CN104523282A

CN104523282A - 一种穿戴式人马动作监测方法和系统

Info

Publication number: CN104523282A
Application number: CN201510013153.4A
Authority: CN
Inventors: 王哲龙; 赵红宇; 仇森
Original assignee: Dalian University of Technology
Current assignee: Dalian University of Technology
Priority date: 2015-01-09
Filing date: 2015-01-09
Publication date: 2015-04-22
Anticipated expiration: 2035-01-09
Also published as: CN104523282B

Abstract

本发明涉及信息监测技术领域，提供一种穿戴式人马动作监测方法和系统，所述方法包括：分别在人体头部、颈部、骨盆、双脚以及马匹骨盆位置安装传感器节点；利用所述传感器节点，采集人马相互作用过程中的运动数据，并把采集到的所述运动数据发送到监控服务器；利用所述监控服务器，对采集到的所述运动数据进行数据处理；将第一处理结果、第二处理结果、第三处理结果以及第四处理结果保存在现场的监控中心或发送到远程的监控中心。本发明提出评价马术治疗效果的客观量化指标，为评价马术治疗效果提供数据支持，能够避免由人为主观因素引起的偏差。

Description

一种穿戴式人马动作监测方法和系统

技术领域

本发明涉及信息监测技术领域，尤其涉及一种穿戴式人马动作监测方法和系统。

背景技术

在世界各国脑瘫病人中有相当数目的儿童患者，英国脑瘫患儿占出生人口3.6‰，日本脑瘫患儿占其出生人口2-4‰，美国脑瘫患儿占其出生人口2.5‰，我国脑瘫患儿占出生人口4‰。大量的脑瘫病人不仅个人遭受疾病所带来的痛苦和折磨，同时给社会和家庭带来了沉重负担。

近年来出现的有关马术治疗的研究都报道了该疗法对脑瘫患者的康复有显著的疗效。马术治疗(Hippotherapy)，又称治疗性骑马(Therapeutic HorseRiding)。美国马术治疗协会将马术治疗定义为：以马作为一种治疗工具使用，在物理、作业和言语治疗师的指导下，利用马的规律性运动模式及人马互动的所有活动，针对各种功能障碍和神经肌肉疾患患者的躯体、心理、认知、社会化及行为障碍进行治疗的一种康复治疗手段，它是为了实现最终的功能性康复目标所实施的全面整体康复训练项目中很重要的一部分。马术治疗不是教授骑乘的技巧，而是利用马的运动诱发患者的姿势反射。任何在马背上所获得的运动技巧或主动的姿势控制，都潜在地影响着患者下马后的功能状态。

目前马术治疗的研究应用中存在一些问题，例如：马术治疗过程中缺乏对人体和马匹的运动数据的监测手段，缺乏评定其治疗效果的科学依据，对马术治疗效果一般通过评价人的主观因素进行判断，由于评价人的主观因素会导致评价结果存在一定的偏差；目前关于马术治疗治疗效果的研究都属于定性分析，缺乏有效的科学证明和精确的定量分析和数据支持，更为重要的一点是缺少能够实时反馈人马动作的监测手段和人马互动数据的处理方法。

发明内容

本发明为解决现有技术的马术治疗中，缺乏反应治疗效果的运动数据的监测手段和治疗效果的评价依据的技术问题，本发明的目的在于提出一种穿戴式人马动作监测方法和系统，可以建立基于体域传感器网络的人马动作监测平台，提出评价马术治疗效果的客观量化指标，为评价马术治疗效果提供数据支持，避免由人为主观因素引起的偏差；同时提供实时反馈马术治疗效果和渐进性进展的监测手段，为马术治疗的功能和机理提供科学依据。

本发明提供了一种穿戴式人马动作监测方法，所述方法包括：

步骤100，分别在人体头部、颈部、骨盆、双脚以及马匹骨盆位置安装传感器节点；

步骤200，利用所述传感器节点，采集人马相互作用过程中的运动数据，并把采集到的所述运动数据发送到监控服务器，其中，所述运动数据包括人马相互作用过程中，人体和马匹在三维空间中的加速度信号和角速度信号；

步骤300，利用所述监控服务器，对采集到的所述运动数据进行以下子步骤中的一步或多步数据处理：

步骤301，根据安装在人体骨盆和马匹骨盆位置的传感器节点采集到的运动数据，计算人体和马匹在垂直方向上加速度信号的互功率谱，通过公式R＝P_maxref/P_max获得互功率谱第一峰值和第二峰值的幅值之比，并将获得的互功率谱第一峰值和第二峰值的幅值之比作为第一处理结果，其中，P_maxref表示第一峰值对应的互功率谱幅值，P_max表示第二峰值对应的互功率谱幅值；

步骤302，利用安装在人体骨盆和马匹骨盆位置的传感器节点采集到的运动数据，通过公式

\{\begin{matrix} m_{r} {\overset{. .}{x}}_{r} = k (x_{r} - x_{h}) - b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{r} \\ m_{h} {\overset{. .}{x}}_{h} = k (x_{r} - x_{h}) + b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{h} - F_{r} \end{matrix}

获得人马相互作用过程中马对地面施加的作用力和人对马施加的作用力，得到的马对地面施加的作用力和人对马施加的作用力作为第二处理结果，其中，k为弹簧的弹性系数，b为阻尼器的阻尼系数，m_r和m_h分别是人和马的质量，F_r为人对马在垂直方向施加的作用力，F_h为马对地面在垂直方向施加的作用力，x_r为人体骨盆的位移，x_h为马匹骨盆的位移，为人体骨盆的速度，为马匹骨盆的速度，为人体骨盆的加速度，为马匹骨盆的加速度，通过最小二乘法拟合系统参数，使得的估计值逼近a_r，的估计值逼近a_h，其中a_r和a_h分别是人和马在垂直方向的加速度；

步骤303，利用安装在人体头部、颈部、骨盆和双脚位置的传感器节点采集的运动数据，分别获得各传感器节点中传感器坐标系与参考坐标系之间的夹角，进而获得各传感器节点之间的夹角；根据获得的各传感器节点之间的夹角，将各传感器节点连接起来，并将各传感器节点之间的连线投影到人体的冠状面和矢状面内，分别在冠状面和矢状面内将传感器节点之间的投影连线与标准直线进行对比，获得人体的静态坐姿与标准坐姿的偏差，将获得的所述偏差作为第三处理结果；

步骤304，利用安装在人体骨盆和马匹骨盆位置的传感器节点采集的运动数据，分别获得人体骨盆和马匹骨盆在矢状面、冠状面和横断面上的角度变化曲线，并利用离散Fréchet距离来分别获得每个面上的人体骨盆和马匹骨盆的角度变化曲线的相似性，将获得的所述相似性作为第四处理结果；

步骤400，将所述第一处理结果、所述第二处理结果、所述第三处理结果以及所述第四处理结果保存在现场的监控中心或发送到远程的监控中心。

优选的，所述传感器节点包括传感器模块、数据处理模块和无线发送模块；所述传感器模块包括微加速度计和微陀螺仪。

优选的，利用接收节点在所述传感器节点和所述监控服务器之间进行数据交互。

优选的，在步骤301之前，还包括：对传感器节点的初始固定方向错误进行校准。

优选的，所述对传感器节点的初始固定方向错误进行校准，包括以下步骤：

利用施密特正交化准则生成一个矫正矩阵；利用生成的矫正矩阵将加速度信号从误差坐标系旋转到标准坐标系下，从而消除加速度信号中包含的固定误差。

优选的，在步骤301之前，还包括：

利用高斯过程回归模型给出传感器信号的预测值及预测值的置信区间，其中，所述传感器信号的预测值包括人马相互作用过程中，人体和马匹在三维空间中的加速度信号和角速度信号的预测值；

当某一时间段内实际采集的传感器信号与预测值之间出现明显偏差，或者传感器信号出现中断时，利用所述预测值代替实际采集的传感器信号。

优选的，在步骤300之后，还包括：在监控服务器的人机界面中，对人马相互作用过程中运动数据的所述第一处理结果、所述第二处理结果、所述第三处理结果以及所述第四处理结果进行显示，以使现场或远程的监控中心能够实时监测人马动作的变化情况。

对应地，本发明还提供了一种穿戴式人马动作监测系统，所述系统包括：传感器节点和监控服务器，

所述传感器节点，用于采集人马相互作用过程中的运动数据，并把采集到的所述运动数据发送到监控服务器，其中，所述运动数据包括人马相互作用过程中，人体和马匹在三维空间中的加速度信号和角速度信号；

所述监控服务器包括第一数据处理模块、第二数据处理模块、第三数据处理模块和第四数据处理模块，其中，

所述第一数据处理模块，用于根据安装在人体骨盆和马匹骨盆位置的传感器节点采集到的运动数据，计算人体和马匹在垂直方向上加速度信号的互功率谱，通过公式R＝P_maxref/P_max获得互功率谱第一峰值和第二峰值的幅值之比，并将获得的互功率谱第一峰值和第二峰值的幅值之比作为第一处理结果，其中，P_maxref表示第一峰值对应的互功率谱幅值，P_max表示第二峰值对应的互功率谱幅值；

所述第二数据处理模块，用于利用安装在人体骨盆和马匹骨盆位置的传感器节点采集到的运动数据，通过公式

\{\begin{matrix} m_{r} {\overset{. .}{x}}_{r} = k (x_{r} - x_{h}) - b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{r} \\ m_{h} {\overset{. .}{x}}_{h} = k (x_{r} - x_{h}) + b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{h} - F_{r} \end{matrix}

所述第三数据处理模块，用于利用安装在人体头部、颈部、骨盆和双脚位置的传感器节点采集的运动数据，分别获得各传感器节点中传感器坐标系与参考坐标系之间的夹角，进而获得各传感器节点之间的夹角；根据获得的各传感器节点之间的夹角，将各传感器节点连接起来，并将各传感器节点之间的连线投影到人体的冠状面和矢状面内，分别在冠状面和矢状面内将传感器节点之间的投影连线与标准直线进行对比，获得人体的静态坐姿与标准坐姿的偏差，将获得的所述偏差作为第三处理结果；

所述第四数据处理模块，用于利用安装在人体骨盆和马匹骨盆位置的传感器节点采集的运动数据，分别获得人体骨盆和马匹骨盆在矢状面、冠状面和横断面上的角度变化曲线，并利用离散Fréchet距离来分别获得每个面上的人体骨盆和马匹骨盆的角度变化曲线的相似性，将获得的所述相似性作为第四处理结果。

优选的，所述人马动作监测系统，还包括：

接收节点，用于在所述传感器节点和所述监控服务器之间进行数据交互。

优选的，所述传感器节点包括传感器模块、数据处理模块和无线发送模块，其中，

所述传感器模块包括微加速度计和微陀螺仪；

所述数据处理模块，用于信号的模数转换、数据包生成和无线通信控制；

所述无线发送模块，用于将生成的数据包通过无线网络发送到远程的接收节点。

本发明提供的一种穿戴式人马动作监测方法和系统，通过建立基于体域传感器网络的人马动作监测平台，对人马相互作用过程中的运动数据进行监测并处理，为评价马术治疗效果提供数据支持，提出评价马术治疗效果的客观量化指标，能够降低由人为主观因素引起的偏差，从而避免由于评价人水平不同而导致评价结果存在偏差的问题，提高用于实时反馈马术治疗效果和渐进性进展的监测手段的可靠性，为马术治疗的功能和机理提供科学依据，对于探索民族化的马术治疗,发展中国的骑马治疗有着非常重要的现实意义和深远影响。

附图说明

图1为本发明实施例提供的穿戴式人马动作监测方法的实现流程图；

图2为本发明实施例提供的穿戴式人马动作监测方法中传感器节点的一种安装位置示意图；

图3为本发明实施例提供的穿戴式人马动作监测方法中双质量弹簧模型的示意图；

图4为本发明实施例提供的穿戴式人马动作监测方法中静态平衡坐姿的对位对线关系图；

图5为本发明实施例提供的穿戴式人马动作监测方法中传感器节点的又一种安装位置示意图；

图6为本发明实施例提供的穿戴式人马动作监测方法中独立倾斜角检测示意图；

图7为本发明实施例提供的穿戴式人马动作监测系统的结构示意图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

图1为本发明实施例提供的穿戴式人马动作监测方法的实现流程图。本发明实施例提供的穿戴式人马动作监测方法可以由本发明实施例提供的穿戴式人马动作监测系统来执行，该装置可以由软件和/或硬件来实现。如图1所示，本发明实施例提供的穿戴式人马动作监测方法包括：

步骤100，分别在人体头部、颈部、骨盆、双脚以及马匹骨盆位置安装传感器节点。

本发明是基于体域网的面向马术治疗的穿戴式人马动作监测方法。其中，所述传感器节点包括传感器模块、数据处理模块和无线发送模块。所述传感器模块包括微加速度计和微陀螺仪，微加速度计和微陀螺仪满足质量轻、体积小、低功耗和低成本的要求。数据处理模块负责信号的模数转换、数据包生成和无线通信控制。无线发送模块将生成的数据包通过无线网络发送到远程的接收节点。

步骤200，利用所述传感器节点，采集人马相互作用过程中的运动数据，并把采集到的所述运动数据发送到监控服务器。

其中，所述运动数据包括人马相互作用过程中，人体和马匹在三维空间中的加速度信号和角速度信号。具体的，可以利用接收节点在所述传感器节点和所述监控服务器之间进行数据交互。所述接收节点安装在监控服务器上，由信号接收模块和USB通信接口组成，负责接收和保存传感器节点采集到的运动数据。

步骤300，利用所述监控服务器，对采集到的所述运动数据进行步骤301至步骤304的数据处理：

其中，监控服务器具有简洁直观的人机界面，可以支持马术治疗软件的安装和应用。传感器节点采集的数据通过无线方式传输给现场或远程的监控中心，以使现场或远程的监控中心能够实时监测人马动作的变化情况。

步骤301，根据安装在人体骨盆和马匹骨盆位置的传感器节点采集到的运动数据，计算人体和马匹在垂直方向上加速度信号的互功率谱，通过公式R＝P_maxref/P_max获得互功率谱第一峰值和第二峰值的幅值之比，并将获得的互功率谱第一峰值和第二峰值的幅值之比作为第一处理结果，其中，P_maxref表示第一峰值对应的互功率谱幅值，P_max表示第二峰值对应的互功率谱幅值。

具体的过程为：在马术治疗中马的行走步态主要包括三种：慢步(walking)、坐鞍快步(sitting trot)和上落快步(rising trot)。由于其肢体运动功能和协调平衡能力受限，脑瘫患者很难像正常的骑手一样随着马的步态的变化，调整自身的骑乘姿态与马匹保持同步运动。

在三种马的行走步态过程中，人马运动在时域的特点描述如下：

慢步过程：骑手稳坐在马鞍上，骑手被动地随着马的运动而运动。由于骑手和马的运动是同步的，可以推测出骑手和马的垂直加速度信号基本完全同步。

坐鞍快步过程：骑手稳坐在马鞍上，骑手仍然是被动地随着马的运动而运动，可以推测出骑手和马的垂直加速度信号大多数时间段能保持同步。

上落快步过程：无经验的骑手随着马的运动而上下颠簸运动，骑手为了保持自己的稳定需要进行自我调节，此时骑手和马垂直加速度信号不再同步。当然，有经验的骑手能够很好的调节自己的运动状态，以保持与马的同步运动。

本发明研究不同步态下马匹的运动特征和人马互动过程中人的运动特征，利用人体和马匹在垂直方向的加速度信号量化作为评价骑手的马上活动水平的实验依据。参照图2，利用安装在人体骨盆和马匹骨盆位置的惯性传感器，采集骑手和马在连续多个步伐周期内，在慢步、坐鞍快步和上落快步三种步态下的垂直加速度信号a_r和a_h，再进一步进行加速度信号的特征提取。

本发明提出基于互功率谱分析(Power Spectrum Density，PSD)的特征分析方法来分析三种步态下人马垂直加速度信号的互功率谱和频率之间的关系，即人体和马匹的加速度信号时间序列的互功率谱如何随频率分布。设定人和马的频率分别为f_r和f_h，人和马的频率所对应的互功率谱峰值分别为P_r和P_h。利用测量的加速度信号，可以得到以下结论：

慢步过程中，骑手和马的运动基本同步，两者频率接近一致，即f_r1＝f_h1，并且互功率谱在一个运动周期内只有一个峰值，即P_maxref＝P_max。

坐鞍快步过程中，骑手和马的运动大多数时间段同步，两者频率接近一致，即f_r2≈f_h2，并且互功率谱在一个运动周期内只有一个峰值，即P_maxref≈P_max。但由于马运动的步伐由慢步时的四拍变为两拍，步伐周期变短，此峰值所对应的频率大于慢步过程互功率谱峰值所对应的频率，即f_r2>f_r1。

上落快步过程中，标准骑手和马的运动同步，而患者骑手和马匹不同步。脑瘫患者刚开始进行骑马训练时，与马必定不能保持同步。此时对患者和马的加速度信号进行互功率谱分析可以得到至少两个谱密度峰值。通过公式R＝P_maxref/P_max获得互功率谱第一峰值和第二峰值的幅值之比。

将以上过程中，通过公式R＝P_maxref/P_max将获得的互功率谱第一峰值和第二峰值的幅值之比作为第一处理结果。

\{\begin{matrix} m_{r} {\overset{. .}{x}}_{r} = k (x_{r} - x_{h}) - b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{r} \\ m_{h} {\overset{. .}{x}}_{h} = k (x_{r} - x_{h}) + b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{h} - F_{r} \end{matrix}

获得人马相互作用过程中马对地面施加的作用力和人对马施加的作用力，得到的马对地面施加的作用力和人对马施加的作用力作为第二处理结果。

具体的过程为：在马术治疗训练过程中，马匹通过马鞍对马背上的患者产生周期性的力的作用，即人体和马匹之间的相互作用力，这个力可以用来平衡骑手和马运动产生的规律性摆动。通过分析理解这个相互作用力，有利于为揭示马术治疗的运动机理和客观优化地实现人马匹配提供有利的依据。在马术治疗中，肢体运动功能和平衡能力受限的脑瘫患者往往被动地随马的运动而运动，在马的步幅周期内处于一种上下震荡的模式，如果建立人马相互作用的数学模型，就可以计算出地面给马的作用力以及人马之间的相互作用力。

本发明将马和骑手相互作用的数学模型描述为一个双质量弹簧模型，参照图3。在该模型中，该系统的动态差分方程是：

\{\begin{matrix} m_{r} {\overset{. .}{x}}_{r} = k (x_{r} - x_{h}) - b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{r} \\ m_{h} {\overset{. .}{x}}_{h} = k (x_{r} - x_{h}) + b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{h} - F_{r} \end{matrix}

其中，k为弹簧的弹性系数，b为阻尼器的阻尼系数，m_r和m_h分别是人和马的质量，F_r为人对马在垂直方向施加的作用力，F_h为马对地面在垂直方向施加的作用力，x_r为人体骨盆的位移，x_h为马匹骨盆的位移，为人体骨盆的速度，为马匹骨盆的速度，为人体骨盆的加速度，为马匹骨盆的加速度，利用该方程获得人马相互作用过程中马对地面施加的作用力和人对马施加的作用力，得到的马对地面施加的作用力和人对马施加的作用力作为第二处理结果。

所述双质量弹簧模型为一个有源阻尼模型，该有源阻尼模型具有两个无源器件，即一个弹性系数为k的弹簧和一个阻尼系数为b的阻尼器。模型中人对马的作用力F_r为补偿力，马对地面的作用力F_h为驱动力，根据人体和马匹的运动规律，其中F_r为近似正弦曲线的波形，且周期与马的步态周期一致；F_h也为近似正弦曲线的波形，但周期为马步态周期的一半。同时，由于骑手的反应滞后于马的运动，F_h与F_r也存在一定的相位差。通过最小二乘法拟合系统参数k和b，使得的估计值逼近a_r，的估计值逼近a_h，其中a_r和a_h分别是人和马在垂直方向的加速度。于是将和代入所述双质量弹簧模型，利用最小二乘法拟合的系统参数k和b，即可获得力F_r和力F_h。

步骤303，利用安装在人体头部、颈部、骨盆和双脚位置的传感器节点采集的运动数据，分别获得各传感器节点中传感器坐标系与参考坐标系之间的夹角，进而获得各传感器节点之间的夹角；根据获得的各传感器节点之间的夹角，将各传感器节点连接起来，并将各传感器节点之间的连线投影到人体的冠状面和矢状面内，分别在冠状面和矢状面内将传感器节点之间的投影连线与标准直线进行对比，获得人体的静态坐姿与标准坐姿的偏差，将获得的所述偏差作为第三处理结果。

其中，第三处理结果用于对马术治疗中患者的静态平衡能力进行定量的评估，传感器坐标系为传感器节点中采用的传感器的坐标系。本发明实施例中，传感器坐标系选取为其内部封装的加速度计和陀螺仪的坐标系，传感器节点中加速度计和陀螺仪的坐标系重合，统称为传感器坐标系，参考坐标系选取为东北天地理坐标系，标准坐姿采用标准英式骑乘的对位对线关系。静态坐姿是马匹静止不动时骑手的马上坐姿。

具体的过程为：针对脑瘫患者进行的平衡能力训练，其基本原则是从最稳定的体位逐步到最不稳定的体位训练，从静态平衡过度到动态平衡，逐渐加大难度。马术治疗主要是通过患者骨盆贴附于马背上来传递运动的感觉，并诱发直立反射。从机械角度上分析，只有静态时身体能保持良好的对线性和对称性，才能施力最小而供能最大，从而放松肌肉张力，对各种情况做出正确及时的反映，达到静态平衡能力训练的目的。本发明采用标准英式骑乘的对位对线关系进行静态平衡分析，利用人体和马匹的骨盆在矢状面、冠状面和横断面上角度变化关系进行动态平衡分析。

参照图4，对患者静态平衡能力的评估采用标准英式骑乘的对位对线关系，即在人体的冠状面和矢状面中满足如下两条直线的约束：矢状面直线：头部和脊椎保持直立，目视前方，从矢状面看，患者的耳，肩，髋，脚跟呈一直线上，并与地面垂直。冠状面直线：身体的重量均匀地落于两坐骨上，坐骨位于马背对称的位置上。从冠状面看，患者的左右重心与马的重心在同一条直线上。

参照图5，利用安装在患者头部、颈部、骨盆和脚跟部位的惯性传感器，采集传感器输出的运动数据，分别获得各传感器节点中传感器坐标系与参考坐标系之间的夹角，进而获得各传感器节点之间的夹角，根据获得的各传感器节点之间的夹角，将各传感器节点连接起来，并将各传感器节点之间的连线投影到人体的矢状面内，判断人体的静态坐姿是否满足“矢状面直线”标准及与标准坐姿的偏差。确定系统倾斜的常用方法是对陀螺仪的输出求积分，尽管这种方法简单明了，但是与零偏稳定性相关的误差可能快速增大，导致即使处于静止状态也会有明显的旋转。

本发明利用加速度进行直线倾斜程度的检测，直线的倾斜程度利用重力矢量及其在各轴上的投影来确定。如图6所示，参考坐标系的X轴和Y轴位于水平面内，Z轴与水平面垂直。设θ角为水平线与加速度计X轴的夹角，ψ角为水平线与加速度计Y轴的夹角，φ角为重力矢量与Z轴的夹角。在初始位置，即马背上的骑手在静态时若能保持良好的对位对线关系，头部、颈部、骨盆和脚跟四个部位惯性传感器所对应坐标系一致，且所有的倾斜角均为0度。

根据三角函数关系，三个独立的倾斜角可通过下式计算：

θ = \tan^{- 1} (\frac{a_{x}}{\sqrt{{a_{y}}^{2} + {a_{z}}^{2}}}), ψ = \tan^{- 1} (\frac{a_{y}}{\sqrt{{a_{x}}^{2} + {a_{z}}^{2}}}), θ = \tan^{- 1} (\frac{\sqrt{{a_{x}}^{2} + {a_{y}}^{2}}}{a_{z}}),

同理，对传感器节点所采集的运动数据进行处理，并将各传感器节点之间的连线分别投影到人体的冠状面内，可以判断出人体的静态坐姿是否满足“冠状面直线”标准及与标准坐姿的偏差。

将以上过程获得的人体的静态坐姿与标准坐姿的偏差作为第三处理结果。

步骤304，利用安装在人体骨盆和马匹骨盆位置的传感器节点采集的运动数据，分别获得人体骨盆和马匹骨盆在矢状面、冠状面和横断面上的角度变化曲线，并利用离散Fréchet距离来分别获得每个面上的人体骨盆和马匹骨盆的角度变化曲线的相似性，将获得的所述相似性作为第四处理结果。

其中，角度变化曲线是由一系列的离散点绘制而成的离散曲线。本发明采用离散Fréchet距离来分别获得每个面上人体骨盆和马匹骨盆的角度变化曲线的相似性，进而为马术治疗中患者的动态平衡能力的定量评估提供依据，其中Fréchet距离是一种用来判断曲线之间相似性的距离测度，在本发明中Fréchet距离就是指连接人体骨盆的角度变化曲线与马匹骨盆的角度变化曲线之间的最小距离。

具体的过程为：马在慢速步行时其髋部及骨盆的运动模式与正常成年人行走时骨盆的左右摆动和前后倾斜极为相似。应用量化运动学分析方法测量慢步马匹骨盆的运动，例如，马匹骨盆在矢状面上移动约4度，在冠状面上运动约7度，在横断面上运动约9度。这些马骨盆运动的数据与人骨盆运动的数据非常相似。成年人的骨盆运动在矢状面上运动约5度，在冠状面上运动约7度，在横断面上运动约10度；正常儿童的骨盆运动在矢状面上运动2-3度，在冠状面上运动约10度(5度位于承重期，5度位于站立末期和蹬地期)，在横断面上大约运动20度(在冠状面上左右各10度)。

马匹后肢和骨盆的运动被传递到骑手骨盆，使骑手产生骨盆运动。如果患者在马术治疗的过程中动态平衡能力逐渐提高，则患者骨盆的运动规律与马骨盆的运动规律逐渐接近。但是，由于从马的骨盆到骑手的重心之间存在一段距离，所以骑手的反映相比马的运动要稍滞后一点。马的骨盆和人的骨盆之间大约呈90度，因此马体干的侧屈引起人骨盆的旋转，马骨盆的旋转引起人骨盆的侧屈，两者的运动在相位上大约相差90度。

参照图2，利用安装在人体骨盆和马匹骨盆位置的惯性传感器，采集骑手和马匹在连续多个步伐周期内，在慢步、坐鞍快步和上落快步三种步态下，在矢状面、冠状面和横断面上的陀螺仪信号，再进一步进行陀螺仪信号的特征提取。假设人的骨盆在矢状面、冠状面和横断面上角度分别为φ_Sr、φ_Cr和φ_Tr，马匹的骨盆在矢状面、冠状面和横断面上角度分别为φ_Sh、φ_Ch和φ_Th。对比分析φ_Sr与φ_Sh、φ_Cr与φ_Ch和φ_Tr与φ_Th这三组角度的变化曲线，利用离散Fréchet距离来分别获得人体骨盆和马匹骨盆在矢状面上的角度变化曲线、人体骨盆和马匹骨盆在冠状面上的角度变化曲线、人体骨盆和马匹骨盆在横断面上的角度变化曲线的相似性，将获得的所述相似性作为第四处理结果，以为马术治疗中患者的动态平衡能力的定量评估提供依据。

事实上，对整条曲线计算距离确定他们是否匹配将会存在很大的误差，因此，需要对两条曲线进行分段，再进行逐段匹配。由于其他的相似性判别方法是先将离散点组成的曲线进行拟合，再对这两条拟合后的曲线进行归一化，最后再分段进行逐段匹配，所以就需要对曲线进行平移和伸缩变换。本发明采用Fréchet距离对离散曲线的峰值点进行研究，并基于离散Fréchet距离来判断离散曲线的相似性。由于波峰与波谷之间的离散Fréchet距离之差不受到平移和伸缩变换的影响，故此算法有较小的时间复杂度，即O(n²)。

设φ_r＝{φ_r1,φ_r2,…,φ_rm}和φ_h＝{φ_h1,φ_h2,…,φ_hn}为两条由离散点组成的曲线，记为它们波峰之间的离散Fréchet距离，为它们波谷之间的离散Fréchet距离。如果波峰与波谷之间的离散Fréchet距离之差越小，则两条离散曲线越相似。实际应用中，对于设定的阈值ε，如果有则称φ_r与φ_h相似，否则称它们不相似。

在马术治疗效果的评价人对马术治疗效果进行评价时，调用现场的监控中心或发送到远程的监控中心的数据库中的第一处理结果、第二处理结果、第三处理结果以及第四处理结果，根据上述结果对马术治疗效果进行评价：

第一处理结果中的两个峰值的比值为：R＝P_maxref/P_max，把R作为评价骑手活动水平能力的一个定量指标，比值越高，则骑手的反应能力越高，即骑手的活动水平越高。

第二处理结果中双质量弹簧模型的建立可以预测马术治疗过程人施加于马背部的垂直作用力，人马相互作用力的量化可为马术治疗师进行人马匹配时提供一个定量分析的依据，为马术治疗提供更加安全的人马匹配策略，揭示马术治疗中人马的运动机理。如果马的运动对骑手的作用力过小，马术治疗就达不到预期的效果；如果马的运动对骑手的作用力过大，就会对患者造成一个强刺激，不但起不到治疗的效果，而且可能给患者带来负面影响。相反，如果人对马的作用力过大，也会对马造成伤害，所以患者的体重必须严格控制在限定范围内。通常马不能承受超过自身体重20％的重量。在马术治疗中，马匹的选择是不可或缺的工作。通过研究人马模型，可以为患者选择能够承受其重力的马匹，避免治疗过程中给马过多的压力，同时也要控制马的运动避免造成对患者的强刺激，为人马匹配提供理论依据。同时，人马模型的建立，可以进一步分析和验证在马术治疗过程中人马运动的同步情况，研究在慢步、坐鞍快步和上落快步三种步态下人马加速度信号在幅值、频率和相位等方面的异同，分析患者在马背上的活动水平，揭示马术治疗的运动机理和应用此模型优化人马匹配。

第三处理结果可以判断患者的静态坐姿是否满足“冠状面直线”和“矢状面直线”标准及与标准直线的偏差。评价人可以根据第三处理结果对马术治疗中患者的静态平衡能力进行定量的评估。

第四处理结果通过波峰与波谷之间的离散Fréchet距离之差越小，则两条离散曲线越相似。实际应用中，对于设定的阈值ε，如果有则称φ_r与φ_h相似，否则称它们不相似。评价人可以根据第四处理结果对马术治疗中患者的动态平衡能力进行定量的评估。

另外，本发明还针对体域网平台在传感器数据采集和传输过程中的安全性和可靠性问题，提出了相应的解决方法以提高采集信号数据的质量，进而提高人马动作监测和评价结果的准确性，具体内容包括：消除由惯性传感器的固定姿态偏移引起的惯性传感器信号偏差的方法，以及解决传感器信号在无线传输过程中面临的强噪声干扰和丢包问题的方法。

在步骤301之前，还包括：对传感器节点的初始固定方向错误进行校准。利用施密特旋转矩阵的方法，使用计算所得到的旋转矩阵进行坐标系换算，以对传感器节点采集的运动数据进行校准，消除传感器节点中惯性传感器固定姿态的偏移。具体的，利用施密特正交化准则生成一个矫正矩阵；利用生成的矫正矩阵将加速度信号从误差坐标系旋转到标准坐标系下，从而消除加速度信号中包含的固定误差。

具体过程为：通过公式获得标准固定方向的加速度信号A，其中为错误固定方向的加速度信号，N为加速度信号的矫正矩阵，A为初始固定方向错误矫正后的加速度信号。只需要在佩戴加速度传感器之后计算得到N，就可以根据上述公式消除加速度信号中包含的固定方向错误。

传感器节点中的传感器(微加速度计和微陀螺仪)的内在坐标系由传感器的敏感轴方向决定。传感器输出的信号与传感器被固定在人体上的姿态有关。在本发明集成了惯性传感器的体域网节点在每次被固定在人体和马匹上时，需要使用绷带将节点固定在指定的肢体部位上，但是每次固定这些传感器节点的固定姿态相对于预定义的标准固定姿态可能会有偏移，而且在肢体动作时传感器节点的固定姿态也可能由于剧烈的动作而发生偏移。因此会导致惯性传感器的内在坐标系发生偏转，使得传感器输出的人体动作信号也会随之发生改变，进而降低所采集的动作数据的准确度。

本发明提出基于施密特正交化准则的惯性传感器信号校准算法。由于惯性传感器固定姿态的偏移会引起惯性传感器信号的基准坐标系发生旋转，所以校准惯性传感器信号的核心问题是坐标系之间的换算。通常的坐标系换算方法(例如“角—轴”法、“四元数”法和“欧拉角”法)需要借助高精度的测量工具来计算复杂的物理参数(例如“旋转轴”和“欧拉角”)，因此不适合穿戴式的体域网。因此，本发明提出基于施密特的旋转矩阵计算方法，使用计算所得到的旋转矩阵进行坐标系换算。该方法在不需要借助测量工具的情况能够下快速计算坐标系之间的旋转矩阵。

在步骤301之前，还包括：

当某一时间段内实际采集的传感器信号与预测值之间出现明显偏差，或者传感器信号出现中断时，利用所述预测值代替实际采集的传感器信号。其中，传感器信号的预测值包括三轴加速度信号和三轴角速度信号，预测值可以是六维的向量。

具体过程为：体域网的传感器信号在传输过程中会受到手机信号辐射等强噪声干扰，应用通常的滤波方法(如低通滤波器、卡尔曼滤波器)很难取得理想的滤波效果。此外，体域网的传感器信号在传输过程中经常出现数据包冲突、数据通道拥塞、电池电量降低等现象，会产生连续的数据包丢失现象，通常的差值算法(如加权插值、样条插值)在处理这类连续信号中断问题时无法取得满意的结果。为解决以上问题除了需要进一步改进硬件设计之外，还需要对所采集的传感器信号进行后期处理。

本发明提出基于高斯过程回归模型的传感器信号强噪声消除方法和丢包补偿算法。高斯过程回归模型在处理回归问题时能够给出预测值明确的置信区间，并且高斯过程所具有的参数化表示方法也进一步提高了预测结果的可靠性。在受到强噪声干扰时，传感器信号会明显偏离实际信号值，使用通常的滤波方法(例如低通滤波器和卡尔曼滤波器)难以取得理想的滤波效果。使用高斯过程回归模型可以在一定置信区间内给出传感器信号的预测值。当某一时间段内实际采集的传感器信号与预测值之间出现明显偏差，或者传感器信号出现中断时，可以用高斯过程回归模型的预测值代替实际采集的传感器信号，从而提高了后期数据处理时的人马动作的识别精度。

高斯过程回归模型是是一种基于贝叶斯原理的统计机器学习方法，该方法利用样本数据来捕捉整个值函数的分布。利用高斯过程回归模型解决预测问题时，假设有训练样本数据集合S＝{(x_k,y_k),k＝1,2,…,n}，其中，x_k为输入，y_k为输出。对于一个新的输入x，根据样本数据集合S来预测估计其所对应的输出y。模型如下：

y＝f(x)+ε

其中，x为输入变量，f(·)表示函数的真实值，y为受噪声影响的观察值，假设为高斯白噪声，即

高斯过程回归的目的就是确定函数f(·)，单输出高斯过程回归模型，不仅仅能够预测测试样本点的输出，而且能够给出该样本点输出的置信区间，这是模型区别于其他回归模型的一个显著特性。

在步骤300之后，还包括：在监控服务器的人机界面中，对人马相互作用过程中运动数据的所述第一处理结果、所述第二处理结果、所述第三处理结果以及所述第四处理结果进行显示，以使现场或远程的监控中心能够实时监测人马动作的变化情况。

下面以实例的形式对本实施例提供的方案进行说明：

为验证本发明所提出的穿戴式人马动作监测方法，应用所研究的监测方法进行人马动作的监测实验。在实验中以观察马术治疗对脑瘫患者马上活动能力、静态平衡能力和动态平衡能力的影响为例，对进行马术治疗康复训练过程中的人马动作信号进行监测和识别，进而为验证和量化评价马术治疗的效果提供数据支持。通过该实验研究，验证基于体域网的人马动作监测方法的有效性，验证所提出的实时反馈马术治疗效果和渐进性进展的监测手段和量化评价方法，同时为马术治疗的运动机理提供科学依据。

实验平台的建立：

实验中，在脑瘫患者的头部、颈部、骨盆、双脚和马匹骨盆位置共六个关键肢体部位处绑定传感器节点，传感器节点采用低功耗微处理器作为数据处理的核心单元，在传感器节点上集成高精度三轴微加速度计芯片和三轴微陀螺仪芯片，可以同时采集脑瘫患者和实验马匹在康复训练中六个主要肢体部位的动作信号。

实验内容的设计：

确定治疗团队：治疗师、领马人和伴行者。治疗师专门负责指导患者在马背上做各种康复练习以执行训练计划，领马人负责帮助患者上马和下马以及确保马的行为能配合训练活动，两名伴行者在马匹两旁保护患者的安全并维持正确姿势。在治疗过程中，小组成员分工配合，共同完成治疗任务。

选定实验马匹：根据每一个患者的身高、体重、性格和病情等因素挑选一匹身高和体重适合该患者的训练有素、装备合格的马匹；马匹的臀部要柔软有弹性，脚要直，节律规整，且协调性好，具有优雅的步态。

制定训练流程：佩戴头盔和腰带，刷马与配鞍上马，热身准备活动，穿戴实验设备，进行马上治疗训练，开启实验设备采集人马动作数据，卸鞍刷马结束。

马上训练项目主要包括：静态平衡训练：患者端坐在马上，按照制定的对位对线关系保持静态平衡训练。在静态平衡的基础上，增加上肢的运动训练，调节上肢和躯干的控制能力。动态平衡训练：患者端坐在马上，按照制定的训练流程，当患者在马匹慢步时，如果能充分保持平衡，可开始要求马匹做快步运动。随着马匹步态的改变，不同幅度的倾斜角和位移量逐渐增加躯干的运动，强化患者的平衡控制能力，带动下肢运动。

康复效果评价：根据训练过程中采集到的实验数据，将采集到的数据和处理结果上传到现场的监控中心或发送到远程的监控中心，由评价人对患者的马上各运动功能进行基于数据的评价。

实验数据的采集：实验采用马场马术训练，在调训场地，对马匹和患者做不同方式、不同步法和不同路线的训练。每名脑瘫患者分别进行12周每周2次的马术治疗康复训练，每次康复治疗持续时间大约50分钟，在马鞍上的时间不能超过30分钟，期间马大约行走超过3000步，实时采集人马动作的数据，并且保存和分析处理。

实验数据处理与结果分析：马术治疗训练需要依从传统康复训练的流程进行。首次训练进行人马动作监测与初期康复评价，在整个疗程结束时要完成末期监测与康复评价，中间每间隔一段时间进行一次定期的监测与康复评价。在治疗前、治疗后和治疗中的定期康复评价中，除了采用本发明所提出的马上实时监测和马上量化评价方法对患者的康复程度进行客观评价以外，同时利用康复评定表对患者马下的各方面功能进行主观评价，包括步行功能分级量表FAC、简式Fugl-Meyer运动功能量表FMA、Berg平衡量表BBS及改良Bathel指数MBI，评定患者的步行能力(步频、步速及步行功能分级)、下肢运动功能、平衡功能及日常生活活动能力；此外，分别在患者背部的竖脊肌和下肢的胫前肌、腓肠肌、内收肌表面进行肌电信号采集，对比治疗前后患者在运动时的肌电活动平均电位振幅的变化情况，观察其步行周期内的姿势控制和双下肢肌力。定期的量化评价，可通过量化评分的形式使患者在某一指标、某一功能区的进步得以具体显示。整个疗程结束后，评价人可以对比监测和处理的评价数据、四个康复评定表的评价数据及患者躯干和下肢的表面肌电信号数据进行对比，分析它们之间的一致性和相关性。若具有相关关系，且呈正相关，则从临床的康复评定表和表面肌电图两方面验证了本发明所提的量化评价方法的准确性和客观性。

本实施例提供的穿戴式人马动作监测方法，可以通过建立基于体域传感器网络的人马动作监测平台，对人马相互作用过程中的运动数据进行监测并处理，为评价马术治疗效果提供数据支持，提出评价马术治疗效果的客观量化指标，能够降低由人为主观因素引起的偏差，从而避免由于评价人水平不同而导致评价结果存在偏差的问题，提高用于实时反馈马术治疗效果和渐进性进展的监测手段的可靠性，为马术治疗的功能和机理提供科学依据，对于探索民族化的马术治疗,发展中国的骑马治疗有着非常重要的现实意义和深远影响。

图7为本发明实施例提供的穿戴式人马动作监测系统的结构示意图。如图7所示，本发明实施例提供的穿戴式人马动作监测系统包括：传感器节点和监控服务器，

\{\begin{matrix} m_{r} {\overset{. .}{x}}_{r} = k (x_{r} - x_{h}) - b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{r} \\ m_{h} {\overset{. .}{x}}_{h} = k (x_{r} - x_{h}) + b ({\dot{x}}_{r} - {\dot{x}}_{h}) + F_{h} - F_{r} \end{matrix}

在上述方案中，可选的，所述人马动作监测系统，还包括：接收节点，用于在所述传感器节点和所述监控服务器之间进行数据交互。

可选的，所述传感器节点包括传感器模块、数据处理模块和无线发送模块，其中,所述传感器模块包括微加速度计和微陀螺仪；所述数据处理模块，用于信号的模数转换、数据包生成和无线通信控制；所述无线发送模块，用于将生成的数据包通过无线网络发送到远程的接收节点。

本发明实施例提供的穿戴式人马动作监测系统，接收节点，安装在监控服务器上，由信号接收模块和USB通信接口组成，负责接收和保存传感器节点的数据；监控服务器，传感器节点采集的数据通过无线方式传输给现场或远程的监控中心，以使现场或远程的监控中心能够实时监测人马动作的变化情况。监控服务器具有简洁直观的人机界面，可以支持马术治疗软件的安装和应用。监控服务器，也可以包括：数据采集模块、数据显示模块、数据存储模块和数据分析模块。数据采集模块，负责人马动作监测系统的硬件进行信号采集，确定信号采集所需参数，包括采样时间、采样频率和信号传输的波特率；数据显示模块，负责实时显示所采集信号的时域和频域特征；数据存储模块，负责将所采集的信号按照规定格式保存到服务器中；数据分析模块，是系统的核心，该模块通过分析所采集的运动数据，识别不同的人马动作，提取加速度和陀螺仪信号的关键特征，自动定量地评估在马背上骑乘的患者的姿势控制和协调平衡能力，评价患者动作的完成质量，同时以量化的监测数据说明患者在治疗过程中的渐进性进展。

本实施例提供的穿戴式人马动作监测系统，通过建立基于体域传感器网络的人马动作监测平台，对人马相互作用过程中的运动数据进行监测并处理，为评价马术治疗效果提供数据支持，能够降低由人为主观因素引起的偏差，从而避免由于评价人水平不同而导致评价结果存在偏差的问题，提高用于实时反馈马术治疗效果和渐进性进展的监测手段的可靠性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种穿戴式人马动作监测方法，其特征在于，所述穿戴式人马动作监测方法包括：

\{\begin{matrix} m_{r} {\overset{\cdot \cdot}{x}}_{r} = k (x_{r} - x_{h}) - b ({\overset{\cdot}{x}}_{r} - {\overset{\cdot}{x}}_{h}) + F_{r} \\ m_{h} {\overset{\cdot \cdot}{x}}_{h} = k (x_{r} - x_{h}) + b ({\overset{\cdot}{x}}_{r} - {\overset{\cdot}{x}}_{h}) + F_{h} - F_{r} \end{matrix}

获得人马相互作用过程中人对马施加的作用力和马对地面施加的作用力，得到的人对马施加的作用力和马对地面施加的作用力作为第二处理结果，其中，k为弹簧的弹性系数，b为阻尼器的阻尼系数，m_r和m_h分别是人和马的质量，F_r为人对马在垂直方向施加的作用力，F_h为马对地面在垂直方向施加的作用力，x_r为人体骨盆的位移，x_h为马匹骨盆的位移，为人体骨盆的速度，为马匹骨盆的速度，为人体骨盆的加速度，为马匹骨盆的加速度，通过最小二乘法拟合系统参数，使得的估计值逼近a_r，的估计值逼近a_h，其中a_r和a_h分别是人和马在垂直方向的加速度；

2.根据权利要求1所述的穿戴式人马动作监测方法，其特征在于，所述传感器节点包括传感器模块、数据处理模块和无线发送模块；所述传感器模块包括微加速度计和微陀螺仪。

3.根据权利要求1所述的穿戴式人马动作监测方法，其特征在于，利用接收节点在所述传感器节点和所述监控服务器之间进行数据交互。

4.根据权利要求1所述的穿戴式人马动作监测方法，其特征在于，在步骤301之前，还包括：对传感器节点的初始固定方向错误进行校准。

5.根据权利要求4所述的穿戴式人马动作监测方法，其特征在于，所述对传感器节点的初始固定方向错误进行校准，包括以下步骤：

利用施密特正交化准则生成一个矫正矩阵；

利用生成的矫正矩阵将加速度信号从误差坐标系旋转到标准坐标系下，从而消除加速度信号中包含的固定误差。

6.根据权利要求1所述的穿戴式人马动作监测方法，其特征在于，在步骤301之前，还包括：

7.根据权利要求1所述的穿戴式人马动作监测方法，其特征在于，在步骤300之后，还包括：在监控服务器的人机界面中，对人马相互作用过程中运动数据的所述第一处理结果、所述第二处理结果、所述第三处理结果以及所述第四处理结果进行显示，以使现场或远程的监控中心能够实时监测人马动作的变化情况。

8.一种穿戴式人马动作监测系统，其特征在于，所述人马动作监测系统包括：传感器节点和监控服务器，

\{\begin{matrix} m_{r} {\overset{\cdot \cdot}{x}}_{r} = k (x_{r} - x_{h}) - b ({\overset{\cdot}{x}}_{r} - {\overset{\cdot}{x}}_{h}) + F_{r} \\ m_{h} {\overset{\cdot \cdot}{x}}_{h} = k (x_{r} - x_{h}) + b ({\overset{\cdot}{x}}_{r} - {\overset{\cdot}{x}}_{h}) + F_{h} - F_{r} \end{matrix}

获得人马相互作用过程中马对地面施加的作用力和人对马施加的作用力，得到的马对地面施加的作用力和人对马施加的作用力作为第二处理结果，其中，k为弹簧的弹性系数，b为阻尼器的阻尼系数，m_r和m_h分别是人和马的质量，F_r为人对马在垂直方向施加的作用力，F_h为马对地面在垂直方向施加的作用力，x_r为人体骨盆的位移，x^h为马匹骨盆的位移，为人体骨盆的速度，为马匹骨盆的速度，为人体骨盆的加速度，为马匹骨盆的加速度，通过最小二乘法拟合系统参数，使得的估计值逼近a_r，的估计值逼近a_h，其中a_r和a_h分别是人和马在垂直方向的加速度；

9.根据权利要求8所述的穿戴式人马动作监测系统，其特征在于，所述人马动作监测系统，还包括：

10.根据权利要求9所述的穿戴式人马动作监测系统，其特征在于，所述传感器节点包括传感器模块、数据处理模块和无线发送模块，其中，

所述传感器模块包括微加速度计和微陀螺仪；