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 PDF

Info

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
Application number
CN201210530431XA
Other languages
English (en)
Other versions
CN103020598B (zh
Inventor
孙曜
罗志增
孟明
孙岩
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201210530431.XA priority Critical patent/CN103020598B/zh
Publication of CN103020598A publication Critical patent/CN103020598A/zh
Application granted granted Critical
Publication of CN103020598B publication Critical patent/CN103020598B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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

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
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                                               
Figure 201210530431X100002DEST_PATH_IMAGE002
、
Figure 201210530431X100002DEST_PATH_IMAGE004
、
Figure 201210530431X100002DEST_PATH_IMAGE006
、
Figure 201210530431X100002DEST_PATH_IMAGE008
；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，
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
。设重心坐标为
Figure DEST_PATH_IMAGE018
，依据力学平衡原理及力矩原理得：
Figure DEST_PATH_IMAGE020
                          (1)
式(1)中，
Figure DEST_PATH_IMAGE022
。
每次检测均进行
Figure DEST_PATH_IMAGE024
次采样，采样周期为
Figure DEST_PATH_IMAGE026
，具体取值可根据被检测对象的情况确定。每次检测获得的各采样时刻重心坐标表示为,
Figure DEST_PATH_IMAGE030
。
将重心距原点的距离作为人体重心位移特征
Figure DEST_PATH_IMAGE032
；计算每次检测中各采样时刻重心距原点的距离，记为
Figure DEST_PATH_IMAGE034
；构建时间序列
Figure DEST_PATH_IMAGE036
，并存入该追踪对象的个体化数据库作为重心位移特征的一个样本。
步骤2.手臂姿态特征提取，具体是：
通过手握的惯性传感器，检测追踪对象完成特定动作时，手臂末端沿
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE042
轴的三维加速度数据。左臂末端的三维加速度记为
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE048
，右臂末端的三维加速度记为
Figure DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE052
、
Figure DEST_PATH_IMAGE054
。
每次检测均进行
Figure 332012DEST_PATH_IMAGE024
次采样，采样周期为
Figure 207344DEST_PATH_IMAGE026
，具体取值可根据被检测对象的情况确定。每次检测获得的各采样时刻左、右臂末端各轴向加速度值所构成的时间序列分别记为
Figure DEST_PATH_IMAGE056
、、、
Figure DEST_PATH_IMAGE062
、
Figure DEST_PATH_IMAGE064
、。
按式(2)计算从每次检测开始时刻到第
Figure DEST_PATH_IMAGE068
个采样时刻，手臂末端沿某个轴向运动的距离； 
Figure DEST_PATH_IMAGE070
                                (2)
其中
Figure DEST_PATH_IMAGE072
，
Figure DEST_PATH_IMAGE074
表示采样时刻沿某轴向的加速度，
Figure DEST_PATH_IMAGE076
表示第
Figure 485616DEST_PATH_IMAGE068
个采样时刻手臂末端沿某个轴向运动的距离。
 则可得到各采样时刻左、右手臂末端沿
Figure 756191DEST_PATH_IMAGE038
、
Figure 570564DEST_PATH_IMAGE040
、
Figure 268392DEST_PATH_IMAGE042
轴运动的距离，记为、
Figure DEST_PATH_IMAGE080
、
Figure DEST_PATH_IMAGE082
、
Figure DEST_PATH_IMAGE084
、
Figure DEST_PATH_IMAGE086
、
Figure DEST_PATH_IMAGE088
。构建时间序列
Figure DEST_PATH_IMAGE090
、
Figure DEST_PATH_IMAGE092
、
Figure DEST_PATH_IMAGE094
、
Figure DEST_PATH_IMAGE096
、
Figure DEST_PATH_IMAGE098
、
Figure DEST_PATH_IMAGE100
，，并存入该追踪对象的个体化数据库作为手臂姿态特征的一个样本。
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
Figure DEST_PATH_IMAGE106
重心位移近期追踪样本子集
Figure DEST_PATH_IMAGE108
左臂末端沿
Figure 470179DEST_PATH_IMAGE038
轴运动距离长期追踪样本子集
Figure DEST_PATH_IMAGE110
左臂末端沿
Figure 479199DEST_PATH_IMAGE038
轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE112
左臂末端沿
Figure 961127DEST_PATH_IMAGE040
轴运动距离长期追踪样本子集
Figure DEST_PATH_IMAGE114
左臂末端沿
Figure 829857DEST_PATH_IMAGE040
轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE116
左臂末端沿
Figure 521869DEST_PATH_IMAGE042
轴运动距离长期追踪样本子集
Figure DEST_PATH_IMAGE118
左臂末端沿
Figure 196564DEST_PATH_IMAGE042
轴运动距离近期追踪样本子集
右臂末端沿
Figure 654703DEST_PATH_IMAGE038
轴运动距离长期追踪样本子集
Figure DEST_PATH_IMAGE122
右臂末端沿轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE124
右臂末端沿
Figure 139222DEST_PATH_IMAGE040
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
Figure DEST_PATH_IMAGE128
右臂末端沿
Figure 808549DEST_PATH_IMAGE042
轴运动距离长期追踪样本子集
Figure DEST_PATH_IMAGE130
右臂末端沿
Figure 78469DEST_PATH_IMAGE042
轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE132
然后，利用双总体滑动
Figure DEST_PATH_IMAGE134
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
Figure DEST_PATH_IMAGE136
表示所选定任一类特征近期追踪样本子集，用
Figure DEST_PATH_IMAGE138
表示该特征长期追踪样本子集；并用
Figure DEST_PATH_IMAGE140
、
Figure DEST_PATH_IMAGE142
分别表示两个样本子集的均值；
Figure DEST_PATH_IMAGE144
、
Figure DEST_PATH_IMAGE146
分别表示两个样本子集的方差；
Figure DEST_PATH_IMAGE148
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
Figure 449987DEST_PATH_IMAGE134
检验法进行特征变点有无判断的步骤如下：
Figure DEST_PATH_IMAGE150
）提出原假设为
Figure DEST_PATH_IMAGE152
：即该特征近期追踪总体的均值
Figure DEST_PATH_IMAGE154
与该特征长期追踪总体的均值
Figure DEST_PATH_IMAGE156
，满足
Figure DEST_PATH_IMAGE158
；定义一个统计量为：   
Figure DEST_PATH_IMAGE160
                        (3)
式中：     
Figure DEST_PATH_IMAGE162
                  (4)
Figure 571133DEST_PATH_IMAGE150
Figure 218146DEST_PATH_IMAGE150
) 选定显著性水平
Figure DEST_PATH_IMAGE164
。
Figure 126976DEST_PATH_IMAGE150
Figure 947164DEST_PATH_IMAGE150
Figure 237331DEST_PATH_IMAGE150
）计算统计量的值，并依据
Figure 55246DEST_PATH_IMAGE104
分布表，得到所选定显著性水平对应的临界值
Figure DEST_PATH_IMAGE168
；若
Figure DEST_PATH_IMAGE170
，则否定原假设
Figure DEST_PATH_IMAGE172
，说明该特征近期追踪数据与长期追踪数据的均值存在显著性差异，即该特征在近期存在变点，发生了突变。
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、、
Figure 48216DEST_PATH_IMAGE082
、
Figure 210207DEST_PATH_IMAGE084
、
Figure 271704DEST_PATH_IMAGE086
、，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
特征名称 代表特征变点判别结果的符号
重心位移
Figure DEST_PATH_IMAGE174
左臂末端沿
Figure 843948DEST_PATH_IMAGE038
轴运动距离
Figure DEST_PATH_IMAGE176
左臂末端沿
Figure 747313DEST_PATH_IMAGE040
轴运动距离
Figure DEST_PATH_IMAGE178
左臂末端沿
Figure 801332DEST_PATH_IMAGE042
轴运动距离
Figure DEST_PATH_IMAGE180
右臂末端沿
Figure 928688DEST_PATH_IMAGE038
轴运动距离
Figure DEST_PATH_IMAGE182
右臂末端沿
Figure 703877DEST_PATH_IMAGE040
轴运动距离
Figure DEST_PATH_IMAGE184
右臂末端沿轴运动距离
按(5)式进行姿态变异识别，若值为1，则表明被追踪对象在完成特定动作时的姿态发生了变异，若
Figure 384705DEST_PATH_IMAGE188
值为0，则表明被追踪对象在完成特定动作时的姿态暂时没有发生变异；
Figure DEST_PATH_IMAGE190
          (5)
式(5)中，
Figure DEST_PATH_IMAGE192
为逻辑与运算符，
Figure DEST_PATH_IMAGE194
为逻辑或运算符。
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
Figure 555399DEST_PATH_IMAGE002
、
Figure 880201DEST_PATH_IMAGE004
、
Figure 187686DEST_PATH_IMAGE006
、
Figure 78281DEST_PATH_IMAGE008
。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
Figure 813019DEST_PATH_IMAGE010
，
Figure 359538DEST_PATH_IMAGE012
，
Figure 533031DEST_PATH_IMAGE014
，。设重心坐标为
Figure 321787DEST_PATH_IMAGE018
，依据力学平衡原理及力矩原理得：
                                     (6)
式(6)中，
Figure 67207DEST_PATH_IMAGE022
。
每次检测均进行
Figure 870078DEST_PATH_IMAGE024
次采样，采样周期为
Figure 8935DEST_PATH_IMAGE026
，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点重心坐标表示为,
Figure 655128DEST_PATH_IMAGE030
。
计算每次检测中各采样时刻重心距原点的距离，记为
Figure 578085DEST_PATH_IMAGE034
，
Figure 822597DEST_PATH_IMAGE030
。构建时间序列，
Figure 884411DEST_PATH_IMAGE030
，并存入该追踪对象的个体化数据库作为重心位移特征
Figure 661874DEST_PATH_IMAGE032
的一个样本。
2.手臂姿态特征提取。
通过手握的惯性传感器，检测追踪对象完成双臂前平举等特定动作时，手臂末端沿
Figure 142534DEST_PATH_IMAGE038
、
Figure 372658DEST_PATH_IMAGE040
、
Figure 167439DEST_PATH_IMAGE042
轴的三维加速度数据。左臂末端的三维加速度记为
Figure 861725DEST_PATH_IMAGE044
、、
Figure 433969DEST_PATH_IMAGE048
，右臂末端的三维加速度记为
Figure 766861DEST_PATH_IMAGE050
、、
Figure 213816DEST_PATH_IMAGE054
。
每次检测均进行
Figure 480849DEST_PATH_IMAGE024
次采样，采样周期为
Figure 617432DEST_PATH_IMAGE026
，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
Figure 958415DEST_PATH_IMAGE056
、
Figure 155041DEST_PATH_IMAGE058
、
Figure 847053DEST_PATH_IMAGE060
、
Figure 584065DEST_PATH_IMAGE062
、
Figure 45134DEST_PATH_IMAGE064
、
Figure 409731DEST_PATH_IMAGE066
，其中
Figure 323461DEST_PATH_IMAGE030
。
按式(7)计算从每次检测开始时刻到第
Figure 864163DEST_PATH_IMAGE068
个采样时刻，手臂末端沿某个轴运动的距离。 
Figure 445317DEST_PATH_IMAGE070
                                (7)
其中
Figure 718167DEST_PATH_IMAGE072
，
Figure 384772DEST_PATH_IMAGE074
表示采样时刻沿某轴向的加速度，
Figure 401269DEST_PATH_IMAGE076
表示第
Figure 836930DEST_PATH_IMAGE068
个采样时刻手臂末端沿某个轴向运动的距离。
则可得到各采样时刻左、右手臂末端沿
Figure 342997DEST_PATH_IMAGE038
、
Figure 496898DEST_PATH_IMAGE040
、
Figure 337595DEST_PATH_IMAGE042
轴运动距离，记为
Figure 627762DEST_PATH_IMAGE078
、
Figure 570310DEST_PATH_IMAGE080
、
Figure 945927DEST_PATH_IMAGE082
、
Figure 304228DEST_PATH_IMAGE084
、
Figure 714480DEST_PATH_IMAGE086
、
Figure 500034DEST_PATH_IMAGE088
， 构建时间序列
Figure 362948DEST_PATH_IMAGE090
、、
Figure 786768DEST_PATH_IMAGE094
、、、
Figure 121432DEST_PATH_IMAGE100
，
Figure 240697DEST_PATH_IMAGE102
，并存入该追踪对象的个体化数据库作为手臂姿态特征的一个样本。
3.基于双总体滑动
Figure 633633DEST_PATH_IMAGE104
检验法，进行特征变点有无的判断。
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
Figure 471139DEST_PATH_IMAGE106
重心位移近期追踪样本子集
Figure 974932DEST_PATH_IMAGE108
左臂末端沿
Figure 11021DEST_PATH_IMAGE038
轴运动距离长期追踪样本子集
Figure 574858DEST_PATH_IMAGE110
左臂末端沿
Figure 896730DEST_PATH_IMAGE038
轴运动距离近期追踪样本子集
Figure 952DEST_PATH_IMAGE112
左臂末端沿轴运动距离长期追踪样本子集
Figure 829548DEST_PATH_IMAGE114
左臂末端沿
Figure 376067DEST_PATH_IMAGE040
轴运动距离近期追踪样本子集
Figure 549560DEST_PATH_IMAGE116
左臂末端沿
Figure 435607DEST_PATH_IMAGE042
轴运动距离长期追踪样本子集
Figure 341246DEST_PATH_IMAGE118
左臂末端沿轴运动距离近期追踪样本子集
Figure 821086DEST_PATH_IMAGE120
右臂末端沿
Figure 886607DEST_PATH_IMAGE038
轴运动距离长期追踪样本子集
右臂末端沿
Figure 546575DEST_PATH_IMAGE038
轴运动距离近期追踪样本子集
Figure 733974DEST_PATH_IMAGE124
右臂末端沿轴运动距离长期追踪样本子集
Figure 966689DEST_PATH_IMAGE126
右臂末端沿
Figure 975097DEST_PATH_IMAGE040
轴运动距离近期追踪样本子集
Figure 28503DEST_PATH_IMAGE128
右臂末端沿
Figure 805966DEST_PATH_IMAGE042
轴运动距离长期追踪样本子集
右臂末端沿
Figure 516750DEST_PATH_IMAGE042
轴运动距离近期追踪样本子集
Figure 311531DEST_PATH_IMAGE132
然后，利用双总体滑动
Figure 940571DEST_PATH_IMAGE134
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
Figure 575132DEST_PATH_IMAGE138
表示该特征长期追踪样本子集，并用
Figure 970341DEST_PATH_IMAGE140
、
Figure 456817DEST_PATH_IMAGE142
分别表示两个样本子集的均值；
Figure 482542DEST_PATH_IMAGE144
、
Figure 749575DEST_PATH_IMAGE146
分别表示两个样本子集的方差；
Figure 620579DEST_PATH_IMAGE148
表示两个样本子集的联合方差。各样本的长度均取为
Figure 227141DEST_PATH_IMAGE024
，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：
Figure 850200DEST_PATH_IMAGE150
）提出原假设为：即该特征近期追踪总体的均值
Figure 310930DEST_PATH_IMAGE154
与该特征长期追踪总体的均值
Figure 412878DEST_PATH_IMAGE156
，满足
Figure 654504DEST_PATH_IMAGE158
。
定义一个统计量为                                (8)
式中：      
Figure 8256DEST_PATH_IMAGE162
              (9)
Figure DEST_PATH_IMAGE198
) 选定显著性水平，一般取
Figure DEST_PATH_IMAGE200
。
Figure DEST_PATH_IMAGE202
）计算检验统计量
Figure 672379DEST_PATH_IMAGE166
的值，并根据选定的显著性水平
Figure 135722DEST_PATH_IMAGE164
得到临界值
Figure DEST_PATH_IMAGE204
，若
Figure DEST_PATH_IMAGE206
，则否定原假设
Figure 230848DEST_PATH_IMAGE172
，说明该特征近期追踪数据与长期追踪数据的均值存在显著性差异，即该特征在近期存在变点，发生了突变。
4.姿态变异的识别
对本方法所选定的人体重心位移特征
Figure 728825DEST_PATH_IMAGE032
，手臂姿态特征、
Figure 326477DEST_PATH_IMAGE080
、、
Figure 433902DEST_PATH_IMAGE084
、
Figure 48555DEST_PATH_IMAGE086
、
Figure 424172DEST_PATH_IMAGE088
，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
特征名称 代表特征变点判别结果的符号
重心位移
Figure 48052DEST_PATH_IMAGE174
左臂末端沿
Figure 192725DEST_PATH_IMAGE038
轴运动距离
左臂末端沿
Figure 106772DEST_PATH_IMAGE040
轴运动距离
Figure 289270DEST_PATH_IMAGE178
左臂末端沿
Figure 554030DEST_PATH_IMAGE042
轴运动距离
Figure 838380DEST_PATH_IMAGE180
右臂末端沿
Figure 923011DEST_PATH_IMAGE038
轴运动距离
Figure 888693DEST_PATH_IMAGE182
右臂末端沿
Figure 70276DEST_PATH_IMAGE040
轴运动距离
右臂末端沿
Figure 300717DEST_PATH_IMAGE042
轴运动距离
Figure 804511DEST_PATH_IMAGE186
按(10)式进行姿态变异识别，若
Figure 778283DEST_PATH_IMAGE188
值为1，则表明患者面临脑卒中的风险，若
Figure 339190DEST_PATH_IMAGE188
值为0，则表明患者暂时没有脑卒中的风险。
Figure 460729DEST_PATH_IMAGE190
                         (10)
式(10)中，为逻辑与运算符，
Figure 862072DEST_PATH_IMAGE194
为逻辑或运算符。  

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                                                
Figure 201210530431X100001DEST_PATH_IMAGE001
、
Figure 70972DEST_PATH_IMAGE002
、
Figure 201210530431X100001DEST_PATH_IMAGE003
、
Figure 891160DEST_PATH_IMAGE004
；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
Figure 201210530431X100001DEST_PATH_IMAGE005
，
Figure 119011DEST_PATH_IMAGE006
，，；设重心坐标为
Figure 201210530431X100001DEST_PATH_IMAGE009
，依据力学平衡原理及力矩原理得：
Figure 312543DEST_PATH_IMAGE010
                      (1)
式(1)中，
Figure DEST_PATH_IMAGE011
；
每次检测均进行
Figure 933492DEST_PATH_IMAGE012
次采样，采样周期为
Figure DEST_PATH_IMAGE013
；每次检测获得的各采样时刻重心坐标表示为
Figure 15849DEST_PATH_IMAGE014
,
Figure DEST_PATH_IMAGE015
；
将重心距原点的距离作为人体重心位移特征
Figure DEST_PATH_IMAGE017
；计算每次检测中各采样时刻重心距原点的距离，记为
Figure 4665DEST_PATH_IMAGE018
；构建时间序列
Figure DEST_PATH_IMAGE019
，并存入该追踪对象的个体化数据库作为重心位移特征的一个样本；
步骤2.手臂姿态特征提取，具体是：
通过手握的惯性传感器，检测追踪对象完成特定动作时，手臂末端沿
Figure 867579DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
、
Figure 967253DEST_PATH_IMAGE022
轴的三维加速度数据；左臂末端的三维加速度记为
Figure DEST_PATH_IMAGE023
、
Figure 229082DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
，右臂末端的三维加速度记为
Figure 185537DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE027
、；
每次检测均进行
Figure 501429DEST_PATH_IMAGE012
次采样，采样周期为
Figure 620695DEST_PATH_IMAGE013
；每次检测获得的各采样时刻左、右臂末端各轴向加速度值所构成的时间序列分别记为
Figure DEST_PATH_IMAGE029
、
Figure 13630DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE031
、、
Figure DEST_PATH_IMAGE033
、
Figure 24104DEST_PATH_IMAGE034
；
按式(2)计算从每次检测开始时刻到第
Figure DEST_PATH_IMAGE035
个采样时刻，手臂末端沿某个轴向运动的距离； 
Figure 263455DEST_PATH_IMAGE036
                                (2)
其中
Figure DEST_PATH_IMAGE037
，
Figure 764975DEST_PATH_IMAGE038
表示采样时刻沿某轴向的加速度，
Figure DEST_PATH_IMAGE039
表示第个采样时刻手臂末端沿某个轴向运动的距离；
 则可得到各采样时刻左、右手臂末端沿
Figure 131682DEST_PATH_IMAGE020
、
Figure 287857DEST_PATH_IMAGE021
、
Figure 22595DEST_PATH_IMAGE022
轴运动的距离，记为
Figure 569114DEST_PATH_IMAGE040
、、
Figure 411780DEST_PATH_IMAGE042
、
Figure DEST_PATH_IMAGE043
、
Figure 360145DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE045
， 构建时间序列
Figure 265784DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE047
、
Figure 299599DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
、
Figure 948886DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
，
Figure 751757DEST_PATH_IMAGE052
，并存入该追踪对象的个体化数据库作为手臂姿态特征的一个样本；
步骤3.基于双总体滑动
Figure DEST_PATH_IMAGE053
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
Figure 828297DEST_PATH_IMAGE054
 重心位移近期追踪样本子集 左臂末端沿
Figure 349409DEST_PATH_IMAGE020
轴运动距离长期追踪样本子集
Figure 799457DEST_PATH_IMAGE056
 左臂末端沿轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE057
 左臂末端沿
Figure 704276DEST_PATH_IMAGE021
轴运动距离长期追踪样本子集
Figure 775000DEST_PATH_IMAGE058
 左臂末端沿
Figure 766090DEST_PATH_IMAGE021
轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE059
 左臂末端沿
Figure 543553DEST_PATH_IMAGE022
轴运动距离长期追踪样本子集
Figure 24213DEST_PATH_IMAGE060
 左臂末端沿
Figure 519917DEST_PATH_IMAGE022
轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE061
 右臂末端沿
Figure 49118DEST_PATH_IMAGE020
轴运动距离长期追踪样本子集
Figure 681088DEST_PATH_IMAGE062
 右臂末端沿
Figure 598228DEST_PATH_IMAGE020
轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE063
 右臂末端沿
Figure 250402DEST_PATH_IMAGE021
轴运动距离长期追踪样本子集
Figure 645611DEST_PATH_IMAGE064
 右臂末端沿
Figure 397666DEST_PATH_IMAGE021
轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE065
 右臂末端沿
Figure 95495DEST_PATH_IMAGE022
轴运动距离长期追踪样本子集
Figure 300211DEST_PATH_IMAGE066
 右臂末端沿
Figure 436795DEST_PATH_IMAGE022
轴运动距离近期追踪样本子集
Figure DEST_PATH_IMAGE067
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
Figure 939231DEST_PATH_IMAGE070
表示所选定任一类特征近期追踪样本子集，用
Figure DEST_PATH_IMAGE071
表示该特征长期追踪样本子集；并用
Figure 807961DEST_PATH_IMAGE072
、
Figure DEST_PATH_IMAGE073
分别表示两个样本子集的均值；
Figure 499973DEST_PATH_IMAGE074
、
Figure DEST_PATH_IMAGE075
分别表示两个样本子集的方差；
Figure 112351DEST_PATH_IMAGE076
表示两个样本子集的联合方差；各样本的长度均取为
Figure 573420DEST_PATH_IMAGE012
，用双总体滑动
Figure 938017DEST_PATH_IMAGE069
检验法进行特征变点有无判断的步骤如下：
Figure DEST_PATH_IMAGE077
）提出原假设为
Figure 55009DEST_PATH_IMAGE078
：即该特征近期追踪总体的均值
Figure DEST_PATH_IMAGE079
与该特征长期追踪总体的均值
Figure 205499DEST_PATH_IMAGE080
，满足；定义一个统计量为：   
Figure 786653DEST_PATH_IMAGE082
                        (3)
式中： 
Figure DEST_PATH_IMAGE083
                  (4)
Figure 997185DEST_PATH_IMAGE077
Figure 660860DEST_PATH_IMAGE077
) 选定显著性水平
Figure 739675DEST_PATH_IMAGE084
；
Figure 175335DEST_PATH_IMAGE077
Figure 946982DEST_PATH_IMAGE077
Figure 835304DEST_PATH_IMAGE077
）计算统计量
Figure DEST_PATH_IMAGE085
的值，并依据
Figure 655492DEST_PATH_IMAGE053
分布表，得到所选定显著性水平
Figure 945659DEST_PATH_IMAGE084
对应的临界值；若
Figure DEST_PATH_IMAGE087
，则否定原假设
Figure 201508DEST_PATH_IMAGE088
，说明该特征近期追踪数据与长期追踪数据的均值存在显著性差异，即该特征在近期存在变点，发生了突变；
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
Figure 622125DEST_PATH_IMAGE017
，手臂姿态特征
Figure 32378DEST_PATH_IMAGE040
、
Figure 80581DEST_PATH_IMAGE041
、、、
Figure 166983DEST_PATH_IMAGE044
、
Figure 451334DEST_PATH_IMAGE045
，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
特征名称 代表特征变点判别结果的符号 重心位移 左臂末端沿轴运动距离 左臂末端沿
Figure 886491DEST_PATH_IMAGE021
轴运动距离
Figure DEST_PATH_IMAGE091
 左臂末端沿
Figure 13847DEST_PATH_IMAGE022
轴运动距离
Figure 913670DEST_PATH_IMAGE092
 右臂末端沿
Figure 417464DEST_PATH_IMAGE020
轴运动距离
Figure DEST_PATH_IMAGE093
 右臂末端沿
Figure 653886DEST_PATH_IMAGE021
轴运动距离
Figure 14460DEST_PATH_IMAGE094
 右臂末端沿轴运动距离
Figure DEST_PATH_IMAGE095
按(5)式进行姿态变异识别，若
Figure 646746DEST_PATH_IMAGE096
值为1，则表明被追踪对象在完成特定动作时的姿态发生了变异，若
Figure 475025DEST_PATH_IMAGE096
值为0，则表明被追踪对象在完成特定动作时的姿态暂时没有发生变异；
Figure DEST_PATH_IMAGE097
          (5)
式(5)中，
Figure 209763DEST_PATH_IMAGE098
为逻辑与运算符，
Figure DEST_PATH_IMAGE099
为逻辑或运算符。
CN201210530431.XA 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 Expired - Fee Related CN103020598B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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