CN103020598A - 一种用于对人完成特定动作时的姿态变异进行识别的方法 - Google Patents
一种用于对人完成特定动作时的姿态变异进行识别的方法 Download PDFInfo
- Publication number
- CN103020598A CN103020598A CN201210530431XA CN201210530431A CN103020598A CN 103020598 A CN103020598 A CN 103020598A CN 201210530431X A CN201210530431X A CN 201210530431XA CN 201210530431 A CN201210530431 A CN 201210530431A CN 103020598 A CN103020598 A CN 103020598A
- Authority
- CN
- China
- Prior art keywords
- feature
- trail
- terminal edge
- sample set
- followed
- 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
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种用于对人完成特定动作时的姿态变异进行识别的方法。本发明利用家庭健身设备所包含的平衡板、惯性传感器等部件,追踪获取人完成特定动作时其肢体运动的三维加速度和其重心位置变化数据,并存入个体化数据库作为信息源,利用基于突变理论及统计分析方法构建的算法,对所提取的姿态特征是否出现变点进行判别,进而对人在完成特定动作时姿态的变异进行识别。本发明具有便捷、安全的特点,且能有效降低个体差异对识别结果的影响。
Description
技术领域
本发明属于运动生物力学领域,涉及到一种在日常居家环境中,对人完成特定动作时的姿态变异进行识别的方法。
背景技术
如今我国人口的老龄化趋势越来越严重,而且独居老人已成为中国城镇老年人家庭的主要形式。针对独居老人在家没人照顾的情况,亟需建立智能化的监护及报警系统。
姿态变异识别是指对人在完成特定动作时的运动力学信息进行追踪采集,基于所获取的数据对完成特定动作时的人体姿态特征进行定量描述,进而对该种姿态是否发生变化进行判断。独居老人完成特定动作的姿态变异识别结果,可为智能监护及报警系统进行老人独居生活安全性评估提供重要的客观依据。
目前,家庭健身保健设备已较为普及,该类设备中通常包含平衡板、惯性传感器等部件,如任天堂游戏健身设备中的WII平衡板及装有惯性传感器的手柄等。这使得借助该类部件,在老年人进行日常健身活动时,便捷安全地对其完成特定动作时的运动力学信息进行追踪检测成为可能。例如,当人处于平衡板上时,通过对分布于平衡板四角的压力传感器输出的四路电压信号进行分析处理,可以获得人体重心的位移信息;当人握住手柄完成特定动作时,通过位于手柄内部的惯性传感器,可以获得手臂运动的三维加速度信息。
但对人在完成同一动作时的运动力学信息进行分析的结果表明,不同人的同类运动力学信息间存在较大的个体差异。这就要求用于姿态变异识别所采用的算法具有较强的适应性,从而有效消除个体差异对识别结果的影响,及时准确地对姿态变异进行识别。然而,目前该类算法的构建方式尚需进一步研究及探索。
突变理论是从上世纪70年代发展起来的一个新的数学分支,它运用拓朴学、奇点理论与结构稳定性现象,考查某一过程从一种状态到另一种状态的迁跃。因此将独居老人个体作为一个系统,将日常对个体进行追踪检测所获得的各类运动力学信息作为系统的状态变量,针对每个个体构建长期追踪数据库及近期追踪数据库,基于突变理论,借助统计分析的方法,对系统中是否存在变点进行判别,进而对独居老人完成特定动作时的姿态是否发生变异进行识别合理可行。
发明内容
本发明的目的是针对现有技术的不足,提供一种面向日常居家环境,能及时有效地对人完成特定动作时的姿态变异进行识别的方法。该方法是在人进行日常健身活动的过程中,利用家庭健身设备所包含的平衡板、惯性传感器等部件,追踪获取人完成特定动作时其肢体运动的三维加速度和其重心位置变化数据,并存入个体化数据库作为信息源,利用基于突变理论及统计分析方法构建的算法,对所提取的姿态特征是否出现变点进行判别,进而对人在完成特定动作时姿态的变异进行识别。
本发明方法包括以下各步骤:
步骤1.人体重心位移特征提取,具体是:
通过分布于平衡板四角的压力传感器,检测追踪对象处于平衡板上,完成特定动作时,所产生的四路电压信号,分别记为 、、、;将坐标原点设在平衡板的一角,四个压力传感器的位置坐标分别为,,,。设重心坐标为,依据力学平衡原理及力矩原理得:
步骤2.手臂姿态特征提取,具体是:
步骤3.基于双总体滑动检验法,进行特征变点有无的判断,具体是:
首先,按采样时间距当前进行变点有无判别时间的远近,对该追踪对象个体化数据库中保存的人体重心位移特征样本集、手臂姿态特征样本集中的样本数据进行选择划分,各类特征样本均构建近期追踪及长期追踪两个子集;子集构建的规则是:采样时间距当前进行变点有无判别时间短的样本归并成一个子集,称为近期追踪子集;采样时间距当前进行变点有无判别时间较长的样本归并成另一个子集,称为长期追踪子集;本方法中所应构建的各类特征样本的长期追踪子集和近期追踪子集如表1所示。
表1 特征样本子集名称及表示符号
特征样本子集名称 | 符号 |
重心位移长期追踪样本子集 | |
重心位移近期追踪样本子集 | |
左臂末端沿轴运动距离长期追踪样本子集 | |
左臂末端沿轴运动距离近期追踪样本子集 | |
左臂末端沿轴运动距离长期追踪样本子集 | |
左臂末端沿轴运动距离近期追踪样本子集 | |
左臂末端沿轴运动距离长期追踪样本子集 | |
左臂末端沿轴运动距离近期追踪样本子集 | |
右臂末端沿轴运动距离长期追踪样本子集 | |
右臂末端沿轴运动距离近期追踪样本子集 | |
右臂末端沿轴运动距离长期追踪样本子集 | |
右臂末端沿轴运动距离近期追踪样本子集 | |
右臂末端沿轴运动距离长期追踪样本子集 | |
右臂末端沿轴运动距离近期追踪样本子集 |
然后,利用双总体滑动检验法,通过考察各类特征样本长期追踪与近期追踪子集的平均值差异是否显著,来检验该特征在近期是否存在变点。用表示所选定任一类特征近期追踪样本子集,用表示该特征长期追踪样本子集;并用、分别表示两个样本子集的均值;、分别表示两个样本子集的方差;表示两个样本子集的联合方差;各样本的长度均取为,用双总体滑动检验法进行特征变点有无判断的步骤如下:
步骤4.姿态变异的识别,具体是:
对本方法所选定的人体重心位移特征,手臂姿态特征、、、、、,均按步骤3所述方法进行各特征是否存在变点的判断。若存在变点,即特征发生了突变,则将相应的判断结果赋值为1;若不存在变点,即特征未发生突变,则将相应的判断结果赋值为0。
代表各特征变点判别结果的符号如表2所示;
表2 代表各特征变点判别结果的符号
本发明提供了一种面向日常居家环境,借助健身设备,对独居老人完成特定动作时的姿态变异进行个体化识别的新方法。该方法具有便捷、安全的特点,且能有效降低个体差异对识别结果的影响。
具体实施方式
本发明所提出的一种在日常居家环境中,对人完成特定动作时发生姿态变异进行识别的个体化方法,其具体实施方式包括如下步骤:
1.人体重心位移特征提取。
通过分布于平衡板四角的压力传感器,检测追踪对象站立于平衡板上,完成双臂前平举等特定动作时所产生的四路电压信号,分别记为、、、。将坐标原点设在平衡板的一角,四个压力传感器的位置坐标分别为,,,。设重心坐标为,依据力学平衡原理及力矩原理得:
(6)
2.手臂姿态特征提取。
每次检测均进行次采样,采样周期为,其具体取值可根据被检测对象的情况确定。每次的检测时间一般在10到30秒范围内选定,采样周期一般选为0.025秒。每次检测获得的各采样时刻左、右臂末端加速度值所构成的时间序列分别记为、、、、、,其中。
首先,按采样时间距当前进行变点有无判别时间的远近,对该追踪对象个体化数据库中保存的人体重心位移特征样本集、手臂姿态特征样本集中的样本数据进行选择划分,各类特征样本均构建两个子集。子集构建的规则是:采样时间距当前进行变点有无判别时间短的样本归并成一个子集,该时间区域一般定为进行当前变点判别前的连续3天,所构建子集称为近期追踪子集;采样时间距当前进行变点有无判别时间较长的样本归并成另一个子集,该时间区域一般定为进行当前变点判别前64天至前4天,所构建子集称为长期追踪子集。所应构建的各类特征样本的长期追踪子集和近期追踪子集如表1所示。
表1 特征样本子集名称及表示符号
特征样本子集名称 | 符号 |
重心位移长期追踪样本子集 | |
重心位移近期追踪样本子集 | |
左臂末端沿轴运动距离长期追踪样本子集 | |
左臂末端沿轴运动距离近期追踪样本子集 | |
左臂末端沿轴运动距离长期追踪样本子集 | |
左臂末端沿轴运动距离近期追踪样本子集 | |
左臂末端沿轴运动距离长期追踪样本子集 | |
左臂末端沿轴运动距离近期追踪样本子集 | |
右臂末端沿轴运动距离长期追踪样本子集 | |
右臂末端沿轴运动距离近期追踪样本子集 | |
右臂末端沿轴运动距离长期追踪样本子集 | |
右臂末端沿轴运动距离近期追踪样本子集 | |
右臂末端沿轴运动距离长期追踪样本子集 | |
右臂末端沿轴运动距离近期追踪样本子集 |
然后,利用双总体滑动检验法,通过考察各类特征样本长期追踪与近期追踪两个子集的平均值差异是否显著,来检验该类特征变量在近期是否存在变点。用表示所选定任一类特征近期追踪样本子集,用表示该特征长期追踪样本子集,并用、分别表示两个样本子集的均值;、分别表示两个样本子集的方差;表示两个样本子集的联合方差。各样本的长度均取为,则用双总体滑动检验法进行特征变点有无判断的步骤如下:
定义一个统计量为 (8)
4.姿态变异的识别
对本方法所选定的人体重心位移特征,手臂姿态特征、、、、、,均按步骤3所述方法进行各特征是否存在变点的判断。若存在变点,即该特征发生了突变,则将判断结果赋值为1;若不存在变点,即特征变量未发生突变,则将判断结果赋值为0。
代表各特征变点判别结果的表达符号如表2所示。
表2 代表各特征变点判别结果的符号
Claims (1)
1.一种用于对人完成特定动作时的姿态变异进行识别的方法,其特点在于以下步骤:
步骤1.人体重心位移特征提取,具体是:
通过分布于平衡板四角的压力传感器,检测追踪对象处于平衡板上,完成特定动作时所产生的四路电压信号,分别记为 、、、;将坐标原点设在平衡板的一角,四个压力传感器的位置坐标分别为,,,;设重心坐标为,依据力学平衡原理及力矩原理得:
步骤2.手臂姿态特征提取,具体是:
首先,按采样时间距当前进行变点有无判别时间的远近,对该追踪对象个体化数据库中保存的人体重心位移特征样本集、手臂姿态特征样本集中的样本数据进行选择划分,各类特征样本均构建近期追踪及长期追踪两个子集;子集构建的规则是:采样时间距当前进行变点有无判别时间短的样本归并成一个子集,称为近期追踪子集;采样时间距当前进行变点有无判别时间较长的样本归并成另一个子集,称为长期追踪子集;本方法中所应构建的各类特征样本的长期追踪子集和近期追踪子集如表1所示;
表1 特征样本子集名称及表示符号
然后,利用双总体滑动检验法,通过考察各类特征样本长期追踪与近期追踪子集的平均值差异是否显著,来检验该特征在近期是否存在变点;用表示所选定任一类特征近期追踪样本子集,用表示该特征长期追踪样本子集;并用、分别表示两个样本子集的均值;、分别表示两个样本子集的方差;表示两个样本子集的联合方差;各样本的长度均取为,用双总体滑动检验法进行特征变点有无判断的步骤如下:
步骤4.姿态变异的识别,具体是:
对本方法所选定的人体重心位移特征,手臂姿态特征、、、、、,均按步骤3所述方法进行各特征是否存在变点的判断;若存在变点,即特征发生了突变,则将相应的判断结果赋值为1;若不存在变点,即特征未发生突变,则将相应的判断结果赋值为0;
代表各特征变点判别结果的符号如表2所示;
表2 代表各特征变点判别结果的符号
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210530431.XA CN103020598B (zh) | 2012-12-11 | 2012-12-11 | 一种用于对人完成特定动作时的姿态变异进行识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210530431.XA CN103020598B (zh) | 2012-12-11 | 2012-12-11 | 一种用于对人完成特定动作时的姿态变异进行识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020598A true CN103020598A (zh) | 2013-04-03 |
CN103020598B CN103020598B (zh) | 2015-08-19 |
Family
ID=47969189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210530431.XA Expired - Fee Related CN103020598B (zh) | 2012-12-11 | 2012-12-11 | 一种用于对人完成特定动作时的姿态变异进行识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020598B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297161A (zh) * | 2015-06-02 | 2017-01-04 | 淮阴工学院 | 一种基于物联网多模感知的安防监测数据融合算法 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
WO2018094978A1 (zh) * | 2016-11-23 | 2018-05-31 | 深圳大学 | 一种肢体运动姿态的判断方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1696874A (zh) * | 2005-06-28 | 2005-11-16 | 中国海洋大学 | 基于骨架模型的姿态测量装置和姿态测量方法 |
CN101539405A (zh) * | 2009-04-09 | 2009-09-23 | 南京航空航天大学 | 基于姿态传感器的多视角测量数据自拼合方法 |
WO2009117687A1 (en) * | 2008-03-21 | 2009-09-24 | Analog Device, Inc. | System and method for capturing an event in mems inertial sensors |
CN201561759U (zh) * | 2009-10-18 | 2010-08-25 | 魏承赟 | 惯性姿态方位测量装置 |
-
2012
- 2012-12-11 CN CN201210530431.XA patent/CN103020598B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1696874A (zh) * | 2005-06-28 | 2005-11-16 | 中国海洋大学 | 基于骨架模型的姿态测量装置和姿态测量方法 |
WO2009117687A1 (en) * | 2008-03-21 | 2009-09-24 | Analog Device, Inc. | System and method for capturing an event in mems inertial sensors |
CN101539405A (zh) * | 2009-04-09 | 2009-09-23 | 南京航空航天大学 | 基于姿态传感器的多视角测量数据自拼合方法 |
CN201561759U (zh) * | 2009-10-18 | 2010-08-25 | 魏承赟 | 惯性姿态方位测量装置 |
Non-Patent Citations (1)
Title |
---|
胡一帆,林欣,丁永生,吴怡之: "基于核函数SVM的穿戴式姿态识别系统", 《计算机工程》, vol. 36, no. 10, 31 May 2010 (2010-05-31) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297161A (zh) * | 2015-06-02 | 2017-01-04 | 淮阴工学院 | 一种基于物联网多模感知的安防监测数据融合算法 |
WO2018094978A1 (zh) * | 2016-11-23 | 2018-05-31 | 深圳大学 | 一种肢体运动姿态的判断方法及装置 |
US11134893B2 (en) | 2016-11-23 | 2021-10-05 | Shenzhen University | Limb movement gesture judgment method and device |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103020598B (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104323780B (zh) | 基于支持向量机的行人步态分类系统及方法 | |
CN102302370A (zh) | 一种跌倒检测方法和装置 | |
CN103927851B (zh) | 一种个人化多阈值跌倒检测方法及系统 | |
CN108021888B (zh) | 一种跌倒检测方法 | |
CN106981174A (zh) | 一种基于智能手机的老人跌倒检测方法 | |
CN106210269A (zh) | 一种基于智能手机的人体动作识别系统及方法 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
CN108710822A (zh) | 一种基于红外阵列传感器的人员跌倒检测系统 | |
CN108629304B (zh) | 一种冻结步态在线检测方法 | |
CN108013884B (zh) | 一种汽车驾驶员疲劳驾驶主动安全监测系统及其监测方法 | |
CN105741491B (zh) | 基于卡尔曼滤波与knn算法的跌倒检测报警系统及方法 | |
CN105224104A (zh) | 基于智能手机持握方式的行人运动状态识别方法 | |
CN106910314A (zh) | 一种基于体形的个性化跌倒检测方法 | |
CN103020598A (zh) | 一种用于对人完成特定动作时的姿态变异进行识别的方法 | |
CN105181336A (zh) | 一种用于轴承故障诊断的特征选取方法 | |
CN111863274B (zh) | 一种智能体温实时监测管理系统 | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
CN111259956B (zh) | 一种基于惯性传感器的人员非常规行为快速识别方法 | |
CN114881079A (zh) | 面向穿戴式传感器的人体运动意图异常检测方法及系统 | |
CN105212941A (zh) | 一种人体活动状态识别方法及系统 | |
CN103632133A (zh) | 人体姿态识别方法 | |
Juanjuan et al. | An Automatic Detection Method for Bradykinesia in Parkinson's Disease Based on Inertial Sensor | |
CN105551191A (zh) | 一种跌倒检测方法 | |
CN107007285B (zh) | 基于压力与加速度传感器的跌倒检测方法 | |
CN112244819A (zh) | 基于足底压力阵列检测的儿童异常步态识别系统及方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150819 Termination date: 20161211 |