CN109145739A - 一种人体姿态预测方法、装置及系统 - Google Patents
一种人体姿态预测方法、装置及系统 Download PDFInfo
- Publication number
- CN109145739A CN109145739A CN201810790542.1A CN201810790542A CN109145739A CN 109145739 A CN109145739 A CN 109145739A CN 201810790542 A CN201810790542 A CN 201810790542A CN 109145739 A CN109145739 A CN 109145739A
- Authority
- CN
- China
- Prior art keywords
- human body
- user
- action parameter
- posture
- time period
- 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
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Social Psychology (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种人体姿态预测方法、装置及系统，属于智能可穿戴设备技术领域。所述方法包括：根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；基于预设人体姿态识别模型，根据预测的第一时间段内的用户的动作参数序列，预测第一时间段的用户姿态；根据第一时间段内实际获取到的用户的动作参数序列，确定第一时间段的实际用户姿态；判断预测的第一时间段的用户姿态和实际用户姿态是否一致；若否，则根据当前预设时间窗口内获取到的动作参数序列和实际用户姿态修正预设人体姿态识别模型，以用修正的预设人体姿态识别模型进行人体姿态预测。本发明建立了个性化人体姿态识别模型，动作预测准确度高。
Description
技术领域
本发明涉及一种人体姿态预测方法、装置及系统，属于可穿戴设备技术领域。
背景技术
随着中国老龄化趋势加剧，老人的健康问题给社会带来的压力越来越大。老年人骨质疏松，跌倒问题成为老年人健康杀手，跌倒对于老年人来说是灾难性的。为了更好地为老年人提供防护器具，如智能摔倒防护器具等的基本前提是能够对老年人即将呈现的姿态做出准确的判断和预测。
现有人体防护系统一般根据假想或通用人体姿态识别模型和预设时间段内测得的用户动作参数进行姿态识别，由于不同个体动作和姿态差异，姿态模型与实际个体差异很大，难以实用。
发明内容
为解决现有技术中存在的问题，本发明提供了一种人体姿态预测方法、装置及系统，得到个性化人体姿态预测模型，能很好的满足多种需要实时准确感知人体姿态和预测动作的应用需求。
为实现上述目的，本发明提供如下技术方案：
一种人体姿态预测方法，包括：
获取用户特征部位的动作参数；
根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；
基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；
基于所述预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；
判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；
若否，则根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
在一可选实施例中，基于隐马尔科夫模型，根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列。
在一可选实施例中，基于卷积神经网络自学习算法，根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型。
在一可选实施例中，所述获取用户特征部位的动作参数之前，还包括：构建所述预设人体姿态识别模型。
在一可选实施例中，所述构建所述预设人体姿态识别模型，包括：
建立用户动作参数与姿态数据库，所述数据库中包含多个用户在预设时间窗口的动作参数序列与姿态的对应关系，所述姿态包括正常姿态和异常姿态；
根据所述数据库，训练得到所述预设人体姿态识别模型。
在一可选实施例中，所述根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，之后还包括：
当所述实际用户姿态为异常姿态时，将所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态上传至服务器，以使所述服务器修正所述预设人体姿态识别模型。
一种人体姿态预测装置，包括：
参数获取模块，用于获取用户特征部位的动作参数；
参数预测模块，用于根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；
姿态预测模块，用于基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；
姿态确定模块，用于基于所述预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；
判断模块，用于判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；
修正模块，用于若预测的所述第一时间段的用户姿态和所述实际用户姿态不一致，则根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
一种人体姿态预测系统，包括信号采集装置和人体姿态预测装置，所述信号采集装置用于监测用户特征部位的动作参数，所述人体姿态预测装置用于：
获取用户特征部位的动作参数；根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；若否，则根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
在一可选实施例中，所述用户特征部位为用户后腰正中位置，所述信号采集装置用于监测用户后腰正中位置的动作参数。
在一可选实施例中，所述用户特征部位为用户后腰正中位置、左侧骨盆处及右侧骨盆处，所述信号采集装置包括三个传感器，分别用于监测用户后腰正中位置、左侧骨盆处及右侧骨盆处动作参数，对所述三个传感器监测的监测参数进行加权，得到用户特征部位动作参数。
本发明具有如下有益效果：
(1)本发明实施例提供的人体姿态预测方法，通过实时采集用户的动作参数，预测下一时间段用户的动作参数，进而预测下一时间段用户的姿态，根据用户下一时间段的实际姿态，调整预设人体姿态识别模型，建立适应用户个体特征的最佳人体姿态识别模型，具有很高的人体姿态识别和动作预测准确度；
(2)本发明实施例提供的模型构建方法，根据大量的用户特征部位的动作参数序列构建人体姿态识别模型，建立的模型针对性更强、适用面更广；
(3)本发明通过卷积神经网络自学习的方式，能够从大量数据出发，使训练好的模型具有好的泛化能力。对用户特殊动作习惯具有更强的适应能力；
(4)本发明通过采用基于时间序列的隐马尔科夫模型进行动作参数预测，从统计学角度处理，可以提高预测的准确度，避免了一一匹配导致的计算量过大、计算时间过长等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的人体姿态预测方法流程图；
图2为本发明实施例提供的人体姿态预测装置示意图。
具体实施方式
以下将结合附图及具体实施例对本发明做进一步详细说明。
本发明实施例提供了一种构建人体姿态识别模型的方法，包括：
步骤a：建立用户动作参数与姿态数据库，所述数据库中包含多个用户在预设时间窗口的动作参数序列与姿态的对应关系，所述姿态包括正常姿态和异常姿态；
具体地，用户姿态可以是行走、跑步、上楼、下楼、跳跃、健身操、坐下、起立、平躺等各种姿态，其中各姿态均包括正常姿态和异常姿态，且异常姿态中可以包括向前跌倒、向后跌倒、向左摔倒、向右摔倒、滑倒、绊倒、高处跌落等；
可以通过采集大量样本真实运动时的动作参数，通过人工识别和标定，确定异常姿态对应的动作参数序列，建立异常姿态与动作参数序列的对应关系；
步骤b：根据所述数据库，训练得到人体姿态识别模型。
例如，数据库中建立的是用户腰部动作参数与是否跌倒的对应关系，多次分时采集特定用户在不同场景中腰部的动作参数序列，将腰部的动作参数序列通过人工标注的方式分为训练集(train set)和测试集(test set)，之后进行数据学习和模型训练，得到人体姿态识别模型，并通过测试集对训练的模型进行效果评判，更进一步，通过修改网络结构，并利用梯度下降法来调整网络结构，实现对模型的优化。
本发明实施例提供的模型构建方法，根据大量的用户特征部位的动作参数序列构建人体姿态识别模型，建立的模型针对性更强、适用面更广。
参见图1，本发明实施例还提供了一种人体姿态预测方法，包括：
步骤101：获取用户特征部位的动作参数；
具体地，本发明实施例中，所述特征部位可以是用户的后腰、膝关节、骨盆等对运动起关键支撑作用的部位；所述动作参数可以是加速度、角速度、位移等测量参数，可以通过测量加速度、角速度及位移的各类传感器进行监测，例如加速度计、陀螺仪、测距雷达及高度传感器等；
步骤102：根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；
具体地，本发明实施例中，所述即将发生的第一时间段的起点为当前预设时间窗口的终止时间点；
在一可选实施例中，通过建立标准动作参数序列数据库，将当前预设时间窗口内获取到的动作参数序列与标准动作参数序列进行匹配，得到匹配的标准动作参数序列，根据匹配的标准动作参数序列预测即将发生的第一时间段内的动作参数序列，其中，标准动作参数序列的数据量为所述当前预设时间窗口内获取到的动作参数序列与第一时间段内的动作参数序列之和；
在另一可选实施例中，基于时域动态窗口区间的隐马尔科夫模型，预测即将发生的第一时间段内的用户的动作参数序列；基于时间序列的隐马尔科夫模型，考虑到人体动作信息具有连续性的特点，通过采集到大量的人体动作参数序列，对异常姿态，如向前摔倒、向后摔倒、左侧摔倒和右侧摔倒等对应的动作参数序列，统计计算转移概率矩阵T，根据获得的转移概率矩阵T，根据当前预设时间窗口内的动作参数预测得到下一时刻动作参数；人体姿态信息具有概率特性，从统计学角度处理，可以提高预测的准确度，避免了一一匹配导致的计算量过大、计算时间过长等问题。
步骤103：基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；
具体地，所述预设人体姿态识别模型可以是密集人体姿态评估模型、基于多级动态模型的三位人体姿态模型等已有人体姿态识别模型，还可以是上述构建模型实施例提供的人体姿态识别模型，本发明不作限定；
具体地，本发明实施例中优选通过中值滤波和移动平均滤波串联的方式，将当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列进行降噪和平滑预处理，然后作为预设人体姿态识别模型的输入，得到预测的用户姿态；
步骤104：基于所述预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；
步骤105：判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；
具体地，所述一致可以包括二者均为正常姿态或者二者均为异常姿态，还可以包括二者均为第一异常姿态或者二者均为第二异常姿态，相应地，不一致可以包括一个为正常姿态一个为异常姿态，还可以包括二者为不同的异常姿态；
若是，则继续基于所述预设人体姿态识别模型预测用户姿态，若否，则进行步骤106；
步骤106：根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
具体地，本发明实施例提供的人体姿态预测方法可以由用户佩戴的设备实现，还可以通过将数据上传服务器的方式实现，本发明不作限定；
本发明实施例提供的人体姿态预测方法，通过实时采集用户的动作参数，预测下一时间段用户的动作参数，进而预测下一时间段用户的姿态，根据用户下一时间段的实际姿态，调整预设人体姿态识别模型，建立适应用户个体特征的最佳人体姿态识别模型，具有很高的人体姿态识别和动作预测准确度。
在一可选实施例中，基于卷积神经网络自学习算法，根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型。对于相对复杂的人体姿态模型，通过卷积神经网络自学习的方式，能够从大量数据出发，使训练好的模型具有好的泛化能力。对用户特殊动作习惯具有更强的适应能力。
在一可选实施例中，在用户端进行以下步骤：根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，当所述实际用户姿态为异常姿态时(例如摔倒)，用户端通过通讯模块将所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态上传至服务器，以使所述服务器修正存储在服务器内的所述预设人体姿态识别模型，并将修订的人体姿态识别模型下发给各同类设备，以使所述同类设备更新内置的预设人体姿态识别模型，并将修正后的预设人体姿态识别模型发送至其他同类设备，以更新所述其他同类设备内置的预设人体姿态识别模型。
参见图2，本发明实施例还提供了一种人体姿态预测装置，包括：
参数获取模块10，用于获取用户特征部位的动作参数；
参数预测模块20，用于根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；
姿态预测模块30，用于基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；
姿态确定模块40，用于基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；
判断模块50，用于判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；
修正模块60，用于若预测的所述第一时间段的用户姿态和所述实际用户姿态不一致，则根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
本发明实施例提供的人体姿态预测装置与上述实施例提供的人体姿态预测方法实施例一一对应，具有上述实施例所具有的有益效果，具体描述参见上述方法实施例，在此不再赘述。
本发明实施例还提供了一种人体姿态预测系统，包括信号采集装置和人体姿态预测装置，所述信号采集装置用于监测用户特征部位的动作参数，所述人体姿态预测装置由上述装置实施例提供，用于：
获取用户特征部位的动作参数；根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；若否，则根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
关于人体姿态预测装置的描述参见上述装置实施例，在此不再赘述；所述信号采集装置可以包括加速度计、陀螺仪、测距雷达及高度传感器等测量装置，优选微型惯性测量装置；
在一可选实施例中，所述用户特征部位为用户后腰正中位置，所述信号采集装置用于监测用户后腰正中位置的三轴加速度和三轴角速度。通过在后腰中部设置传感器测量三轴加速度和三轴角速度，能够精准的描述用户行走过程中的动作参数，以快速地预测行走过程中的跌倒等异常姿态。
在另一可选实施例中，所述用户特征部位为用户后腰正中位置、左侧骨盆处及右侧骨盆处，所述信号采集装置包括三个传感器，分别用于监测用户后腰正中位置、左侧骨盆处及右侧骨盆处动作参数，对所述三个传感器监测的监测参数进行加权，得到用户特征部位动作参数。
在一可选实施例中，取腰正中位置、左侧骨盆处及右侧骨盆处的权重系数为(0.5,0,25,0,25)，对器对应的动作参数进行加权，得到用户特征部位动作参数。
该方法可以综合考量多个部位的动作参数信息，避免采集数据单一导致的误判，进一步提高了预测的准确度。
进一步地，本发明实施例提供了一种人体姿态预测系统，还包括承载基体，用于承载人体姿态预测装置和信号采集装置，在一可选实施例中，承载基体采用铝合金轻质材料为40*30*30mm3方形盒子结构；人体姿态预测装置包括基于Cortex-M3的嵌入式芯片、高性能16K闪存及低功耗无线互联网芯片，基于Cortex-M3的嵌入式芯片用于快速执行方法实施例中的步骤101-106，高性能16K闪存用于存储预设人体姿态识别模型，低功耗无线互联网芯片具备对外通信能力，以向服务器发送信息或接收服务器发送的信息；
进一步地，本发明实施例提供了一种人体姿态预测系统，还包括电源和电源管理电源，以给系统供电及智能化高效管理电池；在一可选实施例中，所述电池为5V纽扣电池。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种人体姿态预测方法，其特征在于，包括：
获取用户特征部位的动作参数；
根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；
基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；
基于所述预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；
判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；
若否，则根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
2.根据权利要求1所述的人体姿态预测方法，其特征在于，基于隐马尔科夫模型，根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列。
3.根据权利要求1所述的人体姿态预测方法，其特征在于，基于卷积神经网络自学习算法，根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型。
4.根据权利要求1所述的人体姿态预测方法，其特征在于，所述获取用户特征部位的动作参数之前，还包括：构建所述预设人体姿态识别模型。
5.根据权利要求4所述的人体姿态预测方法，其特征在于，所述构建所述预设人体姿态识别模型，包括：
建立用户动作参数与姿态数据库，所述数据库中包含多个用户在预设时间窗口的动作参数序列与姿态的对应关系，所述姿态包括正常姿态和异常姿态；
根据所述数据库，训练得到所述预设人体姿态识别模型。
6.根据权利要求1所述的人体姿态预测方法，其特征在于，所述根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，之后还包括：
当所述实际用户姿态为异常姿态时，将所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态上传至服务器，以使所述服务器修正所述预设人体姿态识别模型，并将修正后的预设人体姿态识别模型发送至其他同类设备，以更新所述其他同类设备内置的预设人体姿态识别模型。
7.一种人体姿态预测装置，其特征在于，包括：
参数获取模块，用于获取用户特征部位的动作参数；
参数预测模块，用于根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；
姿态预测模块，用于基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；
姿态确定模块，用于基于所述预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；
判断模块，用于判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；
修正模块，用于若预测的所述第一时间段的用户姿态和所述实际用户姿态不一致，则根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
8.一种人体姿态预测系统，包括信号采集装置和人体姿态预测装置，所述信号采集装置用于监测用户特征部位的动作参数，其特征在于，所述人体姿态预测装置用于：
获取用户特征部位的动作参数；根据当前预设时间窗口内获取到的动作参数序列，预测即将发生的第一时间段内的用户的动作参数序列；基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和预测的所述第一时间段内的用户的动作参数序列，预测所述第一时间段的用户姿态，所述姿态包括正常姿态和异常姿态；基于预设人体姿态识别模型，根据所述当前预设时间窗口内获取到的动作参数序列和所述第一时间段内实际获取到的用户的动作参数序列，确定所述第一时间段的实际用户姿态；判断预测的所述第一时间段的用户姿态和所述实际用户姿态是否一致；若否，则根据所述当前预设时间窗口内获取到的动作参数序列和所述实际用户姿态修正所述预设人体姿态识别模型，以用修正的所述预设人体姿态识别模型进行人体姿态预测。
9.根据权利要求8所述的一种人体姿态预测系统，其特征在于，所述用户特征部位为用户后腰正中位置，所述信号采集装置用于监测用户后腰正中位置的动作参数。
10.根据权利要求8所述的一种人体姿态预测系统，其特征在于，所述用户特征部位为用户后腰正中位置、左侧骨盆处及右侧骨盆处，所述信号采集装置包括三个传感器，分别用于监测用户后腰正中位置、左侧骨盆处及右侧骨盆处动作参数，对所述三个传感器监测的监测参数进行加权，得到用户特征部位动作参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810790542.1A CN109145739A (zh) | 2018-07-18 | 2018-07-18 | 一种人体姿态预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810790542.1A CN109145739A (zh) | 2018-07-18 | 2018-07-18 | 一种人体姿态预测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109145739A true CN109145739A (zh) | 2019-01-04 |
Family
ID=64801078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810790542.1A Pending CN109145739A (zh) | 2018-07-18 | 2018-07-18 | 一种人体姿态预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109145739A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919034A (zh) * | 2019-01-31 | 2019-06-21 | 厦门大学 | 一种肢体动作识别与纠正辅助训练系统及方法 |
| CN110414590A (zh) * | 2019-07-24 | 2019-11-05 | 重庆大学 | 基于智能移动设备和卷积神经网络的人体活动识别方法 |
| CN110974240A (zh) * | 2019-12-09 | 2020-04-10 | 江苏物联网研究发展中心 | 一种人体动作行为检测、预测方法 |
| CN111403039A (zh) * | 2020-03-19 | 2020-07-10 | 中国科学院深圳先进技术研究院 | 一种动态平衡评估方法、装置、设备及介质 |
| CN111814588A (zh) * | 2020-06-18 | 2020-10-23 | 浙江大华技术股份有限公司 | 行为检测方法以及相关设备、装置 |
| CN111931568A (zh) * | 2020-06-30 | 2020-11-13 | 青岛科技大学 | 一种基于增强式学习的人体跌倒检测方法及系统 |
| CN113137983A (zh) * | 2021-04-30 | 2021-07-20 | 深圳市恒星物联科技有限公司 | 一种自学习的井盖姿态监测方法及监测系统 |
| CN113466851A (zh) * | 2020-03-30 | 2021-10-01 | 富士通株式会社 | 人体姿态检测方法、装置和数据处理设备 |
| CN116108391A (zh) * | 2023-04-12 | 2023-05-12 | 江西珉轩智能科技有限公司 | 一种基于无监督学习的人体姿态分类识别系统 |
-
2018
- 2018-07-18 CN CN201810790542.1A patent/CN109145739A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919034A (zh) * | 2019-01-31 | 2019-06-21 | 厦门大学 | 一种肢体动作识别与纠正辅助训练系统及方法 |
| CN110414590A (zh) * | 2019-07-24 | 2019-11-05 | 重庆大学 | 基于智能移动设备和卷积神经网络的人体活动识别方法 |
| CN110974240A (zh) * | 2019-12-09 | 2020-04-10 | 江苏物联网研究发展中心 | 一种人体动作行为检测、预测方法 |
| CN111403039A (zh) * | 2020-03-19 | 2020-07-10 | 中国科学院深圳先进技术研究院 | 一种动态平衡评估方法、装置、设备及介质 |
| CN113466851A (zh) * | 2020-03-30 | 2021-10-01 | 富士通株式会社 | 人体姿态检测方法、装置和数据处理设备 |
| CN111814588A (zh) * | 2020-06-18 | 2020-10-23 | 浙江大华技术股份有限公司 | 行为检测方法以及相关设备、装置 |
| CN111931568A (zh) * | 2020-06-30 | 2020-11-13 | 青岛科技大学 | 一种基于增强式学习的人体跌倒检测方法及系统 |
| CN113137983A (zh) * | 2021-04-30 | 2021-07-20 | 深圳市恒星物联科技有限公司 | 一种自学习的井盖姿态监测方法及监测系统 |
| CN113137983B (zh) * | 2021-04-30 | 2023-08-22 | 深圳市恒星物联科技有限公司 | 一种自学习的井盖姿态监测方法及监测系统 |
| CN116108391A (zh) * | 2023-04-12 | 2023-05-12 | 江西珉轩智能科技有限公司 | 一种基于无监督学习的人体姿态分类识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145739A (zh) | 一种人体姿态预测方法、装置及系统 | |
| CN106815857B (zh) | 行动辅助机器人的姿态估测方法 | |
| CN104146712B (zh) | 穿戴式足底压力检测设备及足底压力检测和姿态预测方法 | |
| US7334472B2 (en) | Apparatus and method for measuring quantity of physical exercise using acceleration sensor | |
| CN108348813A (zh) | 用于使用可穿戴活动监测器进行跑步跟踪的系统和方法 | |
| CN105797350A (zh) | 健身姿势识别、评估、预警和强度估算的智能方法及系统 | |
| CN106923839A (zh) | 运动辅助装置、运动辅助方法以及记录介质 | |
| CN107115653A (zh) | 调整泳姿的装置、泳姿信息处理系统、泳姿信息处理方法 | |
| CN105556547B (zh) | 用于数据的带注释捕获以及活动的群建模的方法和系统 | |
| CN103884337A (zh) | 多姿态步距校正定位系统与方法 | |
| CN109171734A (zh) | 基于多传感器数据融合的人体行为分析云管理系统 | |
| CN103100193A (zh) | 图像处理装置、图像处理方法和程序 | |
| CN106210269A (zh) | 一种基于智能手机的人体动作识别系统及方法 | |
| CN107157456A (zh) | 估算最大耗氧量和下次总运动时间的方法 | |
| CN107617201A (zh) | 用于自动配置传感器的方法、电子设备和记录介质 | |
| CN107194193A (zh) | 一种踝泵运动监测方法及装置 | |
| CN105808959A (zh) | 一种运动检测系统、运动检测终端及云平台 | |
| CN206193786U (zh) | 运动数据检测装置 | |
| EP4201323A1 (en) | Exercise monitoring method and system | |
| CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
| CN109381191A (zh) | 基于智能鞋进行人体运动行为判断的系统及方法 | |
| CN108960430A (zh) | 为人体运动活动生成个性化分类器的方法和设备 | |
| CN108371806B (zh) | 体操训练装置及其训练方法 | |
| CN105530581A (zh) | 一种基于声音识别的智能穿戴设备和控制方法 | |
| EP4064986A1 (en) | A wearable device for determining motion and/or a physiological state of a wearer |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
| RJ01 | Rejection of invention patent application after publication |