CN106778509B - 一种步态识别装置及方法 - Google Patents

一种步态识别装置及方法 Download PDF

Info

Publication number
CN106778509B
CN106778509B CN201611046863.8A CN201611046863A CN106778509B CN 106778509 B CN106778509 B CN 106778509B CN 201611046863 A CN201611046863 A CN 201611046863A CN 106778509 B CN106778509 B CN 106778509B
Authority
CN
China
Prior art keywords
gait
data
training
pressure
pressure data
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.)
Active
Application number
CN201611046863.8A
Other languages
English (en)
Other versions
CN106778509A (zh
Inventor
任天令
江嵩
庞于
陶璐琪
王丹阳
杨轶
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201611046863.8A priority Critical patent/CN106778509B/zh
Publication of CN106778509A publication Critical patent/CN106778509A/zh
Application granted granted Critical
Publication of CN106778509B publication Critical patent/CN106778509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种步态识别装置及方法。所述装置包括步态感知采集装置和后台数据处理装置；所述步态感知采集装置，用于感知使用者步态压力，采集压力数据并发送至后台数据处理装置；所述后台数据处理装置，用于对所述压力数据进行预处理，通过支持向量机分类器进行步态识别。本发明通过石墨烯传感器检测足底压力分布，采用数据科学中的机器学习算法用于检测模型的构建和步态类别的检测，不受环境影响,目标可跟踪范围不受约束,数据处理简单快速且精度高。

Description

一种步态识别装置及方法
技术领域
本发明涉及可穿戴智能电子领域，更具体地，涉及一种步态识别装置及方法。
背景技术
目前，可穿戴智能电子被广泛应用于人体健康领域，尤其在运动人体分析方向有了一定的发展。运动人体行为分析是指运用某种手段跟踪、捕捉人体的运动,获得人体的运动参数,并重建人体的姿态,最终达到对人体运动的识别并应用于检测人体健康等医疗场景。目前针对运动人体行为的跟踪与分析方法,多采用视频监控与图像处理的方式,这种方式受环境影响较大,目标可跟踪范围受视频设备的约束,且数据量巨大,造成数据处理的复杂度大、所需时间长。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的步态识别装置及方法。
根据本发明的一个方面，提供一种步态识别装置，包括步态感知采集装置和后台数据处理装置；
所述步态感知采集装置，用于感知使用者步态压力，采集压力数据并发送至数据处理装置；
所述后台数据处理装置，用于对所述压力数据进行预处理，通过支持向量机分类器进行步态识别。
根据本发明的另一个方面，提供一种步态识别方法，包括：
S1，感知步态，采集压力数据并发送；
S2，接收压力数据，进行预处理并识别步态
本申请提出步态识别装置及方法，通过石墨烯传感器检测足底压力分布，采用数据科学中的机器学习算法用于检测模型的构建和步态类别的检测，不受环境影响,目标可跟踪范围不受约束,数据处理简单快速且精度高。
附图说明
图1为本发明步态识别装置示意图；
图2为本发明第一实施例的示意图；
图3为本发明模型训练模块示意图；
图4为本发明步态识别模块示意图；
图5为本发明第二实施例的示意图；
图6为本发明步态识别方法流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，一种步态识别装置，包括步态感知采集装置和后台数据处理装置。
所述步态感知采集装置，用于感知使用者步态压力，采集压力数据并发送至后台数据处理装置。
所述后台数据处理装置，用于对所述压力数据进行预处理，通过支持向量机分类器进行步态识别。
本发明的具体实施包括两端，一端位于使用者端，即步态感知采集装置；另一端是数据处理，即后台数据处理装置。这两端装置通过无线网络进行数据通信。
位于使用者端的步态感知采集装置包括探测鞋垫、步态感知装置和数据采集装置。
所述步态感知装置，用于设置在探测鞋垫上，感知使用者步态压力。
所述数据采集装置，用于按预定的时间间隔采集压力数据，并将所述压力数据发送给后台数据处理装置。
具体实施时，探测鞋垫置于使用者的鞋内，数据采集装置可设置于鞋子上合适的位置，或者放置于口袋中，或者在离使用者不超过数据采集装置的采集距离之内的地方。
所述步态感知装置包括多个石墨烯传感器，所述石墨烯传感器为压力传感器，具有三维连通结构的石墨烯多孔网状结构，由石墨烯、PDMS和孔组成；所述石墨烯提供导电性能，所述PDMS提供弹性聚合功能用于改变石墨烯网状结构的接触状态。
将网状结构石墨烯与超弹的聚合物PDMS(Polydimethylsiloxane，聚二甲基硅氧烷)进行复合，形成的柔性应变传感器，十分轻便，构建压力传感器，可辨别极其细微的压强，可以对使用者步态进行精确的感知辨别。
如图2所示，所述步态感知装置包括三个石墨烯传感器，分布在探测鞋垫上，分别对应于人体脚部第一拓骨处、第四与第五拓骨的中间处及脚后跟中间处。这三处是人行走时三个着力点，用于检测人步行时足底的压力信息。
所述数据采集装置为数字万用表RIGOL DM3068，以离线文件方式将步态数据发送至后台数据处理装置。由后台数据处理装置设置采集时间间隔，数据采集装置根据时间间隔采集出高精准度、可靠度的足底压力数据发送至后台数据采集装置。
作为另一端的后台数据处理装置包括模型训练模块和步态识别模块；所述模型训练模块，用于对训练数据进行傅里叶变换(FFT)和主要成分分析(PCA)，提取特征，根据所述特征进行支持向量机模型训练，获得分类器模型。
所述步态识别模块，用于对步态感知采集装置发送的步态数据进行傅里叶变换(FFT)和主要成分分析(PCA)，提取当前特征，通过支持向量机分类器对所述当前特征进行分类识别，获得识别结果。
所述支持向量机模型满足：
其中，xi是压力数据或训练数据经过傅里叶变换(FFT)后，再经过主要成分分析(PCA)后得到的多维特征数据，b为分类器参数，w表示支持向量间的距离，wT是需要训练的参数,yi是训练结果。
如图3所示，为本发明后台数据处理装置的模型训练模块示意图，使用历史步态压力数据为训练数据用于训练支持向量机分类器模型，步态数据经过傅里叶变换(FFT)，再经过主要成分分析(PCA)，提取训练特征对支持向量机进行训练后得到支持向量机分类器。
所述支持向量分类器根据训练结果对步态数据进行如下分类：
正常、内八字、外八字、坡脚和后跟足。除正常外，其他四种都为不正常步态，识别结果可以用于康复医疗和保健医疗。
如图4所示，为本发明后台数据处理装置的步态识别模块示意图，前期的处理与模型训练模块相同，需要对被测者的步态压力数据进行傅里叶变换(FFT)和主要成分分析(PCA)，不同的是，在这之后利用模型训练模块训练出的支持向量机分类器对处理后的数据进行分类识别后即得到识别结果。当然，步态识别模块的被测者数据同样也可以作为支持向量机不断学习的训练数据。
如图5所示，为本发明第二实施例，包括步态感知装置、数据采集装置和后台数据处理装置，图5中用后台数据处理算法表示。使用者将探测鞋垫置于鞋内，穿上鞋行走，探测鞋垫上的石墨烯传感器对脚底压力进行感应辨别；数据采集装置根据后台数据处理装置设置的时间间隔对压力数据进行采集，通过无线网络发送到后台数据处理装置。后台数据处理装置通过预先对支持向量机模型进行训练得到分类器，所述分类器根据训练数据对步态进行分类，包括上述的五种步态：正常、内八字、外八字、坡脚和后跟足。
如图6所示，本发明还提供一种步态识别方法，包括：
S1，感知步态，采集压力数据并发送；
S2，接收压力数据，进行预处理并识别步态。
所述S2进一步包括：
S2.1，对训练数据进行傅里叶变换(FFT)和主要成分分析(PCA)，提取训练特征，根据所述训练特征进行支持向量机模型训练，获得分类器模型；
S2.2，对步态数据进行傅里叶变换(FFT)和主要成分分析(PCA)，提取特征，通过支持向量机分类器对所述特征进行分类识别，获得识别结果。
所述S2.1进一步包括：
S2.1.1，将所述训练数据作为傅里叶变换(FFT)的输入数据，进行傅里叶变换后得到频域数据；
所述傅里叶变换(FFT)为：
其中，x(t)为原始步态数据，X(w)为经过傅里叶变换后得到的频域数据。
S2.1.2，利用主要成分分析(PCA)算法对所述频域数据进行处理得到协方差矩阵；对所述协方差矩阵的特征值和特征向量按特定顺序排列，获取预定维数的矩阵为特征数据；
主要成分分析(PCA)算法公式为：
其中，xi是每一组数据，x*是数据的均值，Cx为协方差矩阵。
优选的，所述特定顺序为按特征值和特征向量从大到小依次排列；所述特定维数为100，按选取的特定维数得到变换矩阵即为特征数据。
S2.1.3，基于支持向量机模型，利用所述特征数据来训练支持向量机模型参数，获取分类结果为步态分类器模型。
所述支持向量机模型满足：
其中，xi是压力数据或训练数据经过傅里叶变换(FFT)后，再经过主要成分分析(PCA)后得到的多维特征数据，b为分类器参数，w表示支持向量间的距离，wT是需要训练的参数，是一个多维向量，yi是训练结果。
所述S2.2进一步包括：
S2.2.1，对所述压力数据进行傅里叶变换(FFT)和主要成分分析(PCA)后，获取与所述压力数据对应的特征数据；
S2.2.1的处理与S2.1.1和S2.1.2相同，只是输入数据是当前被测者的步态压力数据。
S2.2.2，利用训练好的分类器模型对所述压力数据对应的特征数据进行识别归类，获取与所述压力数据对应的步态结果。
本发明所述装置和方法，具有响应速度更快、测量精度更准、感知范围更大、可靠性高的优点，采用了数据科学的算法，具有广阔的市场应用价值和前景。本发明可以有效检测人行走时步态健康状况，准确、快速的识别人行走时刻的不正常步态。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种步态识别装置，其特征在于，包括步态感知采集装置和数据处理装置；
所述步态感知采集装置，用于感知使用者步态压力，采集压力数据并发送至数据处理装置；
所述数据处理装置，用于对所述压力数据进行预处理，通过支持向量机分类器进行步态识别；
所述数据处理装置包括模型训练模块和步态识别模块，
所述模型训练模块，用于对训练数据进行傅里叶变换(FFT)和主要成分分析(PCA)，提取训练特征，根据所述特征进行支持向量机模型训练，获得分类器模型；
所述步态识别模块，用于对步态感知采集装置发送的压力数据进行傅里叶变换(FFT)和主要成分分析(PCA)，提取特征，通过支持向量机分类器对所述当前特征进行分类识别，获得识别结果；
所述支持向量机模型满足：
其中，xi是压力数据或训练数据经过傅里叶变换(FFT)后，再经过主要成分分析(PCA)后得到的多维特征数据，b为分类器参数，w表示支持向量间的距离，WT是需要训练的参数,yi是训练结果。
2.如权利要求1所述的装置，其特征在于，所述步态感知采集装置包括探测鞋垫、步态感知装置和数据采集装置，
所述步态感知装置，用于设置在探测鞋垫上，感知使用者步态压力；
所述数据采集装置，用于按预定的时间间隔采集压力数据，并将所述压力数据发送给后台数据处理装置。
3.如权利要求2所述的装置，其特征在于，所述步态感知装置包括多个石墨烯传感器，所述石墨烯传感器为压力传感器，具有三维连通结构的石墨烯多孔网状结构。
4.如权利要求3所述的装置，其特征在于，所述步态感知装置包括三个石墨烯传感器，分布在探测鞋垫上，分别对应于人体脚部第一拓骨处、第四与第五拓骨的中间处及脚后跟中间处。
5.一种步态识别方法，其特征在于，包括：
S1，感知步态，采集压力数据并发送；
S2，接收压力数据，进行预处理并识别步态；
所述S2进一步包括：
S2.1，对训练数据进行傅里叶变换(FFT)和主要成分分析(PCA)，提取训练特征，根据所述训练特征进行支持向量机模型训练，获得分类器模型；
S2.2，对压力数据进行傅里叶变换(FFT)和主要成分分析(PCA)，提取特征，通过支持向量机分类器对所述特征进行分类识别，获得识别结果；
所述S2.1进一步包括：
S2.1.1，将所述训练数据作为傅里叶变换(FFT)的输入数据，进行傅里叶变换后得到频域数据；
S2.1.2，利用主要成分分析(PCA)算法对所述频域数据进行处理得到协方差矩阵；对所述协方差矩阵的特征值和特征向量按特定顺序排列，获取预定维数的矩阵为特征数据；
S2.1.3，基于支持向量机模型，利用所述特征数据来训练支持向量机模型参数，获取分类结果为步态分类器模型。
6.如权利要求5所述的方法，其特征在于，所述S2.2进一步包括：
S2.2.1，对所述压力数据进行傅里叶变换(FFT)和主要成分分析(PCA)后，获取与所述压力数据对应的特征数据；
S2.2.2，利用训练好的分类器模型对所述压力数据对应的特征数据进行识别归类，获取与所述压力数据对应的步态结果。
CN201611046863.8A 2016-11-23 2016-11-23 一种步态识别装置及方法 Active CN106778509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611046863.8A CN106778509B (zh) 2016-11-23 2016-11-23 一种步态识别装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611046863.8A CN106778509B (zh) 2016-11-23 2016-11-23 一种步态识别装置及方法

Publications (2)

Publication Number Publication Date
CN106778509A CN106778509A (zh) 2017-05-31
CN106778509B true CN106778509B (zh) 2019-10-18

Family

ID=58975494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611046863.8A Active CN106778509B (zh) 2016-11-23 2016-11-23 一种步态识别装置及方法

Country Status (1)

Country Link
CN (1) CN106778509B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108742637B (zh) * 2018-05-31 2021-02-12 北京辰安科技股份有限公司 基于步态识别装置的身体状态检测方法和检测系统
CN109029230B (zh) * 2018-06-21 2021-02-26 清华大学 接触式位移传感器测量装置及测量电路
CN108742541A (zh) * 2018-06-28 2018-11-06 清华大学 一种用于测试足底压力分布的鞋垫
CN109871817B (zh) * 2019-02-27 2021-08-27 河北工业大学 基于足底压力和自适应集成学习的行走状态识别方法
CN111860063B (zh) * 2019-04-30 2023-08-11 杭州海康威视数字技术股份有限公司 步态数据构建系统、方法及装置
CN110427987A (zh) * 2019-07-17 2019-11-08 军事科学院系统工程研究院军需工程技术研究所 一种关节炎患者的足底压力特征识别方法和系统
CN110763379B (zh) * 2019-09-27 2020-07-24 北京石墨烯技术研究院有限公司 石墨烯导电弹性体及其制备方法以及传感器
CN112244819A (zh) * 2020-11-10 2021-01-22 浙大宁波理工学院 基于足底压力阵列检测的儿童异常步态识别系统及方法
CN117357101A (zh) * 2023-11-03 2024-01-09 绍兴清研微科技有限公司 基于石墨烯柔性压力传感器的运动监测方法、装置及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102670207B (zh) * 2012-05-15 2013-09-04 北京大学 一种基于足底压力的步态分析方法
US20140244209A1 (en) * 2013-02-22 2014-08-28 InvenSense, Incorporated Systems and Methods for Activity Recognition Training
CN103186792A (zh) * 2013-03-26 2013-07-03 北京林业大学 一种基于优化的c-支持向量分类机的步态识别方法
CN103622709A (zh) * 2013-09-29 2014-03-12 中山大学 一种鞋垫式步行输入传感装置
CN105520736A (zh) * 2014-09-30 2016-04-27 上海宽带技术及应用工程研究中心 基于微动传感的步态识别和跌倒判断装置
CN104299003B (zh) * 2014-11-02 2018-08-03 天津理工大学 一种基于相似规则高斯核函数分类器的步态识别方法

Also Published As

Publication number Publication date
CN106778509A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106778509B (zh) 一种步态识别装置及方法
Aqueveque et al. Gait segmentation method using a plantar pressure measurement system with custom-made capacitive sensors
Aung et al. Automated detection of instantaneous gait events using time frequency analysis and manifold embedding
Turner et al. The classification of minor gait alterations using wearable sensors and deep learning
Hughes et al. A simple, inexpensive, wearable glove with hybrid resistive‐pressure sensors for computational sensing, proprioception, and task identification
KR102124095B1 (ko) 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
Andò et al. An event polarized paradigm for ADL detection in AAL context
WO2012119126A2 (en) Apparatus, system, and method for automatic identification of sensor placement
Chen et al. Kinematic analysis of human gait based on wearable sensor system for gait rehabilitation
Kawsar et al. A novel activity detection system using plantar pressure sensors and smartphone
Majumder et al. A multi-sensor approach for fall risk prediction and prevention in elderly
Jalloul et al. Activity recognition using complex network analysis
CN109730686A (zh) 基于传感器阵列的步态检测分析仪
Potluri et al. Machine learning based human gait segmentation with wearable sensor platform
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
Peng et al. Human walking pattern recognition based on KPCA and SVM with ground reflex pressure signal
KR102128268B1 (ko) 발 특성 정보를 이용한 보행 능력 예측 방법 및 시스템
Caldas et al. Self-organizing maps and fuzzy c-means algorithms on gait analysis based on inertial sensors data
Xie et al. Wearable multisource quantitative gait analysis of Parkinson's diseases
Jarchi et al. Transition detection and activity classification from wearable sensors using singular spectrum analysis
KR102350593B1 (ko) 딥러닝 앙상블을 이용한 멀티모달 센서 기반의 보행 패턴 분류를 위한 장치 및 방법
Wang et al. An improved fall detection approach for elderly people based on feature weight and Bayesian classification
De Santis et al. Unobtrusive monitoring of physical activity in aal-a simple wearable device designed for older adults
Kreil et al. Muscle activity evaluation using force sensitive resistors
Avvenuti et al. Smart shoe-based evaluation of gait phase detection accuracy using body-worn accelerometers

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant