CN107169406B - 一种通过力台压力中心数据提取身体平衡振荡起始时间的方法 - Google Patents
一种通过力台压力中心数据提取身体平衡振荡起始时间的方法 Download PDFInfo
- Publication number
- CN107169406B CN107169406B CN201710193618.8A CN201710193618A CN107169406B CN 107169406 B CN107169406 B CN 107169406B CN 201710193618 A CN201710193618 A CN 201710193618A CN 107169406 B CN107169406 B CN 107169406B
- Authority
- CN
- China
- Prior art keywords
- body balance
- screening
- time
- points
- balance oscillation
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明涉及一种通过力台压力中心数据提取身体平衡振荡起始时间的方法,包括以下步骤:S1.基于力台压力中心数据重建身体平衡振荡信号;S2.特征点检测及其第一次筛选;S3.特征点的第二次筛选,将通过筛选的发生时刻最早的特征点对应的发生时刻确定为身体平衡振荡的起始时间。
Description
技术领域
本发明涉及人体运动分析、虚拟现实领域,更具体地,涉及一种通过力台压力中心数据提取由虚拟现实视觉刺激引起的身体平衡振荡现象起始时间的方法。
背景技术
虚拟现实技术是一种由计算机生成虚拟环境,并将人投射于虚拟环境且能与虚拟环境进行交互的技术。一般而言,人在目视虚拟现实显示屏时,视场角(FOV)越大,沉浸感越强。然而,强的沉浸感将导致人在虚拟现实环境中随时间产生自运动(vection)感知的心理现象以及一系列由视觉动画引起的眩晕、恶心、想吐(visually-induced motionsickness,简称VIMS)等生理反应。截至目前,由虚拟现实设备引起的心理和生理现象通常由用户口头报告首发时间(onset)和/或强度(strength)的形式进行告知及记录,而它们与身体平衡之间的关系通常是通过口头报告结合人体运动分析技术来研究。常用的人体运动分析技术包括运动捕捉系统和力台。通过运动捕捉系统和力台可以对身体平衡进行分析。然而,现在的分析多停留在关联运动信号与口头报告的强度指标,尚没有一种稳定可靠的精确提取身体平衡状态发生变化的时刻的方法,因此,身体平衡与自运动感知首发时间(onset)的关系难以进行研究。
发明内容
本发明为解决以上现有技术不能确定身体平衡状态发生变化的时刻的缺陷,提供了一种通过力台压力中心数据提取身体平衡振荡起始时间的方法。
为实现以上发明目的,采用的技术方案是:
一种通过力台压力中心数据提取身体平衡振荡起始时间的方法,包括以下步骤:
S1.基于力台压力中心数据重建身体平衡振荡信号;
S2.特征点检测及其第一次筛选;
S3.特征点的第二次筛选,将通过筛选的发生时刻最早的特征点对应的发生时刻确定为身体平衡振荡的起始时间。
上述方案中,本发明提供的方法通过力台压力中心数据来提取身体平衡振荡的起始时间,该方法具有操作容易、稳定性好、算法结构简单且提取准确率高的优点,解决了自运动感知过程中现有技术尚无有效的身体平衡振荡信号起始时间提取方法的缺陷,本发明为虚拟现实技术中的自运动感知现象的生理反映的研究提供了关键参数的提取办法。
优选地,所述步骤S1采用小波变换的方法重建身体平衡振荡信号,小波分解的具体层数根据力台压力中心数据的采样率以及身体平衡振荡信号的频带特征进行选取。
优选地,所述步骤S2特征点检测及其第一次筛选的具体过程如下:
S21.将身体平衡振荡信号分成t秒一段的若干片段,计算每个片段幅度的标准差,以其中位数的1.96倍作为阈值1;
S22.将幅度高于阈值1的信号点作为特征点;
S23.然后对步骤S22得到的特征点进行筛选,筛选条件如下:
1)排除发生时刻在身体平衡振荡信号前10s内的特征点;2)以该特征点为起点的5s信号片段幅度的标准差小于阈值1,则该特征点应排除。
优选地,所述步骤S3的具体过程如下:
S31.对通过第一次筛选的特征点,计算以每一特征点为起点的t秒信号片段幅度的标准差,以其均值作为阈值2;
S32.在通过第一次筛选的特征点中寻找幅度大于阈值2的点,以发生时刻最早的特征点对应的发生时刻为身体平衡振荡信号的起始时间。
与现有技术相比,本发明的有益效果是:
本发明提供的方法通过力台压力中心数据来提取身体平衡振荡的起始时间,该方法具有操作容易、稳定性好、算法结构简单且提取准确率高的优点,解决了自运动感知过程中现有技术尚无有效的身体平衡振荡信号起始时间提取方法的缺陷,本发明为虚拟现实技术中的自运动感知现象的生理反映的研究提供了关键参数的提取办法。
附图说明
图1为本发明提供的方法的原理图。
图2为方法的流程图。
图3为身体平衡的COP信号的XY散点图。
图4为小波分解的各层系数图。
图5为小波变换的各层系数的频带分布图。
图6为身体平衡重建振荡信号的频谱图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
图2为本发明的实例实施流程图,本发明的具体实施步骤如下:
一、首先使用6阶Daubechies小波对采样率为1000Hz的力台压力中心数据进行小波变换处理,并利用第8层小波分解细节信号重建身体平衡振荡信号;小波分解的各层系数图和小波变换的各层系数的频带分布图如图4、5所示;身体平衡振荡信号的频谱图如图6所示;
二、特征点检测及其第一次筛选;
三、特征点的第二次筛选,将通过筛选的发生时刻最早的特征点对应的发生时刻确定为身体平衡振荡的起始时间。
所述步骤二中,特征点检测及其第一次筛选的具体过程如下:
(1)将身体平衡振荡信号分成5秒一段的若干片段,计算每个片段幅度的标准差,以其中位数的1.96倍作为阈值1;
(2)将幅度高于阈值1的信号点作为特征点;
(3)然后对步骤S22得到的特征点进行筛选,筛选条件如下:
1)排除发生时刻在身体平衡振荡信号前10s内的特征点;2)以该特征点为起点的5s信号片段幅度的标准差小于阈值1,则该特征点应排除。
所述步骤三中,特征点的第二次筛选并确定身体平衡振荡的起始时间的具体过程如下:
(1)对通过第一次筛选的特征点,计算以每一特征点为起点的t秒信号片段幅度的标准差,以其均值作为阈值2;
(2)在通过第一次筛选的特征点中寻找幅度大于阈值2的点,以发生时刻最早的特征点对应的发生时刻为身体平衡振荡信号的起始时间。
参见图1可以看到本发明的算法原理图。如图1、3所示,身体平衡的COP信号会在某些时间点发生较其他时间点而言比较剧烈的振荡,这部分信号认为是发生了身体平衡振荡事件。本发明通过设置阈值1的方式来寻找特征点。除了身体平衡振荡发生的时间外,其他时间点也会存在一些随机的较小幅度的抖动,为了防止这些抖动造成干扰,本发明通过特征点5s信号片段标准差是否符合阈值1来对特征点进行第一次筛选。第一次筛选出的数据点中可能会存在一些变化比较平缓的数据点,本发明通过设置阈值2的方式来二次筛选特征点,并将首个大于该值的特征点作为最终选择的特征点。其中所述阈值1指将信号分成5秒一段的若干片段,计算每个片段的标准差,以其中位数的1.96倍作为阈值1;所述阈值2指计算第一次筛选所剩特征点每一点为起点的5s片段信号的标准差的均值。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种通过力台压力中心数据提取身体平衡振荡起始时间的方法,其特征在于:包括以下步骤:
S1.基于力台压力中心数据重建身体平衡振荡信号;
S2.特征点检测及其第一次筛选;
S3.特征点的第二次筛选,将通过筛选的发生时刻最早的特征点对应的发生时刻确定为身体平衡振荡的起始时间;
所述步骤S1采用小波变换的方法重建身体平衡振荡信号,小波分解的具体层数根据力台压力中心数据的采样率以及身体平衡振荡信号的频带特征进行选取;
所述步骤S2特征点检测及其第一次筛选的具体过程如下:
S21.将身体平衡振荡信号分成t秒一段的若干片段,计算每个片段幅度的标准差,以其中位数的1.96倍作为阈值1;
S22.将幅度高于阈值1的信号点作为特征点;
S23.然后对步骤S22得到的特征点进行筛选,筛选条件如下:
1)排除发生时刻在身体平衡振荡信号前10s内的特征点;2)以该特征点为起点的5s信号片段幅度的标准差小于阈值1,则该特征点应排除;
所述步骤S3的具体过程如下:
S31.对通过第一次筛选的特征点,计算以每一特征点为起点的t秒信号片段幅度的标准差,以其均值作为阈值2;
S32.在通过第一次筛选的特征点中寻找幅度大于阈值2的点,以发生时刻最早的特征点对应的发生时刻为身体平衡振荡信号的起始时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710193618.8A CN107169406B (zh) | 2017-03-28 | 2017-03-28 | 一种通过力台压力中心数据提取身体平衡振荡起始时间的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710193618.8A CN107169406B (zh) | 2017-03-28 | 2017-03-28 | 一种通过力台压力中心数据提取身体平衡振荡起始时间的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169406A CN107169406A (zh) | 2017-09-15 |
CN107169406B true CN107169406B (zh) | 2020-06-30 |
Family
ID=59848904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710193618.8A Active CN107169406B (zh) | 2017-03-28 | 2017-03-28 | 一种通过力台压力中心数据提取身体平衡振荡起始时间的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169406B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101732033A (zh) * | 2008-11-07 | 2010-06-16 | 中国科学院计算技术研究所 | 一种人体波形中的特征参数的提取方法和装置 |
CN102203601A (zh) * | 2008-10-28 | 2011-09-28 | 艾克森赛股份公司 | 确定周期性振荡信号响应的起始时刻的方法 |
CN102293639A (zh) * | 2011-06-30 | 2011-12-28 | 芜湖圣美孚科技有限公司 | 一种脉象信号时域特征提取方法 |
CN103476456A (zh) * | 2010-11-05 | 2013-12-25 | 斯坦福大学托管董事会 | 奖赏相关行为的光遗传学控制 |
CN104352234A (zh) * | 2014-10-27 | 2015-02-18 | 中国科学院半导体研究所 | 一种生理电信号尖峰奇异点检测方法 |
CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
CN106296736A (zh) * | 2016-08-08 | 2017-01-04 | 河海大学 | 一种仿记忆引导的模式识别方法 |
CN106333678A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 脑电信号中检测睡眠状态下脑电波的方法和系统 |
-
2017
- 2017-03-28 CN CN201710193618.8A patent/CN107169406B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102203601A (zh) * | 2008-10-28 | 2011-09-28 | 艾克森赛股份公司 | 确定周期性振荡信号响应的起始时刻的方法 |
CN101732033A (zh) * | 2008-11-07 | 2010-06-16 | 中国科学院计算技术研究所 | 一种人体波形中的特征参数的提取方法和装置 |
CN103476456A (zh) * | 2010-11-05 | 2013-12-25 | 斯坦福大学托管董事会 | 奖赏相关行为的光遗传学控制 |
CN102293639A (zh) * | 2011-06-30 | 2011-12-28 | 芜湖圣美孚科技有限公司 | 一种脉象信号时域特征提取方法 |
CN104352234A (zh) * | 2014-10-27 | 2015-02-18 | 中国科学院半导体研究所 | 一种生理电信号尖峰奇异点检测方法 |
CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
CN106296736A (zh) * | 2016-08-08 | 2017-01-04 | 河海大学 | 一种仿记忆引导的模式识别方法 |
CN106333678A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 脑电信号中检测睡眠状态下脑电波的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107169406A (zh) | 2017-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107991706B (zh) | 基于小波包多重阈值和改进经验模态分解的煤层水力压裂微震信号联合降噪方法 | |
CN108919247A (zh) | 一种基于恒虚警率检测的多目标体检测及定位方法 | |
US20150313508A1 (en) | Systems, Methods, and Media for Finding and Matching Tremor Signals | |
CN104766427A (zh) | 一种基于Wi-Fi的房屋非法入侵检测方法 | |
CN104266894A (zh) | 一种基于相关性分析的矿山微震信号初至波时刻提取方法 | |
CN105426814A (zh) | 一种基于手机的老人跌倒检测方法 | |
CN112633225B (zh) | 矿用微震信号滤波方法 | |
CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
García et al. | Advances on the automatic estimation of the P-wave onset time. | |
CN104720799A (zh) | 基于低频脑电信号的疲劳检测方法及系统 | |
CN104720798A (zh) | 基于脑电频谱特征的疲劳检测方法及系统 | |
Heidari | Quick estimation of the magnitude and epicentral distance using the P wave for earthquakes in Iran | |
CN107169406B (zh) | 一种通过力台压力中心数据提取身体平衡振荡起始时间的方法 | |
Kong et al. | Toward global earthquake early warning with the myshake smartphone seismic network, part 1: Simulation platform and detection algorithm | |
CN106323330B (zh) | 基于WiFi动作识别系统的非接触式计步方法 | |
Zheng et al. | Scaling of seismic memory with earthquake size | |
Konstantinou et al. | Maximal Lyapunov exponent variations of volcanic tremor recorded during explosive and effusive activity at Mt Semeru volcano, Indonesia | |
WO2016088564A1 (ja) | 計測装置及び計測方法 | |
Zhang et al. | Integrated processing method for microseismic signal based on deep neural network | |
CN105549066B (zh) | 生命信息探测方法 | |
Zhang et al. | Method for identifying micro-seismic P-arrival by time-frequency analysis using intrinsic time-scale decomposition | |
JP2021071332A (ja) | 地震動の到達判定方法、地震動の到達判定システム | |
CN111709279A (zh) | 一种利用svd-emd算法分离微地震噪声混合信号的算法 | |
CN104155692A (zh) | 获取微地震的震源点的方法及装置 | |
Cannata et al. | Seismic evidences of the COVID-19 lockdown measures: Eastern Sicily case of study |
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 |