那种挥击时的进步是有价值的。期望基于最小测量(出于成本原因，并且用于减少高尔夫球球手负担的插入的测量仪器)来确定挥击执行的整体优值系数。期望的挥击的品质因素或等级成绩可能比球飞行或高尔夫球得分的最终结果向研究者提供更有价值的反馈。执行或外部因素中的非常小的差异会不适当地影响这些最终结果。最初，假设一组全面的可影响高尔夫球挥击的结果的准确度的参数。在整组高尔夫球球手中采集表示各种能力的运动信息。并且，测量球飞行的准确度。本领域的技术人员将理解这可以通过高尔夫球球手实际击球或者通过虚拟的高尔夫球仿真来完成。 
确定每个运动参数、运动参数的组合以及球飞行之间的相关性。这可以通过传统的线性回归技术或通过包括聚类分析的数据挖掘技术来完成。在其他实施例中，这种数学分析能够通过其各自的统计预测力来评定全面的一组的各个运动和测量的等级。记住测量的实用性，列出具有有效的预测力的运动参数的子集并且将其构成可执行协议的框架。在可执行协议中存在的初始的一组参数的数量是根据统计置信度的期望程度。 
实施例4-职业评估
以下示出了本文教导的方法适于解决的问题，而不是详细描述该实施例。 
在评估工作者时，进行特定的工作相关的运动(特别是在负重情况下)的能力的客观测量是有价值的。作为计划的一部分，员工可以定期地进行测试以促进安全和健康，并且评估从伤病中恢复的员工的工作准备状态。在从损伤中恢复的情况下，例如，当员工在相关的身体能力方面已经恢复到伤病前的水平时，则认为他们准备好返回工作。能够客观测量工作类别的员工以及然后知道特定的人在返回工作之前应该恢复的水平将节省金钱和时间。 
创建协议的实施例方法
用于开发可执行协议的方法包括以下步骤： 
1)接收感兴趣的特定范围。 
2)选择关于感兴趣的范围的一组全面的实时运动有关的参数，以及选择要评估或调查的其他变量。 
3)在那些对象执行一组全面的运动的同时，采集一组全面的参数，同时接收并存储来自各个对象的多次表现的数据。 
4)利用以下技术中的至少一种分析生成的数据：(a)非线性数据挖掘技术，其用于找出分类聚类、决策树分类、或者序数的或标量的或矢量的等级；以及(b)传统的统计方法，其用于确定相关性和其他统计学上的有效关系以允许要发现的有意义的分类或标量或序数指数。 
5)通过运动和那些运动的参数的统计预测力来评定运动和那些运动的参数的等级。 
6)基于运动的评定等级来选择全面运动的子集以包括具有分类或等级的统计学可靠性的期望水平的可执行协议的运动和参数。 
协议方法
用于通过以下步骤管理协议的实施例方法： 
1)用仪器测量对象，以用于获取预定的、实时的运动有关的测量。 
2)由对象执行预定的运动序列。采集关于预定的一组参数的数据。 
3)格式化所采集的运动信息的至少一个子集，以用于计算统计分析以产生以下结果(1)分类或(2)序数或(3)标量等级。 
4)可选地，允许由远程定位的监视器进行协议性能的实时观察。 
5)可选地，存储记录协议性能的视频和数据，以用于后续验证正确的协议管理。 
可以在除对象的实际测试以外的不同的位置和时间执行数据分析步骤。 
全面参数
具有感兴趣的应用领域的对象知识的那些可有利地假设一组初始的全面的因素。优选地，包含在初始的广泛构成的测量的“混合中的”运动、测试和导出的参数可以包括：诸如速度和加速度的更高阶的量、重复运动中的表现的一致性、以及成对的协调身体结构的角度/角度对比。构成开放动力学链的运动和构成封闭动力学链的那些运动以及非负重和负重的那些运动还优选地在初始的一组全面的参数中。惊奇的是，从除时间域数据之外的预处理数据可以发现相关关系。在一些情况下，优选还包括体型、人口统计学和心理变量。 
程序设计计算机系统
为了分析所测量和计算的参数，可以使用诸如Weka、Orange、Matlab、IBM DB2 Intelligent Miner的数据挖掘工作台软件和诸如SPSS的统计学软件。 
协议创建过程中
在数据记录计算机系统上执行的实施例方法的步骤： 
1)滤波并归一化数据。 
2)计算原始数据的预定参数(例如，根据加速度确定的速度或者根据运动学信息确定的动力学信息)。 
3)打包数据以便分析系统使用。 
数据分析计算技术-协议开发
根据本文的教导的一些实施方式的一个目的是识别要在协议执行过程中进行自动或半自动分析的运动的子集和那些运动的可能的数据测量的子集。这些子集将被选择以包括具有有效力的数据，以提供实现管理的简单性与结果的统计有效性之间的期望的权衡的协议。 
在数据分析步骤中有用的传统的统计学技术包括回归、多元分析、主成分分析(PCA)。本领域的技术人员将熟悉这些数学方法。它们在本领域中的应用见Marmer申请的第6,056,671号美国专利；以及“Quantitative assessment of the control capability of the trunk muscles during oscillatory  bending motion under a new experimental protocol”Kim，Parnianpour and Marras，Clinical Biomechanics vol.11，no.7，385-391，1996.两个参考文献的全部内容通过引用并入本文。 
在很多情况下，包括训练人工神经网络(ANN)、自组织映射(SOM)、机器学习分类树、模糊决策树的数据挖掘的强大的、非线性技术包含于数据分析中。本领域的技术人员将熟悉这些计算方法。它们在本领域中的应用见Klapper的第2005/0234309号美国公开专利申请、Radke等人的第5413116号美国专利和Barnhill的第6,248,063号美国专利。所有这三个参考文献的全部内容通过引用并入本文。 
在根据这些教导的很多实现中，初始数据来自具有关于感兴趣的身体范围的已知属性的大量对象。在其他情况下，例如使用“无监督的”ANN或聚类分析技术，可以没有已知量化能力的对象。对于一些协议创建，具有已知状态的对象以及“正常”的对象是可取的。在其他情况下，一种情况可能具有从所有经历共同状态但程度不同的对象中选择的对象群体。在协议中，为了跟踪个体的变化，根据他们在恢复、恶化、学习或其他状况的各个阶段的各自的表现分析他们。图3和4是示出了创建可执行协议的步骤的流程图。 
图3和4一起示出了用于生成区别具有背部疼痛的个体与假装背部疼痛的个体的协议的一个实施例过程。第一步是确定或接收感兴趣的身体运动范围S101。在这种情况下，背部疼痛自我报告的真实性是关键。在下一步骤中，假设与做出期望的区别相关的广泛的运动和那些运动的测量S102。在背部疼痛的情况下，认为脊柱运动的速度和范围是高度相关的。选择可以测量脊柱的位置、速度和加速度的腰椎运动监视器来提供原始数据。腰椎运动监视器在前后面、侧面和扭曲面测量。招收并选择具有合适范围的背部问题的一组对象S103。 
在创建协议中，所选择的每个对象经历相同的一组步骤。在图3中，通过初始化FOR循环S104来表达。以下步骤涉及根据先前确定的测量仪器测量附近的对象S105以及指示对象执行先前确定的运动S106。当对象执行那些运动时，从仪器采集与那些运动相关联的原始数据并将其存储在 计算机可读介质中S107。到达该对象的FOR循环的末尾，以及如果有未测试的对象S108，则决定返回控制到该循环的顶端S104。 
当确定已经测试最后的对象S108时，打包所采集和存储的数据用于分析S109。这种打包可以涉及增加非运动信息、提供数据备份或者在计算机可读介质内的地址以定位数据。更经常地，这种打包涉及预处理信息以滤除噪声和无意义的数据。这种打包还可以涉及标准化，使用主成分分析用于简化进一步的数据操作。 
通过将打包的数据作为开始点S111，如图4所示，序列继续。在这种情况下，下一步是采用线性回归来分析数据S112，因为打包的数据中的变量与个体的预先已知的状态具有高度的相关性。在其他情况下，根据这些教导的协议，可以使用很多其他形式的分析。在该步骤中可以采用诸如聚类分析的数据挖掘技术以及包含人工神经网络的人工智能技术。 
在诸如线性回归的传统的统计学方法的情况下，各个测量的参数每个将具有相关系数或其他统计置信度估量。下一步根据统计学参量排列各个参数S113，最具预测性的排第一。在使用聚类分析的形式中，参数列表可以包括整体的各个子集的列表，每个子集根据其能力按顺序排列。从第一参数开始S114，程序模块自上而下在参数中循环，将其增加到候选测量的正在编译的列表用于协议创建S115。由于每个新参数被添加到候选列表，则列表上的项的预测力一起用接收的打包数据进行测试S116。在图4中可见，当候选参数列表达到被认为对于协议创建具有足够高的重要性的水平时，该循环结束S117。实际上，根据本文的教导的很多处理还可以分配表示进行每种类型的测量的实用性的等级。这可以允许用于例如安全管理或时间管理的优化。因此，可以保守地设置对足够重要性的截止，以允许处于协议考虑在最终生成的协议中拒绝使用一些“候选”参数。 
在建立参数的列表之后，创建使用成本划算的仪器有效进行那些测量的详细计划S118，其构成了协议的基础；在这种情况下，不考虑对象的自我报告来评估背部疼痛的存在。 
协议执行过程
实施例数据采集步骤 
图5示出了实例的可执行协议的数据采集步骤的流程图。可在网球应用中使用的仪器在图7中示出，并且在此处作进一步讨论。 
由数据分析计算机系统执行的实例的数据分析步骤 
1)从预处理系统接收运动和力信息。 
2)执行以下中的至少一步：(a)应用预定的决策树(b)将数据传输给学习数据结构的经过训练的机器，以确定分类或等级(c)应用线性或非线性模型。 
3)根据预定的规则基于步骤2)确定最接近的匹配并且设置为一个等级。 
4)输出等级。 
示出了协议执行过程中的数据分析中涉及的步骤的实施例的流程图见图6。 
数据分析计算技术-用于协议执行
可以首先预处理在测试未知对象时生成的数据以提取预定的特征。可以在一个或多个维度归一化数据。可以通过线性计算、通过执行分类树或者通过向受培训的学习机器提供数据来分配等级或分类。 
图5和6表示执行用于将“未知”对象分配给多个预识别的聚类中的一个的预定义的协议的流程图。图5涵盖了与测试个体直接相关的活动，而图6涉及分析来自测试的信息所采取的步骤。 
图5的第一步是接收给定的对象S120。下一步是用仪器测量对象S121，用于获取根据正在执行的特定协议所指示的运动测量(背部疼痛、网球挥击、步态等等)。对象执行规定的一系列运动S122，同时将运动数据电子地记录在合适的机器可读介质上S123。可以在测试的时间和地点执行的预处理步骤包括滤波、归一化和从记录的原始数据提取生物力学信息S124，将其变换为简化的和更有意义的状态。假设与信息采集分开地进行分析，然后将信息合适地打包以用于分析S125。如图所示，可选地在不同 计算机系统上的不同位置上执行分析。 
图6示出了该数据的信息变换和分析。接收数据S131之后，接收要应用到该数据的聚类分析标准S132。在该实施例中，进一步处理所接收的预处理数据S133以提取聚类分析标准规定的突出特征，并将其作为输入以用于聚类匹配的确定S134。聚类匹配步骤涉及计算机实现的、将所接收数据的突出特征与预定义的、标记的、所接收的聚类标准中规定的参数的聚类进行数学比较。 
如果发现表示对象的运动的经变换的信息在统计可接受的预定程度上符合标记的聚类S135，则输出该匹配的标记S138。在对象的所测量的运动数据在有效程度上与任意预定的聚类不匹配的情况下，输出为数据没有清晰指示的分类S136。 
系统
图7示出了用于执行根据本文的教导的理论的协议的实施例系统。人1以最小方式在三个所选位置上装备有加速度计20。将加速度计经由电缆21耦合到安装了皮带的控制器22。控制器通过蓝牙兼容的无线信号与本地数据捕获和预处理计算机24进行通信，所述计算机用于记录、初始滤波、归一化和格式化。在一个方面，数据捕获和预处理计算机执行指令以作为智能电子记录器。依次地，系统与远程定位的分析和评级系统25进行通信。可选的实施例系统可包括具有运动和力传感器输入的诸如Wii的家庭控制台游戏系统，作为其硬件部分。系统的部分可以包括诸如iTouch或iPhone的一个或多个设备，其可以具有加速度计、GPS和计算能力。 
系统的变形
其他系统形式可测量穿有诸如Xsens Technologies B.V.提供的MVN品牌产品线中的衣服的上身衣服、下身衣服或全身衣服的人体，如图2A所示。对于一些应用，家庭游戏系统的输入设备的运动或力传感器或者诸如iTouch的便携式设备的运动或力传感器足以进行测量。 
数据准备系统以及数据分析和评级系统可以是远程的、可以是协同定位的、或者可以在单个计算机服务器上实现。用于执行该方法的计算设备 可以是个人计算机。在一些形式中，系统可以促使对象执行有限的一组运动。这可以经由文本显示器、语音输出或者优选地通过视频演示。此外，特定的系统形式可以提供没有按照协议执行运动序列的警告并且通知对象或临床医生。在一些情况下，对象和执行分析的计算机可能不会被协同定位。在用于数据分析计算的中心设施，经过训练的计算机学习系统和专门知识可以服务于很多协议执行地点。照相机23可以用于捕获协议执行的静止或视频图像，所述图像和运动数据一起存储以用于以后验证正确的协议管理。 
一些实施方式将被分解为安全的步骤，喻为“一成不变”的执行协议。在另一时间和位置，更多受过训练的人可以执行数据分析和分配离散的分类或等级的其他步骤。以下是用于评定网球挥击等级的实施例的协议执行的伪代码“流程图”。 
协议执行的伪代码
开始 
以预定的方式测量对象，以获取位置、运动和力传感； 
可操作地将传感设备耦合到数据捕获计算机； 
初始化传感器和数据捕获计算机捕获的信息； 
指示对象执行预定的网球挥击运动序列，同时捕获运动和力以及位置信息； 
在对象执行预定的运动序列时捕获对象的摄影信息； 
命令数据分析计算机预处理所捕获的信息以及格式化并打包该信息以用于分析； 
可操作地将来自数据捕获计算机的格式化和打包的信息通信到数据分析计算机； 
命令数据分析计算机通过统计来比较从数据捕获计算机通信的信息与运动表现的一组预定的量化标准的数据库。 
打包的信息与预定的标准在统计上是否显著一致？ 
是：输出与标准匹配相关联的数字等级 
否：输出“未发现可靠的匹配” 
结束 
结合本文中公开的实施方式描述的各种示例性的程序模块和步骤可以用电子硬件、计算机软件或两者的组合来实现。已经在其功能方面概括性地描述了各种示例性的程序模块和步骤。功能是用硬件还是软件来实现部分取决于系统的硬件限制。根据这种限制，硬件和软件可以是通用的。例如，结合本文中公开的实施方式所述的各种示例性的程序模块和步骤可以用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、分立的门或晶体管逻辑电路、分立的硬件组件、传统的可编程软件模块和处理器、或被设计来执行本文中所述的功能的任意组合来实现或执行。处理器可以是微处理器、CPU、控制器、微控制器、可编程逻辑器件、逻辑元件的阵列或状态机。软件模块可以位于RAM存储器、闪速存储器、ROM存储器、EPROM存储器、EEPROM存储器、硬盘、移动磁盘、CD、DVD或者本领域已知的任何其他形式的存储介质。处理器的一个实施例可以被耦合到存储介质以便从存储介质读取信息并且将信息写入存储介质。可选地，存储介质可以集成到处理器。 
在进一步的实施方式中，本领域的技术人员将理解的是上述方法可以通过执行包含在有形或无形的计算机可读介质上的程序来实现。介质可以包括例如可通过设备访问的RAM或存在于设备中的RAM。无论是否包含在RAM、磁盘或其他辅助的存储介质中，程序模块可以存储在各种机器可读的数据存储介质上，诸如传统的“硬盘驱动器”、磁带、电子只读存储器(如ROM或EEPROM)、闪速存储器、光学存储设备(如CD，DVD，数字光学磁带)或者其他合适的数据存储介质。 
本领域的技术人员将认识到的是，使用已知的技术、材料和设备，本文中所述的实施方式是易于实现的。这种教导用于说明和描述，并不旨在是排他性的或限制公开的形式。很多修改和变更对于本领域的普通技术人员是显而易见的。相反地，以下权利要求限定了其界限和边界。在权利要求中，词“一个”意思是“至少一个”，尽管一些权利要求明确地表达为 “至少一个”或“一个或多个”。此外，可以在任何时候预定权利要求中的任意预定的值、标准或规则，直至有效操作所要求的时间，除非另外明确声明。 

Claims (39)

1.一种生成协议的方法，包括：
(a)在多个个体执行多个运动任务时，接收表示所述多个个体上的多个身体部位的参数的时间序列的值；
(b)利用在计算机系统上运行的数据挖掘计算机程序来分析所述值，以根据对所述时间序列的值的分析有效地将所述多个个体的至少一部分分配给至少两个组中的一个，每个组由具有共同的身体属性的个体组成；
(c)分别识别共同拥有有效的统计力的所述参数的、以及相关联的身体部位的、以及相关联的运动任务的一个或多个子集，以将个体分配到他们的合适的组中；进一步地；
(d)识别规则，当将所述规则应用到所述参数的、以及所述相关联的身体部位的、以及所述相关联的运动任务的所述子集时，所述规则恰当地将个体分配给他们的合适的组；
(e)列举所述子集和规则以将其应用到未知的对象，用于有效地将所述未知的对象分配给他们的合适的组。
2.根据权利要求1所述的方法，还包括测量关于至少一个个体上的多个身体区域的位置的时间序列值的步骤。
3.根据权利要求1所述的方法，其中，所述身体能力与体育技能有关。
4.根据权利要求2所述的方法，其中，所述身体能力与医疗状况有关。
5.根据权利要求2所述的方法，其中，测量的所述步骤包括利用三维图像视频记录来跟踪多个身体位置。
6.根据权利要求2所述的方法，其中测量的所述步骤包括表示关节角度的测量。
7.根据权利要求1所述的方法，其中，所述至少两个组包括具有背部疼痛的一组个体以及假装背部疼痛的一组个体。
8.根据权利要求1所述的方法，还包括：
(i)接收表示从执行列举的运动任务的至少一部分的对象获得的列举的参数的至少一部分的时间序列值；
(j)根据列举的规则的至少一部分来分析所接收的值；
(k)根据对所述对象的所接收的值的所述分析将所述对象分配给一个组。
9.一种产生用于评估人的身体表现的给定方面的协议的方法，包括以下步骤：
a.对于一组人体对象，测量执行的运动序列的人体运动参数并将所述参数记录在非瞬态计算机可读存储器中，每个对象在身体表现的给定方面分别具有已知的能力；
b.通过使用电子计算机执行数据挖掘应用程序来进行数据挖掘，以识别所述对象的所记录的运动参数与其各自的在给定范围的已知能力之间的相关性；
c.识别所述运动参数的敏感子集，以便所述敏感子集共同具有足够的统计相关力以在预定的置信水平预测所述已知能力；
d.根据所述数据挖掘的结果确定标准，所述标准用于根据未知对象在所识别的运动子集上的表现将身体表现的所述给定方面中的一个或多个不同的能力标识归属到所述未知对象；
e.列举运动及其各自的参数的所识别的子集，以及列举身体表现水平的所确定的标准及其各自的标识，从而产生评估协议。
10.根据权利要求9所述的方法，其中，身体表现的所述给定方面与游戏有关。
11.根据权利要求9所述的方法，其中，所述数据挖掘包括非线性数据聚类分析技术。
12.根据权利要求9所述的方法，其中，所述数据挖掘包括线性统计假设测试技术。
13.根据权利要求9所述的方法，其中，所述数据挖掘包括人工神经网络技术。
14.根据权利要求9所述的方法，还包括：对于人的身体表现的给定方面，确定要测量的有关人体运动的参数以及在测量时要执行的相关联的特定运动。
15.根据权利要求9所述的方法，其中，所述一个或多个不同的能力标识中的至少一个是序数值。
16.根据权利要求9所述的方法，其中，所述一个或多个不同的能力标识中的至少一个是标量值。
17.根据权利要求9所述的方法，其中，测量和记录参数包括对至少两个预定的身体部位的实时位置测量。
18.一种测量和评定人的给定身体能力的等级的方法，包括：通过分析表示在对象执行预定的运动任务时的至少两个预定点之间的相关运动的信息的时间序列，将等级归属于所述对象的给定的与运动相关的身体能力，每个点分别与所述对象的身体位置相关；
其中，与所述对象的身体位置相关的点是身体上的特定部位，或者可选地，是与所述身体接触的物品上的部位；
进一步地，通过检测所述信息的时间序列与从对执行所述预定的运动任务的一个或多个个体进行的相应测量获得的时间序列信息之间的相似性，确定所归属的等级；用于对等级进行归属的相似性标准是基于预定的规则的。
19.根据权利要求18所述的方法，还包括测量并存储实时数据的步骤，从所述实时数据导出了表示在所述对象执行预定的运动任务时的至少两点之间的有关运动的所述信息的时间序列。
20.根据权利要求19所述的方法，其中，在与执行所述分析、检测和归属步骤中的至少一个的地理位置不同的地理位置上执行所述测量和存储。
21.根据权利要求18所述的方法，其中，至少一个预定的规则包括表示加速度的大小的实质权重的至少一个因素。
22.根据权利要求18所述的方法，其中，至少一个预定的规则包括表示一个身体部分与另一身体部分的动态角度关系的比较的实质的预定权重的至少一个因素。
23.根据权利要求18所述的方法，其中，所述预定的运动任务实质上不包括通常在展示给定的身体能力时执行的运动序列。
24.根据权利要求18所述的方法，其中，至少一个等级意味着背部疼痛的高概率以及另一等级意味着假装背部疼痛的高概率。
25.一种用于评估在给定的身体活动范围中的人体的能力的水平的协议，包括以下步骤：
a.用仪器装备所述人体以允许测量一组预定的运动参数；
b.由装备有仪器的人体执行一组预定的运动；
c.测量在所述执行的过程中从所述仪器获取的运动信息并将其存储在计算机可读介质上；
d.将所存储的信息预处理为适合于比较的格式；
e.将经预处理的信息与预定的标准比较；所述预定的标准先前从具有在所述范围中的已知能力的各种人体上进行的测试获得；
f.根据与预定的标准的比较的结果，将所述身体活动范围中的能力的标识分配给所述人体。
26.根据权利要求25所述的方法，其中，能力的所述标识表示所述对象在所述给定范围中的能力的整体的优值系数。
27.根据权利要求25所述的方法，其中，用仪器装备和执行的所述步骤发生在与比较和分配的所述步骤不同的位置上。
28.根据权利要求25所述的方法，其中，所述用仪器装备包括将加速度计置于所述对象的身体附近。
29.根据权利要求25所述的方法，其中，所述用仪器装备包括配置视频成像以跟踪所述对象的身体的部分。
30.根据权利要求29所述的方法，其中，标记所述对象的身体的部分以便于其通过视频成像进行识别和跟踪。
31.一种将离散的标识关联到对象的给定的身体能力的方法，包括：
a)用于接收数据的步骤，在所述对象执行由预定的规则指示的一系列运动时，所述数据有效地表征所述对象的两个或更多身体部分彼此相关的运动；
b)用于评估所述对象的被表征的运动与多个个体进行的可比较的运动的可比较的表征的相似程度的步骤；所述个体中的每个具有在所述给定的身体能力中的相应的标识；
c)用于根据评估的所述步骤将离散的标识关联到对象的给定的身体能力的步骤。
32.根据权利要求31所述的方法，其中，用于接收数据的所述步骤包括记录身体和目标之间的力测量。
33.根据权利要求31所述的方法，其中，用于接收数据的所述步骤包括记录至少两块相关肌肉的电活动读数。
34.根据权利要求31所述的方法，其中，用于获取数据的所述步骤包括对至少两个身体部分的位置跟踪。
35.一种用于将人体运动数据变换为客观的等级的系统，包括：
a.下列中的至少一个：一个或多个运动传感器、一个或多个角度传感器以及一个或多个压力传感器，所述传感器用于装备执行一个或多个运动的人体；
b.第一计算机，所述第一计算机通信地耦合到所述传感器，所述计算机适于从所述传感器接收表示运动的数据；所述第一计算机被编程以捕获、存储并预处理从传感器接收的数据；
c.第二计算机，所述第二计算机通信地耦合到所述第一计算机；所述第二计算机被编程以用于根据已知对象的多个预采集的数据运动来分析预处理的运动数据，所述分析产生表示表现水平的离散的结果。
36.根据权利要求35所述的系统，其中所述第二计算机可操作地位于除靠近所述对象的执行运动的位置以外的位置。
37.根据权利要求35所述的系统，其中所述第一计算机还包括编程以存储执行所述一个或多个运动的所述人体的视频图像；以及所述第二计算机接收并存储关于所述一个或多个运动的表现的图像信息。
38.一种包含计算机可执行的指令的计算机可读介质，所述指令指示以下步骤：
a)接收表示执行一系列运动任务的人体的运动和力信息；
b)处理所述运动和力信息以提取生物力学信息；
c)比较所述生物力学信息与表示关于由多个对象执行的多个可比较的运动任务的生物力学信息的数据以获得有效匹配，所述对象每个分别具有共同身体能力的已知等级；
d)根据检测的所述人体的生物力学信息与所述多个对象中的一个或多个对象的生物力学信息之间的有效匹配，将能力的标识分配给所述人体，有效匹配由预定的标准确定。
39.根据权利要求38所述的计算机可读介质，其中，在计算机上可执行的所述指令还包括：所述比较步骤包括根据聚类分析的有效匹配标准。
CN201080022155.5A 2009-08-28 2010-08-29 通过运动分析来表征身体能力 Active CN102438519B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US23803909P 2009-08-28 2009-08-28
US61/238,039 2009-08-28
PCT/US2010/047067 WO2011026001A2 (en) 2009-08-28 2010-08-29 Characterizing a physical capability by motion analysis

Publications (2)

Publication Number Publication Date
CN102438519A true CN102438519A (zh) 2012-05-02
CN102438519B CN102438519B (zh) 2014-11-05

Family

ID=43628683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201080022155.5A Active CN102438519B (zh) 2009-08-28 2010-08-29 通过运动分析来表征身体能力

Country Status (6)

Country Link
EP (1) EP2470076B1 (zh)
CN (1) CN102438519B (zh)
AU (1) AU2010286471B2 (zh)
BR (1) BRPI1008110A2 (zh)
CA (1) CA2761311A1 (zh)
WO (1) WO2011026001A2 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104981835A (zh) * 2013-02-08 2015-10-14 雀巢产品技术援助有限公司 关于营养和耐力的评估和建议
CN105496418A (zh) * 2016-01-08 2016-04-20 中国科学技术大学 一种臂带式可穿戴的上肢运动功能评估系统
CN105709302A (zh) * 2016-04-21 2016-06-29 青岛大学 一种带有输液监控的医疗系统
CN105975740A (zh) * 2016-04-21 2016-09-28 寇玮蔚 一种带有智能诊断的医疗系统
CN106236090A (zh) * 2016-07-25 2016-12-21 四川东鼎里智信息技术有限责任公司 一种基于arm的体能测试设备
CN107645946A (zh) * 2015-10-13 2018-01-30 伊曼·沙菲路 智能关节护理
CN109215785A (zh) * 2017-07-07 2019-01-15 塔塔咨询服务公司 用于姿势稳定性评估的方法和系统
CN109716444A (zh) * 2016-09-28 2019-05-03 Bodbox股份有限公司 运动表现的评估与指导
CN109843101A (zh) * 2016-06-30 2019-06-04 776Bc国际有限公司 用于运动训练的服装、系统和方法
CN110755078A (zh) * 2019-10-29 2020-02-07 福建农林大学 基于置信度加权的膝关节运动疲劳评估预测系统及方法
CN110874092A (zh) * 2018-08-31 2020-03-10 欧姆龙株式会社 能力计测装置、能力计测方法以及存储介质
CN111035378A (zh) * 2020-03-17 2020-04-21 深圳市富源欣袋业有限公司 一种基于旅行包的健康数据监测方法和智能旅行包
CN112791365A (zh) * 2017-11-20 2021-05-14 卡西欧计算机株式会社 电子设备、评价结果输出方法以及记录介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400123A (zh) * 2013-08-21 2013-11-20 山东师范大学 基于三轴加速度传感器及神经网络的步态类型鉴别方法
CN104000597B (zh) * 2014-06-05 2017-01-25 四川旭康医疗电器有限公司 一种梯度式运动功能自动评定系统
US9836118B2 (en) 2015-06-16 2017-12-05 Wilson Steele Method and system for analyzing a movement of a person
WO2020083857A1 (de) 2018-10-24 2020-04-30 Sp Sportdiagnosegeräte Gmbh Computer-implementiertes verfahren zur ermittlung individueller trainingsressourcen biologischer organismen und entsprechende vorrichtung
WO2020087162A1 (en) * 2018-10-29 2020-05-07 Intellisports Inc. System and method for real-time activity classification and feedback

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050240086A1 (en) * 2004-03-12 2005-10-27 Metin Akay Intelligent wearable monitor systems and methods

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5111410A (en) * 1989-06-23 1992-05-05 Kabushiki Kaisha Oh-Yoh Keisoku Kenkyusho Motion analyzing/advising system
US5891060A (en) * 1997-10-13 1999-04-06 Kinex Iha Corp. Method for evaluating a human joint
US6056671A (en) 1997-12-19 2000-05-02 Marmer; Keith S. Functional capacity assessment system and method
US6280395B1 (en) * 2000-01-19 2001-08-28 Mpr Health Systems, Inc. System and method for determining muscle dysfunction
JP2004532475A (ja) * 2001-05-15 2004-10-21 サイコジェニックス・インコーポレーテッド 行動情報工学を監視するシステムおよび方法
US7502498B2 (en) * 2004-09-10 2009-03-10 Available For Licensing Patient monitoring apparatus
WO2006119186A2 (en) 2005-05-02 2006-11-09 University Of Virginia Patent Foundation Systems, devices, and methods for interpreting movement
GB0518480D0 (en) * 2005-09-09 2005-10-19 Ntnu Technology Transfer As Categorising movement data
US9418470B2 (en) 2007-10-26 2016-08-16 Koninklijke Philips N.V. Method and system for selecting the viewing configuration of a rendered figure

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050240086A1 (en) * 2004-03-12 2005-10-27 Metin Akay Intelligent wearable monitor systems and methods

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104981835A (zh) * 2013-02-08 2015-10-14 雀巢产品技术援助有限公司 关于营养和耐力的评估和建议
US10937538B2 (en) 2013-02-08 2021-03-02 Societe Des Produits Nestle S.A. Assessment and advice on nutrition and endurance
CN107645946A (zh) * 2015-10-13 2018-01-30 伊曼·沙菲路 智能关节护理
CN105496418A (zh) * 2016-01-08 2016-04-20 中国科学技术大学 一种臂带式可穿戴的上肢运动功能评估系统
CN105975740B (zh) * 2016-04-21 2018-09-11 寇玮蔚 一种带有智能诊断的医疗系统
CN105975740A (zh) * 2016-04-21 2016-09-28 寇玮蔚 一种带有智能诊断的医疗系统
CN105709302B (zh) * 2016-04-21 2018-11-09 王芳 一种带有输液监控的医疗系统
CN105709302A (zh) * 2016-04-21 2016-06-29 青岛大学 一种带有输液监控的医疗系统
CN109843101A (zh) * 2016-06-30 2019-06-04 776Bc国际有限公司 用于运动训练的服装、系统和方法
CN106236090A (zh) * 2016-07-25 2016-12-21 四川东鼎里智信息技术有限责任公司 一种基于arm的体能测试设备
CN106236090B (zh) * 2016-07-25 2019-04-09 四川东鼎里智信息技术有限责任公司 一种基于arm的体能测试设备
CN109716444A (zh) * 2016-09-28 2019-05-03 Bodbox股份有限公司 运动表现的评估与指导
CN109716444B (zh) * 2016-09-28 2023-03-14 Bodbox股份有限公司 运动表现的评估与指导
CN109215785A (zh) * 2017-07-07 2019-01-15 塔塔咨询服务公司 用于姿势稳定性评估的方法和系统
CN112791365A (zh) * 2017-11-20 2021-05-14 卡西欧计算机株式会社 电子设备、评价结果输出方法以及记录介质
CN112791365B (zh) * 2017-11-20 2022-06-21 卡西欧计算机株式会社 评价结果输出装置、评价结果输出方法以及记录介质
CN110874092A (zh) * 2018-08-31 2020-03-10 欧姆龙株式会社 能力计测装置、能力计测方法以及存储介质
CN110755078A (zh) * 2019-10-29 2020-02-07 福建农林大学 基于置信度加权的膝关节运动疲劳评估预测系统及方法
CN111035378A (zh) * 2020-03-17 2020-04-21 深圳市富源欣袋业有限公司 一种基于旅行包的健康数据监测方法和智能旅行包

Also Published As

Publication number Publication date
EP2470076B1 (en) 2017-05-31
WO2011026001A2 (en) 2011-03-03
WO2011026001A3 (en) 2011-06-03
BRPI1008110A2 (pt) 2015-07-21
CA2761311A1 (en) 2011-03-03
EP2470076A4 (en) 2012-10-10
AU2010286471A1 (en) 2011-11-24
CN102438519B (zh) 2014-11-05
AU2010286471B2 (en) 2015-05-07
EP2470076A2 (en) 2012-07-04

Similar Documents

Publication Publication Date Title
CN102438519B (zh) 通过运动分析来表征身体能力
US8139822B2 (en) Designation of a characteristic of a physical capability by motion analysis, systems and methods
Halilaj et al. Machine learning in human movement biomechanics: Best practices, common pitfalls, and new opportunities
Dolatabadi et al. An automated classification of pathological gait using unobtrusive sensing technology
Chau A review of analytical techniques for gait data. Part 1: fuzzy, statistical and fractal methods
US10004455B2 (en) Realtime biofeedback mechanism and data presentation for knee injury rehabilitation monitoring and a soft real time intelligent system thereof
US20110276153A1 (en) Method and system for facilitating golf swing instruction
JP6823123B2 (ja) 行動データを用いた一般化されたスキル評価のためのシステム及び方法
US11957478B2 (en) Methods and apparatus for machine learning to analyze musculo-skeletal rehabilitation from images
Dasgupta et al. Acceleration gait measures as proxies for motor skill of walking: A narrative review
Köktaş et al. A multi-classifier for grading knee osteoarthritis using gait analysis
Cleland et al. Collection of a diverse, realistic and annotated dataset for wearable activity recognition
Chia et al. A decision support system to facilitate identification of musculoskeletal impairments and propose recommendations using gait analysis in children with cerebral palsy
Lamooki et al. A data analytic end-to-end framework for the automated quantification of ergonomic risk factors across multiple tasks using a single wearable sensor
Ahmed et al. Automated movement assessment in stroke rehabilitation
Hart et al. Systematic review of automatic assessment systems for resistance-training movement performance: A data science perspective
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其系统
Dong et al. An “optical flow” method based on pressure sensors data for quantification of Parkinson's disease characteristics
Karg et al. Human movement analysis: Extension of the f-statistic to time series using hmm
Koktas et al. Combining neural networks for gait classification
Asl et al. Statistical Database of Human Motion Recognition using Wearable IoT-A Review
Lin Temporal segmentation of human motion for rehabilitation
Kurdthongmee A self organizing map based motion classifier with an extension to fall detection problem and its implementation on a Smartphone
Lamooki Feasibility of Wearable Sensors for Assessing the Impact of Repetitive Task Performance on Occupational Workers using Time Series Analysis Approaches
Nourani A comprehensive comparison of human activity recognition using inertial sensors

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