CN107374637A - 一种基于脚部静电的膝关节屈曲角度监测方法 - Google Patents
一种基于脚部静电的膝关节屈曲角度监测方法 Download PDFInfo
- Publication number
- CN107374637A CN107374637A CN201710406626.6A CN201710406626A CN107374637A CN 107374637 A CN107374637 A CN 107374637A CN 201710406626 A CN201710406626 A CN 201710406626A CN 107374637 A CN107374637 A CN 107374637A
- Authority
- CN
- China
- Prior art keywords
- signal
- electrostatic
- principal component
- carried out
- foot
- 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.)
- Pending
Links
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
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
-
- 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
- A61B5/1118—Determining activity level
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种利用静电探测的方式监测膝关节疾病患者在行走过程中其关节可屈曲角度的方法。该方法采用非接触式测量方式,属于静电探测领域。本发明包含以下步骤:步骤一:利用所设计的静电感应电极监测患者行走时其脚部运动所产生的静电信号;步骤二:对该信号进行信号调理及消噪处理,去除信号中工频及高频信号的干扰;步骤三:对消噪过的信号进行频谱分析,并对频域信号进行主成分分析,得到信号的主成分矩阵;步骤四:基于预设的膝关节多种屈曲角度标准信号库,利用K最邻算法对特征矩阵进行分类识别,得到该次测试信号对应的屈曲角度。本发明将非接触式静电探测技术用于运动康复监测领域,可用于监测膝关节疾病患者的康复情况,该方法在测量过程中不需要在患者身上放置任何测量装置,能够最大程度的降低患者的不适应程度。
Description
技术领域
本发明涉及一种基于脚部静电的膝关节屈曲角度监测方法,属于静电场探测应用领域。
背景技术
膝关节疾病其外在表现为患者膝关节的可屈曲角度不同,屈曲角度可直接反映相关疾病的康复情况,但目前对膝关节患者康复状态的监测一般依靠医生与病人一对一或者一对多的指导,该种监测方式不但受到时间、地点和成本的限制,而且传统的测量手段如通用膝关节屈曲角度量角器等会受到主观因素的影响。而基于红外双目视觉的成像和运动跟踪系统的成本均较高且需要在人体表面设置标志点或放置追踪器,之后还需要配合复杂的图像处理算法来完成康复状态监测。且红外视觉成像系统容易受到室内红外源的干扰,虚警率较高;运动追踪系统在摄像头死角区域无法发挥作用。因而开发操作简便、成本低廉并且适合各种场合(如病房,家中)的康复监测方法具有重要的应用价值。
静电探测技术利用运动中物体所带的静电实现对目标的探测识别。“Triboelectrification of houseflies(Musca domestic L.)walking on syntheticdielectric surfaces”Mcgonigle D F,Jackson C W and Davidson J L2002J.Electrostat.54167-177中首次提出对爬行中的昆虫进行静电探测的方法。受此启发,“Electrification of human body by walking”Ficker T 2006J.Electrostat.6410-16通过安装在人身体上的静电计对运动中人体电势的变化进行了研究。由于一切运动的物体都会带上静电,因此将静电探测方法应用于识别人体运动状态是可行的。
人无论处于何种环境,身体都会因为各种原因带有一定量的静电荷。行走时脚步与地面的摩擦和接触分离是其中非常重要的一个原因。当人在行走过程中,身体所带电荷量会随着步伐而改变,从而导致身体周围电场也会随着步伐节律做相应的变化。这就为静电探测人体步行运动创造了可能。
步行是人体通过和地面的相互作用,在一定的空间里,经历一定时间的机械运动。步行是周期性的动作,在一个步行周期中根据腿部的运动特征,下肢的运动状态可以分为支撑期与摆动期。支撑期指人体脚部接触地面的时期,即从脚跟触地直至脚尖离地所持续的时间;摆动期指人体脚部位于地面上的时期,即从脚尖离地直至脚跟着地所持续的时间。正常行走时对指定的下肢而言,处于支撑期与摆动期的时间分别占步行周期的60%与40%,而当人体膝关节受损时,由于膝关节受到了不同程度的束缚,导致人体行走时步态周期时间增长,且膝关节受损脚在步态周期中的支撑期缩短,摆动期延长,同时正常脚在步态周期中的支撑期延长,摆动期缩短,出现了受限脚摆动期频率减慢而支撑期频率加快,正常脚摆动期频率加快而支撑期频率减慢的现象。该种现象会反映在患者步行的静电感应信号上,为监测其康复状态提供了可能。
发明内容
本发明要解决的技术问题是利用静电探测方法实现对膝关节受损患者在康复过程中其膝关节屈曲角度进行监测。本发明通过非接触式静电探测方法获取患者在病房或家中走路的静电信号,再经信号处理后得到人体步行运动的电信号,经过与预设标准信号进行比对识别,从而确定患者的此时的膝关节屈曲角度。本发明公开了一种基于脚部静电的膝关节屈曲角度监测方法,该方法可用于膝关节疾病康复医疗监测中去,可降低下肢康复监测系统的设计复杂程度,降低其设计成本。
本发明通过以下技术方案实现:
本发明公开一种基于脚部静电的膝关节屈曲角度监测方法,该方法由步行静电信号获取、信号调理消噪处理、频谱分析与降维、算法比对识别四个过程组成,其具体运行步骤如下:
步骤一:利用所设计的静电感应电极监测患者行走时其脚部运动所产生的静电信号;
步骤二:对该信号进行信号调理及消噪处理,去除信号中工频及高频信号的干扰;
步骤三:对消噪过的信号进行频谱分析,并对频域信号进行主成分分析,得到信号的主成分矩阵;
步骤四:基于预设的膝关节多种屈曲角度标准信号库,利用K最邻算法对特征矩阵进行分类识别,得到该次测试信号对应的屈曲角度
所述一种基于脚部静电的膝关节屈曲角度监测方法,其特征在于:所述信号调理过程包括电荷放大、电流电压转换、50Hz工频陷波和10Hz低通滤波;利用探测极板获取静电感应电荷量,电荷量的变化会产生静电感应电流,该电流经过T型反馈网络组成的微电流放大电路后得到可被测量的电压值,之后该信号经过50Hz工频陷波和10Hz低通滤波去除工频噪声及高频信号干扰后,得到表征人体步行运动的电信号。
步骤三中的频谱分析为:对步骤二采集到的步行静电信号进行快速傅里叶变换,得到该段信号其频域信息。所涉及的主成分分析过程为:
设得到的步态静电信号数据矩阵为X∈Rn×m,其PCA模型表示为:
X=t1p1 T+t2p2 T+…+tkpk T+E
其中,k为保留的主元数,k≤m,ti(i=1…k)为主元,pi(i=1…k)为负荷向量,E为残差。
根据主成分分析的基本原理,可将人体步态静电信号的主成分分析计算步骤归纳如下:
1.计算n×p阶样本数据矩阵X相关系数矩阵。
2.计算特征值和特征向量。对样本相关系数矩阵R进行特征分解,得到特征值和特征向量。
3.计算主成分贡献率及累计贡献率。前m个主成分的累积贡献率大于某个阈值(在此选用80%)时可以认为主成分个数为m。
4.计算PCA得分矩阵得到新的特征变量。
利用PCA可对步态静电信号进行降维处理得到主成分矩阵。
步骤四所涉及的识别过程为:在识别前需利用膝关节屈曲角度约束器作为控制屈曲角度的基准,采集人体多组不同约束角度情况下的步行静电信号,利用标准的约束角度信号建立标准信号库。测试中得到测试数据后,首先进行预处理和PCA降维,得到测试数据的主成分矩阵。③选择一种距离计算方式(此处选择夹角余弦距离),计算测试样本主成分矩阵到标准数据库中不同约束角度主成分矩阵的相对距离。④然后选定距离阈值,并将距离小于距离阈值的数据点取出。这些数据点即为在阈值范围内标准信号与测试样本最邻近的点。⑤选出k个点出现频率最多的类别作为识别分类,将测试样本归为该类别样本,假设本次测试的得出的识别分类为标准信号库中的H类,即本次行走过程中膝关节屈曲角度可判断为H类在标准信号库中对应的膝关节屈曲角度。
由于静电探测原理不会受到遮挡物的影响,且能够低功耗全天候运行,所以通过非接触式静电探测技术进行膝关节屈曲角度监测具有全天候,且能测量人体最自然状况下的运动及康复情况。
有益效果:
1、本发明的一种基于脚部静电的膝关节屈曲角度监测方法,可以通过非接触式静电探测方法测量被测试人员行走时的膝关节屈曲角度,在对患者进行测试时可得到患者此时的康复状态。而非接触式的方法保证了该方法不会对被探测目标产生过多干预与影响。
2、本发明的一种基于脚部静电的膝关节屈曲角度监测方法,由于利用了静电感应信号传播过程中受遮挡物阻碍小的特点,具有测量范围大的优点。
3、本发明的一种基于脚部静电的膝关节屈曲角度监测方法,由于采用了被动式静电探测方法,其不受光线影响,具有全天候的监测能力。
附图说明
图1是一种基于脚部静电的膝关节屈曲角度监测方法示意图
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
本发明公开一种基于脚部静电的膝关节屈曲角度监测方法,该方法由步行静电信号获取、信号调理消噪处理、频谱分析与降维、算法比对识别四个过程组成,其具体运行步骤如下:
步骤一:利用所设计的静电感应电极监测患者行走时其脚部运动所产生的静电信号;
步骤二:对该信号进行信号调理及消噪处理,去除信号中工频及高频信号的干扰;
步骤三:对消噪过的信号进行频谱分析,并对频域信号进行PCA降维,得到信号的特征矩阵;
步骤四:基于预设的膝关节多种屈曲角度标准信号库,利用K最邻算法对特征矩阵进行分类识别,得到该次测试信号对应的屈曲角度
所述一种基于脚部静电的膝关节屈曲角度监测方法,其特征在于:所述信号调理过程包括电荷放大、电流电压转换、50Hz工频陷波和10Hz低通滤波;利用探测极板获取静电感应电荷量,电荷量的变化会产生静电感应电流,该电流经过T型反馈网络组成的微电流放大电路后得到可被测量的电压值,之后该信号经过50Hz工频陷波和10Hz低通滤波去除工频噪声及高频信号干扰后,得到表征人体步行运动的电信号。
步骤三中的频谱分析为:对步骤二采集到的步行静电信号进行进行快速傅里叶变换,得到该段信号其频域信息。所涉及的主成分分析过程为:
设有数据矩阵X∈Rn×m,其PCA模型表示为:
X=t1p1 T+t2p2 T+…+tkpk T+E
其中,k为保留的主元数,k≤m,ti(i=1…k)为主元,pi(i=1…k)为负荷向量,E为残差。
根据主成分分析的基本原理,可将人体步态静电信号的主成分分析计算步骤归纳如下:
1.计算n×p阶样本数据矩阵X相关系数矩阵。
2.计算特征值和特征向量。对样本相关系数矩阵R进行特征分解,得到特征值和特征向量。
3.计算主成分贡献率及累计贡献率。前m个主成分的累积贡献率大于某个阈值(在此选用80%)时可以认为主成分个数为m。
4.计算PCA得分矩阵得到新的特征变量。
利用PCA可对步态静电信号进行降维处理得到主成分矩阵。
步骤四所涉及的识别过程为:在识别前需利用膝关节屈曲角度约束器作为控制屈曲角度的基准,采集人体多组不同约束角度情况下的步行静电信号,利用标准的约束角度信号建立标准信号库。测试中得到测试数据后,首先进行预处理和PCA降维,得到测试数据的主成分矩阵。③选择一种距离计算方式(此处选择夹角余弦距离),计算测试样本主成分矩阵到标准数据库中不同约束角度主成分矩阵的相对距离。④然后选定距离阈值,并将距离小于距离阈值的数据点取出。这些数据点即为在阈值范围内标准信号与测试样本最邻近的点。⑤选出k个点出现频率最多的类别作为识别分类,将测试样本归为该类别样本,假设本次测试的得出的识别分类为标准信号库中的H类,即本次行走过程中膝关节屈曲角度可判断为H类在标准信号库中对应的膝关节屈曲角度。
本发明保护范围不仅局限于本实施例,本实施例用于解释本发明,凡与本发明在相同原理和构思条件下的变更或修改均在本发明公开的保护范围之内。
Claims (4)
1.一种基于脚部静电的膝关节屈曲角度监测方法,其特征在于,包括以下步骤:
步骤一:利用所设计的静电感应电极监测患者行走时其脚部运动所产生的静电信号;
步骤二:对该信号进行信号调理及消噪处理,去除信号中工频及高频信号的干扰;
步骤三:对消噪过的信号进行频谱分析,并对频域信号进行主成分分析,得到信号的主成分矩阵;
步骤四:基于预设的膝关节多种屈曲角度标准信号库,利用K最邻算法对特征矩阵进行分类识别,得到该次测试信号对应的屈曲角度。
2.根据权利要求1所述一种基于脚部静电的膝关节屈曲角度监测方法,其特征在于:所述信号调理过程包括电荷放大、电流电压转换、50Hz工频陷波和10Hz低通滤波;利用探测极板获取静电感应电荷量,电荷量的变化会产生静电感应电流,该电流经过T型反馈网络组成的微电流放大电路后得到可被测量的电压值,之后该信号经过50Hz工频陷波和10Hz低通滤波去除工频噪声及高频信号干扰后,得到表征人体步行运动的电信号。
3.根据权利要求1或2所述的一种基于脚部静电的膝关节屈曲角度监测方法,其特征在于:步骤三中的频谱分析过程为:对步骤二采集到的步行静电信号进行快速傅里叶变换,得到其频域信息。
4.根据权利要求1或2或3所述的一种基于脚部静电的膝关节屈曲角度监测方法,其特征在于:步骤四中主成分分析的过程为:
设得到的步态静电信号数据矩阵为X∈Rn×m,其PCA模型表示为:
X=t1p1 T+t2p2 T+…+tkpk T+E
其中,k为保留的主元数,k≤m,ti(i=1…k)为主元,pi(i=1…k)为负荷向量,E为残差。
根据主成分分析的基本原理,可将人体步态静电信号的主成分分析计算步骤归纳如下:
1.计算n×p阶样本数据矩阵X相关系数矩阵。
2.计算特征值和特征向量。对样本相关系数矩阵R进行特征分解,得到特征值和特征向量。
3.计算主成分贡献率及累计贡献率。前m个主成分的累积贡献率大于某个阈值(在此选用80%)时可以认为主成分个数为m。
4.计算PCA得分矩阵得到新的特征变量。
利用PCA可对步态静电信号进行降维处理得到主成分矩阵。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017100445102 | 2017-01-21 | ||
CN201710044510 | 2017-01-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107374637A true CN107374637A (zh) | 2017-11-24 |
Family
ID=60332971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710406626.6A Pending CN107374637A (zh) | 2017-01-21 | 2017-06-02 | 一种基于脚部静电的膝关节屈曲角度监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107374637A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110327047A (zh) * | 2019-08-08 | 2019-10-15 | 江苏省人民医院(南京医科大学第一附属医院) | 一种可移动式红外关节活动角度测量仪 |
CN112401875A (zh) * | 2019-08-23 | 2021-02-26 | 南京大学 | 一种基于电荷感应的运动姿态识别装置及方法 |
CN112947149A (zh) * | 2021-01-28 | 2021-06-11 | 深圳市中医院 | 一种基于红外传感的智能膝关节状态监测系统及方法 |
CN113367688A (zh) * | 2021-04-28 | 2021-09-10 | 北京理工大学 | 基于人体静电步态和tof摄像机的偏瘫评级方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778581A (zh) * | 2012-07-04 | 2012-11-14 | 北京理工大学 | 一种用于跟踪人体手部运动轨迹的非接触式静电探测方法 |
KR20160056402A (ko) * | 2014-11-10 | 2016-05-20 | 연세대학교 산학협력단 | 보행 단계 판정을 위한 발모듈, 이를 이용한 보행 단계 판정 방법, 보행 분석 시스템 및 능동형 보행 보조 장치 |
-
2017
- 2017-06-02 CN CN201710406626.6A patent/CN107374637A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778581A (zh) * | 2012-07-04 | 2012-11-14 | 北京理工大学 | 一种用于跟踪人体手部运动轨迹的非接触式静电探测方法 |
KR20160056402A (ko) * | 2014-11-10 | 2016-05-20 | 연세대학교 산학협력단 | 보행 단계 판정을 위한 발모듈, 이를 이용한 보행 단계 판정 방법, 보행 분석 시스템 및 능동형 보행 보조 장치 |
Non-Patent Citations (3)
Title |
---|
余俊飞: "基于人体脚部静电的膝关节受限步态分析与分类识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
夏懿: "基于足底压力分布的步行行为感知关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
李鹏斐 等: "基于静电信号的人体步伐周期长程相关性研究", 《电子学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110327047A (zh) * | 2019-08-08 | 2019-10-15 | 江苏省人民医院(南京医科大学第一附属医院) | 一种可移动式红外关节活动角度测量仪 |
CN110327047B (zh) * | 2019-08-08 | 2024-03-26 | 江苏省人民医院(南京医科大学第一附属医院) | 一种可移动式红外关节活动角度测量仪 |
CN112401875A (zh) * | 2019-08-23 | 2021-02-26 | 南京大学 | 一种基于电荷感应的运动姿态识别装置及方法 |
CN112401875B (zh) * | 2019-08-23 | 2022-03-18 | 南京大学 | 一种基于电荷感应的运动姿态识别装置及方法 |
CN112947149A (zh) * | 2021-01-28 | 2021-06-11 | 深圳市中医院 | 一种基于红外传感的智能膝关节状态监测系统及方法 |
CN113367688A (zh) * | 2021-04-28 | 2021-09-10 | 北京理工大学 | 基于人体静电步态和tof摄像机的偏瘫评级方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107374637A (zh) | 一种基于脚部静电的膝关节屈曲角度监测方法 | |
Alaqtash et al. | Application of wearable sensors for human gait analysis using fuzzy computational algorithm | |
Howcroft et al. | Feature selection for elderly faller classification based on wearable sensors | |
Bruijn et al. | Statistical precision and sensitivity of measures of dynamic gait stability | |
Yoneyama et al. | Accelerometry-based gait analysis and its application to Parkinson's disease assessment—part 1: detection of stride event | |
Ryu et al. | Real-time gait subphase detection using an EMG signal graph matching (ESGM) algorithm based on EMG signals | |
Dhindsa et al. | Performance evaluation of various classifiers for predicting knee angle from electromyography signals | |
Kim et al. | Gait event detection algorithm based on smart insoles | |
Guffanti et al. | Non-invasive multi-camera gait analysis system and its application to gender classification | |
Vijayvargiya et al. | Human lower limb activity recognition techniques, databases, challenges and its applications using sEMG signal: an overview | |
Zhou et al. | Ankle foot motion recognition based on wireless wearable sEMG and acceleration sensors for smart AFO | |
Kurita et al. | Detection technique of individual characteristic appearing in walking motion | |
Kurita et al. | Noncontact detection of movements of standing up from and sitting down on a chair using electrostatic induction | |
Xi et al. | Surface electromyography-based daily activity recognition using wavelet coherence coefficient and support vector machine | |
Zhang et al. | Clinical recognition of sensory ataxia and cerebellar ataxia | |
Zhang et al. | Smart triboelectric socks for enabling artificial intelligence of things (AIoT) based smart home and healthcare | |
Olson et al. | Predicting fall risk through automatic wearable monitoring: A systematic review | |
CN107280678A (zh) | 一种基于脚部静电的膝关节屈曲角度监测装置 | |
Fan et al. | Automatic fall risk assessment with Siamese network for stroke survivors using inertial sensor‐based signals | |
Zhang et al. | Transductive learning models for accurate ambulatory gait analysis in elderly residents of assisted living facilities | |
Bian et al. | A systematic study of the influence of various user specific and environmental factors on wearable human body capacitance sensing | |
Li et al. | Sensor combination selection for human gait phase segmentation based on lower limb motion capture with body sensor network | |
CN108236469A (zh) | 一种可用于区别人体运动状态的装置 | |
Liang et al. | mmStress: Distilling Human Stress from Daily Activities via Contact-less Millimeter-wave Sensing | |
Sher et al. | Automatic gait analysis during steady and unsteady walking using a smartphone |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |