CN104656112A - 基于表面肌电信号与mems惯组组合的个人定位方法和装置 - Google Patents
基于表面肌电信号与mems惯组组合的个人定位方法和装置 Download PDFInfo
- Publication number
- CN104656112A CN104656112A CN201510046115.9A CN201510046115A CN104656112A CN 104656112 A CN104656112 A CN 104656112A CN 201510046115 A CN201510046115 A CN 201510046115A CN 104656112 A CN104656112 A CN 104656112A
- Authority
- CN
- China
- Prior art keywords
- mems
- real
- signal
- surface electromyogram
- neural
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
- G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- 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表面肌电信号与MEMS惯组组合的个人定位方法和装置,1)通过神经网络训练建立神经骨骼肌肉运动模型;2)实际定位时,采集定位者表面肌电信号,并通过神经骨骼肌肉运动模型,得到定位者实时辅助定位信息;3)根据MEMS惯组得到定位者实时定位信息;将步骤2)得到的实时辅助定位信息与定位者实时定位信息相融合;4)融合后的信息进行导航解算,即可得到定位者定位数据,实现个人定位。本发明不需依靠外界任何信息和设备,具有自主性、便于安装和携带,成本低,适用环境能力强。可实现不受GPS信号限制的室内外无缝导航,并且组合导航提高了个人定位导航的精度和可靠性。
Description
技术领域
本发明涉及个人导航定位,具体指一种基于表面肌电信号(Surface Electromyography,SEMG)与MEMS惯组组合的个人定位方法和装置,属于个人导航技术领域。
背景技术
个人导航系统,主要用于跟踪定位徒步行走人员的实时位置,实时监测人员的位置变化。随着人们对导航的需求与日俱增,适用于GPS信号遮挡的室内、水下、井下、消防、抢险、野外等各种应急场合的个人导航系统成为当今研究的热点。同时在未来战争中的单兵作战,外星深空漫步探测定位以及仿生机器人的开发、真人游戏开发等领域也有着举足轻重的作用。
传统的卫星个人定位技术应用在隧道、室内、水下、森林等环境下时信号遮挡严重,造成定位偏差或无法定位,因此有着一定的局限性。基于射频信号的无线局域网定位技术需要借助外界的无线局域网基础设施,事先布置安装好设备,所以它不能应用于完全未知的陌生环境,并且存在无线信号在传输过程中的干扰、多径、衰减等。惯性导航定位技术具有抗外界环境干扰,短时间内精度较高,稳定性好等优点,但是长期使用定位误差累积较大。随着MEMS技术的发展,MEMS惯组已日渐显示出其优越的性能,具有体积小、重量轻、成本低和适用环境能力强等优点。
目前有将MEMS惯组安装在步行者的腰部,利用建立的线性模型对步长进行估计,但无法适应不同的步行者和不同的行走方式;有将MEMS惯组安装在步行者的鞋上,利用零速修正算法,在行走过程中脚部接触地面的静止时间段进行检测,不适应多种运动形式;有将MEMS惯组与地磁测量组件进行组合,利用磁传感器确定运动的航向信息,但易受到周围环境磁场干扰;有将肌电信息与航迹推算技术结合,利用肌电信息来估计步长和步频,数字罗盘确定运动的方位变化,但易受到电磁干扰,对复杂运动情景感知能力也较弱。且以上各种定位方法均在不同程度上需要外界信息辅助定位,测试受到局限或易受到环境干扰,使定位不准。
发明内容
针对现有个人定位导航技术存在的上述不足,本发明的目的是提供一种自主、稳定、实时、低成本、便携的,能快速适应各种恶劣环境的,中高精度的基于表面肌电信号与MEMS惯组组合的个人定位方法和装置。
本发明的技术方案是这样实现的:
基于表面肌电信号与MEMS惯组组合的个人定位方法,步骤如下,
1)首先通过神经网络训练建立神经骨骼肌肉运动模型,得到人体表面肌电信号与由步长、运动姿态、速度和角度构成的辅助定位信息的对应关系;
2)实际定位时,采集需定位者表面肌电信号,并通过步骤1)得到的神经骨骼肌肉运动模型,得到该定位者实时辅助定位信息;
3)根据MEMS惯组得到定位者实时定位信息;将步骤2)得到的实时辅助定位信息与根据MEMS惯组得到的定位者实时定位信息相融合;
4)融合后的信息进行导航解算后,得到定位者包括实时运动姿态、经纬度位置构成的定位数据,初始航向、经纬度由外设设备发送、预先设定或由外带GPS提供;然后通过USB串口发送定位数据到计算机或直接使用外挂显示设备显示实时定位结果,实现个人定位。
所述步骤1)通过神经网络训练建立神经骨骼肌肉运动模型的方法为,先选择步态行为中对步态姿势控制作用显著的下肢肌肉,再在训练者选定的下肢肌肉上安放表面肌电信号传感器,同时使训练者携带GPS模块以获取标准GPS信号,结合MEMS惯组对表面肌电传感器组进行训练和标校;表面肌电信号传感器测得的表面肌电信号作为神经网络输入参数xj,标准GPS和MEMS惯组组合信息作为输出Ok,通过学习和对神经网络进行多次反复训练,得到稳定的神经网络权值和阈值,预测训练者实时运动所对应的辅助定位信息;在训练完成后,建立实时的数据库存储信息。
选定的下肢肌肉为六块,分别为臀中肌、腘绳肌群中的股二头肌、股直肌、股肌群中的股外侧肌、股内侧肌和腓肠肌。
步骤3)信息融合方法为,将两融合信息一同传输到嵌入式计算机,然后利用粒子滤波算法进行数据融合。
基于表面肌电信号与MEMS惯组组合的个人定位装置,包括MEMS惯组设备和依次连接的传感器模块、数据采集模块、嵌入式计算机和上位机及其他外挂设备;传感器模块安装在定位者选定的下肢肌肉上以采集定位者表面肌电信号并输入给数据采集模块;MEMS惯组设备安装在步行者鞋上,其输出接数据采集模块输入,数据采集模块用于对MEMS惯组数据进行采集,同时对传感器模块输入的原始信号通过预处理电路进行预处理,预处理电路包括放大电路、模数转换电路和预滤波电路;嵌入式计算机用于对数据采集模块输入的信号进一步处理,嵌入式计算机带有神经骨骼肌肉运动模型和数据融合单元,经过预处理的传感器模块信号接入神经骨骼肌肉运动模型,神经骨骼肌肉运动模型的输出再与MEMS惯组数据共同接入数据融合单元进行导航解算;嵌入式计算机通过USB串口与上位机及其他外挂设备连接,上位机及其他外挂设备用于接受及显示定位结果。
相比现有技术,本发明具有如下有益效果:
1.本发明基于表面肌电信号与MEMS惯组组合,在实时定位时不需依靠外界任何信息和设备,具有自主性、可靠性、便于安装和携带,具有成本低和适用环境能力强等优点。
2.SEMG传感器(表面贴片电极)为高级人机接口提供一个安全、舒适、非侵入的方式获取多部位SEMG信号,通过对SEMG信息进行后续处理,更加直接和准确的反应了步行者的行动意图,并解决了人在运动时复杂的状态变化探测及处理问题。
3.可实现不受GPS信号限制的室内外无缝导航,并且组合导航提高了个人定位导航的精度和可靠性,数据库方式也在一定程度上提高了导航速度。
附图说明
图1-本发明基于表面肌电信号与MEMS惯组组合的个人定位装置原理框图。
图2-下肢检测肌群位置示意图。
图3-BP神经网络结构示意图。
图4-标校信号处理流程图。
图5-数据融合与导航信号处理流程图。
具体实施方式
表面肌电信号SEMG是一个弱生物电信号,且信噪比低,是在人体神经中枢系统支配下,由于肌肉的收缩在不同骨骼肌运动单元产生的动作电位的总和。目前在基础医学研究、假肢控制、康复工程等方面有着广泛应用,但在个人定位导航方面较少应用。利用步行者走路时肌肉收缩产生的肌电信号,经过一系列处理就可以得到肢体相关运动,并得到个人定位所需的运动姿态、速度信息等。本发明正是基于此而设计。
本发明定位方法实现时主要分为两大步骤,首先利用测得的步行者SEMG信号特征信息通过神经网络训练建立神经骨骼肌肉运动模型;其次是基于SEMG与MEMS惯组组合的个人实时定位导航。
人体步行运动主要受腿部肌肉控制,因此选择步态行为中对步态姿势控制作用显著的肌肉获取SEMG可以更加有效的反映出真实运动信息。图2为下肢检测肌群位置示意图。腓肠肌(GAS)对人体站、走、跑、跳都起到至关重要作用,比如站立时,小腿肌肉都要适度等长收缩以维持脚踝的稳定,尤其是人在不平坦的地面站立时,小腿各部肌肉在神经本体感觉支配下保持脚踝不会向一方过度弯曲,以免发生崴脚或摔倒。对于膝关节无明显屈伸的小步行走,小腿腓肠肌和比目鱼肌也是主要动力肌肉。跑步与走的区别在于走路时使单腿腾空,即一条摆动腿和一条支撑腿交替进行,而跑步会出现两脚同时腾空的瞬间,动力更大,因此所需的力量主要是股四头肌(股直肌、股外侧肌、股内侧肌和股中间肌)和小腿三头肌相加的力。臀中肌肌肉收缩时能外展和内旋大腿单足站立时可保证骨盆在水平方面的稳定,对于维持人们正常的站立行走功能,关系极大。而股二头肌主要用于负责控制膝盖弯曲与大腿伸展的动作。为了便于信号处理与测试本发明选择其中典型六块肌肉,即臀中肌、股二头肌、股直肌(RF)、股外侧肌、股内侧肌和腓肠肌(GAS)。
训练时,受试者将可穿戴SEMG传感器(表面电极)放置在(贴于)选定的六块下肢肌肉部位,将MEMS惯组安装在步行者鞋上,同时携带GPS以获取标准GPS信号。
在标校时,受试者先自然站立在指定路段的一端,然后按指定线路进行随意行走(包括转弯、前进、后退)或跑动两种生活常见动作,在到达终点之后再站定一段时间,从起点到终点为一周期,测试结束,完成六组肌肉活动时产生的肌电信号的数据采集,记录并存储该组数据,然后再重复多个周期进行测试,同样记录下数据。换受试者继续重复以上测试步骤进行测试。受试者为无下肢关节损伤(开放性和闭合性)、无心血管疾病、无肌肉骨骼病史等的健康人群。
SEMG常被描述成非平稳随机过程且属于微弱电生理信号,检测的原始SEMG信号包含大量噪声,信噪比往往较低,有关肌肉的活动特性等有用信息常常隐藏在信号中,因此有必要从原始SEMG信号中提取出可以有效描述运动类型的特征。首先要对原始信号进行信号预处理,进行必要的放大、模数转换和针对各种噪声的频带分布和特征滤波处理,然后由嵌入式计算机(DSP)进行模式识别、特征提取(如信号统计量、AR模型系数、谱特征等)、标校等信号处理。在标校时,可采用GPS和MEMS惯组组合信息作为高精度参考,利用人工神经网络建立下肢神经肌肉骨骼动力学模型,预测步行者实时运动的步长、运动姿态、速度、角速度等信息,并建立实时数据库存储信息,标校信号处理流程见图4。
人工神经网络是目前受到广泛关注的信号处理新方法,它模仿生物神经元结构和神经信息传递机理,由许多具有非线性映射能力的神经元组成,神经元之间通过权系数相连接构成自适应非线性动态系统。神经网络的构建原理图如图3。
本发明采用BP神经网络建立下肢神经肌肉骨骼动力学模型,测得的步行者SEMG信号特征信息作为为神经网络输入参数xj,标准GPS或者标准GPS和陀螺仪组合信息作为输出Ok,建立如下网络训练模型:
其中,k=1,2,...,L;i=1,2,...,q;j=1,2,...,M
定义输出与输入误差为,
基于最小方差理论,对E求偏导,得
通过学习和对神经网络进行多次反复训练,得到稳定的神经网络权值和阈值。由于训练时以标准GPS和陀螺仪组合信息作为输出信息,所以通过解算,可以得到步行者实时运动的步长、运动姿态、速度、角度等信息。在训练完成后,再建立实时的数据库存储信息,即得到神经骨骼肌肉运动模型,在导航中直接调用其中数据即可。
在基于SEMG与MEMS惯组组合导航的个人定位装置开始个人导航时,初始航向、经纬度由外设设备发送、预先设定或由外带GPS提供,根据实时采集到的SEMG进行相应处理后,调用数据库得到步行者行走在步长、运动姿态、速度和运动方向等信息。与MEMS惯组信息一同传输到嵌入式计算机(DSP)利用粒子滤波算法数据融合并进行组合导航。
作为一种智能化数据综合处理技术,数据融合是许多传统学科和新技术的集成与应用。粒子滤波算法(PF)是一种基于递推计算的序列蒙特卡罗算法,它采用一组从概率密度函数上随机抽取的并附带相关权值的粒子集来逼近后验概率密度,从而不受非线性、非高斯问题的限制,建模能力较强。
粒子滤波计算方法的核心是用一组加权随机样本(粒子)来近似表示后验概率密度函数
式中,为归一化权值,满足N为粒子数;zk为观测量;xk为估计状态变量。这种表示随着观测量的更新而递推更新,这样原先需要依据后验概率密度函数进行的积分运算式就可以转换为依据加权样本的求和运算
采用PF计算方法估计后验概率密度主要由三步构成:采样(从先验分布中抽取粒子)、定权(通过似然函数计算粒子的权值)和重采样(用于避免粒子的退化)。
在实际应用中进行个人导航定位时,根据实时采集到的SEMG进行相应处理后,调用数据库得到行走在步长、速度和运动方向信息。与MEMS惯组信息一同传输到嵌入式计算机(DSP)利用粒子滤波器完成数据融合与组合导航,得到步行者实时运动姿态、经纬度位置信息后可通过USB串口发送定位数据到计算机或直接使用外挂显示设备显示实时定位结果,实现个人定位。用SEMG的长期稳定性与高精度,来弥补MEMS惯组的误差随时间传播或增大的缺点,且组合后的导航精度高于两个系统单独工作时的精度,实现了个人导航系统的独立自主、低成本、小型化和高精度的目标,提高个人导航系统精度和可靠性,具有重要的军民用应用价值。直接调用数据库数据组合导航方式也在一定程度上提高了导航速度,且提供了更舒适的方式。
通过上述描述,可以得到本发明基于表面肌电信号与MEMS惯组组合的个人定位方法如下,其流程参见图5,
1)首先通过神经网络训练建立神经骨骼肌肉运动模型,得到人体表面肌电信号与由步长、运动姿态、速度和角速度构成的辅助定位信息的对应关系;
2)实际定位时,采集需定位者表面肌电信号,并通过步骤1)得到的神经骨骼肌肉运动模型,得到该定位者实时辅助定位信息;
3)根据MEMS惯组得到定位者实时定位信息;将步骤2)得到的实时辅助定位信息与根据MEMS惯组得到的定位者实时定位信息相融合;
4)融合后的信息进行导航解算后,得到定位者包括实时运动姿态、经纬度位置构成的定位数据,初始航向、经纬度由外设设备发送、预先设定或由外带GPS提供;然后通过USB串口发送定位数据到计算机或直接使用外挂显示设备显示实时定位结果,实现个人定位。
所述步骤1)通过神经网络训练建立神经骨骼肌肉运动模型的方法为,先选择步态行为中对步态姿势控制作用显著的下肢肌肉,再在训练者选定的下肢肌肉上安放表面肌电信号传感器,同时使训练者携带GPS模块以获取标准GPS信号,结合MEMS惯组对表面肌电传感器组进行训练和标校;表面肌电信号传感器测得的表面肌电信号作为神经网络输入参数xj,标准GPS和MEMS惯组组合信息作为输出Ok,通过学习和对神经网络进行多次反复训练,得到稳定的神经网络权值和阈值,预测训练者实时运动所对应的辅助定位信息;在训练完成后,建立实时的数据库存储信息。
步骤3)信息融合方法为,将两融合信息一同传输到嵌入式计算机,然后利用粒子滤波算法进行数据融合。
本发明同时提供了一种基于表面肌电信号与MEMS惯组组合的个人定位装置,装置原理框图见图1,包括电源模块、MEMS惯组设备、传感器模块、数据采集模块、嵌入式计算机和上位机及其他外挂设备。电源模块为整个下位机硬件电路部分提供工作电压,主要包括DSP、ADC、运放及其他元件的参考电压和工作电压;传感器模块完成SEMG检测和行走速度、角速度、位置信息检测;数据采集模块完成对MEMS惯组数据采集,对微弱SEMG采集以及对原始信号的预处理、放大、模数转换等;嵌入式计算机是整个系统的控制中心,对信号进一步处理,如针对各种噪声的频带分布和特征滤波处理,信号特征提取,以及组合导航算法解算;上位机及其他外挂设备为接受及显示定位结果,数据库的建立和管理。
本发明是基于表面肌电信号与MEMS惯组组合的全新个人定位装置,利用安全、非侵入的人机接口方式采集个人运动肌电信息,训练神经网络建立下肢神经肌肉骨骼动力学模型后,通过在实时定位中调用已建立的数据库信息,将人体下肢运动转换为人实时运动的位置坐标、速度、角度信息,并通过与MEMS惯组组合导航得到更高的定位精度。其独立自主、低成本、小型化等特点使之更便于携带和应用,实现不受GPS信号限制的室内外无缝导航技术,适用环境能力更强。因此,本发明基于SEMG与MEMS惯组组合的全新个人定位装置具有客观的社会效益和经济效益,具有重要的工程应用价值。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管申请人参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.基于表面肌电信号与MEMS惯组组合的个人定位方法,其特征在于:步骤如下,
1)首先通过神经网络训练建立神经骨骼肌肉运动模型,得到人体表面肌电信号与由步长、运动姿态、速度和角度构成的辅助定位信息的对应关系;
2)实际定位时,采集需定位者表面肌电信号,并通过步骤1)得到的神经骨骼肌肉运动模型,得到该定位者实时辅助定位信息;
3)根据MEMS惯组得到定位者实时定位信息;将步骤2)得到的实时辅助定位信息与根据MEMS惯组得到的定位者实时定位信息相融合;
4)融合后的信息进行导航解算后,得到定位者包括实时运动姿态、经纬度位置构成的定位数据,初始航向、经纬度由外设设备发送、预先设定或由外带GPS提供;然后通过USB串口发送定位数据到计算机或直接使用外挂显示设备显示实时定位结果,实现个人定位。
2.根据权利要求1所述的基于表面肌电信号与MEMS惯组组合的个人定位方法,其特征在于:所述步骤1)通过神经网络训练建立神经骨骼肌肉运动模型的方法为,先选择步态行为中对步态姿势控制作用显著的下肢肌肉,再在训练者选定的下肢肌肉上安放表面肌电信号传感器,同时使训练者携带GPS模块以获取标准GPS信号,结合MEMS惯组对表面肌电传感器组进行训练和标校;表面肌电信号传感器测得的表面肌电信号作为神经网络输入参数xj,标准GPS和MEMS惯组组合信息作为输出Ok,通过学习和对神经网络进行多次反复训练,得到稳定的神经网络权值和阈值,预测训练者实时运动所对应的辅助定位信息;在训练完成后,建立实时的数据库存储信息。
3.根据权利要求2所述的基于表面肌电信号与MEMS惯组组合的个人定位方法,其特征在于:选定的下肢肌肉为六块,分别为臀中肌、腘绳肌群中的股二头肌、股直肌、股肌群中的股外侧肌、股内侧肌和腓肠肌。
4.根据权利要求1所述的基于表面肌电信号与MEMS惯组组合的个人定位方法,其特征在于,步骤3)信息融合方法为,将两融合信息一同传输到嵌入式计算机,然后利用粒子滤波算法进行数据融合。
5.基于表面肌电信号与MEMS惯组组合的个人定位装置,其特征在于,包括MEMS惯组设备和依次连接的传感器模块、数据采集模块、嵌入式计算机和上位机及其他外挂设备;传感器模块安装在定位者选定的下肢肌肉上以采集定位者表面肌电信号并输入给数据采集模块;MEMS惯组设备安装在步行者鞋上,其输出接数据采集模块输入,数据采集模块用于对MEMS惯组数据进行采集,同时对传感器模块输入的原始信号通过预处理电路进行预处理,预处理电路包括放大电路、模数转换电路和预滤波电路;嵌入式计算机用于对数据采集模块输入的信号进一步处理,嵌入式计算机带有神经骨骼肌肉运动模型和数据融合单元,经过预处理的传感器模块信号接入神经骨骼肌肉运动模型,神经骨骼肌肉运动模型的输出再与MEMS惯组数据共同接入数据融合单元进行导航解算;嵌入式计算机通过USB串口与上位机及其他外挂设备连接,上位机及其他外挂设备用于接受及显示定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510046115.9A CN104656112B (zh) | 2015-01-28 | 2015-01-28 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510046115.9A CN104656112B (zh) | 2015-01-28 | 2015-01-28 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104656112A true CN104656112A (zh) | 2015-05-27 |
CN104656112B CN104656112B (zh) | 2017-08-25 |
Family
ID=53247464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510046115.9A Expired - Fee Related CN104656112B (zh) | 2015-01-28 | 2015-01-28 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104656112B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106377253A (zh) * | 2016-09-14 | 2017-02-08 | 燕山大学 | 一种肌电信号和惯性信息同步采集装置 |
CN107553499A (zh) * | 2017-10-23 | 2018-01-09 | 上海交通大学 | 一种多轴机械臂的自然手势运动控制系统和方法 |
CN107656297A (zh) * | 2017-08-15 | 2018-02-02 | 中国科学院光电研究院 | 一种基于天基机会信号的定位方法 |
CN108168548A (zh) * | 2018-02-13 | 2018-06-15 | 南京师范大学 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
CN108168546A (zh) * | 2017-12-28 | 2018-06-15 | 重庆大学 | 定位系统及定位方法 |
CN109059910A (zh) * | 2018-07-25 | 2018-12-21 | 南京师范大学 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
CN109086250A (zh) * | 2018-08-30 | 2018-12-25 | 北京航空航天大学 | 适用于带斜置光纤陀螺的mems惯组的数据融合方法 |
CN111168667A (zh) * | 2019-12-13 | 2020-05-19 | 天津大学 | 基于贝叶斯分类器的机器人控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768361A (zh) * | 2012-07-09 | 2012-11-07 | 东南大学 | 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 |
US20140107493A1 (en) * | 2012-06-22 | 2014-04-17 | Fitbit, Inc. | Portable Biometric Monitoring Devices and Methods of Operating Same |
CN103983263A (zh) * | 2014-05-30 | 2014-08-13 | 东南大学 | 一种采用迭代扩展卡尔曼滤波与神经网络的惯性/视觉组合导航方法 |
-
2015
- 2015-01-28 CN CN201510046115.9A patent/CN104656112B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140107493A1 (en) * | 2012-06-22 | 2014-04-17 | Fitbit, Inc. | Portable Biometric Monitoring Devices and Methods of Operating Same |
CN102768361A (zh) * | 2012-07-09 | 2012-11-07 | 东南大学 | 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 |
CN103983263A (zh) * | 2014-05-30 | 2014-08-13 | 东南大学 | 一种采用迭代扩展卡尔曼滤波与神经网络的惯性/视觉组合导航方法 |
Non-Patent Citations (6)
Title |
---|
KORBINIAN FRANK ET AL.: "Reliable Real-Time Recognition of Motion Related Human Activities Using MEMS Inertial Sensors", 《PROCEEDINGS OF THE 23RD INTERNATIONAL TECHNICAL MEETING OF THE SATELLITE DIVISION OF THE INSTITUTE OF NAVIGATION》 * |
VALERIE RENAUDIN ET AL.: "Hybridization of MEMS and assited GPS for predestrian navigation", 《INSIDE GNSS》 * |
叶强等: "基于微机电系统运动传感器在人体运动测量中的应用", 《中国组织工程研究》 * |
孙作雷等: "基于粒子滤波和概率神经网络的步行者定位参数校正", 《上海交通大学学报》 * |
张金亮等: "基于MEMS惯性技术的鞋式个人导航系统", 《中国惯性技术学报》 * |
陈伟: "基于GPS和自包含传感器的行人室内外无缝定位算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106377253A (zh) * | 2016-09-14 | 2017-02-08 | 燕山大学 | 一种肌电信号和惯性信息同步采集装置 |
CN107656297A (zh) * | 2017-08-15 | 2018-02-02 | 中国科学院光电研究院 | 一种基于天基机会信号的定位方法 |
CN107553499A (zh) * | 2017-10-23 | 2018-01-09 | 上海交通大学 | 一种多轴机械臂的自然手势运动控制系统和方法 |
CN108168546B (zh) * | 2017-12-28 | 2021-08-06 | 重庆大学 | 定位系统及定位方法 |
CN108168546A (zh) * | 2017-12-28 | 2018-06-15 | 重庆大学 | 定位系统及定位方法 |
CN108168548A (zh) * | 2018-02-13 | 2018-06-15 | 南京师范大学 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
CN108168548B (zh) * | 2018-02-13 | 2022-03-15 | 南京师范大学 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
CN109059910B (zh) * | 2018-07-25 | 2021-05-18 | 南京师范大学 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
CN109059910A (zh) * | 2018-07-25 | 2018-12-21 | 南京师范大学 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
CN109086250A (zh) * | 2018-08-30 | 2018-12-25 | 北京航空航天大学 | 适用于带斜置光纤陀螺的mems惯组的数据融合方法 |
CN109086250B (zh) * | 2018-08-30 | 2022-08-05 | 北京航空航天大学 | 适用于带斜置光纤陀螺的mems惯组的数据融合方法 |
CN111168667A (zh) * | 2019-12-13 | 2020-05-19 | 天津大学 | 基于贝叶斯分类器的机器人控制方法 |
CN111168667B (zh) * | 2019-12-13 | 2022-08-05 | 天津大学 | 基于贝叶斯分类器的机器人控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104656112B (zh) | 2017-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104656112A (zh) | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 | |
Xu et al. | Geometrical kinematic modeling on human motion using method of multi-sensor fusion | |
Xing et al. | Pedestrian stride length estimation from IMU measurements and ANN based algorithm | |
Harman et al. | The effects of backpack weight on the biomechanics of load carriage | |
CN110334573B (zh) | 一种基于密集连接卷积神经网络的人体运动状态判别方法 | |
Huang et al. | Posture estimation and human support using wearable sensors and walking-aid robot | |
CN103519819A (zh) | 步态分析方法及步态分析系统 | |
CN103212188A (zh) | 一种辅助步态训练的方法及系统 | |
Challa et al. | An optimized-LSTM and RGB-D sensor-based human gait trajectory generator for bipedal robot walking | |
Wang et al. | Electromyography-based locomotion pattern recognition and personal positioning toward improved context-awareness applications | |
Boissy et al. | Wireless inertial measurement unit with GPS (WIMU-GPS)—wearable monitoring platform for ecological assessment of lifespace and mobility in aging and disease | |
Abid et al. | Walking gait step length asymmetry induced by handheld device | |
Qiu et al. | Ambulatory estimation of 3D walking trajectory and knee joint angle using MARG Sensors | |
Wang et al. | A novel pedestrian dead reckoning algorithm using wearable EMG sensors to measure walking strides | |
CN103785157A (zh) | 人体运动类型识别准确度提高方法 | |
Wang et al. | Recognition of the Gait Phase Based on New Deep Learning Algorithm Using Multisensor Information Fusion. | |
Kuntapun et al. | Smartphone monitoring of gait and balance during irregular surface walking and obstacle crossing | |
Peng et al. | Locomotion prediction for lower limb prostheses in complex environments via sEMG and inertial sensors | |
Sun et al. | Continuous estimation of human knee joint angles by fusing kinematic and myoelectric signals | |
Zhen et al. | Hybrid deep-learning framework based on Gaussian fusion of multiple spatiotemporal networks for walking gait phase recognition | |
Yuan et al. | Adaptive recognition of motion posture in sports video based on evolution equation | |
Gao et al. | A Pedestrian Dead Reckoning system using SEMG based on activities recognition | |
Qiu et al. | Heterogeneous data fusion for three-dimensional gait analysis using wearable MARG sensors | |
CN116502066A (zh) | 一种基于bp神经网络的外骨骼摆动周期预测系统及方法 | |
CN110672090A (zh) | 一种基于肌电数据的室内外一体化定位方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170825 Termination date: 20200128 |
|
CF01 | Termination of patent right due to non-payment of annual fee |