CN108629324B - 一种基于深度学习的步态模拟系统和方法 - Google Patents
一种基于深度学习的步态模拟系统和方法 Download PDFInfo
- Publication number
- CN108629324B CN108629324B CN201810450571.3A CN201810450571A CN108629324B CN 108629324 B CN108629324 B CN 108629324B CN 201810450571 A CN201810450571 A CN 201810450571A CN 108629324 B CN108629324 B CN 108629324B
- Authority
- CN
- China
- Prior art keywords
- module
- program
- gait
- central processing
- analysis
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 111
- 238000004088 simulation Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 103
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 22
- 230000006855 networking Effects 0.000 claims abstract description 19
- 230000010354 integration Effects 0.000 claims description 28
- 230000003993 interaction Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的步态模拟系统,包括中央处理模块,所述中央处理模块与数据程序提取模块实现双向连接,且数据程序提取系统与联网信息数据库实现双向连接,所述数据程序提取模块包括提取指令处理模块、程序组模识别模块、程序组模分析模块和程序组模发送模块,所述提取指令处理模块的输出端与程序组模识别模块的输入端连接,涉及步态模拟技术领域。该基于深度学习的步态模拟系统和方法,大大提高了步态模拟系统的智能化程度,实现了通过联网大数据使整个步态模拟系统能够进行深度学习,达到了对外界识别的不同步态进行智能学习和模仿的目的,从而大大方便了人们使用步态模拟设备进行步态矫正或康复训练。
Description
技术领域
本发明涉及步态模拟技术领域,具体为一种基于深度学习的步态模拟系统和方法。
背景技术
人类对步态分析的研究从三百多年前就已经开始,步态分析领域已经有了多个子分支,并仍处在发展当中,与此同时,足底压力分析也应用于很多领域,如生物力学、矫形外科、康复医学等,正常人的足底压力分析不仅能让我们对正常人的步态有更为深入的理解,而且还能为病态足的足底压力分析提供正常的基线标准,基于此目前衍生出了大量的步态信息采集产品、足部运动矫正产品、运动康复器材、智能鞋等各类产品,然而人类步态调节或改变是受多种因素影响的,如内因、外因、生理因素、心里因素等,并且改变正常的步态可以是暂时性或永久性的,而检测、验证和优化各类产品却需要一个稳定的测试环境,为此需要研制一套能够真实再现人类正常步态、足底压力、步频、步幅的模拟仿真系统。
目前的步态模拟系统大多是通过设计者向系统处理器内输入设定的控制程序,再给人们进行使用和仿真,然而,这样的步态模拟系统智能化程度较低,且不能实现通过联网大数据使整个步态模拟系统能够进行深度学习,无法达到对外界识别的不同步态进行智能学习和模仿的目的,从而给人们使用步态模拟设备进行步态矫正或康复训练带来了极大的不便。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于深度学习的步态模拟系统和方法,解决了现有的步态模拟系统智能化程度较低,且不能实现通过联网大数据使整个步态模拟系统能够进行深度学习,无法达到对外界识别的不同步态进行智能学习和模仿目的的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于深度学习的步态模拟系统,包括中央处理模块,所述中央处理模块与数据程序提取模块实现双向连接,且数据程序提取系统与联网信息数据库实现双向连接,所述数据程序提取模块包括提取指令处理模块、程序组模识别模块、程序组模分析模块和程序组模发送模块,所述提取指令处理模块的输出端与程序组模识别模块的输入端连接,且程序组模识别模块的输出端与程序组模分析模块的输入端连接,所述程序组模分析模块的输出端与程序组模发送模块的输入端连接,且程序组模识别模块与联网信息数据库实现双向连接。
优选的,所述中央处理模块与图像处理单元实现双向连接,且图像处理单元的输入端与图像采集模块的输出端连接,所述图像采集模块的输入端与中央处理模块的输出端连接。
优选的,所述图像处理单元包括图像信息提取单元、A/D转换模块和图像信息识别模块,所述图像信息提取单元的输出端与A/D转换模块的输入端连接,且A/D转换模块的输出端与图像信息识别模块的输入端连接。
优选的,所述中央处理模块与人机交互单元实现双向连接,且中央处理模块与图形分析系统实现双向连接。
优选的,所述图形分析系统包括步幅识别分析模块、步频计算分析模块、步态整合分析模块和整合数据发送模块,所述步幅识别分析模块的输出端与步频计算分析模块的输入端连接,且步频计算分析模块的输出端与步态整合分析模块的输入端连接,所述步态整合分析模块的输出端与整合数据发送模块的输入端连接。
优选的,所述中央处理模块的输出端与驱动模块的输入端连接,且中央处理模块的输出端与机械结构单元的输入端连接。
优选的,所述中央处理模块的输入端与电源模块的输出端电性连接,且电源模块的输出端分别与图像采集模块和人机交互单元的输入端电性连接。
本发明还公开了一种基于深度学习的步态模拟系统的方法,具体包括以下步骤:
S1、先通过电源模块分别使中央处理模块、图像采集模块和人机交互单元通电,然后用户可通过人机交互单元与整个步态模拟系统进行交互;
S2、用户可通过人机交互单元向中央处理模块内发送控制指令,中央处理模块会控制图像采集模块对外界的人类的步态图像进行采集,并将采集的外界步态图像发送至图像处理单元内;
S3、图像处理单元内的图像信息提取单元会对采集的步态图像信息进行提取,并将提取的步态图像信息传送至A/D转换模块内转换成二进制数据信息,之后通过图像信息识别模块对提取的步态图像信息进行确认识别,并将识别出的步态信息传送至中央处理模块;
S4、中央处理模块会将识别出的步态信息传送至图像分析系统内,图形分析系统内的步幅识别分析模块先对识别的步态信息的步幅进行识别分析处理,再通过步频计算分析模块对识别出的步态信息的步频进行计算分析处理,分析处理后的步幅和步频会传送至步态整合分析模块内,进行自动化编程,此时步态整合分析模块会向中央处理模块发送程序组模提取指令;
S5、中央处理模块接收到程序组模提取指令后,会向数据程序提取系统发送提取指令,数据程序提取系统内的提取指令处理模块接收到提取指令后,会使程序组模识别模块向联网信息数据库提取相应的程序组模,并对提取的程序组模进行识别,之后将识别出的程序组模发送至程序组模分析模块内进行分析,分析完成后通过程序组模发送模块发送至中央处理模块内,中央处理模块会将程序组模传送至步态整合分析模块内进行自动编程使用,之后通过整合数据发送模块将自动编程好的程序发送至中央处理模块内;
S6、中央处理模块会分别控制驱动模块和机械结构单元开始进行程序相应的工作,从而实现对外界的步态进行深度的学习。
(三)有益效果
本发明提供了一种基于深度学习的步态模拟系统和方法。具备以下有益效果:
(1)、该基于深度学习的步态模拟系统和方法,通过在中央处理模块与数据程序提取模块实现双向连接,且数据程序提取系统与联网信息数据库实现双向连接,再分别通过提取指令处理模块、程序组模识别模块、程序组模分析模块、程序组模发送模块、步幅识别分析模块、步频计算分析模块、步态整合分析模块和整合数据发送模块的配合设置,大大提高了步态模拟系统的智能化程度,实现了通过联网大数据使整个步态模拟系统能够进行深度学习,达到了对外界识别的不同步态进行智能学习和模仿的目的,从而大大方便了人们使用步态模拟设备进行步态矫正或康复训练。
(2)、该基于深度学习的步态模拟系统和方法,通过在中央处理模块与图像处理单元实现双向连接,且图像处理单元的输入端与图像采集模块的输出端连接,再分别通过图像信息提取单元、A/D转换模块和图像信息识别模块的配合设置,可实现对外界的图像进行采集,并对采集的图像进行分析处理,从而很好的达到了智能识别的目的。
(3)、该基于深度学习的步态模拟系统和方法,通过在中央处理模块与人机交互单元实现双向连接,可实现使用户与整个步态模拟系统进行很好的交互,从而大大方便了人们的使用,再通过在中央处理模块的输出端与驱动模块的输入端连接,且中央处理模块的输出端与机械结构单元的输入端连接,可实现根据编辑出的程序进行相应的动作。
附图说明
图1为本发明系统的结构原理框;
图2为本发明数据程序提取系统的结构原理框;
图3为本发明图形分析系统的结构原理框图。
图中,1中央处理模块、2数据程序提取模块、21提取指令处理模块、22程序组模识别模块、23程序组模分析模块、24程序组模发送模块、3联网信息数据库、4图像处理单元、41图像信息提取单元、42A/D转换模块、43图像信息识别模块、5图像采集模块、6人机交互单元、7图形分析系统、71步幅识别分析模块、72步频计算分析模块、73步态整合分析模块、74整合数据发送模块、8驱动模块、9机械结构单元、10电源模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,本发明实施例提供一种技术方案:一种基于深度学习的步态模拟系统,包括中央处理模块1,中央处理模块1与图像处理单元4实现双向连接,且图像处理单元4的输入端与图像采集模块5的输出端连接,图像采集模块5会对步态模拟系统外界的图像进行采集,图像采集模块5的输入端与中央处理模块1的输出端连接,图像处理单元4包括图像信息提取单元41、A/D转换模块42和图像信息识别模块43,图像信息提取单元41可实现对采集的图像信息进行提取,A/D转换模块42可将提取的图像信号转换成二进制数据信号,图像信息识别模块43可对图像信息进行识别,图像信息提取单元41的输出端与A/D转换模块42的输入端连接,且A/D转换模块42的输出端与图像信息识别模块43的输入端连接,中央处理模块1与人机交互单元6实现双向连接,人机交互单元6可实现使用户与整个步态模拟系统进行很好的交互,从而大大方便了人们的使用,且中央处理模块1与图形分析系统7实现双向连接,图形分析系统7包括步幅识别分析模块71、步频计算分析模块72、步态整合分析模块73和整合数据发送模块74,步幅识别分析模块71可实现对采集的图像信息中的步幅进行识别分析,步频计算分析模块72可对识别出的步态图像中的步频进行计算分析,步态整合分析模块73可将整个步态情况进行整合,并对整合出的步态信息自动生成出相应的编程数据,整合数据发送模块74,可将生成的相应程序发送出去,步幅识别分析模块71的输出端与步频计算分析模块72的输入端连接,且步频计算分析模块72的输出端与步态整合分析模块73的输入端连接,步态整合分析模块73的输出端与整合数据发送模块74的输入端连接,中央处理模块1与数据程序提取模块2实现双向连接,且数据程序提取系统2与联网信息数据库3实现双向连接,联网信息数据库3为联网大数据库,数据程序提取模块2包括提取指令处理模块21、程序组模识别模块22、程序组模分析模块23和程序组模发送模块24,提取指令处理模块21可实现对提取指令进行处理,程序组模识别模块22、可对提取的程序模组进行识别,程序组模分析模块23可对程序组模进行分析,程序组模发送模块24,提取指令处理模块21的输出端与程序组模识别模块22的输入端连接,且程序组模识别模块22的输出端与程序组模分析模块23的输入端连接,程序组模分析模块23的输出端与程序组模发送模块24的输入端连接,且程序组模识别模块22与联网信息数据库3实现双向连接,中央处理模块1的输出端与驱动模块8的输入端连接,驱动模块8为整个步态模拟系统内部的动力驱动结构,且中央处理模块1的输出端与机械结构单元9的输入端连接,机械结构单元9为整个步态模拟系统内部的机械传动结构,可配合驱动模块8使步态模拟系统模仿识别出的步态动作,中央处理模块1的输入端与电源模块10的输出端电性连接,且电源模块10的输出端分别与图像采集模块5和人机交互单元6的输入端电性连接。
本发明还公开了一种基于深度学习的步态模拟系统的方法,具体包括以下步骤:
S1、先通过电源模块10分别使中央处理模块1、图像采集模块5和人机交互单元6通电,然后用户可通过人机交互单元6与整个步态模拟系统进行交互;
S2、用户可通过人机交互单元6向中央处理模块1内发送控制指令,中央处理模块1会控制图像采集模块5对外界的人类的步态图像进行采集,并将采集的外界步态图像发送至图像处理单元4内;
S3、图像处理单元4内的图像信息提取单元41会对采集的步态图像信息进行提取,并将提取的步态图像信息传送至A/D转换模块42内转换成二进制数据信息,之后通过图像信息识别模块43对提取的步态图像信息进行确认识别,并将识别出的步态信息传送至中央处理模块1;
S4、中央处理模块1会将识别出的步态信息传送至图像分析系统7内,图形分析系统7内的步幅识别分析模块71先对识别的步态信息的步幅进行识别分析处理,再通过步频计算分析模块72对识别出的步态信息的步频进行计算分析处理,分析处理后的步幅和步频会传送至步态整合分析模块73内,进行自动化编程,此时步态整合分析模块73会向中央处理模块1发送程序组模提取指令;
S5、中央处理模块1接收到程序组模提取指令后,会向数据程序提取系统2发送提取指令,数据程序提取系统2内的提取指令处理模块21接收到提取指令后,会使程序组模识别模块22向联网信息数据库3提取相应的程序组模,并对提取的程序组模进行识别,之后将识别出的程序组模发送至程序组模分析模块23内进行分析,分析完成后通过程序组模发送模块24发送至中央处理模块1内,中央处理模块1会将程序组模传送至步态整合分析模块73内进行自动编程使用,之后通过整合数据发送模块74将自动编程好的程序发送至中央处理模块1内;
S6、中央处理模块1会分别控制驱动模块8和机械结构单元9开始进行程序相应的工作,从而实现对外界的步态进行深度的学习。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于深度学习的步态模拟系统,包括中央处理模块(1),其特征在于:所述中央处理模块(1)与数据程序提取模块(2)实现双向连接,且数据程序提取系统(2)与联网信息数据库(3)实现双向连接,所述数据程序提取模块(2)包括提取指令处理模块(21)、程序组模识别模块(22)、程序组模分析模块(23)和程序组模发送模块(24),所述提取指令处理模块(21)的输出端与程序组模识别模块(22)的输入端连接,且程序组模识别模块(22)的输出端与程序组模分析模块(23)的输入端连接,所述程序组模分析模块(23)的输出端与程序组模发送模块(24)的输入端连接,且程序组模识别模块(22)与联网信息数据库(3)实现双向连接;
所述中央处理模块(1)与人机交互单元(6)实现双向连接,且中央处理模块(1)与图形分析系统(7)实现双向连接;
所述图形分析系统(7)包括步幅识别分析模块(71)、步频计算分析模块(72)、步态整合分析模块(73)和整合数据发送模块(74),所述步幅识别分析模块(71)的输出端与步频计算分析模块(72)的输入端连接,且步频计算分析模块(72)的输出端与步态整合分析模块(73)的输入端连接,所述步态整合分析模块(73)的输出端与整合数据发送模块(74)的输入端连接;
所述中央处理模块(1)接收到程序组模提取指令后,会向数据程序提取系统(2)发送提取指令,数据程序提取系统(2)内的提取指令处理模块(21)接收到提取指令后,会使程序组模识别模块(22)向联网信息数据库(3)提取相应的程序组模,并对提取的程序组模进行识别,之后将识别出的程序组模发送至程序组模分析模块(23)内进行分析,分析完成后通过程序组模发送模块(24)发送至中央处理模块(1)内,中央处理模块(1)会将程序组模传送至步态整合分析模块(73)内进行自动编程使用,之后通过整合数据发送模块(74)将自动编程好的程序发送至中央处理模块(1)内。
2.根据权利要求1所述的一种基于深度学习的步态模拟系统,其特征在于:所述中央处理模块(1)与图像处理单元(4)实现双向连接,且图像处理单元(4)的输入端与图像采集模块(5)的输出端连接,所述图像采集模块(5)的输入端与中央处理模块(1)的输出端连接。
3.根据权利要求2所述的一种基于深度学习的步态模拟系统,其特征在于:所述图像处理单元(4)包括图像信息提取单元(41)、A/D转换模块(42)和图像信息识别模块(43),所述图像信息提取单元(41)的输出端与A/D转换模块(42)的输入端连接,且A/D转换模块(42)的输出端与图像信息识别模块(43)的输入端连接。
4.根据权利要求1所述的一种基于深度学习的步态模拟系统,其特征在于:所述中央处理模块(1)的输出端与驱动模块(8)的输入端连接,且中央处理模块(1)的输出端与机械结构单元(9)的输入端连接。
5.根据权利要求1所述的一种基于深度学习的步态模拟系统,其特征在于:所述中央处理模块(1)的输入端与电源模块(10)的输出端电性连接,且电源模块(10)的输出端分别与图像采集模块(5)和人机交互单元(6)的输入端电性连接。
6.根据权利要求1所述的一种基于深度学习的步态模拟系统的方法,其特征在于:具体包括以下步骤:
S1、先通过电源模块(10)分别使中央处理模块(1)、图像采集模块(5)和人机交互单元(6)通电,然后用户可通过人机交互单元(6)与整个步态模拟系统进行交互;
S2、用户可通过人机交互单元(6)向中央处理模块(1)内发送控制指令,中央处理模块(1)会控制图像采集模块(5)对外界的人类的步态图像进行采集,并将采集的外界步态图像发送至图像处理单元(4)内;
S3、图像处理单元(4)内的图像信息提取单元(41)会对采集的步态图像信息进行提取,并将提取的步态图像信息传送至A/D转换模块(42)内转换成二进制数据信息,之后通过图像信息识别模块(43)对提取的步态图像信息进行确认识别,并将识别出的步态信息传送至中央处理模块(1);
S4、中央处理模块(1)会将识别出的步态信息传送至图像分析系统(7)内,图形分析系统(7)内的步幅识别分析模块(71)先对识别的步态信息的步幅进行识别分析处理,再通过步频计算分析模块(72)对识别出的步态信息的步频进行计算分析处理,分析处理后的步幅和步频会传送至步态整合分析模块(73)内,进行自动化编程,此时步态整合分析模块(73)会向中央处理模块(1)发送程序组模提取指令;
S5、中央处理模块(1)接收到程序组模提取指令后,会向数据程序提取系统(2)发送提取指令,数据程序提取系统(2)内的提取指令处理模块(21)接收到提取指令后,会使程序组模识别模块(22)向联网信息数据库(3)提取相应的程序组模,并对提取的程序组模进行识别,之后将识别出的程序组模发送至程序组模分析模块(23)内进行分析,分析完成后通过程序组模发送模块(24)发送至中央处理模块(1)内,中央处理模块(1)会将程序组模传送至步态整合分析模块(73)内进行自动编程使用,之后通过整合数据发送模块(74)将自动编程好的程序发送至中央处理模块(1)内;
S6、中央处理模块(1)会分别控制驱动模块(8)和机械结构单元(9)开始进行程序相应的工作,从而实现对外界的步态进行深度的学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450571.3A CN108629324B (zh) | 2018-05-11 | 2018-05-11 | 一种基于深度学习的步态模拟系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450571.3A CN108629324B (zh) | 2018-05-11 | 2018-05-11 | 一种基于深度学习的步态模拟系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629324A CN108629324A (zh) | 2018-10-09 |
CN108629324B true CN108629324B (zh) | 2022-03-08 |
Family
ID=63692748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810450571.3A Active CN108629324B (zh) | 2018-05-11 | 2018-05-11 | 一种基于深度学习的步态模拟系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629324B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783070A (zh) * | 2019-01-09 | 2019-05-21 | 湖北凌晖信息科技有限公司 | 一种计算机软件设计系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105615886A (zh) * | 2015-12-29 | 2016-06-01 | 北京贞正物联网技术有限公司 | 双足步态模拟及足底压力仿真系统及使用方法 |
CN105893966A (zh) * | 2016-04-04 | 2016-08-24 | 上海大学 | 人体步态信息采集和步态形式分类识别系统及方法 |
CN107423730A (zh) * | 2017-09-20 | 2017-12-01 | 湖南师范大学 | 一种基于语义折叠的人体步态行为主动检测识别系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10223582B2 (en) * | 2014-10-28 | 2019-03-05 | Watrix Technology | Gait recognition method based on deep learning |
-
2018
- 2018-05-11 CN CN201810450571.3A patent/CN108629324B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105615886A (zh) * | 2015-12-29 | 2016-06-01 | 北京贞正物联网技术有限公司 | 双足步态模拟及足底压力仿真系统及使用方法 |
CN105893966A (zh) * | 2016-04-04 | 2016-08-24 | 上海大学 | 人体步态信息采集和步态形式分类识别系统及方法 |
CN107423730A (zh) * | 2017-09-20 | 2017-12-01 | 湖南师范大学 | 一种基于语义折叠的人体步态行为主动检测识别系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108629324A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107485844B (zh) | 一种肢体康复训练方法、系统及嵌入式设备 | |
CN114724241A (zh) | 基于骨骼点距离的动作识别方法、装置、设备及存储介质 | |
WO2017161733A1 (zh) | 通过电视和体感配件进行康复训练及系统 | |
CN106997243A (zh) | 基于智能机器人的演讲场景监控方法及装置 | |
WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
CN111415720B (zh) | 一种基于多数据采集的训练辅助方法和装置 | |
CN105446362B (zh) | 基于计算机科学辅助的姿势检测调整装置及其方法 | |
CN111126280A (zh) | 基于融合手势识别的失语症患者辅助康复训练系统及方法 | |
CN108095705A (zh) | 智能肌肉疲劳消除系统及方法 | |
CN113920326A (zh) | 基于人体骨骼关键点检测的摔倒行为识别方法 | |
CN114255508A (zh) | 一种基于OpenPose的学生体态检测分析及效率评估方法 | |
CN108958482A (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
CN108629324B (zh) | 一种基于深度学习的步态模拟系统和方法 | |
CN110415818A (zh) | 一种基于可观察病症的智能儿科疾病问诊系统及方法 | |
CN202815842U (zh) | 基于云计算的中医数据采集诊断中间系统 | |
Dindo et al. | Hankelet-based action classification for motor intention recognition | |
CN110192860A (zh) | 一种面向网络信息认知的脑成像智能测试分析方法及系统 | |
Chen et al. | Cnn-lstm model for recognizing video-recorded actions performed in a traditional chinese exercise | |
CN110458076A (zh) | 一种基于计算机视觉的教学方法及系统 | |
CN109820523A (zh) | 心理测试仪控制方法、装置及计算机可读存储介质 | |
CN116230198A (zh) | 一种多维度藏医ai智能辅助决策装置和系统 | |
CN113469113A (zh) | 动作计数方法、装置、电子设备和存储介质 | |
CN117370878B (zh) | 一种基于脊柱关节振动信息的表皮提取定位方法及系统 | |
CN111540379A (zh) | 临床训练系统及方法 | |
CN117582643B (zh) | 基于虚拟现实的视听综合训练方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240110 Address after: 430000 e3186, Wuhan international student entrepreneurship Park, No. 11, Dongxin Road, Donghu New Technology Development Zone, Wuhan, Hubei Province Patentee after: Wuhan Qichuang Funeng Intelligent Technology Co.,Ltd. Address before: 430000 12336, science and technology building, 243 Luoyu Road, Donghu Development Zone, Wuhan City, Hubei Province Patentee before: WUHAN TUORUI CHUANQI TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |