CN110522458A - 一种适用于膝关节外骨骼的步态实时识别方法 - Google Patents

一种适用于膝关节外骨骼的步态实时识别方法 Download PDF

Info

Publication number
CN110522458A
CN110522458A CN201910976122.7A CN201910976122A CN110522458A CN 110522458 A CN110522458 A CN 110522458A CN 201910976122 A CN201910976122 A CN 201910976122A CN 110522458 A CN110522458 A CN 110522458A
Authority
CN
China
Prior art keywords
knee joint
rule
gait
angle
real
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
Application number
CN201910976122.7A
Other languages
English (en)
Inventor
张连存
黄强
刘娟
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 University of Technology
Beijing Institute of Technology BIT
Original Assignee
Beijing University of Technology
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 University of Technology filed Critical Beijing University of Technology
Priority to CN201910976122.7A priority Critical patent/CN110522458A/zh
Publication of CN110522458A publication Critical patent/CN110522458A/zh
Pending legal-status Critical Current

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
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/0095—Means or methods for testing manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0006—Exoskeletons, i.e. resembling a human figure

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开了一种适用于膝关节外骨骼的步态实时识别方法，该识别方法包括：首先进行自动校准，消除由于每次佩戴IMU模块时位置不准确所带来的影响；然后采用IMU模块采集人体左、右大腿和小腿的旋转角度，并计算出膝关节角度；以左右腿膝关节角度参数和下肢运动时间作为输入信号，采用基于规则的分类算法实现对人体行走步态的实时识别。基于规则的分类算法包括采样规则、步态周期判断规则和步态分类判断规则，根据采样规则和步态周期判断规则，通过选取的采样点和多种特征与相应的条件和阈值组成步态分类判断规则来实现对步态的实时识别。本发明具有鲁棒性好以及环境适应性强等优点，并可以直接移植到其他同类产品或者装置上实现同样的识别功能。

Description

一种适用于膝关节外骨骼的步态实时识别方法
技术领域
本发明属于柔性膝关节外骨骼机器人、下肢外骨骼以及步态识别技术领域，特别涉及一种适用于膝关节外骨骼的步态实时识别方法。
背景技术
外骨骼机器人是医疗康复领域的研究重点和热点，其通过并联穿戴于人的肢体而形成人-机协同的智能混合体，通过自身安装的传感器来检测人体的运动意图，控制系统对传感系统采集到的用户运动信息进行分析，控制执行机构执行助力或康复训练任务。外骨骼实现了人的“智力”与机器人的“体力”的有效结合，在助老助残、医疗康复以及国防安全等领域具有广阔的应用前景与重要的研究意义。
机器人外骨骼执行的动作必须符合操作者的行为意图，这关系到外骨骼动作执行的协调性和安全性。为提高人-外骨骼在复杂行走环境下的适应能力，人机系统首先要准确识别步态，为下肢辅助装备的步态规划、人机协同控制提供依据。中国发明专利CN103984962A公开的“一种基于肌电信号的外骨骼行走模式识别方法”和中国发明专利CN108992066A公开的“基于肌电信号的便携式下肢行为模式实时识别系统及方法”都采用肌电信号传感器来进行步态识别，肌电检测具有高灵敏度和低延时性的特点，但电极需要与皮肤直接接触，舒适性差，检测信号受体表温度与汗液等因素影响，稳定性和准确率低。此外，有学者采用加速度传感器、足底压力传感器与表面肌电传感器等多传感器相结合的方法检测行走模式，但多传感系统感知会增加机器人系统的复杂程度，并且有鲁棒性差、环境适应性差等缺点。另外，也有学者采用脑-机接口技术来获取人的运动模式决策意图，其信号识别迅速、实时性强，其信号识别迅速、实时性强，但带宽有限，抗干扰能力差，处理过程复杂，脑机接口装备穿戴不便。
发明内容
本发明的目的是针对上述现有技术的缺陷，提供了一种适用于膝关节外骨骼的步态实时识别方法。
针对现有技术的不足，本发明实施例所要解决的技术问题是，提供一种仅以运动传感器来采集输入信号，并且具有计算简单、存储量小、鲁棒性强、识别准确等优点的实时行走模式识别方法。
本发明的技术方案如下。
一种适用于膝关节外骨骼的步态实时识别方法，包括如下步骤：
步骤P1，将IMU模块安装到所述膝关节外骨骼上，对所述IMU模块进行校准，消除穿戴IMU模块位置不准确带来的影响；
步骤P2，使用所述IMU模块采集人体下肢角度参数；
步骤P3，以所述人体下肢角度参数和下肢运动时间参数作为输入信号，采用基于规则的分类算法对人体当前的步态进行实时识别。
优选地，所述步骤P1包括在膝关节外骨骼安装4个IMU模块，分别位于左、右大腿和小腿的外侧，并且所有IMU模块的Pitch角度平面都与人体矢状面平行；然后存储人体静止站立时各IMU模块采集到的Pitch角度，并使所有IMU模块采集到的Pitch角度值都减去站立时采集到的Pitch角度，从而将人体静止站立时各IMU模块的Pitch角度都标定为零。根据IMU模块在腿上的安装位置，每个IMU模块的Pitch角度反应的是大腿或者小腿的旋转角度。将右大腿IMU模块的Pitch角度与右小腿IMU模块的Pitch角度相减和将左小腿IMU模块的Pitch角度与左大腿IMU模块的Pitch角度相减即可计算出两条腿的膝关节角度，为了处理的方便统一都将其转化为负值。
优选地，所述步骤P2中的人体下肢角度参数包括：左腿膝关节角度θL和右腿膝关节角度θR；所述下肢运动时间参数包括：左腿膝关节伸展时间和弯曲时间分别为tLS和tLB，右腿膝关节伸展时间和弯曲时间分别为tRS和tRB。
优选地，所述步骤P3中的基于规则的分类算法包括采样规则，步态周期判断规则，以及步态分类判断规则；根据采样规则和步态周期判断规则，通过选取的采样点和多种特征与相应的条件和阈值组成步态分类判断规则来实现对人体当前的步态进行实时识别；所述的步态包括行走过程中左腿膝关节伸展阶段、左腿膝关节弯曲阶段、右腿膝关节伸展阶段和右腿膝关节弯曲阶段。
优选地，所述步骤P3中采样规则为：
规则1：在采集人体下肢角度参数过程中，对左腿膝关节和右腿膝关节角度参数进行连续采样，每20ms采样一次，其中左腿角度变化过程中任意三个连续采样点记为TN,TN+1,TN+2，(N≥1,N为整数)，即TN+1与TN间隔20ms，TN+2与TN+1间隔20ms,对应上述三个时刻的膝关节角度分别为θTN，θT(N+1)，θT(N+2)；右腿角度变化过程中任意三个连续采样点记为TM,TM+1,TM+2,(M≥1,M为整数),TM+1与TM间隔20ms，TM+2与TM+1间隔20ms,对应上述三个时刻的右腿膝关节角度分别为θTM，θT(M+1)，θT(M+2)。
优选地，所述步骤P3中的基于规则的分类算法中的步态周期判断规则为：
规则2：θL≤-20°，θR≤-20°，θTN＞θT(N+1)，θT(N+1)＜θT(N+2)，θTM＞θT(M+1)，θT(M+1)＜θT(M+2)；
首次满足规则2则认为TN+2点和TM+2点的时间间隔为一个步态周期T。
优选地，所述步骤P3步态分类判断规则中判断左腿膝关节处于伸展阶段所用的规则包括：
规则3：θL≤-20°，θTN＜θT(N+1)＜θT(N+2)；
规则4：θL≤-20°，θR≤-20°，θL≤θR-10°，θTN＜θT(N+1)＜θT(N+2)；
规则3-4为并列关系，满足其一即可判断左腿膝关节处于伸展状态，并且首次满足条件θTN＜θT(N+1)＜θT(N+2)时，TN+2点位置为左腿膝关节伸展阶段膝关节角度的极值点。
优选地，所述步骤P3步态分类判断规则中判断右腿膝关节处于伸展阶段所用的规则包括：
规则5：θR≤-20°，θTM＜θT(M+1)＜θT(M+2)；
规则6：θL≤-20°，θR≤-20°，θL≤θR-10°，θTM＜θT(M+1)＜θT(M+2)；
规则5-6为并列关系，满足其一即可判断右腿膝关节处于伸展阶段，并且首次满足条件θTM＜θT(M+1)＜θT(M+2)＜0时，TM+2点位置为右腿膝关节伸展阶段膝关节角度的极值点。
优选地，所述步骤P3步态分类判断规则中判断右腿膝关节处于弯曲阶段所用的规则包括：
规则7：tLS≥T/2，θL≥-30°，θTM＞θT(M+1)＞θT(M+2)；
规则8：tLS≥T/2，θL≥θR，θTM＞θT(M+1)＞θT(M+2)；
规则9：tLS≥T/3，θL≥-20°，θL≥θR，θTM＞θT(M+1)＞θT(M+2)；
规则7-9为并列关系，满足其一即可判断右腿膝关节处于弯曲阶段，并且首次满足条件θTM＞θT(M+1)＞θT(M+2)时，TM+2点位置为右腿膝关节弯曲阶段膝关节角度的极值点。
优选地，所述步骤P3步态分类判断规则中判断左腿膝关节处于弯曲阶段所用的规则包括：
规则10：tRS≥T/2，θTN＞θT(N+1)＞θT(N+2)，θR≥-30°；
规则11：tRS≥T/2，θTN＞θT(N+1)＞θT(N+2)，θR≥θL；
规则12：tRS≥T/3，θR≥-20°,θR≥θL,θTN＞θT(N+1)＞θT(N+2)；
规则10-12为并列关系，满足其一即可判断左腿膝关节处于弯曲阶段，并且首次满足条件θTN＞θT(N+1)＞θT(N+2)时，TN+2点位置为左腿膝关节弯曲阶段膝关节角度的极值点。
本发明优异的效果是：
本发明实施例中的实时行走模式识别方法计算简单，对硬件要求低，便于进一步的优化和调整，并且只使用了单一类型的运动传感器实现了对人体步态的实时识别，克服了多传感系统感知会增加机器人系统的复杂程度、鲁棒性差以及环境适应性差等缺点，可以直接移植到其他同类产品或者装置上实现同样的识别功能。
附图说明
下面结合附图和具体实施案例对本发明作进一步说明，但不作为对本发明的限定。
图1是本发明中膝关节外骨骼上的IMU模块在腿上的安装位置示意图；
图2是本发明中步态实时识别方法中左腿膝关节和右腿膝关节角度变化曲线图。
具体实施方式
下面结合说明书附图和实施例对本发明进行进一步详细说明。
本发明实施例提出了一种适用于膝关节外骨骼的步态实时识别方法，该识别方法在自动校准后，以IMU模块采集到的人体下肢角度参数作为输入信号，采用基于规则的分类算法实时识别出人体当前步态。
所述的自动校准是为了消除由于IMU模块安装位置不准确所带来的影响。由于识别方法中使用的输入信号为角度参数，当IMU模块的安装位置发生偏移时会影响到IMU模块的采集数值，进而影响到对行走模式的判断，降低识别准确率。因此需要进行校准来消除该影响，在校准时，人体需要静止站立几秒钟，存储下来此时各IMU模块采集到的角度。此后使各IMU模块的角度值都减去静止站立时的角度值。这样使得无论IMU模块在人腿上的安装方位如何，人体静止站立时各IMU模块的角度值都被标定为零。
下面说明本实施例中的IMU模块在膝关节外骨骼上的安装位置。如图1所示，总共有四个IMU模块来采集人体下肢的运动信息，其中每两个IMU模块作为一组安装在一条腿上，一个安装在大腿的外侧，而另一个安装在小腿的外侧，并且保证所有IMU模块的安装方位都为Pitch角度所在平面与人体矢状面平行。为了提高所述步态实时识别方法在膝关节外骨骼、膝关节助行装置以及其他类需要该功能的产品的通用性，四个IMU模块可以独立于膝关节外骨骼，通过柔性固定带直接安装在人的大腿和小腿外侧，具体的其中每两个IMU模块作为一组通过弹性固定带安装在一条腿上，一个安装在大腿的外侧，而另一个安装在小腿的外侧，并且保证所有IMU模块的安装方位都为Pitch角度所在平面与人体矢状面平行。
在一优选的实施方式中，所述的IMU模块由三轴加速度传感器、三轴陀螺仪和三轴磁场传感器组成，可以采集到Roll、Pitch和Yaw欧拉角原始数据。
根据IMU模块在腿上的安装位置，每个IMU模块的Pitch角度反应的是大腿或者小腿的旋转角度。将右大腿IMU模块的Pitch角度与右小腿IMU模块的Pitch角度相减和将左小腿IMU模块的Pitch角度与左大腿IMU模块的Pitch角度相减即可计算出两条腿的膝关节角度，为了处理的方便统一都将其转化为负值。
所述基于规则的分类算法包括采样规则、步态周期判断规则以及步态分类判断规则。根据采样规则和步态周期判断规则，通过选取的采样点和多种特征与相应的条件和阈值组成步态分类判断规则来实现对人体当前的步态进行实时识别，所述的步态包括行走过程中左腿伸展阶段、左腿弯曲阶段、右腿伸展阶段和右腿弯曲阶段以及上述四个阶段的极值点。
所述采样规则如下：
规则1：如图2所示，在采集人体下肢角度参数过程中，对左腿膝关节和右腿膝关节角度参数进行连续采样，每20ms采样一次，其中左腿角度变化过程中任意三个连续采样点记为TN,TN+1,TN+2，(N≥1,N为整数)，即TN+1与TN间隔20ms，TN+2与TN+1间隔20ms,对应上述三个时刻的膝关节角度分别为θTN，θT(N+1)，θT(N+2)。类似的，TM,TM+1,TM+2,(M≥1,M为整数),为右腿角度变化过程中的连续三个采样点，对应上述三个时刻的膝关节角度分别为θTM，θT(M+1)，θT(M+2)。
所述步态周期判断规则如下：
规则2：θL≤-20°，θR≤-20°，θTN＞θT(N+1)，θT(N+1)＜θT(N+2)，θTM＞θT(M+1)，θT(M+1)＜θT(M+2)；
如果首次满足上述条件则认为TN+2点和TM+2点的时间间隔为一个步态周期T。
所述识别方法中设定的几种步态分类判断规则如下：
规则3：θL≤-20°，θTN＜θT(N+1)＜θT(N+2)；
规则4：θL≤-20°，θR≤-20°，θL≤θR-10°，θTN＜θT(N+1)＜θT(N+2)；
规则5：θR≤-20°，θTM＜θT(M+1)＜θT(M+2)；
规则6：θL≤-20°，θR≤-20°，θL≤θR-10°，θTM＜θT(M+1)＜θT(M+2)；
规则7：tLS≥T/2，θL≥-30°，θTM＞θT(M+1)＞θT(M+2)；
规则8：tLS≥T/2，θL≥θR，θTM＞θT(M+1)＞θT(M+2)；
规则9：tLS≥T/3，θL≥-20°，θL≥θR，θTM＞θT(M+1)＞θT(M+2)；
规则10：tRS≥T/2，θTN＞θT(N+1)＞θT(N+2)，θR≥-30°；
规则11：tRS≥T/2，θTN＞θT(N+1)＞θT(N+2)，θR≥θL；
规则12：tRS≥T/3，θR≥-20°,θR≥θL,θTN＞θT(N+1)＞θT(N+2)。
其中，规则3-4为左腿膝关节处于伸展阶段的判断规则。规则3-4为并列关系，满足其一即可判断左腿膝关节处于伸展状态，并且首次满足条件θTN＜θT(N+1)＜θT(N+2)时，TN+2点位置为左腿膝关节伸展阶段膝关节角度的极值点。
规则5-6为右腿膝关节处于伸展阶段的判断规则。规则5-6为并列关系，满足其一即可判断右腿膝关节处于伸展阶段，并且首次满足条件θTM＜θT(M+1)＜θT(M+2)＜0时，TM+2点位置为右腿膝关节伸展阶段膝关节角度的极值点。
规则7-9为右腿膝关节处于弯曲阶段的判断规则。规则7-9为并列关系，满足其一即可判断右腿膝关节处于弯曲阶段，并且首次满足条件θTM＞θT(M+1)＞θT(M+2)时，TM+2点位置为右腿膝关节弯曲阶段膝关节角度的极值点。
规则10-12为左腿膝关节处于弯曲阶段的判断规则。规则10-12为并列关系，满足其一即可判断左腿膝关节处于弯曲阶段，并且首次满足条件θTN＞θT(N+1)＞θT(N+2)时，TN+2点位置为左腿膝关节弯曲阶段膝关节角度的极值点。
所述适用于膝关节外骨骼的步态实时识别方法采用采样规则和步态周期判断规则，通过选取的采样点和多种特征与相应的条件和阈值组成步态分类判断规则来实现对人体当前的步态进行实时识别，所述的步态包括行走过程中左腿伸展阶段、左腿弯曲阶段、右腿伸展阶段和右腿弯曲阶段以及上述四个阶段的极值点。
综上可以看出，本发明实施例提出的膝关节外骨骼的步态实时识别方法只使用角度信息就实现了对包括左腿伸展阶段、左腿弯曲阶段、右腿伸展阶段和右腿弯曲阶段的四种步态以及上述四个阶段的极值点实时识别，计算量小，易于实现，便于应用于膝关节外骨骼、膝关节助行装置以及其他类需要该功能的产品上。
以上只是对本发明其中的一个实施例进行了说明，但所述内容仅为本发明优选实施例，不能作为对本发明实施例的限定。凡是根据本发明申请范围所作的调整与优化等，仍属于本发明专利所涵盖的范围内。

Claims (10)

1.一种适用于膝关节外骨骼的步态实时识别方法，包括如下步骤：
步骤P1，将IMU模块安装到所述膝关节外骨骼上，对所述IMU模块进行校准，消除穿戴IMU模块位置不准确带来的影响；
步骤P2，使用所述IMU模块采集人体下肢角度参数；
步骤P3，以所述人体下肢角度参数和下肢运动时间参数作为输入信号，采用基于规则的分类算法对人体当前的步态进行实时识别。
2.根据权利要求1所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P1包括在膝关节外骨骼安装4个IMU模块，分别位于左、右大腿和小腿的外侧，并且所有IMU模块的Pitch角度平面都与人体矢状面平行；然后存储人体静止站立时各IMU模块采集到的Pitch角度，并使所有IMU模块采集到的Pitch角度值都减去人体静止站立时采集到的Pitch角度，从而将人体静止站立时各IMU模块的Pitch角度都标定为零；根据IMU模块在腿上的安装位置，每个IMU模块的Pitch角度反应的是大腿或者小腿的旋转角度。将右大腿IMU模块的Pitch角度与右小腿IMU模块的Pitch角度相减即可计算出右腿膝关节角度，将左小腿IMU模块的Pitch角度与左大腿IMU模块的Pitch角度相减即可计算出左腿膝关节角度，为了处理的方便统一都将其转化为负值。
3.根据权利要求1所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P2中的人体下肢角度参数包括：左腿膝关节角度θL和右腿膝关节角度θR；所述下肢运动时间参数包括：左腿膝关节伸展时间和弯曲时间分别为tLS和tLB，右腿膝关节伸展时间和弯曲时间分别为tRS和tRB。
4.根据权利要求1所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P3中的基于规则的分类算法包括采样规则，步态周期判断规则，以及步态分类判断规则；根据采样规则和步态周期判断规则，通过选取的采样点和多种特征与相应的条件和阈值组成步态分类判断规则来实现对人体当前的步态进行实时识别；所述步态分类判断规则包括左腿膝关节伸展阶段判断规则，左腿膝关节弯曲阶段判断规则，右腿膝关节伸展阶段判断规则和右腿膝关节弯曲阶段判断规则。
5.根据权利要求4所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P3中采样规则为：
规则1：在采集人体下肢角度参数过程中，对左腿膝关节和右腿膝关节角度参数进行连续采样，每20ms采样一次，其中左腿角度变化过程中任意三个连续采样点记为TN,TN+1,TN+2，(N≥1,N为整数)，即TN+1与TN间隔20ms，TN+2与TN+1间隔20ms,对应上述三个时刻的左腿膝关节角度分别为θTN，θT(N+1)，θT(N+2)；右腿角度变化过程中任意三个连续采样点记为TM,TM+1,TM+2,(M≥1,M为整数),TM+1与TM间隔20ms，TM+2与TM+1间隔20ms,对应上述三个时刻的右腿膝关节角度分别为θTM，θT(M+1)，θT(M+2)。
6.根据权利要求4所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P3中的步态周期判断规则为：
规则2：θL≤-20°，θR≤-20°，θTN＞θT(N+1)，θT(N+1)＜θT(N+2)，θTM＞θT(M+1)，θT(M+1)＜θT(M+2)；
如果首次满足上述条件则认为TN+2点和TM+2点的时间间隔为一个步态周期T。
7.根据权利要求4所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P3中步态分类判断规则中判断左腿膝关节处于伸展阶段所用的规则包括：
规则3：θL≤-20°，θTN＜θT(N+1)＜θT(N+2)；
规则4：θL≤-20°，θR≤-20°，θL≤θR-10°，θTN＜θT(N+1)＜θT(N+2)；
规则3-4为并列关系，满足其一即可判断左腿膝关节处于伸展状态，并且首次满足条件θTN＜θT(N+1)＜θT(N+2)时，TN+2点位置为左腿膝关节伸展阶段膝关节角度的极值点。
8.根据权利要求4所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P3中步态分类判断规则中判断右腿膝关节处于伸展阶段所用的规则包括：
规则5：θR≤-20°，θTM＜θT(M+1)＜θT(M+2)；
规则6：θL≤-20°，θR≤-20°，θL≤θR-10°，θTM＜θT(M+1)＜θT(M+2)；
规则5-6为并列关系，满足其一即可判断右腿膝关节处于伸展阶段，并且首次满足条件θTM＜θT(M+1)＜θT(M+2)＜0时，TM+2点位置为右腿膝关节伸展阶段膝关节角度的极值点。
9.根据权利要求4所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P3中步态分类判断规则中判断右腿膝关节处于弯曲阶段所用的规则包括：
规则7：tLS≥T/2，θL≥-30°，θTM＞θT(M+1)＞θT(M+2)；
规则8：tLS≥T/2，θL≥θR，θTM＞θT(M+1)＞θT(M+2)；
规则9：tLS≥T/3，θL≥-20°，θL≥θR，θTM＞θT(M+1)＞θT(M+2)；
规则7-9为并列关系，满足其一即可判断右腿膝关节处于弯曲阶段，并且首次满足条件θTM＞θT(M+1)＞θT(M+2)时，TM+2点位置为右腿膝关节弯曲阶段膝关节角度的极值点。
10.根据权利要求4所述的适用于膝关节外骨骼的步态实时识别方法，其特征在于，所述步骤P3中步态分类判断规则中判断左腿膝关节处于弯曲阶段所用的规则包括：
规则10：tRS≥T/2，θTN＞θT(N+1)＞θT(N+2)，θR≥-30°；
规则11：tRS≥T/2，θTN＞θT(N+1)＞θT(N+2)，θR≥θL；
规则12：tRS≥T/3，θR≥-20°,θR≥θL,θTN＞θT(N+1)＞θT(N+2)；
规则10-12为并列关系，满足其一即可判断左腿膝关节处于弯曲阶段，并且首次满足条件θTN＞θT(N+1)＞θT(N+2)时，TN+2点位置为左腿膝关节弯曲阶段膝关节角度的极值点。
CN201910976122.7A 2019-10-15 2019-10-15 一种适用于膝关节外骨骼的步态实时识别方法 Pending CN110522458A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910976122.7A CN110522458A (zh) 2019-10-15 2019-10-15 一种适用于膝关节外骨骼的步态实时识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910976122.7A CN110522458A (zh) 2019-10-15 2019-10-15 一种适用于膝关节外骨骼的步态实时识别方法

Publications (1)

Publication Number Publication Date
CN110522458A true CN110522458A (zh) 2019-12-03

Family

ID=68671977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910976122.7A Pending CN110522458A (zh) 2019-10-15 2019-10-15 一种适用于膝关节外骨骼的步态实时识别方法

Country Status (1)

Country Link
CN (1) CN110522458A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111469117A (zh) * 2020-04-14 2020-07-31 武汉理工大学 一种刚柔耦合有源外骨骼的人体运动模式检测方法
CN111772638A (zh) * 2020-06-16 2020-10-16 北京海益同展信息科技有限公司 步态控制方法、装置、电子设备及存储介质
CN112560594A (zh) * 2020-11-30 2021-03-26 贵州航天控制技术有限公司 一种柔性外骨骼系统的人体步态识别方法
CN112704491A (zh) * 2020-12-28 2021-04-27 华南理工大学 基于姿态传感器和动捕模板数据的下肢步态预测方法
CN112949676A (zh) * 2020-12-29 2021-06-11 武汉理工大学 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法
CN113146611A (zh) * 2020-12-29 2021-07-23 武汉理工大学 一种刚柔耦合外骨骼机器人运动模式识别方法
CN116153510A (zh) * 2023-02-17 2023-05-23 河南翔宇医疗设备股份有限公司 矫正镜控制方法、装置、设备、存储介质及智能矫正镜

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103083027A (zh) * 2013-01-10 2013-05-08 苏州大学 一种基于下肢关节运动信息的步态相位判别方法
CN103431929A (zh) * 2013-08-29 2013-12-11 电子科技大学 一种力量增强型动力外骨骼行走步态感知方法及装置
US20160029928A1 (en) * 2014-07-29 2016-02-04 Samsung Electronics Co., Ltd. Apparatus and method for recognizing gait motion
JP2017099796A (ja) * 2015-12-04 2017-06-08 トヨタ自動車株式会社 歩行補助装置
JP2017099797A (ja) * 2015-12-04 2017-06-08 トヨタ自動車株式会社 歩行補助装置
CN106821391A (zh) * 2017-03-23 2017-06-13 北京精密机电控制设备研究所 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
CN108245164A (zh) * 2017-12-22 2018-07-06 北京精密机电控制设备研究所 一种可穿戴式惯性器件人体步态信息采集计算方法
KR20190077990A (ko) * 2017-12-26 2019-07-04 한국산업기술대학교산학협력단 보행 상태 추정 방법 및 장치
CN110292506A (zh) * 2019-06-06 2019-10-01 西南交通大学 辅助运动系统和下肢外骨骼控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103083027A (zh) * 2013-01-10 2013-05-08 苏州大学 一种基于下肢关节运动信息的步态相位判别方法
CN103431929A (zh) * 2013-08-29 2013-12-11 电子科技大学 一种力量增强型动力外骨骼行走步态感知方法及装置
US20160029928A1 (en) * 2014-07-29 2016-02-04 Samsung Electronics Co., Ltd. Apparatus and method for recognizing gait motion
JP2017099796A (ja) * 2015-12-04 2017-06-08 トヨタ自動車株式会社 歩行補助装置
JP2017099797A (ja) * 2015-12-04 2017-06-08 トヨタ自動車株式会社 歩行補助装置
CN106821391A (zh) * 2017-03-23 2017-06-13 北京精密机电控制设备研究所 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
CN108245164A (zh) * 2017-12-22 2018-07-06 北京精密机电控制设备研究所 一种可穿戴式惯性器件人体步态信息采集计算方法
KR20190077990A (ko) * 2017-12-26 2019-07-04 한국산업기술대학교산학협력단 보행 상태 추정 방법 및 장치
CN110292506A (zh) * 2019-06-06 2019-10-01 西南交通大学 辅助运动系统和下肢外骨骼控制方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111469117A (zh) * 2020-04-14 2020-07-31 武汉理工大学 一种刚柔耦合有源外骨骼的人体运动模式检测方法
CN111469117B (zh) * 2020-04-14 2022-06-03 武汉理工大学 一种刚柔耦合有源外骨骼的人体运动模式检测方法
CN111772638A (zh) * 2020-06-16 2020-10-16 北京海益同展信息科技有限公司 步态控制方法、装置、电子设备及存储介质
CN112560594A (zh) * 2020-11-30 2021-03-26 贵州航天控制技术有限公司 一种柔性外骨骼系统的人体步态识别方法
CN112704491A (zh) * 2020-12-28 2021-04-27 华南理工大学 基于姿态传感器和动捕模板数据的下肢步态预测方法
CN112949676A (zh) * 2020-12-29 2021-06-11 武汉理工大学 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法
CN113146611A (zh) * 2020-12-29 2021-07-23 武汉理工大学 一种刚柔耦合外骨骼机器人运动模式识别方法
CN113146611B (zh) * 2020-12-29 2022-06-03 武汉理工大学 一种刚柔耦合外骨骼机器人运动模式识别方法
CN112949676B (zh) * 2020-12-29 2022-07-08 武汉理工大学 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法
CN116153510A (zh) * 2023-02-17 2023-05-23 河南翔宇医疗设备股份有限公司 矫正镜控制方法、装置、设备、存储介质及智能矫正镜
CN116153510B (zh) * 2023-02-17 2024-04-16 河南翔宇医疗设备股份有限公司 矫正镜控制方法、装置、设备、存储介质及智能矫正镜

Similar Documents

Publication Publication Date Title
CN110522458A (zh) 一种适用于膝关节外骨骼的步态实时识别方法
CN109953761B (zh) 一种下肢康复机器人运动意图推理方法
Huo et al. Fast gait mode detection and assistive torque control of an exoskeletal robotic orthosis for walking assistance
CN110755070B (zh) 基于多传感器融合的下肢运动位姿快速预测系统及方法
CN109549821B (zh) 基于肌电和惯导信号融合的外骨骼机器人助力控制系统及方法
Yang et al. Classification of multiple finger motions during dynamic upper limb movements
US20200170547A1 (en) A human intention detection system for motion assistance
CN112754468B (zh) 一种基于多源信号的人体下肢运动检测及识别方法
Li et al. The lower limbs kinematics analysis by wearable sensor shoes
CN109498375B (zh) 一种人体运动意图识别控制装置及控制方法
CN113043248B (zh) 基于多源传感器的搬运装配全身外骨骼系统及控制方法
Li et al. Real-time gait event detection for a lower extremity exoskeleton robot by infrared distance sensors
CN104887237B (zh) 一种基于人体运动模式监测的行人导航方法
CN111685769A (zh) 外骨骼功能检测系统
KR20180031610A (ko) 밴드형 운동 및 생체정보 측정 장치
El-Gohary et al. Joint angle tracking with inertial sensors
CN112560594A (zh) 一种柔性外骨骼系统的人体步态识别方法
Liu et al. Real-time onboard recognition of gait transitions for a bionic knee exoskeleton in transparent mode
CN110587613A (zh) 一种负压气动柔性膝关节外骨骼实时反馈与闭环控制方法
Zhang et al. A real-time gait phase recognition method based on multi-information fusion
Kim et al. Thumb joint angle estimation for soft wearable hand robotic devices
Gupta et al. On the combined use of Electromyogram and Accelerometer in Lower Limb Motion Recognition
CN114997227A (zh) 一种基于肌肉应力的手势识别系统
CN210525083U (zh) 一种外骨骼机器人
Wu et al. Recognization of stance phase using flexible pressure sensors

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