CN109846487A - 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 - Google Patents
基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 Download PDFInfo
- Publication number
- CN109846487A CN109846487A CN201910141383.7A CN201910141383A CN109846487A CN 109846487 A CN109846487 A CN 109846487A CN 201910141383 A CN201910141383 A CN 201910141383A CN 109846487 A CN109846487 A CN 109846487A
- Authority
- CN
- China
- Prior art keywords
- thigh
- information
- semg
- mimu
- fusion
- 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.)
- Granted
Links
- 210000000689 upper leg Anatomy 0.000 title claims abstract description 66
- 230000000386 athletic effect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 210000003205 muscle Anatomy 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 12
- 210000005036 nerve Anatomy 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 101000739754 Homo sapiens Semenogelin-1 Proteins 0.000 claims description 4
- 102100037550 Semenogelin-1 Human genes 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000000306 recurrent effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000036544 posture Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000002567 electromyography Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000005021 gait Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 210000001097 facial muscle Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种基于MIMU/sEMG融合的大腿运动姿态测量方法,包括:至少采集大腿运动的角速度信息和加速度信息;采集大腿处肌肉的表面肌电信息;根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算,对所述表面肌电信息进行特征提取,结合角速度信息,采用机器学习的方式构建表面肌电信息‑大腿转动关节角的预测模型,引入表面肌电信息输出的大腿转动关节角信息作为外观测信息,构建基于外观测反馈补偿的Kalman滤波估计模型。本申请还公开了一种基于MIMU/sEMG融合的大腿运动姿态测量装置。本案装置整体结构简单、智能化程度高、制造成本低、易于佩戴,有利于大规模推广使用。
Description
技术领域
本发明设计一种大腿运动姿态的测量装置,尤其是一种结构简单可靠、智能化程度高的可穿戴式大腿运动姿态的测量装置,可应用于短跑训练领域。
背景技术
短跑训练用大腿运动姿态的测量是指以大腿作为研究对象,通过测量手段获取短跑训练时大腿部的运动姿态信息,包括大腿的运动姿态、运动夹角、力、加速度、空间位置、肌电信号等,通过分析上述运动姿态参数,获取短跑训练时运动员的大腿运动规律,该过程是人体运动姿态获取必不可少的测试技术,在步态监测、智慧医疗、体育训练等领域都有着广泛的应用。
运动姿态测量方法主要包括基于视频图像传感器的运动姿态测量方法以及基于可穿戴式惯性传感器的运动姿态测量测量方法。
基于视频图像传感器的运动姿态测量是通过提取视频图像中人体模型的各个关节点,分析各部位的运动特征,从而对人体运动姿态的时间序列进行标识,实现三维空间中人体运动姿态的恢复。此类系统一般需在空间分布多个视频传感器,系统构造较为复杂。并且该方法的测量精度易受到运动遮挡、光照干扰、图像噪声等影响。对短跑运动而言,训练时双腿的交替摆动必然导致运动遮挡。
基于可穿戴式惯性传感器的运动姿态检测方法是通过采集运动时人体关键关节节点处加速度、角速度等参数,通过对数据进行算法处理获得人体的运动姿态。该方法需测试者佩戴惯性传感器,一般由惯性传感器和处理单元构成。
近年来,随着微机电技术和半导体技术的飞速发展,MIMU(Micro InertialMeasurement Unit,微型惯性测量单元)、sEMG(surface Electromyography,表面肌电信号)等传感器被广泛应用于体育训练、步态监测、智慧医疗等运动姿态测量领域。因MIMU、sEMG具备体积小、重量轻、成本低等优势,将其固定于大腿处对短跑训练产生的影响极小,因此基于MIMU/sEMG融合的可穿戴式大腿运动姿态测量将为短跑训练大腿运动姿态测量提供了一条更为便捷的途径。
发明内容
本发明的目的在于提供一种基于MIMU/sEMG融合的大腿运动姿态测量方法和装置,以克服现有技术中的不足。
为实现上述目的,本发明提供如下技术方案:
本申请实施例公开一种基于MIMU/sEMG融合的大腿运动姿态测量方法,包括:
至少采集大腿运动的角速度信息和加速度信息;
采集大腿处肌肉的表面肌电信息;
根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算,对所述表面肌电信息进行特征提取,结合角速度信息,采用机器学习的方式构建表面肌电信息-大腿转动关节角的预测模型,引入表面肌电信息输出的大腿转动关节角信息作为外观测信息,构建基于外观测反馈补偿的Kalman滤波估计模型。
本申请实施例还公开了一种基于MIMU/sEMG融合的大腿运动姿态测量装置,包括:
MIMU模块,至少采集大腿运动的角速度信息和加速度信息;
sEMG模块,采集大腿处肌肉的表面肌电信息;
处理模块,根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算,对所述表面肌电信息进行特征提取,结合角速度信息,采用机器学习的方式构建表面肌电信息-大腿转动关节角的预测模型,引入表面肌电信息输出的大腿转动关节角信息作为外观测信息,构建基于外观测反馈补偿的Kalman滤波估计模型。
与现有技术相比,本发明的优点在于:整体结构简单、智能化程度高、制造成本低、易于佩戴,有利于大规模推广使用。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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所示为本发明具体实施例中测量装置的原理示意图;
图2所示为本发明具体实施例中表面肌电信号-大腿转动关节角的预测算法流程图;
图3所示为本发明具体实施例中上位机姿态解算流程示意图。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述。但该等实施方式并不限制本发明,本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
结合图1所示,本申请的一实施例中,提供一种基于MIMU/sEMG融合的大腿运动姿态测量装置,包括MIMU模块、sEMG模块、控制芯片模块、电源模块、无线通信模块和上位机。
MIMU模块和sEMG模块分别与控制芯片模块之间通信连接,控制芯片模块通过无线通信模块与上位机之间无线通信,电源模块为MIMU模块、sEMG模块、控制芯片模块和无线通信模块供电。
本实施例的测量装置主要用于大腿运动姿态的测量,因此测量装置还包括一用以与大腿进行捆绑的绑带,绑带的两端可以设置相配合的魔术贴,MIMU模块、sEMG模块、控制芯片模块、电源模块、无线通信模块固定在绑带上。
控制芯片模块以ATmega328单片机作为控制芯片,外围电路包括时钟电路、复位电路、ISP下载电路等电路组成。
MIMU模块包括MPU9250芯片,用于获取大腿运动姿态信息。通过串口总线与控制芯片模块连接,实时采集MPU9250输出的惯性信息数据并做滤波处理。MPU9250输出的惯性信息数据包括加速度传感器输出的比力信息、陀螺仪输出的角速度信息以及地磁传感器输出的磁场强度信息。
sEMG模块包括了第四代肌肉电传感器myoware,用于获取短跑训练时大腿处肌肉的运动规律信息。采用Ag/AgCl表面电极,经肌电信号连接引线接入控制芯片ATmega328的ADC0端口,经ATmega328内部的模数转换后进行肌电信号采集,获取肌电信号。
无线通信模块优选采用蓝牙模块,蓝牙模块选用了型号为HC-08的蓝牙模块,通过蓝牙4.0协议与上位机进行无线数据通信。
电源模块采用1块7.4V锂电池供电。
上位机根据惯性导航原理对MPU9250输出的加速度、角速度信息进行导航解算,获取大腿的运动姿态、空间位置、运动速度等信息。对表面肌电信号进行特征提取,结合MPU9250输出的角速度信息,采用机器学习的方式构建表面肌电信号-大腿转动关节角的预测模型。引入表面肌电信号输出的大腿转动关节角信息作为外观测信息,构建基于外观测反馈补偿的Kalman滤波估计模型,实现短跑训练时大腿运动姿态的精确测量。
预测模型的构建主要分为训练过程和预测过程两个阶段,训练过程中需要采集人体运动时大腿处的表面肌电信号、MPU9250输出的角速度信息,并进行滤波、特征提取、归一化等预处理,之后利用广义回归神经网络对表面肌电信号、MPU9250输出的角速度信息进行迭代训练,得到新的广义回归神经网络;预测过程中将得到的新的广义回归神经网络对实际应用时的测试数据进行训练预测,得到大腿转动关节角的预测数据,并对预测数据进行平滑滤波处理最终获得大腿转动关节角的预测结果。该算法流程图如图2所示。
训练过程中,提取表面肌电信号的均方根RMS为特征参数,并将其转化为振幅特征曲线:
其中,sEMG(k)表示采集到第k个表面肌电信号的幅值,n表示采集到表面肌电信号的个数。对公式(1)进行低通滤波处理得:
F(k)=RMS(k)*ε+F(k-1)*(1-ε) (2)
其中,ε为周期因子,这里设定为ε=2π/1024。
分别对表面肌电信号低通滤波过后的信号以及MPU9250输出的角度信息进行归一化处理,并送入广义回归神经网络中进行训练。
广义回归神经网络主要由输入层、模式层、求和层以及输出层构成。
输入层:设X=[x1,x2,...,xn]T为输入,其输出设为Y=[y1,y2,...,yn]T。其中x和y均为随机数。
模式层:设联合概率密度函数f(x,y)服从正态分布,已知x的观测值为X,对于X条件下y的预测输出为:
求和层:采用高斯核函数作为传递函数,设f(x,y)服从正态分布,则
其中,Xi和Yi均为样本观测值;n为样本容量,d为样本维数,σ为光滑因子。用代替式(3)中的f(X,Y),可得:
预测过程中,利用训练得到的新的广义回归神经网络对实际测试获得的表面肌电信号、MPU9250输出的角速度进行大腿转动关节角预测、平滑滤波,最终输出大腿转动关节角的预测结果。
上位机通过引入表面肌电信号输出的大腿转动关节角信息作为外观测信息,构建基于外观测反馈补偿的Kalman滤波估计模型,实现短跑训练时大腿运动姿态、空间位置的精确估计,该估计过程的算法流程框图如图3所示,其中进行Kalman滤波估计时,建立的Kalman滤波估计的状态方程为:
状态量为:X=[δVe δVn δVu φe φn φu]T,δVe为东向速度误差,δVn为北向速度误差,δVu为天向速度误差,φe为东向失准角,φn为北向失准角,φu是天向失准角。为X的微分,W为激励噪声矢量。F为状态转移矩阵,如下:
其中:
滤波估计的观测方程为:
Z=HX+V (9)
Z为Kalman滤波估计的观测矢量,Z=[δVe δVn δVu φn]T,[δVe δVn δVu]T=VSINS-VOUT,VSINS为由MPU9250输出的角速度和加速度信息进行惯性导航解算获得的东、北、天三个方向的速度,VOUT为外观测提供的东、北、天三个方向的速度,φn为MPU9250输出的角速度和加速度信息进行惯性导航解算获得的俯仰角与大腿转动关节角预测的差值。V为观测噪声矢量,H为系统观测矩阵,如下:
利用Kalman滤波算法进行姿态估计,步骤如下:
(1)根据前一时刻状态量以及一步状态转移矩阵Φk,k-1计算预测值
(2)根据前一时刻的一步预测均方误差Pk-1、一步状态转移矩阵Fk,k-1、系统噪声方差阵Qk-1以及系统噪声驱动阵Γk-1计算一步预测均方误差Pk/k-1,
(3)根据一步预测均方误差Pk/k-1、滤波观测阵Hk以及测量噪声序列的方差阵Rk计算滤波增益值Kk:
(4)根据一步预测值观测量Zk、滤波观测阵Hk以及滤波增益值Kk计算滤波估计的状态估计
(5)根据滤波增益值Kk、滤波观测阵Hk、一步预测均方误差Pk/k-1以及测量噪声序列的方差阵Rk计算均方差Pk:
返回步骤(1),进行下一时刻Kalman滤波估计,实现大腿运动姿态的估计。
本实施例方案应用了单片机技术、无线通信技术、惯性导航技术、生物学技术等多信息融合技术,实现了短跑训练用大腿运动姿态的测量,为监测短跑训练时大腿的运动状态提供了一种新的设计思路和方法。
本案中的上位机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施例加以描述,但并非每个实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于MIMU/sEMG融合的大腿运动姿态测量方法,其特征在于,包括:
至少采集大腿运动的角速度信息和加速度信息;
采集大腿处肌肉的表面肌电信息;
根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算,对所述表面肌电信息进行特征提取,结合角速度信息,采用机器学习的方式构建表面肌电信息-大腿转动关节角的预测模型,引入表面肌电信息输出的大腿转动关节角信息作为外观测信息,构建基于外观测反馈补偿的Kalman滤波估计模型。
2.根据权利要求1所述的基于MIMU/sEMG融合的大腿运动姿态测量方法,其特征在于,所述表面肌电信息-大腿转动关节角的预测模型算法包括:
s1、对表面肌电信息进行特征提取、低通滤波和归一化处理,对角速度信息进行归一化处理;
s2、利用广义回归神经网络对表面肌电信息和角速度信息进行迭代训练,得到新的广义回归神经网络;
s3、新的广义回归神经网络对大腿运动时的测试数据进行训练预测,得到大腿转动关节角的预测数据;
s4、对预测数据进行平滑滤波处理,获得大腿转动关节角的预测结果。
3.根据权利要求2所述的基于MIMU/sEMG融合的大腿运动姿态测量方法,其特征在于,步骤s1中,提取表面肌电信号的均方根RMS为特征参数,并将其转化为振幅特征曲线:
其中,sEMG(k)表示采集到第k个表面肌电信号的幅值,n表示采集到表面肌电信号的个数;
对公式(1)进行低通滤波处理得:
F(k)=RMS(k)*ε+F(k-1)*(1-ε) (2)
其中,ε为周期因子。
4.根据权利要求2所述的基于MIMU/sEMG融合的大腿运动姿态测量方法,其特征在于,步骤s2中,广义回归神经网络包括输入层、模式层、求和层以及输出层,其中:
输入层:X=[x1,x2,...,xn]T为输入,其输出设为Y=[y1,y2,...,yn]T,x和y均为随机数;
模式层:联合概率密度函数f(x,y)服从正态分布,已知x的观测值为X,对于X条件下y的预测输出为:
求和层:采用高斯核函数作为传递函数,设f(x,y)服从正态分布,则
其中,Xi和Yi均为样本观测值;n为样本容量,d为样本维数,σ为光滑因子,用代替式(3)中的f(X,Y),可得:
输出层:令设则有:
5.根据权利要求1所述的基于MIMU/sEMG融合的大腿运动姿态测量方法,其特征在于,Kalman滤波估计模型建立方法包括:
建立的Kalman滤波估计的状态方程为:
状态量为:X=[δVeδVnδVuφeφnφu]T,δVe为东向速度误差,δVn为北向速度误差,δVu为天向速度误差,φe为东向失准角,φn为北向失准角,φu是天向失准角,为X的微分,W为激励噪声矢量,F为状态转移矩阵,如下:
其中:
滤波估计的观测方程为:
Z=HX+V(9)
Z为Kalman滤波估计的观测矢量,Z=[δVe δVn δVu φn]T,[δVe δVn δVu]T=VSINS-VOUT,VSINS为惯性导航解算获得的东、北、天三个方向的速度,VOUT为外观测提供的东、北、天三个方向的速度,φn为惯性导航解算获得的俯仰角与大腿转动关节角预测的差值,V为观测噪声矢量,H为系统观测矩阵,如下:
6.根据权利要求5所述的基于MIMU/sEMG融合的大腿运动姿态测量方法,其特征在于,利用Kalman滤波算法进行姿态估计,步骤如下:
(1)根据前一时刻状态量以及一步状态转移矩阵Φk,k-1计算预测值
(2)根据前一时刻的一步预测均方误差Pk-1、一步状态转移矩阵Fk,k-1、系统噪声方差阵Qk-1以及系统噪声驱动阵Γk-1计算一步预测均方误差Pk/k-1,
(3)根据一步预测均方误差Pk/k-1、滤波观测阵Hk以及测量噪声序列的方差阵Rk计算滤波增益值Kk:
(4)根据一步预测值观测量Zk、滤波观测阵Hk以及滤波增益值Kk计算滤波估计的状态估计
(5)根据滤波增益值Kk、滤波观测阵Hk、一步预测均方误差Pk/k-1以及测量噪声序列的方差阵Rk计算均方差Pk:
返回(1),进行下一时刻Kalman滤波估计,实现大腿运动姿态的估计。
7.一种基于MIMU/sEMG融合的大腿运动姿态测量装置,其特征在于,包括:
MIMU模块,至少采集大腿运动的角速度信息和加速度信息;
sEMG模块,采集大腿处肌肉的表面肌电信息;
处理模块,根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算,对所述表面肌电信息进行特征提取,结合角速度信息,采用机器学习的方式构建表面肌电信息-大腿转动关节角的预测模型,引入表面肌电信息输出的大腿转动关节角信息作为外观测信息,构建基于外观测反馈补偿的Kalman滤波估计模型。
8.根据权利要求7所述的基于MIMU/sEMG融合的大腿运动姿态测量装置,其特征在于,所述处理模块包括控制芯片模块和上位机,所述控制芯片模块与上位机之间通过无线方式通信,所述MIMU模块和sEMG模块分别与控制芯片模块之间连接。
9.根据权利要求8所述的基于MIMU/sEMG融合的大腿运动姿态测量装置,其特征在于,所述MIMU模块采用MPU9250,所述sEMG模块采用myoware,所述控制芯片模块采用ATmega328。
10.根据权利要求8所述的基于MIMU/sEMG融合的大腿运动姿态测量装置,其特征在于,还包括可捆绑于大腿上的绑带,所述控制芯片模块、MIMU模块和sEMG模块设置于绑带上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141383.7A CN109846487B (zh) | 2019-02-26 | 2019-02-26 | 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141383.7A CN109846487B (zh) | 2019-02-26 | 2019-02-26 | 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109846487A true CN109846487A (zh) | 2019-06-07 |
CN109846487B CN109846487B (zh) | 2021-12-31 |
Family
ID=66899039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910141383.7A Active CN109846487B (zh) | 2019-02-26 | 2019-02-26 | 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109846487B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112405539A (zh) * | 2020-11-11 | 2021-02-26 | 东南大学 | 一种基于肌电信号和脑电错误电位的机器人自然控制方法 |
CN112762934A (zh) * | 2020-12-14 | 2021-05-07 | 浙江理工大学 | 下肢运动方向预测装置和方法 |
CN112842825A (zh) * | 2021-02-24 | 2021-05-28 | 郑州铁路职业技术学院 | 一种下肢康复恢复的训练装置 |
CN113229806A (zh) * | 2021-05-14 | 2021-08-10 | 哈尔滨工程大学 | 可穿戴人体步态检测及导航系统及其运行方法 |
CN114115531A (zh) * | 2021-11-11 | 2022-03-01 | 合肥工业大学 | 一种基于注意力机制的端到端手语识别方法 |
CN115137351A (zh) * | 2022-07-22 | 2022-10-04 | 安徽大学 | 一种基于肌电信号的上肢肘关节角度估计方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101128167A (zh) * | 2004-12-22 | 2008-02-20 | 奥瑟Hf公司 | 处理肢体运动的系统和方法 |
US20120071733A1 (en) * | 2010-09-21 | 2012-03-22 | Somaxis Incorporated | Methods for assessing and optimizing muscular performance |
CN105318876A (zh) * | 2014-07-09 | 2016-02-10 | 北京自动化控制设备研究所 | 一种惯性里程计组合高精度姿态测量方法 |
CN105353392A (zh) * | 2015-10-30 | 2016-02-24 | 中国石油大学(华东) | 基于gnss多天线的动态载体精密定位方法 |
CN105561567A (zh) * | 2015-12-29 | 2016-05-11 | 中国科学技术大学 | 一种计步及运动状态评估装置 |
CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划系统及方法 |
-
2019
- 2019-02-26 CN CN201910141383.7A patent/CN109846487B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101128167A (zh) * | 2004-12-22 | 2008-02-20 | 奥瑟Hf公司 | 处理肢体运动的系统和方法 |
US20120071733A1 (en) * | 2010-09-21 | 2012-03-22 | Somaxis Incorporated | Methods for assessing and optimizing muscular performance |
CN105318876A (zh) * | 2014-07-09 | 2016-02-10 | 北京自动化控制设备研究所 | 一种惯性里程计组合高精度姿态测量方法 |
CN105353392A (zh) * | 2015-10-30 | 2016-02-24 | 中国石油大学(华东) | 基于gnss多天线的动态载体精密定位方法 |
CN105561567A (zh) * | 2015-12-29 | 2016-05-11 | 中国科学技术大学 | 一种计步及运动状态评估装置 |
CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划系统及方法 |
Non-Patent Citations (1)
Title |
---|
ANDRES F. RUIZ-OLAYA ET AL: "EMG-based Pattern Recognition with Kinematics Information for Hand Gesture Recognition", 《IEEE》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112405539A (zh) * | 2020-11-11 | 2021-02-26 | 东南大学 | 一种基于肌电信号和脑电错误电位的机器人自然控制方法 |
CN112762934A (zh) * | 2020-12-14 | 2021-05-07 | 浙江理工大学 | 下肢运动方向预测装置和方法 |
CN112762934B (zh) * | 2020-12-14 | 2023-12-22 | 浙江理工大学 | 下肢运动方向预测装置和方法 |
CN112842825A (zh) * | 2021-02-24 | 2021-05-28 | 郑州铁路职业技术学院 | 一种下肢康复恢复的训练装置 |
CN113229806A (zh) * | 2021-05-14 | 2021-08-10 | 哈尔滨工程大学 | 可穿戴人体步态检测及导航系统及其运行方法 |
CN114115531A (zh) * | 2021-11-11 | 2022-03-01 | 合肥工业大学 | 一种基于注意力机制的端到端手语识别方法 |
CN115137351A (zh) * | 2022-07-22 | 2022-10-04 | 安徽大学 | 一种基于肌电信号的上肢肘关节角度估计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109846487B (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109846487A (zh) | 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 | |
CN106156524B (zh) | 一种智能下肢助力装置的在线步态规划方法 | |
Gallagher et al. | An efficient real-time human posture tracking algorithm using low-cost inertial and magnetic sensors | |
CN102323854B (zh) | 人体运动捕获装置 | |
Harms et al. | Ethos: Miniature orientation sensor for wearable human motion analysis | |
CN108338791B (zh) | 失稳运动数据的检测装置及检测方法 | |
CN107616898B (zh) | 基于日常动作的上肢穿戴式康复机器人及康复评价方法 | |
CN110236550B (zh) | 一种基于多模态深度学习的人体步态预测装置 | |
Majumder et al. | Wearable IMU-based system for real-time monitoring of lower-limb joints | |
CN116027905A (zh) | 基于惯性传感器的双人皮划艇上肢动作捕捉方法 | |
CN108447077A (zh) | 一种马术骑手姿态信息采集分析系统 | |
Li | [Retracted] Dance Motion Capture Based on Data Fusion Algorithm and Wearable Sensor Network | |
CN106970705A (zh) | 动作捕捉方法、装置和电子设备 | |
Guenterberg et al. | A method for extracting temporal parameters based on hidden Markov models in body sensor networks with inertial sensors | |
Yuan et al. | Adaptive recognition of motion posture in sports video based on evolution equation | |
Fang et al. | Wearable technology for robotic manipulation and learning | |
Zhang et al. | Integrated sensing and computing for wearable human activity recognition with MEMS IMU and BLE network | |
CN112762934B (zh) | 下肢运动方向预测装置和方法 | |
Šeketa et al. | Real-time evaluation of repetitive physical exercise using orientation estimation from inertial and magnetic sensors | |
Hao et al. | Cromosim: A deep learning-based cross-modality inertial measurement simulator | |
Lueken et al. | Using synthesized imu data to train a long-short term memory-based neural network for unobtrusive gait analysis with a sparse sensor setup | |
Yang et al. | Research on human motion monitoring method based on multi-joint constraint filter model | |
CN115904086A (zh) | 基于可穿戴计算的手语识别方法 | |
Zhao et al. | A wearable body motion capture system and its application in assistive exoskeleton control | |
Xingjun | Application of Motion Sensor Fusion in Special Competitive Sports |
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 |