CN103251411A - 一种基于复杂度的压力中心非线性特征提取方法 - Google Patents

一种基于复杂度的压力中心非线性特征提取方法 Download PDF

Info

Publication number
CN103251411A
CN103251411A CN 201310118890 CN201310118890A CN103251411A CN 103251411 A CN103251411 A CN 103251411A CN 201310118890 CN201310118890 CN 201310118890 CN 201310118890 A CN201310118890 A CN 201310118890A CN 103251411 A CN103251411 A CN 103251411A
Authority
CN
China
Prior art keywords
cop
sequence
complexity
lempel
signal
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.)
Pending
Application number
CN 201310118890
Other languages
English (en)
Inventor
孙曜
罗志增
孟明
杜宇鹏
王丹萍
皮埃尔·保罗·维达
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 CN 201310118890 priority Critical patent/CN103251411A/zh
Priority to CN201310332509.1A priority patent/CN103417216B/zh
Publication of CN103251411A publication Critical patent/CN103251411A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于复杂度的压力中心非线性特征提取方法。传统的压力中心（centerofpressure,COP）特征参数，无法对人体动摇的非线性特性进行有效描述。本发明是一种利用所构建的基于邻域粗粒化二维Lempel-Ziv复杂度，提取COP非线性动力学特征的方法，具体步骤为：步骤1.COP信号的获取；步骤2.基于邻域粗粒化的序列重构；步骤3.基于重构序列计算COP信号的归一化Lempel-Ziv复杂度。本发明有效地解决了如何应用Lempel-Ziv复杂度，对二维的COP信号进行处理，提取其非线性特征的问题，从而能够对人体姿态动摇的不规则程度进行定量描述。

Description

一种基于复杂度的压力中心非线性特征提取方法
技术领域
本发明属于生物力学领域，尤其涉及一种基于复杂度的压力中心非线性特征提取方法。具体是一种利用所构建的基于邻域粗粒化二维Lempel-Ziv复杂度，提取压力中心（center of pressure, COP）信号的非线性动力学特征，对人体姿态动摇的不规则程度进行定量描述的方法。
背景技术
人们通常认为自己能够稳稳地站着是件理所当然的事情。但实际上，在直立时保持身体平衡是一项复杂的任务，完成这项任务需要由姿态控制系统中包括前庭核、脑干网状结构、脊髓、小脑及大脑皮层等在内的多级神经中枢，对视觉、本体感觉以及前庭感觉器官获取的信息进行整合加工，由与运动功能有关的肌肉骨骼组织调节身体，使其在脚底有限支持平面上保持重心稳定。姿态控制系统中的任何一个环节出现问题，都会导致人直立时的姿态动摇模式发生改变。因此对人直立时的姿态动摇模式进行分析，能够为老年人跌倒风险预测，以及多类疾病的诊断提供重要信息。
基于测力平台、平衡板获取人站立其上时的COP信号进行姿态动摇模式研究，是一种已得到公认的有效方法。现有研究多采用时域或频域的线性分析方法对COP信号进行分析处理，例如提取COP的轨迹长度、平均速度、功率谱等特征参数，对人体动摇状态进行定量描述。如前所述，人的姿态控制系统是一个由多功能的感觉器官、运动单元、多级神经中枢通过反馈环构成的多回路网络控制系统。作为该复杂控制系统的一种外在表象，姿态动摇具有明显的非线性特性。然而，传统的COP特征参数，无法对其进行有效描述。
Lempel-Ziv复杂度分析是一种重要的非线性动力学分析方法，能有效描述信号的不规则程度，进而对系统的动态变化特性进行描述。但目前将Lempel-Ziv复杂度用于COP信号分析却存在困难，主要是因为利用测力平台、平衡板记录的COP信号是二维信号，尽管一维复杂度算法已非常成熟，但二维复杂度算法还有待进一步研究，尚未见到有应用Lempel-Ziv复杂度对COP信号进行分析的报道。
发明内容
本发明的目的是针对上述问题，提出一种基于复杂度的压力中心非线性特征提取方法，用该方法提取COP信号的非线性动力学特征，对人体姿态动摇模式的不规则程度进行描述。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1.COP信号的获取；
步骤2.基于邻域粗粒化的序列重构；
步骤3.基于重构序列计算COP信号的归一化Lempel-Ziv复杂度。
    所述的步骤1中COP信号的获取，具体如下：
1-1.让受试者站立在测力平台或平衡板上，拾取分布于测力平台或平衡板四角的压力传感器的四路压力信号，分别记为                                               
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE004
、、
Figure DEST_PATH_IMAGE008
；将坐标原点设在测力平台或平衡板的几何中心，设压力中心坐标为
Figure DEST_PATH_IMAGE010
，则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
，
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
。
1-2.每次检测均进行
Figure DEST_PATH_IMAGE024
次采样，采样周期及频率的具体取值根据被检测对象的情况确定，检测获得的COP信号由横向动摇分量序列
Figure DEST_PATH_IMAGE026
和前后动摇分量序列
Figure DEST_PATH_IMAGE028
构成，表示为
Figure DEST_PATH_IMAGE030
,
Figure DEST_PATH_IMAGE032
，其中
Figure DEST_PATH_IMAGE034
为采样点的序号, 为自然数。
所述的步骤2中基于邻域粗粒化的序列重构，具体如下：
2-1.将每次检测获得的COP信号
Figure 876655DEST_PATH_IMAGE030
表示成一个二维时间序列，即
Figure DEST_PATH_IMAGE036
；计算每一采样点的COP信号
Figure DEST_PATH_IMAGE038
到所选定坐标原点的距离，记为
Figure DEST_PATH_IMAGE040
，并用
Figure DEST_PATH_IMAGE042
表示各采样点到原点距离的均值，如式(2)所示。
Figure DEST_PATH_IMAGE044
                             (2)
2-2.计算所有相邻两个采样点的COP信号
Figure 407125DEST_PATH_IMAGE038
与
Figure DEST_PATH_IMAGE046
之间的距离，记为
Figure DEST_PATH_IMAGE048
，并用
Figure DEST_PATH_IMAGE050
表示所有相邻两个采样点COP信号之间距离的均值，如式(3)所示：
Figure DEST_PATH_IMAGE052
                            (3)
2-3. 对COP信号构成的二维时间序列中的第一点，选定一个以原点为中心，以
Figure 487820DEST_PATH_IMAGE042
为半径的邻域
Figure DEST_PATH_IMAGE056
，若，则其二值粗粒化的值
Figure DEST_PATH_IMAGE060
，否则为
Figure DEST_PATH_IMAGE062
。
2-4. 对COP信号构成的二维时间序列中从第二点开始的每一点，选定一个以
Figure 239875DEST_PATH_IMAGE038
为中心，以
Figure 875387DEST_PATH_IMAGE050
为半径的邻域
Figure DEST_PATH_IMAGE064
；若，则COP序列第
Figure 20716DEST_PATH_IMAGE034
点
Figure DEST_PATH_IMAGE068
二值粗粒化的值
Figure DEST_PATH_IMAGE070
，否则
Figure DEST_PATH_IMAGE072
。
2-5.通过步骤2-3和2-4将二维时间序列
Figure 94983DEST_PATH_IMAGE036
重构为一个等长的
Figure DEST_PATH_IMAGE074
符号序列，表示为。
所述的步骤3中基于重构序列计算COP序列的归一化Lempel-Ziv复杂度，具体如下：
3-1.采用现有Lempel-Ziv复杂度算法，计算重构后的符号序列
Figure DEST_PATH_IMAGE078
中互异子串的数目，记为。
计算当
Figure DEST_PATH_IMAGE082
时
Figure 514594DEST_PATH_IMAGE080
的值，记为
Figure DEST_PATH_IMAGE084
：
                               (4)                       
3-2.用
Figure 570274DEST_PATH_IMAGE084
将
Figure 134723DEST_PATH_IMAGE080
归一化，得到归一化的Lempel-Ziv复杂度
Figure DEST_PATH_IMAGE088
：
                                (5)
基于步骤3-2所获得的COP信号的复杂度
Figure 747102DEST_PATH_IMAGE088
，能够对人体姿态动摇的不规则程度进行定量描述。
本发明有益效果如下：
针对利用传统的压力中心（COP）特征参数，无法对人体动摇的非线性特性进行有效描述的问题，本发明有效的解决了如何应用Lempel-Ziv复杂度，对二维的COP信号进行处理的问题，从而能够对人体姿态动摇的不规则程度进行定量描述。
附图说明
    图1为本发明中COP信号构成图。
图2为本发明序列重构后符号序列图。
具体实施方式
下面结合附图对本发明作进一步说明。
一种基于复杂度的压力中心非线性特征提取方法，具体实施方式如下：
步骤1.COP信号的获取；
步骤2.基于邻域粗粒化的序列重构；
步骤3.基于重构序列计算COP信号的归一化Lempel-Ziv复杂度。
    所述的步骤1中COP信号的获取，具体采用如下已有方法：
1-1.让受试者站立在测力平台或平衡板上，拾取分布于测力平台或平衡板四角的压力传感器的四路压力信号，分别记为
Figure 270487DEST_PATH_IMAGE002
、
Figure 762648DEST_PATH_IMAGE004
、
Figure 4273DEST_PATH_IMAGE006
、
Figure 92446DEST_PATH_IMAGE008
；将坐标原点设在测力平台或平衡板的几何中心，设压力中心坐标为
Figure 735917DEST_PATH_IMAGE010
，则四个压力传感器的位置坐标分别为
Figure 133401DEST_PATH_IMAGE012
，
Figure 675371DEST_PATH_IMAGE014
，
Figure 754186DEST_PATH_IMAGE016
，
Figure 314480DEST_PATH_IMAGE018
；依据力学平衡原理及力矩原理得：
Figure 86127DEST_PATH_IMAGE020
                       (1)
式(1)中，
Figure 841026DEST_PATH_IMAGE022
。
1-2.每次检测均进行1200次采样，采样周期为30秒，采样频率为40Hz，则检测获得的COP信号由横向动摇分量序列和前后动摇分量序列
Figure 951381DEST_PATH_IMAGE028
构成（如图1所示），表示为
Figure 893930DEST_PATH_IMAGE030
,
Figure 394181DEST_PATH_IMAGE032
，其中
Figure 814798DEST_PATH_IMAGE034
为采样点的序号，
Figure 100417DEST_PATH_IMAGE024
为1200。
所述的步骤2中基于邻域粗粒化的序列重构，具体如下：
2-1.将其中一次检测获得的30秒的COP信号
Figure 213867DEST_PATH_IMAGE030
表示成一个二维时间序列，即
Figure 201414DEST_PATH_IMAGE036
；计算每一采样点COP信号到所选定坐标原点的距离，记为
Figure 300268DEST_PATH_IMAGE040
，并用
Figure 646936DEST_PATH_IMAGE042
表示各采样点到原点距离的均值，如式(2)所示。
Figure 869582DEST_PATH_IMAGE044
                             (2)
2-2.计算所有相邻两个采样点COP信号
Figure 897581DEST_PATH_IMAGE038
与
Figure 141481DEST_PATH_IMAGE046
之间的距离，记为，并用
Figure 44026DEST_PATH_IMAGE050
表示所有相邻两个采样点COP信号之间距离的均值，如式(3)所示：
Figure 672453DEST_PATH_IMAGE052
                            (3)
2-3.对COP序列中的第一点
Figure 974122DEST_PATH_IMAGE054
，选定一个以原点为中心，以为半径的邻域
Figure 597181DEST_PATH_IMAGE056
，若
Figure 966983DEST_PATH_IMAGE058
，则其二值粗粒化的值
Figure 670628DEST_PATH_IMAGE060
，否则为
Figure 467682DEST_PATH_IMAGE062
。
2-4. 对COP序列中从第二点开始的每一点，则选定一个以
Figure 138835DEST_PATH_IMAGE038
为中心，以
Figure 312327DEST_PATH_IMAGE050
为半径的邻域
Figure 138988DEST_PATH_IMAGE064
；若
Figure 106944DEST_PATH_IMAGE066
，则COP序列第
Figure 265393DEST_PATH_IMAGE034
点二值粗粒化的值
Figure 655234DEST_PATH_IMAGE070
，否则
Figure 856408DEST_PATH_IMAGE072
。
2-5.通过步骤2-3和2-4将二维时间序列（如图1所示），重构为一个等长的符号序列（如图2所示），表示为。
所述的步骤3中基于重构序列计算COP序列的归一化Lempel-Ziv复杂度，具体如下：
3-1.采用现有Lempel-Ziv复杂度算法，计算重构后的符号序列
Figure 859950DEST_PATH_IMAGE078
中互异子串的数目，记为。
计算当时
Figure 699227DEST_PATH_IMAGE080
的值，记为
Figure 990007DEST_PATH_IMAGE084
：
   
Figure 282448DEST_PATH_IMAGE086
                            (4)                       
3-2.用
Figure 201862DEST_PATH_IMAGE084
将
Figure 896149DEST_PATH_IMAGE080
归一化，得到归一化的Lempel-Ziv复杂度
Figure 360759DEST_PATH_IMAGE088
：
Figure 468393DEST_PATH_IMAGE090
                                (5)
基于步骤3-2所获得的COP信号的复杂度
Figure 863602DEST_PATH_IMAGE088
，能够对人体姿态动摇的不规则程度进行定量描述。

Claims (1)

1.一种基于复杂度的压力中心非线性特征提取方法，其特征在于包括如下步骤：
步骤1.COP信号的获取；
步骤2.基于邻域粗粒化的序列重构；
步骤3.基于重构序列计算COP信号的归一化Lempel-Ziv复杂度；
    所述的步骤1中COP信号的获取，具体如下：
1-1.让受试者站立在测力平台或平衡板上，拾取分布于测力平台或平衡板四角的压力传感器的四路压力信号，分别记为                                                
Figure DEST_PATH_IMAGE001
、
Figure 912847DEST_PATH_IMAGE002
、、
Figure 126309DEST_PATH_IMAGE004
；将坐标原点设在测力平台或平衡板的几何中心，设压力中心坐标为
Figure DEST_PATH_IMAGE005
，则四个压力传感器的位置坐标分别为
Figure 668280DEST_PATH_IMAGE006
，，
Figure 809411DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
；依据力学平衡原理及力矩原理得：
                       (1)
式(1)中，
Figure DEST_PATH_IMAGE011
；
1-2.每次检测均进行
Figure 501872DEST_PATH_IMAGE012
次采样，采样周期及频率的具体取值根据被检测对象的情况确定，检测获得的COP信号由横向动摇分量序列
Figure DEST_PATH_IMAGE013
和前后动摇分量序列构成，表示为
Figure DEST_PATH_IMAGE015
,
Figure 473032DEST_PATH_IMAGE016
，其中为采样点的序号, 
Figure 887832DEST_PATH_IMAGE012
为自然数；
所述的步骤2中基于邻域粗粒化的序列重构，具体如下：
2-1.将每次检测获得的COP信号表示成一个二维时间序列，即
Figure 143681DEST_PATH_IMAGE018
；计算每一采样点的COP信号到所选定坐标原点的距离，记为
Figure 377348DEST_PATH_IMAGE020
，并用表示各采样点到原点距离的均值，如式(2)所示；
Figure 912234DEST_PATH_IMAGE022
                             (2)
2-2.计算所有相邻两个采样点的COP信号
Figure 573154DEST_PATH_IMAGE019
与
Figure DEST_PATH_IMAGE023
之间的距离，记为
Figure 560701DEST_PATH_IMAGE024
，并用
Figure DEST_PATH_IMAGE025
表示所有相邻两个采样点COP信号之间距离的均值，如式(3)所示：
Figure 589270DEST_PATH_IMAGE026
                            (3)
2-3. 对COP信号构成的二维时间序列中的第一点
Figure DEST_PATH_IMAGE027
，选定一个以原点为中心，以
Figure 978663DEST_PATH_IMAGE021
为半径的邻域
Figure 76063DEST_PATH_IMAGE028
，若
Figure DEST_PATH_IMAGE029
，则其二值粗粒化的值
Figure 550906DEST_PATH_IMAGE030
，否则为；
2-4. 对COP信号构成的二维时间序列中从第二点开始的每一点，选定一个以
Figure 126375DEST_PATH_IMAGE019
为中心，以
Figure 370275DEST_PATH_IMAGE025
为半径的邻域
Figure 825527DEST_PATH_IMAGE032
；若
Figure DEST_PATH_IMAGE033
，则COP序列第
Figure 600716DEST_PATH_IMAGE017
点
Figure 166827DEST_PATH_IMAGE034
二值粗粒化的值
Figure DEST_PATH_IMAGE035
，否则；
2-5.通过步骤2-3和2-4将二维时间序列重构为一个等长的
Figure DEST_PATH_IMAGE037
符号序列，表示为
Figure 901674DEST_PATH_IMAGE038
；
所述的步骤3中基于重构序列计算COP序列的归一化Lempel-Ziv复杂度，具体如下：
3-1.采用现有Lempel-Ziv复杂度算法，计算重构后的符号序列
Figure DEST_PATH_IMAGE039
中互异子串的数目，记为
Figure 68213DEST_PATH_IMAGE040
；
计算当
Figure DEST_PATH_IMAGE041
时
Figure 99754DEST_PATH_IMAGE040
的值，记为：
   
Figure DEST_PATH_IMAGE043
                            (4)                       
3-2.用
Figure 381011DEST_PATH_IMAGE042
将归一化，得到归一化的Lempel-Ziv复杂度
Figure 381164DEST_PATH_IMAGE044
：
Figure DEST_PATH_IMAGE045
                                (5)
基于步骤3-2所获得的COP信号的复杂度
Figure 411437DEST_PATH_IMAGE044
，能够对人体姿态动摇的不规则程度进行定量描述。
CN 201310118890 2013-04-08 2013-04-08 一种基于复杂度的压力中心非线性特征提取方法 Pending CN103251411A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN 201310118890 CN103251411A (zh) 2013-04-08 2013-04-08 一种基于复杂度的压力中心非线性特征提取方法
CN201310332509.1A CN103417216B (zh) 2013-04-08 2013-08-01 一种基于复杂度的压力中心非线性特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201310118890 CN103251411A (zh) 2013-04-08 2013-04-08 一种基于复杂度的压力中心非线性特征提取方法

Publications (1)

Publication Number Publication Date
CN103251411A true CN103251411A (zh) 2013-08-21

Family

ID=48955888

Family Applications (2)

Application Number Title Priority Date Filing Date
CN 201310118890 Pending CN103251411A (zh) 2013-04-08 2013-04-08 一种基于复杂度的压力中心非线性特征提取方法
CN201310332509.1A Expired - Fee Related CN103417216B (zh) 2013-04-08 2013-08-01 一种基于复杂度的压力中心非线性特征提取方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201310332509.1A Expired - Fee Related CN103417216B (zh) 2013-04-08 2013-08-01 一种基于复杂度的压力中心非线性特征提取方法

Country Status (1)

Country Link
CN (2) CN103251411A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107170467A (zh) * 2017-05-19 2017-09-15 华南理工大学 一种基于Lempel‑Ziv复杂度的异常心音识别方法
CN107334212A (zh) * 2017-08-10 2017-11-10 深圳大学 测量足底压力中心轨迹的方法、模型建立方法及智能鞋垫
CN108594202A (zh) * 2018-07-25 2018-09-28 电子科技大学 一种邻域分布结构非线性投影目标特征提取方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108185994B (zh) * 2018-02-02 2020-06-09 杭州拜伦医疗科技有限公司 一种基于非线性技术的平衡能力检测方法及装置
CN109330604B (zh) * 2018-08-28 2020-06-09 浙江大学 一种人体站立晃动信号分解方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1763656B1 (de) * 2004-07-03 2013-09-25 Julius-Maximilians-Universität Würzburg Kraftauswertevorrichtung und kraftauswerteverfahren zur bestimmung von gleichgewichtskenngrössen
GB0602127D0 (en) * 2006-02-02 2006-03-15 Imp Innovations Ltd Gait analysis
CN102302370B (zh) * 2011-06-30 2013-01-30 中国科学院计算技术研究所 一种跌倒检测方法和装置
CN102824176B (zh) * 2012-09-24 2014-06-04 南通大学 一种基于Kinect传感器的上肢关节活动度测量方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107170467A (zh) * 2017-05-19 2017-09-15 华南理工大学 一种基于Lempel‑Ziv复杂度的异常心音识别方法
CN107170467B (zh) * 2017-05-19 2019-12-17 佛山市百步梯医疗科技有限公司 一种基于Lempel-Ziv复杂度的异常心音识别方法
CN107334212A (zh) * 2017-08-10 2017-11-10 深圳大学 测量足底压力中心轨迹的方法、模型建立方法及智能鞋垫
CN107334212B (zh) * 2017-08-10 2020-04-21 深圳大学 测量足底压力中心轨迹的方法、模型建立方法及智能鞋垫
CN108594202A (zh) * 2018-07-25 2018-09-28 电子科技大学 一种邻域分布结构非线性投影目标特征提取方法

Also Published As

Publication number Publication date
CN103417216B (zh) 2014-12-10
CN103417216A (zh) 2013-12-04

Similar Documents

Publication Publication Date Title
CN104598722B (zh) 一种基于步态时空参数和三维力特征的帕金森患者行走能力评估方法
Johnston et al. Smartwatch-based biometric gait recognition
Zhang et al. Fall detection by wearable sensor and one-class SVM algorithm
CN103251411A (zh) 一种基于复杂度的压力中心非线性特征提取方法
CN104200234A (zh) 人体动作建模和识别方法
CN106295555A (zh) 一种活体指纹图像的检测方法
EP4013303A1 (fr) Procede et systeme pour l'analyse de l'activite biomecanique et l'exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d'activite physique
CN103886184A (zh) 一种心脏病理识别模型的构建方法
Zhang et al. Upper limb motion capturing and classification for unsupervised stroke rehabilitation
Chakraborty et al. Pathological gait detection based on multiple regression models using unobtrusive sensing technology
Xu et al. [Retracted] An Inertial Sensing‐Based Approach to Swimming Pose Recognition and Data Analysis
Ibrahim et al. Time-frequency based features for classification of walking patterns
Ren et al. Multivariate analysis of joint motion data by Kinect: application to Parkinson’s disease
Fu et al. Capturing and analyzing wheelchair maneuvering patterns with mobile cloud computing
CN104331705B (zh) 融合时空信息的步态周期自动检测方法
Derawi et al. Fusion of gait and ECG for biometric user authentication
Cao et al. ActiRecognizer: Design and implementation of a real-time human activity recognition system
CN116636835A (zh) 一种穿戴式手部震颤的多肢体段联合分析方法及系统
Zheng et al. Detection and analysis of tremor using a system based on smart device and NoSQL database
Liu et al. A freezing of gait detection system based on stepwise feature extraction method
CN114098714B (zh) 基于机器视觉建立冻结步态识别模型的方法
CN109692004B (zh) 一种检测人体站姿的方法和装置
Shoryabi et al. A 3D deep learning approach for classification of gait abnormalities using Microsoft Kinect V2 sensor
CN108926813B (zh) 基于人体平衡数据的训练方法
Al-Fahoum et al. Prediction of sagittal lower limb joints moments under dynamic condition: Feasibility of using EMG and ARMA model identification techniques

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130821