CN107174255B - 基于Kinect体感技术的三维步态信息采集与分析方法 - Google Patents

基于Kinect体感技术的三维步态信息采集与分析方法 Download PDF

Info

Publication number
CN107174255B
CN107174255B CN201710452559.1A CN201710452559A CN107174255B CN 107174255 B CN107174255 B CN 107174255B CN 201710452559 A CN201710452559 A CN 201710452559A CN 107174255 B CN107174255 B CN 107174255B
Authority
CN
China
Prior art keywords
pelvis
gait
heel
parameter
kinect
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
CN201710452559.1A
Other languages
English (en)
Other versions
CN107174255A (zh
Inventor
徐光华
王振宇
麻晓龙
贺敏琪
锁霖
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201710452559.1A priority Critical patent/CN107174255B/zh
Publication of CN107174255A publication Critical patent/CN107174255A/zh
Application granted granted Critical
Publication of CN107174255B publication Critical patent/CN107174255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6895—Sport equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Prostheses (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

基于Kinect体感技术的三维步态信息采集与分析方法，先将跑步机、Kinect传感器、Kinect支撑云台、计算机组成步态数据采集硬件系统，然后选择跑步机速度，让受试者在跑步机上行走，使用Kinect传感器识别人体骨骼节点，使用阈值滤波和双指数滤波稳定骨骼节点数据，然后根据人体解剖学构建局部坐标系并计算解剖学运动曲线，使用步态事件捕捉方法识别步态事件，基于步态骨骼数据完成步态参数计算，最后在界面上呈现出步态参数和步态运动曲线；本发明具有造价低廉、无标记点捕捉三维骨骼节点、长距离采集、自动捕捉步态事件、精确计算步态参数和轨迹、操作简单等优点。

Description

基于Kinect体感技术的三维步态信息采集与分析方法
技术领域
本发明涉及临床医学中的步态数据采集与分析技术领域，具体涉及基于Kinect体感技术的三维步态信息采集与分析方法。
背景技术
行走及其步态是在中枢神经系统的控制下在生物力学水平上的体现，正常步态有赖于中枢神经系统、周围的神经系统及肌肉骨骼系统的协调工作。当下肢肌肉、韧带、骨骼、关节、脑、脊髓、周围神经的正常生理功能及相互间协调与平衡受到损伤时均可导致不同程度的异常步态，步态信息的采集与分析是辅助医生对患者进行康复评估、训练规划、疾病诊断、假肢适配等工作的量化的重要工具。
可穿戴惯性传感器测试、足底压力测试、肌电测试、二维图像测试、三维标记点测试等是步态分析中常用的数据采集方式。可穿戴惯性传感器测试方式需要将陀螺仪和加速度器同时使用才能捕捉到人体运动过程，在确定人体世界坐标系中的运动过程时算法复杂计算出的运动轨迹精度低，同时可穿戴测试设备的穿戴过程复杂，实验不具有严格的重复性，并且难以实现关节解剖位置的监测。足底压力测试方式可以检测足底压力随着时间的变换情况，能实现简单的步态时相变化，然而该方法并不能记录步态运动的整个周期，因为步态运动中的摆动阶段是在悬空进行，此时与地面无接触，无法捕捉完整的周期，而且足底力捕捉信息单一，步态捕捉时间短，不能完整的记录步态信息。肌电测试方式是针对下肢运动肌肉的检测，该方法是从隐含信息对步态进行测试，并且需要对隐含信息进行宏观解释，所以该方法不具有直观性，同时该种测试方式信息类型少。二维图像测试方法需要使用算法对人体骨骼进行识别，识别精度较低，只能记录人体运动的二维信息，所以该种测试方法丢失信息较多。三维红外标记点测试系统可以刻画出人体的三维运动，测试精度较高，捕捉人体三维运动信息，该设备捕捉空间有限，只能进行有限空间步态捕捉，同时该在操作该设备时需要在人体上粘贴39个标记点，标记点的粘贴需要一定的解剖学知识，即使这样也不能避免实验的随机粘贴位置误差，该设备开发造价较高，给步态分析技术的普及推广带来巨大的挑战。上述部分方法只是停留在步态数据的采集上，缺乏对步态的定量化、综合性的指标，不能使用简单的参数来评定步态异常程度。
因此亟待解决的问题主要有以下几个方面：1、降低设备价格，促进步态分析技术的广泛应用。2、提高设备的精度，丰富捕捉步态运动捕捉信息，实现人体多关节运动轨迹的三维坐标捕捉。3、简化步态实验步骤，实现人体解剖学位置自动捕捉，增强实验的重复性。4、实现长距离的步态运动捕捉，避免因实验距离短带来的实验偶然性。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种基于Kinect体感技术的三维步态信息采集与分析方法，能够完成步行过程中人体多关节三维运动轨迹的长距离提取，可以自动捕捉步态事件并且可以精确的计算步态基本参数。
为解决上述技术问题，本发明采用的技术方案是：
基于Kinect体感技术的三维步态信息采集与分析方法，包括以下步骤：
1)搭建步态数据采集硬件系统：
步态数据采集硬件系统包括跑步机，跑步机旁边设有可调高度角度的Kinect支撑云台，Kinect支撑云台上安装有Kinect传感器，Kinect传感器的输出和计算机连接，首先跑步机与Kinect传感器相对不动，然后让人在跑步机上连续运动，实现连续无限距离的步态采集；
2)选择跑步机速度：
在跑步机不同速度时对受试者进行测量，跑步机速度最小增量为0.1km/h，根据确定的速度构建健康人体步态数据库；
3)使用Kinect传感器获取人体骨骼数据：
Kinect传感器是Xbox360使用的体感传感器，进行实时动作捕捉，并通过对人体的三维姿态进行识别；Kinect传感器能够追踪人体并获取人体25个骨骼点三维坐标，从中选取下肢运动关键关节点，Kinect传感器以30Hz的速度不断的读取人体骨骼点的三维空间变化，完成步态数据采集功能；
4)骨骼数据的双指数滤波：
使用不同的滤波器的组合进行滤波；
第一阶段消除抖动：
Figure BDA0001322866050000041
公式中
Figure BDA0001322866050000042
为第一阶段滤波值，Xn为测试值，
Figure BDA0001322866050000043
为前一帧第二阶滤波值，a为第一阶段噪声抑制系数；
第二阶段高斯噪声的虑除：
Figure BDA0001322866050000044
Figure BDA0001322866050000045
公式中
Figure BDA0001322866050000047
为第二阶段滤波值，Xn为测试值，β为第二阶段噪声抑制系数，bn为该帧趋势，bn-1为前一帧趋势，γ为趋势控制系数；
5)计算下肢关键部位运动学曲线：
骨盆中心为PelvisCenter、左髋节点Hipleft、右髋节点HipRight、左膝关节KneeLeft、右膝关节KneeRight、左踝关节AnkleLeft、右踝关节AnkleRight、左脚为FootLeft、右脚为FootRight，分别构建向量L1、L2、L3、L4、R1、R2、R3、R4,向量的计算计算如下式
Figure BDA0001322866050000046
对于膝关节的运动角度θKneeLeft、θKneeRight和踝关节的运动角度θAnkleLeft、θAnkleRight，将膝关节和踝关节简化为一个自由度，其计算方法如下式
Figure BDA0001322866050000051
对于髋关节，髋关节的运动规律的描述是相对骨盆进行描述，因此需要先定义骨盆的局部坐标系，骨盆局部坐标坐标原点定义在骨盆中心PelvisCenter，其y轴定义为右髋关节指向左髋关节，其z轴方向定义为骨盆平面的垂线，其中骨盆平面由PelvisCenter、HipRight、HipLeft三个点确定，所以骨盆的局部坐标系定义为
Figure BDA0001322866050000052
骨盆的矢状面运动角度θHipLeftsag、θHipRightsag，冠状面运动角度θHipLeftcor、θHipRightcor，水平面运动角度θHipLefttra、θHipRighttra，定义proj(x,y)为任意向量向平面投影的公式，其中x为平面法向量，y为任意向量，各关节角度计算定义式如下
Figure BDA0001322866050000061
骨盆的位移和摆动角是相对全局坐标系定义，其中PelvisCenter的x坐标为骨盆左右方向的位移，y坐标为人体骨盆中心的上下方向的位移，z坐标为人体骨盆中心的前后方向的位移；骨盆的摆动角度需要根据全局坐标定义，全局坐标系的x，y，z方向的单位坐标向量为ig、jg、kg，骨盆的前后方向摆动角度θPelvistilt，冠状面的上下方向摆动角度θPelvisObl，水平面方向的摆动角度θPelvisRot，且已知骨盆的局部坐标系的三个相互垂直的方向向量在全局坐标系中的坐标为i、j、k，
Figure BDA0001322866050000062
6)步态事件捕捉：
步行踝关节与骨盆中心的深度方向上的距离变换规律近似正弦曲线，该曲线的峰值到达时刻与脚着地时刻正好耦合，该曲线的极小值与脚尖离地时刻相对应，该曲线的峰值和谷值分别视为足跟着地事件HS时刻和脚尖TO离地事件时刻，如下式所示，式中tHS、tTO分别代表足跟着地时刻和足尖离地时刻，XHeel、XPelviscenter分别代表足跟和骨盆中心在行走方向上的全局坐标分量，在本发明中以踝关节代替足跟，所以XHeel＝XAnkle，
tHS＝(XHeel-XPleviscenter)max
tTO＝(XHeel-XPelviscenter)min
7)步态参数计算：
支撑相参数Tstand，支撑相根据某一侧下肢进行定义，即右侧或左侧下肢与地面接触的阶段，支撑相的开始时刻是足跟着地，支撑相阶段结束的标志是相应侧脚尖离地，式中Tdown(n)表示足跟着地时刻，即支撑相开始时刻，Toff(n)表示传感器检测足尖离地的时刻，即支撑相结束时刻，
Tstand＝Toff(n)-Tdown(n)
摆动相参数Tswing，摆动相是针对单侧下肢进行定义，当该下肢与地面无接触并且悬空运动的阶段，摆动相开始的标志是相应侧的脚尖离地，摆动相结束的标志是相应侧脚跟再次着地，式中Tdown(n)表示下一周期的开始时刻即足跟着地，
Tswing＝Tdown(n)-Toff(n-1)
周期参数Tstep，步行周期是针对单侧下肢进行定义，步行周期开始的标志是该侧足跟着地，直至下一次该侧足跟再次着地为结束标志
Tstep＝Tdown(n)-Tdown(n-1)
节律参数Cadence，是表征人体运动频率的快慢指标，定义为1分钟内单侧腿完成步态循环的次数，
Cadence＝60/Tstep
步长参数Lstep，步长参数是当人连续步行时,连续左右的两侧下肢着地点的距离，定义为左脚跟着地到右脚跟着地的距离，计算方法如下，式中LHeelL(n)为左脚本周期着地位置，LHeelR(n)为右脚本周期着地位置，
Lstep＝|LHeelL(n)-LHeelR(n)|
跨步长参数Lstride，跨步长参数是当人连续行走时，对连续两次同侧着地点的距离，定义为单侧脚印着地位置在前进方向上的脚跟的位置的距离，式中LHeelL(n)为本周期着地位置，LHeelL(n-1)为上周期左脚跟着地位置，
Lstride＝|LHeelL(n)-LHeelL(n-1)|
步宽参数Wstep，步宽定义为两侧足中线的位置，使用踝关节定义步宽，将连续左右两步对应的踝关节位置距离在与行走方向垂直的方向上的投影视为步宽的度量，
Wstep＝|proj(LAnkleL(n)-LAnkleR(n-1),kg)|
8)呈现运动曲线和步态参数：
计算机根据步骤5)完成关键部位计算的运动曲线，显示多条人体下肢运动轨迹，根据步骤6)和步骤7)计算得到人体步态的支撑相参数、摆动相参数、周期参数、节律参数、步长参数、跨步长参数、步宽参数。
本发明与现有技术比较，具有的优点：
1、本发明硬件价格低廉，主要设备为Kinect传感器、可调高度角度的Kinect支撑云台、Chicago跑步机、计算机，总造价低于两万元。
2、该发明可实现无标记点无侵入式的关节解剖学位置的识别与测量，并且获取全身25个骨骼节点位置，捕捉数据十分丰富，且其自动识别功能。
3、本发明基于机器学习的体感技术直接识别骨骼节点位置，无需通过标记点去推测骨骼位置，所以本发明可以准确的获取真实解剖学骨骼节点位置，同时剔除人为粘贴标记的误差因素，增强了试验的重复性。
4、本发明对Kinect传感器获取数据进行滤波技术增强骨骼数据稳定性。
5、本发明通过让受试者在跑步机上行走运动，Kinect传感器相对跑步机不动，实现长距离步态运动捕捉。
6、本发明使用一种简易但高精确性的步态事件捕捉方法，精确的步骤人体脚着地事件和离地事件。
附图说明
图1为本发明实施例硬件组成图。
图2为本发明实施例捕捉的下肢骨骼节点图。
图3为本发明实施例可呈现的人体重心、下肢的膝关节、骨盆矢状面、髋关节矢状面关节运动曲线图。
图4为本发明实施例可呈现的下肢踝关节、髋关节冠状面和水平面、骨盆冠状面和水平面运动曲线图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
基于Kinect体感技术的三维步态信息采集与分析方法，包括以下步骤：
1)搭建步态数据采集硬件系统：
如图1所示，步态数据采集硬件系统包括跑步机，跑步机旁边设有可调高度角度的Kinect支撑云台，Kinect支撑云台上安装有Kinect传感器，Kinect传感器的输出和计算机连接，Kinect支撑云台可调高度角度，以使Kinect传感器在最好的观察角度位置上对人体运动进行捕捉，由于Kinect传感器有效测试距离有限，约为0.5m-4m的范围内，故使用跑步机克服了该困难，首先跑步机与Kinect传感器相对不动，然后让人在跑步机上连续运动，实现连续无限距离的步态采集；计算机作为Kinect的控制机、实验数据保存以及实验数据后处理与显示的角色，在计算机上运行程序完整的实现了步态数据采集、保存、数据分析、分析结果呈现整套步态分析流程。
将Kinect与跑步机放置于一条直线距离测试者1.8m，Kinect支撑云台高度调节为1.5m，并调节支撑云台的旋转角度至Kinect传感器平行于水平面，完成后，给跑步机、Kinect传感器、计算机供电；
2)选择跑步机速度：
根据受试者健康状况、身高情况、体节长度等参数，分别在跑步机不同速度时对受试者进行测量，跑步机速度最小增量为0.1km/h，可根据确定的速度构建健康人体步态数据库，以用于对患者检测时作对比，在实施例中，将跑步机速度定为2km/h；
3)使用Kinect传感器获取人体骨骼数据：
Kinect传感器是Xbox360使用的体感传感器，进行实时动作捕捉，并通过对人体的三维姿态进行识别；Kinect传感器有三个摄像传感器，中间为RGB彩色摄像头，两侧分别是红外线发射器和红外线CMOS接收器；Kinect传感器能够追踪人体并获取人体25个骨骼点三维坐标，从中选取下肢运动关键关节点，如图2所示；本实施例中Kinect传感器以30Hz的速度不断的读取人体骨骼点的三维空间变化，完成步态数据采集功能；
骨盆中心为PelvisCenter(-0.069,0.088,2.938)、左髋节点Hipleft(-0.145,0.086,2.906)、右髋节点HipRight(0.009,0.087,2.89)、左膝关节KneeLeft(-0.147,-0.346,2.835)、右膝关节KneeRight(0.024,-0.337,2.875)、左踝关节AnkleLeft(-0.128,-0.670,2.781)、右踝关节AnkleRight(-0.014,-0.701,3.021)、左脚为FootLeft(-0.181,
-0.745,2.691)、右脚为FootRight(0.045,-0.777,2.901)等骨骼节点的时间序列；
4)骨骼数据的双指数滤波：
基于体感信息的骨骼追踪系统能够捕捉人体骨骼及关节，这些数据在本发明中应用于人体步态分析中，实际应用骨骼追踪功能时会出现一些噪声，因此使用前一个重要的步骤就是对骨骼数据进行噪声去除；骨骼追踪系统中存在两种类型的噪声，一类是由系统不稳定对骨骼点坐标产生干扰形成的高斯白噪声，另外一种是冲击噪声，是由于人体运动过程会有某些部分遮挡，系统不能捕捉到某些骨骼点，此时只能返回推断的骨骼点。因为这些噪声的特点不同，因此使用不同的滤波器的组合进行滤波；
第一阶段消除抖动：
Figure BDA0001322866050000121
公式中
Figure BDA0001322866050000122
为第一阶段滤波值，Xn为测试值，
Figure BDA0001322866050000123
为前一帧第二阶滤波值，α为第一阶段噪声抑制系数；
第二阶段高斯噪声的虑除：
Figure BDA0001322866050000124
Figure BDA0001322866050000125
公式中
Figure BDA0001322866050000126
为第二阶段滤波值，Xn为测试值，β为第二阶段噪声抑制系数，bn为该帧趋势，bn-1为前一帧趋势，γ为趋势控制系数；
5)计算下肢关键部位运动学曲线：
参照图2，骨盆中心为PelvisCenter、左髋节点Hipleft、右髋节点HipRight、左膝关节KneeLeft、右膝关节KneeRight、左踝关节AnkleLeft、右踝关节AnkleRight、左脚为FootLeft、右脚为FootRight。分别构建向量L1、L2、L3、L4、R1、R2、R3、R4,向量的计算计算如下式
Figure BDA0001322866050000131
对于膝关节的运动角度θKneeLeft、θKneeRight和踝关节的运动角度θAnkleLeft、θAnkleRight，在本发明中将膝关节和踝关节简化为一个自由度，因此其计算方法如下式
Figure BDA0001322866050000132
对于髋关节，在人体运动过程存在三个自由度，并且三个自由都是体现步态评价的关键因素；髋关节的运动规律的描述是相对骨盆进行描述，因此需要先定义骨盆的局部坐标系。骨盆局部坐标坐标原点定义在骨盆中心PelvisCenter，其y轴定义为右髋关节指向左髋关节，其z轴方向定义为骨盆平面的垂线，其中骨盆平面由PelvisCenter、HipRight、HipLeft三个点确定，所以骨盆的局部坐标系定义为
Figure BDA0001322866050000141
骨盆的矢状面运动角度θHipLeftsag、θHipRightsag，冠状面运动角度θHipLeftcor、θHipRightcor，水平面运动角度θHipLefttra、θHipRighttra，定义proj(x,y)为任意向量向平面投影的公式，其中x为平面法向量，y为任意向量，各关节角度计算定义式如下
Figure BDA0001322866050000142
骨盆的位移和摆动角是相对全局坐标系定义，其中PelvisCenter的x坐标为骨盆左右方向的位移，y坐标为人体骨盆中心的上下方向的位移，z坐标为人体骨盆中心的前后方向的位移。骨盆的摆动角度需要根据全局坐标定义，全局坐标系的x，y，z方向的单位坐标向量为ig、jg、kg。骨盆的前后方向摆动角度θPelvistilt，冠状面的上下方向摆动角度θPelvisObl，水平面方向的摆动角度θPelvisRot，且已知骨盆的局部坐标系的三个相互垂直的方向向量在全局坐标系中的坐标为i、j、k，
Figure BDA0001322866050000151
6)步态事件捕捉：
准确并且有效的探测步态事件是步态分析的关键，确定足跟着地(Heel Strike)事件和脚尖离地(Toe Off)事件可以将步态周期划分为站立相和摆动相；步态周期的划分允许在不同的跨步后期以及实验中比较关节运动角度、力矩等参数，并且步态的站立相参数、摆动相参数也是步态判定的重要因素，所以精确一致的检测这些步态事件非常关键。
步行踝关节与骨盆中心的深度方向上的距离变换规律近似正弦曲线，该曲线的峰值到达时刻与脚着地时刻正好耦合，该曲线的极小值与脚尖离地时刻相对应，该曲线的峰值和谷值分别视为足跟着地事件HS时刻和脚尖TO离地事件时刻，如下式所示，式中tHS、tTO分别代表足跟着地时刻和足尖离地时刻，XHeel、XPelviscenter分别代表足跟和骨盆中心在行走方向上的全局坐标分量，在本发明中以踝关节代替足跟，所以XHeel＝XAnkle，
tHS＝(XHeel-XPleviscenter)max
tTO＝(XHeel-XPelviscenter)min
实验表明，使用坐标法步态事件检测方法在跑步机上对受试对象进行检测，对于健康人足跟着地时刻检测误差平均值为0.0167s，脚尖抬起时刻的误差为0.0051s；对于多硬化症患者足跟着地检测误差平均值为0.0334s，脚尖抬起时刻的误差为0.0083s；对于中风患者足跟着地检测误差平均值为0.01336s，脚尖抬起时刻的检测误差为0.0167s；
7)步态参数计算：
支撑相参数Tstand，支撑相根据某一侧下肢进行定义，即右侧或左侧下肢与地面接触的阶段，支撑相的开始时刻是足跟着地，支撑相阶段结束的标志是相应侧脚尖离地，式中Tdown(n)表示足跟着地时刻，即支撑相开始时刻，Toff(n)表示传感器检测足尖离地的时刻，即支撑相结束时刻，
Tstand＝Toff(n)-Tdown(n)
摆动相参数Tswing，摆动相是针对单侧下肢进行定义，当该下肢与地面无接触并且悬空运动的阶段。摆动相开始的标志是相应侧的脚尖离地，摆动相结束的标志是相应侧脚跟再次着地。式中Tdown(n)表示下一周期的开始时刻即足跟着地，
Tswing＝Tdown(n)-Toff(n-1)
周期参数Tstep，步行周期是针对单侧下肢进行定义，步行周期开始的标志是该侧足跟着地，直至下一次该侧足跟再次着地为结束标志，式
Tstep＝Tdown(n)-Tdown(n-1)
节律参数Cadence，是表征人体运动频率的快慢指标，一般定义为1分钟内单侧腿完成步态循环的次数，
Cadence＝60/Tstep
步长参数Lstep，步长参数是当人连续步行时,连续左右的两侧下肢着地点的距离。一般定义为左脚跟着地到右脚跟着地的距离，计算方法如下，式中LHeelL(n)为左脚本周期着地位置，LHeelR(n)为右脚本周期着地位置，
Lstep＝|LHeelL(n)-LHeelR(n)|
跨步长参数Lstride，跨步长参数是当人连续行走时，对连续两次同侧着地点的距离，一般定义为单侧脚印着地位置在前进方向上的脚跟的位置的距离，式中LHeelL(n)为本周期着地位置，LHeelL(n-1)为上周期左脚跟着地位置，
Lstride＝|LHeelL(n)-LHeelL(n-1)|
步宽参数Wstep，步宽定义为两侧足中线的位置，由于Kinect传感器可以有效的测量踝关节位置，因此在本发明中使用踝关节定义步宽，将连续左右两步对应的踝关节位置距离在与行走方向垂直的方向上的投影视为步宽的度量，
Wstep＝|proj(LAnkleL(n)-LAnkleR(n-1),kg)|
8)呈现运动曲线和步态参数：
计算机根据步骤5)完成关键部位计算的运动曲线，显示多条人体下肢运动轨迹如图3、图4，根据步骤6)和步骤7)计算得到人体步态的支撑相参数1.038s、摆动相参数0.463s、周期参数1.502s、节律参数80.00次/min、步长参数0.453m、跨步长参数1.115m、步宽参数0.162m。

Claims (1)

1.基于Kinect体感技术的三维步态信息采集与分析方法，其特征在于，包括以下步骤：
1)搭建步态数据采集硬件系统：
步态数据采集硬件系统包括跑步机，跑步机旁边设有可调高度角度的Kinect支撑云台，Kinect支撑云台上安装有Kinect传感器，Kinect传感器的输出和计算机连接，首先跑步机与Kinect传感器相对不动，然后让人在跑步机上连续运动，实现连续无限距离的步态采集；
2)选择跑步机速度：
在跑步机不同速度时对受试者进行测量，跑步机速度最小增量为0.1km/h，根据确定的速度构建健康人体步态数据库；
3)使用Kinect传感器获取人体骨骼数据：
Kinect传感器是Xbox360使用的体感传感器，进行实时动作捕捉，并通过对人体的三维姿态进行识别；Kinect传感器能够追踪人体并获取人体25个骨骼点三维坐标，从中选取下肢运动关键关节点，Kinect传感器以30Hz的速度不断的读取人体骨骼点的三维空间变化，完成步态数据采集功能；
4)骨骼数据的双指数滤波：
使用不同的滤波器的组合进行滤波；
第一阶段消除抖动：
Figure FDA0002229910990000021
公式中
Figure FDA0002229910990000022
为第一阶段滤波值，Xn为测试值，
Figure FDA0002229910990000023
为前一帧第二阶滤波值，α为第一阶段噪声抑制系数；
第二阶段高斯噪声的虑除：
Figure FDA0002229910990000024
Figure FDA0002229910990000025
公式中
Figure FDA0002229910990000026
为第二阶段滤波值，Xn为测试值，β为第二阶段噪声抑制系数，bn为当前帧趋势，bn-1为前一帧趋势，γ为趋势控制系数；
5)计算下肢关键部位运动学曲线：
骨盆中心为PelvisCenter、左髋节点Hipleft、右髋节点HipRight、左膝关节KneeLeft、右膝关节KneeRight、左踝关节AnkleLeft、右踝关节AnkleRight、左脚为FootLeft、右脚为FootRight，分别构建向量L1、L2、L3、L4、R1、R2、R3、R4，向量的计算计算如下式
Figure FDA0002229910990000027
对于膝关节的运动角度θKneeLeft、θKneeRight和踝关节的运动角度θAnkleLeft、θAnkleRight，将膝关节和踝关节简化为一个自由度，其计算方法如下式
Figure FDA0002229910990000031
对于髋关节，髋关节的运动规律的描述是相对骨盆进行描述，因此需要先定义骨盆的局部坐标系，骨盆局部坐标坐标原点定义在骨盆中心PelvisCenter，其y轴定义为右髋关节指向左髋关节，其z轴方向定义为骨盆平面的垂线，其中骨盆平面由PelvisCenter、HipRight、HipLeft三个点确定，所以骨盆的局部坐标系定义为
Figure FDA0002229910990000032
骨盆的矢状面运动角度θHipLeftsag、θHipRightsag，冠状面运动角度θHipLeftcor、θHipRightcor，水平面运动角度θHipLefttra、θHipRighttra，定义proj(x，y)为任意向量向平面投影的公式，其中x为平面法向量，y为任意向量，各关节角度计算定义式如下
Figure FDA0002229910990000041
骨盆的位移和摆动角是相对全局坐标系定义，其中PelvisCenter的x坐标为骨盆左右方向的位移，y坐标为人体骨盆中心的上下方向的位移，z坐标为人体骨盆中心的前后方向的位移；骨盆的摆动角度需要根据全局坐标定义，全局坐标系的x，y，z方向的单位坐标向量为ig、jg、kg，骨盆的前后方向摆动角度θPelvistilt，冠状面的上下方向摆动角度θPelvisObl，水平面方向的摆动角度θPelvisRot，且已知骨盆的局部坐标系的三个相互垂直的方向向量在全局坐标系中的坐标为i、j、k，
Figure FDA0002229910990000042
6)步态事件捕捉：
步行踝关节与骨盆中心的深度方向上的距离变换规律近似正弦曲线，该曲线的峰值到达时刻与脚着地时刻正好耦合，该曲线的极小值与脚尖离地时刻相对应，该曲线的峰值和谷值分别视为足跟着地事件HS时刻和脚尖TO离地事件时刻，如下式所示，式中tHS、tTO分别代表足跟着地时刻和足尖离地时刻，XHeel、XPelviscenter分别代表足跟和骨盆中心在行走方向上的全局坐标分量，以踝关节代替足跟，所以XHeel＝XAnkle，
tHS＝(XHeel-XPleviscenter)max
tTO＝(XHeel-XPelviscenter)min
7)步态参数计算：
支撑相参数Tstand，支撑相根据某一侧下肢进行定义，即右侧或左侧下肢与地面接触的阶段，支撑相的开始时刻是足跟着地，支撑相阶段结束的标志是相应侧脚尖离地，式中Tdown(n)表示足跟着地时刻，即支撑相开始时刻，Toff(n)表示传感器检测足尖离地的时刻，即支撑相结束时刻，
Tstand＝Toff(n)-Tdown(n)
摆动相参数Tswing，摆动相是针对单侧下肢进行定义，当该下肢与地面无接触并且悬空运动的阶段，摆动相开始的标志是相应侧的脚尖离地，摆动相结束的标志是相应侧脚跟再次着地，式中Tdown(n)表示下一周期的开始时刻即足跟着地，
Tswing＝Tdown(n)-Toff(n-1)
周期参数Tstep，步行周期是针对单侧下肢进行定义，步行周期开始的标志是该侧足跟着地，直至下一次该侧足跟再次着地为结束标志，式
Tstep＝Tdown(n)-Tdown(n-1)
节律参数Cadence，是表征人体运动频率的快慢指标，定义为1分钟内单侧腿完成步态循环的次数，
Cadence＝60/Tstep
步长参数Lstep，步长参数是当人连续步行时，连续左右的两侧下肢着地点的距离，定义为左脚跟着地到右脚跟着地的距离，计算方法如下，式中LHeelL(n)为左脚本周期着地位置，LHeelR(n)为右脚本周期着地位置，
Lstep＝|LHeelL(n)-LHeelR(n)|
跨步长参数Lstride，跨步长参数是当人连续行走时，对连续两次同侧着地点的距离，定义为单侧脚印着地位置在前进方向上的脚跟的位置的距离，式中LHeelL(n)为本周期着地位置，LHeelL(n-1)为上周期左脚跟着地位置，
Lstride＝|LHeelL(n)-LHeelL(n-1)|
步宽参数Wstep，步宽定义为两侧足中线的位置，使用踝关节定义步宽，将连续左右两步对应的踝关节位置距离在与行走方向垂直的方向上的投影视为步宽的度量，
Wstep＝|proj(LAnkleL(n)-LAnkleR(n-1)，kg)|
8)呈现运动曲线和步态参数：
计算机根据步骤5)完成关键部位计算的运动曲线，显示多条人体下肢运动轨迹，根据步骤6)和步骤7)计算得到人体步态的支撑相参数、摆动相参数、周期参数、节律参数、步长参数、跨步长参数、步宽参数。
CN201710452559.1A 2017-06-15 2017-06-15 基于Kinect体感技术的三维步态信息采集与分析方法 Active CN107174255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710452559.1A CN107174255B (zh) 2017-06-15 2017-06-15 基于Kinect体感技术的三维步态信息采集与分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710452559.1A CN107174255B (zh) 2017-06-15 2017-06-15 基于Kinect体感技术的三维步态信息采集与分析方法

Publications (2)

Publication Number Publication Date
CN107174255A CN107174255A (zh) 2017-09-19
CN107174255B true CN107174255B (zh) 2020-04-10

Family

ID=59836549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710452559.1A Active CN107174255B (zh) 2017-06-15 2017-06-15 基于Kinect体感技术的三维步态信息采集与分析方法

Country Status (1)

Country Link
CN (1) CN107174255B (zh)

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885320B (zh) * 2017-08-24 2018-08-31 吉林大学 一种装配线工人活动区域的布置方法
CN108325201B (zh) * 2017-12-20 2020-02-11 上海电气集团股份有限公司 一种基于多源信息融合的步频检测方法及设备
CN108133119B (zh) * 2018-01-19 2018-10-02 吉林大学 一种虚拟装配中旋摆动作测时方法
CN108334827B (zh) * 2018-01-23 2024-03-26 大连乾函科技有限公司 一种基于智能鞋的步态身份认证方法及智能鞋
CN108338791B (zh) * 2018-02-09 2024-08-27 苏州衡品医疗科技有限公司 失稳运动数据的检测装置及检测方法
CN108392207B (zh) * 2018-02-09 2020-12-11 西北大学 一种基于姿态标签的动作识别方法
CN108281203B (zh) * 2018-02-28 2021-10-22 泰康保险集团股份有限公司 一种异常行为的预测方法及装置
CN108388887A (zh) * 2018-03-20 2018-08-10 济南大学 基于学步期幼儿步态提取的双足机器人运动学分析方法
CN108960155B (zh) * 2018-07-09 2021-04-23 济南大学 基于Kinect的成人步态提取与异常分析方法
CN108968973A (zh) * 2018-08-07 2018-12-11 南通大学 一种人体步态采集与分析系统及方法
CN109646009B (zh) * 2018-11-15 2021-11-26 北京中科汇成科技有限公司 基于便携式步态分析系统的步态时空参数的计算方法
CN109670435B (zh) * 2018-12-13 2022-12-13 深圳市信义科技有限公司 一种基于人体步态特征对身份进行识别的方法
CN109801331A (zh) * 2018-12-21 2019-05-24 天津大学 一种基于步行轨迹数据确定步态中步宽的方法
CN109859237B (zh) * 2019-01-25 2023-05-26 湖南大学 一种基于红外扫描的人体骨骼运动分析方法
CN109758157B (zh) * 2019-01-29 2020-08-25 广州晓康医疗科技有限公司 基于增强现实的步态康复训练评估方法与系统
CN109692392A (zh) * 2019-01-30 2019-04-30 华东交通大学 一种基于云平台的音乐治疗方法及系统
JP7335046B2 (ja) * 2019-03-28 2023-08-29 Ｎｅｃソリューションイノベータ株式会社 歩行分析装置、歩行分析方法、及びプログラム
CN110083239B (zh) * 2019-04-19 2022-02-22 南京邮电大学 一种基于动态赋权和灰色预测下的骨骼抖动检测方法
CN110075420A (zh) * 2019-04-26 2019-08-02 南通大学 一种脊髓功能电刺激信号对下肢步态调控作用的研究方法
CN110119697A (zh) * 2019-04-28 2019-08-13 华东交通大学 一种基于Kinect装置的步态特征提取系统
CN110215202A (zh) * 2019-05-14 2019-09-10 杭州电子科技大学 基于步态非线性特征的心电rr间隔预测关联方法
CN110132241A (zh) * 2019-05-31 2019-08-16 吉林化工学院 一种基于时间序列分析的高精度步态识别方法及装置
CN110400618B (zh) * 2019-07-17 2022-02-18 北京航空航天大学 一种基于人体运动结构特征的三维步态生成方法
CN110570455B (zh) * 2019-07-22 2021-12-07 浙江工业大学 一种面向房间vr的全身三维姿态跟踪方法
CN111259716A (zh) * 2019-10-17 2020-06-09 浙江工业大学 基于计算机视觉的人体跑步姿势识别分析方法及装置
WO2021114230A1 (zh) * 2019-12-13 2021-06-17 中国科学院深圳先进技术研究院 三维步态数据处理方法、系统、服务器及存储介质
CN110934597B (zh) * 2019-12-30 2023-07-18 龙岩学院 一种异常步态监测设备的操作方法
CN113133761B (zh) * 2020-01-17 2024-05-28 宝成工业股份有限公司 左右步态的判断方法及其分析装置
CN111388950A (zh) * 2020-03-17 2020-07-10 王冰心 一种多功能跑步机
CN111603171B (zh) * 2020-06-03 2023-02-24 上海金矢机器人科技有限公司 一种面向下肢康复的步态参数确定方法及系统
CN113063411A (zh) * 2020-06-29 2021-07-02 河北工业大学 外骨骼评价系统及其使用方法
TWI798770B (zh) * 2020-08-03 2023-04-11 財團法人工業技術研究院 步態評估系統及步態評估方法
CN111898574A (zh) * 2020-08-05 2020-11-06 复旦大学附属中山医院 一种起立行走测试分析系统及方法
CN111938658B (zh) * 2020-08-10 2023-09-01 陈雪丽 一种用于手部、腕部与前臂的关节活动度监测系统及方法
CN112842261B (zh) * 2020-12-30 2021-12-28 西安交通大学 一种基于复杂网络的婴儿三维自发运动智能化评估系统
CN112998694B (zh) * 2021-02-03 2022-12-09 上海橙捷健康科技有限公司 一种人体下肢关节角度的测量方法及系统
CN113016715A (zh) * 2021-03-23 2021-06-25 广东省科学院动物研究所 一种灵长类动物精细动作行为分析方法和系统
CN112998700B (zh) * 2021-05-26 2021-09-24 北京欧应信息技术有限公司 用于辅助对象运动功能评估的设备、系统和方法
CN113673424B (zh) * 2021-08-19 2023-09-08 华南理工大学 一种行走步态周期阶段的判定方法
CN114469079B (zh) * 2022-01-29 2022-09-06 北京中科深智科技有限公司 一种利用LightHouse的身体关节测量方法
CN114532986B (zh) * 2022-02-09 2022-11-04 北京中科睿医信息科技有限公司 一种基于三维空间动作捕捉的人体平衡测量方法和系统
CN115105062B (zh) * 2022-08-29 2022-12-06 中国科学院自动化研究所 髋膝关节协调性评估方法、装置、系统和存储介质
CN115116143B (zh) * 2022-08-30 2022-12-06 中国科学院自动化研究所 运动捕捉方法、装置、系统、电子设备和存储介质
CN115644853B (zh) * 2022-09-23 2024-05-03 华中科技大学 基于MediaPipe人体姿态模型的步态分析方法
WO2024102612A1 (en) * 2022-11-07 2024-05-16 The Board Of Regents Of The University Of Texas System Compounds and methods for identifying compounds for modulating glucose transport

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101579238A (zh) * 2009-06-15 2009-11-18 吴健康 人体运动捕获三维再现系统及其方法
CN103598889A (zh) * 2013-11-13 2014-02-26 东南大学常州研究院 基于Kinect视觉步态分析的情景交互康复训练方法
CN104061907A (zh) * 2014-07-16 2014-09-24 中南大学 基于步态三维轮廓匹配合成的视角大幅可变步态识别方法
CN104463118A (zh) * 2014-12-04 2015-03-25 龙岩学院 一种基于Kinect的多视角步态识别方法
CN104524742A (zh) * 2015-01-05 2015-04-22 河海大学常州校区 一种基于Kinect传感器的脑瘫儿童康复训练方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030083844A1 (en) * 2001-10-30 2003-05-01 Reddi M. Mahadeva Optical position sensing of multiple radiating sources in a movable body
EP2124729A1 (en) * 2006-11-17 2009-12-02 Balance International Innovations Gmbh System and method for providing body sway feedback to a body of a subject
US8439896B2 (en) * 2009-11-13 2013-05-14 The Invention Science Fund I, Llc Device, system, and method for targeted delivery of anti-inflammatory medicaments to a mammalian subject
WO2012007855A1 (en) * 2010-07-14 2012-01-19 Ecole Polytechnique Federale De Lausanne (Epfl) System and method for 3d gait assessment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101579238A (zh) * 2009-06-15 2009-11-18 吴健康 人体运动捕获三维再现系统及其方法
CN103598889A (zh) * 2013-11-13 2014-02-26 东南大学常州研究院 基于Kinect视觉步态分析的情景交互康复训练方法
CN104061907A (zh) * 2014-07-16 2014-09-24 中南大学 基于步态三维轮廓匹配合成的视角大幅可变步态识别方法
CN104463118A (zh) * 2014-12-04 2015-03-25 龙岩学院 一种基于Kinect的多视角步态识别方法
CN104524742A (zh) * 2015-01-05 2015-04-22 河海大学常州校区 一种基于Kinect传感器的脑瘫儿童康复训练方法

Also Published As

Publication number Publication date
CN107174255A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
CN107174255B (zh) 基于Kinect体感技术的三维步态信息采集与分析方法
EP3205269B1 (en) System and method for analyzing gait and postural balance of a person
CN110916679B (zh) 一种人体下肢位姿步态检测装置及方法
Mansour et al. Analysis of several methods and inertial sensors locations to assess gait parameters in able-bodied subjects
CN104757976B (zh) 一种基于多传感器融合的人体步态分析方法和系统
US9524424B2 (en) Calculation of minimum ground clearance using body worn sensors
CN102679964B (zh) 步态参数测量系统及其数据处理装置和方法
WO2015162158A1 (en) Human motion tracking
JP2016140591A (ja) 動作解析評価装置、動作解析評価方法、及びプログラム
JP2017503225A (ja) モーションキャプチャシステム
CN106821388A (zh) 脑卒中病人下肢康复定量评估方法
Wang et al. Quantitative assessment of dual gait analysis based on inertial sensors with body sensor network
CN108338791A (zh) 失稳运动数据的检测装置及检测方法
JP6127873B2 (ja) 歩行特徴の解析方法
CN110420029A (zh) 一种基于多传感器融合的行走步态无线检测系统
Bötzel et al. Quantification of gait parameters with inertial sensors and inverse kinematics
JP4390129B2 (ja) 足底圧を用いた下肢関節モーメント及び下肢筋張力の推定システム
CN103120586A (zh) 人体步态运动学参数采集辅助装置和方法
Vafadar et al. Assessment of a novel deep learning-based marker-less motion capture system for gait study
CN117529278A (zh) 步态监测方法及机器人
US20230355135A1 (en) Intelligent gait analyzing apparatus
CN114271812A (zh) 基于惯性传感器的三维步态分析系统及方法
CN110731784A (zh) 一种基于移动平台的步态测量系统及其步态测量方法
CN116919386A (zh) 基于深度相机的人体步态分析方法
CN208591046U (zh) 失稳运动数据的检测装置

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