CN108478222B - 一种基于神经网络的关节角误差补偿实验装置及方法 - Google Patents

一种基于神经网络的关节角误差补偿实验装置及方法 Download PDF

Info

Publication number
CN108478222B
CN108478222B CN201711396408.5A CN201711396408A CN108478222B CN 108478222 B CN108478222 B CN 108478222B CN 201711396408 A CN201711396408 A CN 201711396408A CN 108478222 B CN108478222 B CN 108478222B
Authority
CN
China
Prior art keywords
output
gyroscope
layer
input
neural network
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
CN201711396408.5A
Other languages
English (en)
Other versions
CN108478222A (zh
Inventor
郭雅静
朱晓荣
王福德
赵青
黄玉平
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.)
Beijing Research Institute of Precise Mechatronic Controls
Original Assignee
Beijing Research Institute of Precise Mechatronic Controls
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 Beijing Research Institute of Precise Mechatronic Controls filed Critical Beijing Research Institute of Precise Mechatronic Controls
Priority to CN201711396408.5A priority Critical patent/CN108478222B/zh
Publication of CN108478222A publication Critical patent/CN108478222A/zh
Application granted granted Critical
Publication of CN108478222B publication Critical patent/CN108478222B/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
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

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)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种基于神经网络的关节角误差补偿实验装置及方法，涉及穿戴式外骨骼领域；包括4个绑带、2个安装板、第一陀螺仪、第二陀螺仪、编码器和信号采集板；2个安装板的端处连接，且2个安装板实现绕连接处旋转；4个绑带固定安装在安装板的内侧侧壁上，且每2个绑带对应一个安装板；第一陀螺仪固定安装在上部安装板的外侧壁上；第二陀螺仪固定安装在下部安装板的外侧壁上；编码器固定暗转在2个安装板连接处的外侧壁上；信号采集板固定安装在第一陀螺仪和编码器之间；本发明通过事先进行步态行走实验，获取学习样本，训练神经网络得到最优的模型参数，穿戴外骨骼后通过穿戴2个陀螺仪和训练好的神经网络模型实现膝关节角度的准确测量。

Description

一种基于神经网络的关节角误差补偿实验装置及方法
技术领域
本发明涉及一种穿戴式外骨骼领域，特别是一种基于神经网络的关节角误差补偿实验装置及方法。
背景技术
人体步态信息采集系统需要采集人体准确的膝关节角度，多应用于人体运动能力测评、穿戴式外骨骼步态跟踪控制等方面。康复训练外骨骼、助残行走外骨骼、负重外骨骼等外骨骼设备需要人体与外骨骼器械具有协调一致的步态规律，但二者又存在不可去除的差别，因此上述外骨骼设备的穿戴者均需要进行步态信息采集和步态数据的分类、跟踪与预测等分析，以便实现下肢外骨骼步态跟踪与控制，并提高其动态稳定性。人体穿戴外骨骼后需要实时测量步态信息，因此需要可穿戴式传感器装备对步态信息进行实时测量。目前可用来检测人体运动步态信息的方法也越来越多，最常用的可穿戴步态信息采集方法主要包括图像序列解析、肌电信号检测、角度/角速度检测和加速度计检测等。
图像序列解析，利用计算机视觉技术从图像序列中检测运动及运动物体并对其进行运动分析、跟踪或识别，实时检测步态数据上成本大、数据处理量大且延时严重；肌电信号检测，通过肌电传感器检测人体表面的肌电信号，对其进行运动步态检测与分析，所用的传感器及配套装置价格高，信号识别分类难度大，并且肌电信号检测受到检测位置、汗水、温度等的影响，很容易受到信号干扰，可重复性不高；角度/角速度检测：通过陀螺仪等角速度传感器输出数据进行积分运算，计算人体运动角度，进而进行人体步态跟踪预测分析等，由于采用积分算法，导致误差持续累积，使得所求关节角误差逐渐增大；加速度计检测方法：利用加速度传感器检测重力矢量分量，计算人体肢体运动角度进而进行步态跟踪和分析运算等，但该方法仅适用于静态解算，未推广至动态关节角度解算。
发明内容
本发明的目的在于克服现有技术的上述不足，提供一种基于神经网络的关节角误差补偿实验装置及方法，通过事先进行步态行走实验，获取学习样本，训练神经网络得到最优的模型参数，穿戴外骨骼后通过穿戴2个陀螺仪和训练好的神经网络模型实现膝关节角度的准确测量。
本发明的上述目的是通过如下技术方案予以实现的：
一种基于神经网络的关节角误差补偿实验装置，包括4个绑带、2个安装板、第一陀螺仪、第二陀螺仪、编码器和信号采集板；其中，2个安装板均为条形板状结构；2个安装板的端处连接，且2个安装板实现绕连接处旋转；4个绑带固定安装在安装板的内侧侧壁上，且每2个绑带对应一个安装板；第一陀螺仪固定安装在上部安装板的外侧壁上；第二陀螺仪固定安装在下部安装板的外侧壁上；编码器固定暗转在2个安装板连接处的外侧壁上；信号采集板固定安装在第一陀螺仪和编码器之间。
在上述的一种基于神经网络的关节角误差补偿实验装置，误差补偿方法包括如下步骤：
步骤(一)、将误差补偿实验装置固定安装在人体的腿部；其中一个安装板位于人体大腿外侧；另一个安装板位于人体小腿外侧；2个安装板的连接处位于人体膝盖的外侧；进行人体步态行走试验，通第一陀螺仪、第二陀螺仪和编码器进行实时测量；通过信号采集板获得测量得到第一陀螺仪的输出gyro1(t)、第二陀螺仪的输出gyro2(t)和编码器的输出
Figure BDA0001518596840000021
步骤(二)、建立双输入单输出的神经网络结构模型
神经网络结构模型包括输入层、隐含层和输出层；输入层的输出量为隐含层的输入量；隐含层的输出量为输出层的输入量；以第一陀螺仪的输出gyro1(t)和第二陀螺仪的输出gyro2(t)作为输入层的输入量；隐含层节点为3-5个节点；以编码器的输出
Figure BDA0001518596840000022
作为输出层的输出量；
步骤(三)、确定输入层与输出层之间的激发函数关系，即隐含层的激发函数，具体步骤如下：
S1：计算隐含层的输入量I1i与输入层的输入量gyro1(t)、gyro2(t)的关系；
S2：计算隐含层的输入量I1i与隐含层的输入量O1i的关系；
S3：计算输出层的输出量
Figure BDA0001518596840000031
与隐含层的输入量O1i的关系；
即，得到输入层与输出层之间的激发函数关系；
步骤(四)、将误差补偿实验装置中的编码器拆除后，重新绑定在人体的腿部，进行人体步态行走试验，测量得到第一陀螺仪的输出gyro1(t)、第二陀螺仪的输出gyro2(t)；通过步骤(三)得到的神经网络结构模型，直接获得实时输出层的输出量
Figure BDA0001518596840000034
避免了陀螺仪积分运算累积的误差。
在上述的一种基于神经网络的关节角误差补偿实验装置，所述步骤(一)中，人体步态行走的时间为2-10s；步态行走速度为0.5-2.5m/s；第一陀螺仪、第二陀螺仪和编码器的采集频率为10-20ms采集一次。
在上述的一种基于神经网络的关节角误差补偿实验装置，所述步骤(二)中，输入层的节点为2，分别为第一陀螺仪的输出gyro1(t)和第二陀螺仪的输出gyro2(t)；输出层的节点为1，为编码器的输出
Figure BDA0001518596840000032
在上述的一种基于神经网络的关节角误差补偿实验装置，所述步骤(三)的S1中，隐含层的输入量I1i与输入层的输入量gyro1(t)、gyro2(t)的关系为：
Figure BDA0001518596840000033
式中，n为输入层节点的个数，取2；
m1为隐含层节点的个数；
i为第i个隐含层节点；
j为第j个输入层节点；
θ1j为第j个输入层节点的阈值；
w1i,j为第i个隐含层节点与第j个输入层节点的连接权值参数。
在上述的一种基于神经网络的关节角误差补偿实验装置，所述步骤(三)的S2中，隐含层的输入量I1i与隐含层的输入量O1i的关系为：
Figure BDA0001518596840000041
式中，a为倾斜参数。
在上述的一种基于神经网络的关节角误差补偿实验装置，所述步骤(三)的S3中，输出层的输出量
Figure BDA0001518596840000042
与隐含层的输入量O1i的关系为：
令输入层节点的阈值θ1j为0，则：
Figure BDA0001518596840000043
式中，vi为输出层节点与隐含层节点的连接权值参数；
m2为输出层节点个数，取1。
本发明与现有技术相比具有如下优点：
(1)本发明提供了一种基于神经网络的膝关节角误差补偿方法及实验装置，通过事先进行步态行走实验，获取学习样本，训练神经网络得到最优的模型参数，穿戴外骨骼后，通过穿戴2个陀螺仪和训练好的神经网络模型实现膝关节角度的高精度准确测量；
(2)本发明利用训练好的神经网络补偿两陀螺仪的输出信号，不需要知道两陀螺仪输入信号与输出误差信号间的解析关系，具有实现简单、有效的特点；
(3)本发明通过步态行走实验的训练样本建立好神经网络模型以后，仅需要通过绑带安装两陀螺仪即可准确测量膝关节角，实现简单，成本低廉，实现了膝关节角的非接触测量。
附图说明
图1为本发明实验装置示意图；
图2为本发明实验装置穿戴示意图；
图3为神经网络模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细的描述：
本发明提供了一种基于神经网络的膝关节角误差补偿方法及实验装置，通过事先进行步态行走实验，获取学习样本，训练神经网络得到最优的模型参数，穿戴外骨骼后通过穿戴2个陀螺仪和训练好的神经网络模型实现膝关节角度的准确测量。
本发明的技术解决方案是：利用神经网络自有的非线性映射关系和泛化能力，选择双输入单输出的前向神经网络模型，采集人体步态实验的传感器数据作为学习样本，训练神经网络得到最优的模型参数，此时根据训练好的神经网络模型和2个陀螺仪的输出数据实现膝关节角度的实时高精度测量
如图1所示为实验装置示意图，由图可知，一种基于神经网络的关节角误差补偿实验装置，包括4个绑带1、2个安装板2、第一陀螺仪3、第二陀螺仪4、编码器5和信号采集板6；其中，2个安装板2均为条形板状结构；2个安装板2的端处连接，且2个安装板2实现绕连接处旋转；4个绑带1固定安装在安装板2的内侧侧壁上，且每2个绑带1对应一个安装板2；第一陀螺仪3固定安装在上部安装板2的外侧壁上；第二陀螺仪4固定安装在下部安装板2的外侧壁上；且保证敏感轴垂直于工装安装平面；编码器5固定暗转在2个安装板2连接处的外侧壁上；且保证敏感轴平行于转动轴方向；信号采集板6固定安装在第一陀螺仪3和编码器5之间。试验工装通过绑带安装在实验员大、小腿外侧，且保证工装转动轴对准膝关节转动轴。
误差补偿方法包括如下步骤：
步骤(一)、将误差补偿实验装置固定安装在人体的腿部；如图2所示为实验装置穿戴示意图，由图可知，其中一个安装板2位于人体大腿外侧；另一个安装板2位于人体小腿外侧；2个安装板2的连接处位于人体膝盖的外侧；进行人体步态行走试验，通第一陀螺仪3、第二陀螺仪4和编码器5进行实时测量；通过信号采集板6获得测量得到第一陀螺仪3的输出gyro1(t)、第二陀螺仪4的输出gyro2(t)和编码器5的输出
Figure BDA0001518596840000062
人体步态行走的时间为2-10s；步态行走速度为0.5-2.5m/s；第一陀螺仪3、第二陀螺仪4和编码器5的采集频率为10-20ms采集一次。
步骤(二)、建立双输入单输出的神经网络结构模型
只有训练后的神经网络才能实现其功能，本发明把步骤(一)得到的学习样本归一化，采用BP算法训练由步骤(一)得到神经网络，使神经网络的输出与期望值的误差很小直到满足应用的要求。
如图3所示为神经网络模型示意图，由图可知，神经网络结构模型包括输入层、隐含层和输出层；输入层的输出量为隐含层的输入量；隐含层的输出量为输出层的输入量；以第一陀螺仪3的输出gyro1(t)和第二陀螺仪4的输出gyro2(t)作为输入层的输入量；隐含层节点为3-5个节点；以编码器5的输出
Figure BDA0001518596840000063
作为输出层的输出量；
输入层的节点为2，分别为第一陀螺仪3的输出gyro1(t)和第二陀螺仪4的输出gyro2(t)；输出层的节点为1，为编码器5的输出
Figure BDA0001518596840000064
步骤(三)、确定输入层与输出层之间的激发函数关系，即隐含层的激发函数，具体步骤如下：
S1：计算隐含层的输入量I1i与输入层的输入量gyro1(t)、gyro2(t)的关系；
隐含层的输入量I1i与输入层的输入量gyro1(t)、gyro2(t)的关系为：
Figure BDA0001518596840000061
式中，n为输入层节点的个数，取2；
m1为隐含层节点的个数；
i为第i个隐含层节点；
j为第j个输入层节点；
θ1j为第j个输入层节点的阈值；
w1i,j为第i个隐含层节点与第j个输入层节点的连接权值参数。
S2：计算隐含层的输入量I1i与隐含层的输入量O1i的关系；
隐含层的输入量I1i与隐含层的输入量O1i的关系为：
Figure BDA0001518596840000071
式中，a为倾斜参数。
S3：计算输出层的输出量
Figure BDA0001518596840000072
与隐含层的输入量O1i的关系；
输出层的输出量
Figure BDA0001518596840000073
与隐含层的输入量O1i的关系为：
令输入层节点的阈值θ1j为0，则：
Figure BDA0001518596840000074
式中，vi为输出层节点与隐含层节点的连接权值参数；
m2为输出层节点个数，取1。
即，得到输入层与输出层之间的激发函数关系；
步骤(四)、将误差补偿实验装置中的编码器5拆除后，重新绑定在人体的腿部，进行人体步态行走试验，测量得到第一陀螺仪3的输出gyro1(t)、第二陀螺仪4的输出gyro2(t)；通过步骤(三)得到的神经网络结构模型，直接获得实时输出层的输出量
Figure BDA0001518596840000075
避免了陀螺仪积分运算累积的误差。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (4)

1.一种基于神经网络的关节角误差补偿实验装置，其特征在于：包括4个绑带(1)、2个安装板(2)、第一陀螺仪(3)、第二陀螺仪(4)、编码器(5)和信号采集板(6)；其中，2个安装板(2)均为条形板状结构；2个安装板(2)的端处连接，且2个安装板(2)实现绕连接处旋转；4个绑带(1)固定安装在安装板(2)的内侧侧壁上，且每2个绑带(1)对应一个安装板(2)；第一陀螺仪(3)固定安装在上部安装板(2)的外侧壁上；第二陀螺仪(4)固定安装在下部安装板(2)的外侧壁上；编码器(5)固定安装在2个安装板(2)连接处的外侧壁上；信号采集板(6)固定安装在第一陀螺仪(3)和编码器(5)之间；
误差补偿方法包括如下步骤：
步骤(一)、将误差补偿实验装置固定安装在人体的腿部；其中一个安装板(2)位于人体大腿外侧；另一个安装板(2)位于人体小腿外侧；2个安装板(2)的连接处位于人体膝盖的外侧；进行人体步态行走试验，通过第一陀螺仪(3)、第二陀螺仪(4)和编码器(5)进行实时测量；通过信号采集板(6)获得测量得到第一陀螺仪(3)的输出gyro1(t)、第二陀螺仪(4)的输出gyro2(t)和编码器(5)的输出
Figure FDA0002903811250000011
步骤(二)、建立双输入单输出的神经网络结构模型
神经网络结构模型包括输入层、隐含层和输出层；输入层的输出量为隐含层的输入量；隐含层的输出量为输出层的输入量；以第一陀螺仪(3)的输出gyro1(t)和第二陀螺仪(4)的输出gyro2(t)作为输入层的输入量；隐含层节点为3-5个节点；以编码器(5)的输出
Figure FDA0002903811250000012
作为输出层的输出量；
步骤(三)、确定输入层与输出层之间的激发函数关系，即隐含层的激发函数，具体步骤如下：
S1：计算隐含层的输入量I1i与输入层的输入量gyro1(t)、gyro2(t)的关系；
S2：计算隐含层的输入量I1i与隐含层的输出量O1i的关系；
S3：计算输出层的输出量
Figure FDA0002903811250000022
与隐含层的输出量O1i的关系；
即，得到输入层与输出层之间的激发函数关系；
步骤(四)、将误差补偿实验装置中的编码器(5)拆除后，重新绑定在人体的腿部，进行人体步态行走试验，测量得到第一陀螺仪(3)的输出gyro1(t)、第二陀螺仪(4)的输出gyro2(t)；通过步骤(三)得到的神经网络结构模型，直接获得实时输出层的输出量
Figure FDA0002903811250000023
避免了陀螺仪积分运算累积的误差；
所述步骤(一)中，人体步态行走的时间为2-10s；步态行走速度为0.5-2.5m/s；第一陀螺仪(3)、第二陀螺仪(4)和编码器(5)的采集频率为10-20ms采集一次；
所述步骤(二)中，输入层的节点为2，分别为第一陀螺仪(3)的输出gyro1(t)和第二陀螺仪(4)的输出gyro2(t)；输出层的节点为1，为编码器(5)的输出
Figure FDA0002903811250000024
2.根据权利要求1所述的一种基于神经网络的关节角误差补偿实验装置，其特征在于：所述步骤(三)的S1中，隐含层的输入量I1i与输入层的输入量gyro1(t)、gyro2(t)的关系为：
Figure FDA0002903811250000021
式中，n为输入层节点的个数，取2；
m1为隐含层节点的个数；
i为第i个隐含层节点；
j为第j个输入层节点；
θ1j为第j个输入层节点的阈值；
w1i,j为第i个隐含层节点与第j个输入层节点的连接权值参数。
3.根据权利要求2所述的一种基于神经网络的关节角误差补偿实验装置，其特征在于：所述步骤(三)的S2中，隐含层的输入量I1i与隐含层的输出量O1i的关系为：
Figure FDA0002903811250000031
式中，a为倾斜参数。
4.根据权利要求3所述的一种基于神经网络的关节角误差补偿实验装置，其特征在于：所述步骤(三)的S3中，输出层的输出量
Figure FDA0002903811250000033
与隐含层的输出量O1i的关系为：
令输入层节点的阈值θ1j为0，则：
Figure FDA0002903811250000032
式中，vi为输出层节点与隐含层节点的连接权值参数；
m2为输出层节点个数，取1。
CN201711396408.5A 2017-12-21 2017-12-21 一种基于神经网络的关节角误差补偿实验装置及方法 Active CN108478222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711396408.5A CN108478222B (zh) 2017-12-21 2017-12-21 一种基于神经网络的关节角误差补偿实验装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711396408.5A CN108478222B (zh) 2017-12-21 2017-12-21 一种基于神经网络的关节角误差补偿实验装置及方法

Publications (2)

Publication Number Publication Date
CN108478222A CN108478222A (zh) 2018-09-04
CN108478222B true CN108478222B (zh) 2021-04-13

Family

ID=63343989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711396408.5A Active CN108478222B (zh) 2017-12-21 2017-12-21 一种基于神经网络的关节角误差补偿实验装置及方法

Country Status (1)

Country Link
CN (1) CN108478222B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109498370B (zh) * 2018-12-26 2021-02-19 杭州电子科技大学 基于肌电小波关联维的下肢关节角度预测方法
CN110039537B (zh) * 2019-03-15 2021-07-13 北京精密机电控制设备研究所 一种基于神经网络的在线自学习多关节运动规划方法
CN110443879B (zh) * 2019-07-24 2021-06-11 华中科技大学 一种基于神经网络的透视误差补偿方法
CN111272138B (zh) * 2019-08-26 2022-04-08 上海飞机制造有限公司 飞机操纵测杆运动角度的测量方法、装置及设备
CN111590544A (zh) * 2020-04-10 2020-08-28 南方科技大学 一种外骨骼输出力的确定方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103961109A (zh) * 2014-05-05 2014-08-06 北京航空航天大学 基于加速度信号和角速度信号的人体姿态检测装置
CN104771175A (zh) * 2015-03-04 2015-07-15 上海交通大学 捕捉人体四肢三维空间姿态的可穿戴智能环

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100125229A1 (en) * 2008-07-11 2010-05-20 University Of Delaware Controllable Joint Brace

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103961109A (zh) * 2014-05-05 2014-08-06 北京航空航天大学 基于加速度信号和角速度信号的人体姿态检测装置
CN104771175A (zh) * 2015-03-04 2015-07-15 上海交通大学 捕捉人体四肢三维空间姿态的可穿戴智能环

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
神经网络及其在角速度传感器校正中的应用;孙海生;《南京航空航天大学硕士学位论文》;20110701;摘要，正文第7-8、18-23页 *

Also Published As

Publication number Publication date
CN108478222A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
CN108478222B (zh) 一种基于神经网络的关节角误差补偿实验装置及方法
CN108245164B (zh) 一种可穿戴式惯性器件人体步态信息采集计算方法
CN106821391B (zh) 基于惯性传感器信息融合的人体步态采集分析系统及方法
CN109579853B (zh) 基于bp神经网络的惯性导航室内定位方法
KR101751760B1 (ko) 하지 관절 각도를 이용한 보행 인자 추정 방법
CN104757976A (zh) 一种基于多传感器融合的人体步态分析方法和系统
CN106667493A (zh) 人体平衡性评估系统及评估方法
CA2711715A1 (en) Portable device and method for measurement and calculation of dynamic parameters of pedestrian locomotion
Grammenos et al. You are sensing, but are you biased? a user unaided sensor calibration approach for mobile sensing
CN103120586A (zh) 人体步态运动学参数采集辅助装置和方法
CN115655265A (zh) 一种基于惯性传感的行人导航室内定位方法
CN114469073B (zh) 基于可穿戴传感器的步态分析与异常检测方法
WO2023108315A1 (zh) 基于步可穿戴传感器的步态分析与异常检测方法
JP2016106948A (ja) 歩数計測装置、歩行機能判定装置および歩数計測システム
Guidolin et al. On the accuracy of imus for human motion tracking: a comparative evaluation
CN113229806A (zh) 可穿戴人体步态检测及导航系统及其运行方法
Lai et al. Measuring toe clearance using a wireless inertial sensing device
Safi et al. Postural stability analysis—A review of techniques and methods for human stability assessment
Xu et al. Measuring human joint movement with IMUs: Implementation in custom-made low cost wireless sensors
González et al. Subject-specific center of mass estimation for in-home rehabilitation–Kinect-Wii board vs. Vicon-force plate
Bennett et al. Motion based acceleration correction for improved sensor orientation estimates
Mengarelli et al. Inertial sensor based estimation of the center of pressure during unperturbed upright stance
Meigal et al. Analysis of human gait based on smartphone inertial measurement unit: a feasibility study
Qi et al. A wearable wireless ultrasonic sensor network for human arm motion tracking
CN109061215A (zh) 一种基于可穿戴设备的速度检测方法及可穿戴设备

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