CN110543922A - 一种基于膝关节外骨骼的实时行走模式识别方法 - Google Patents

一种基于膝关节外骨骼的实时行走模式识别方法 Download PDF

Info

Publication number
CN110543922A
CN110543922A CN201910975995.6A CN201910975995A CN110543922A CN 110543922 A CN110543922 A CN 110543922A CN 201910975995 A CN201910975995 A CN 201910975995A CN 110543922 A CN110543922 A CN 110543922A
Authority
CN
China
Prior art keywords
low
leftup
leftdown
rule
angle
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
CN201910975995.6A
Other languages
English (en)
Inventor
刘娟
黄强
王文康
张连存
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 CN201910975995.6A priority Critical patent/CN110543922A/zh
Publication of CN110543922A publication Critical patent/CN110543922A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Epidemiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Rehabilitation Tools (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于膝关节外骨骼的实时行走模式识别方法，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；以采集到的这些角度参数作为输入信号，采用基于规则的分类算法实现对人体当前行走模式的识别。本发明在保证高识别准确率的情况下，降低了算法的复杂程度，减少了存储量和计算量，便于直接应用于下肢外骨骼、助行装置以及其他类需要该功能的产品中。

Description

一种基于膝关节外骨骼的实时行走模式识别方法
技术领域
本发明属于模式识别领域，特别涉及一种基于膝关节外骨骼的实时行走模式识别方法。
背景技术
近年来，人口老龄化已逐渐发展成为各国严重的社会问题之一。随着年龄的增长，人体的器官开始衰老，肌肉力量也逐渐衰减，尤其下肢最为明显。对于老年人来说，下肢的自然老化和疾病将严重影响着人体的行动能力，这大大降低了老年人的生活质量。外骨骼是一项新技术，将其穿戴在人体下肢外部与腿部固定在一起，可以为老年人或者行为不便人群提供辅助，使其恢复行走能力。未来，外骨骼将会在医疗和康复领域发挥重要的作用。
外骨骼通过自身安装的传感器来检测人体的运动意图从而执行相应的运动。在日常生活中，人体常见的行走模式除了平地行走外，还有上楼梯和下楼梯等。如果想要让外骨骼以最佳的方式为人体提供助力，就需要根据不同的行走模式采取相应的控制策略。而实现这一目标的前提是外骨骼必须具备能够识别人体行走模式的能力。
中国发明专利申请CN106625604A公开了一种基于助力外骨骼机器人的运动状态判别方法及系统，该方法使用角度传感器和压力传感器来采集人体的髋关节角度和足底压力，并且通过髋关节角度计算出髋关节角速度，最终判断出当前步态周期内人体的运动状态。
中国发明专利申请CN103984962A公开的“一种基于肌电信号的外骨骼行走模式识别方法”和中国发明专利申请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采集所选肌群的肌电信号，通过特征的提取和分类最终实现对行走模式的识别。
但是，足底压力传感器在长期受到压力的情况下寿命很短，而且使用会受到地形的影响。而肌电电极需要长期贴在人体皮肤表面，长期使用很不方便，而且位置的滑移和人体汗液都会影响到数据的采集。
发明内容
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。
一种基于膝关节外骨骼的实时行走模式识别方法，包括如下步骤：
步骤S1，将IMU模块安装到所述膝关节外骨骼上；
步骤S2，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S3，使用所述IMU模块采集人体下肢角度参数；
步骤S4，以所述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对人体当前的行走模式进行识别。
优选地，所述步骤S1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。
优选地，所述步骤S2的校准过程包括：
步骤S21，存储人体静止站立时各IMU模块采集到的Pitch角度；
步骤S22，使所有IMU模块采集到的Pitch角度值都减去步骤S21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。
优选地，所述步骤S3中的人体下肢角度参数包括：左大腿角度的最大值leftup_high、左大腿角度的最小值leftup_low、左小腿角度的最大值leftdown_high、左小腿角度的最小值leftdown_low、右大腿角度的最大值rightup_high、右大腿角度的最小值rightup_low、右小腿角度的最大值rightdown_high、右小腿角度的最小值rightdown_low、左腿膝关节角度的最小值kneeangle_left_Min、右腿膝关节角度的最小值kneeangle_right_Min。
优选地，所述步骤S4中的基于规则的分类算法包括通过由选取的多种特征与相应阈值组成的规则来实现对当前行走模式的判断，所述的行走模式包括人体平地行走、上楼梯和下楼梯。
优选地，所述的特征包括左右腿髋关节的最大屈曲角度、左右腿髋关节的最大伸展角度、左右腿膝关节屈曲时小腿的最大后摆角度、左右腿膝关节伸展时小腿的最大前摆角度、左右腿膝关节的最大屈曲角度、左右小腿的角度变化范围、左右大腿的角度变化范围、左右大腿和小腿角度变化曲线之间的差距或重合范围；
所述的特征分别通过以下这些由角度参数组成的表达式来描述：-leftup_low和rightup_high、-leftup_high和rightup_low、-leftdown_high和rightdown_low、-leftdown_low和rightdown_high、-kneeangle_left_Min和-kneeangle_right_Min、leftdown_high-leftdown_low和rightdown_high-rightdown_low、leftup_high-leftup_low和rightup_high-rightup_low、leftdown_low-leftup_high和rightup_low-rightdown_high；
所述的阈值的具体值为每条规则中关系运算符后的数值。
优选地，所述步骤S4中的基于规则的分类算法包括：
步骤S41，判断是否符合上楼梯的规则，若符合则转到步骤S45，否则转到步骤S42；
步骤S42，判断是否符合平地行走的规则，若符合则转到步骤S45，否则转到步骤S43；
步骤S43，判断是否符合下楼梯规则，若符合则转到步骤S45，否则转到步骤S44；
步骤S44，判定当前的行走模式与上一次的识别结果相同，转到步骤S45；
步骤S45，结束判断，跳出程序。
优选地，所述步骤S41判断上楼梯模式所用的规则包括对于左腿的如下规则：
规则1：leftup_low<-30&&leftdown_low>5&&leftdown_high<50&&(leftup_high-leftup_low>30||leftup_low<-40||leftdown_high-leftdown_low-leftup_high+leftup_low<0||(kneeangle_left_Min<-50&&kneeangle_left_Min>＝-85))
规则2：leftup_low<-30&&leftdown_low-leftup_high>-11&&leftdown_low>-4&&leftdown_high-leftdown_low-leftup_high+leftup_low<0
规则3：leftup_low<-40&&leftdown_low-leftup_high>-15&&leftup_high-leftup_low>30&&leftdown_high-leftdown_low-leftup_high+leftup_low<0
规则4：leftup_low<-40&&leftdown_low-leftup_high>-15&&leftdown_high-leftdown_low-leftup_high+leftup_low<0&&(leftup_high-leftup_low>30||(kneeangle_left_Min<-50&&kneeangle_left_Min>-85))
对于右腿的规则根据与左腿相同的运动规律确定。
优选地，所述步骤S42判断平地行走模式所用的规则包括对于左腿的如下规则：
规则5：leftdown_low-leftup_high<-11&&rightup_low-rightdown_high<-11&&leftup_high>0&&rightup_low<5&&rightup_high<40&&leftup_low>-40
规则6：(leftdown_low-leftup_high<-11&&leftdown_high<50&&leftup_low>-30&&kneeangle_left_Min>-65&&kneeangle_right_Min>-65&&rightup_low<5||(rightup_low-rightdown_high<-11&&rightdown_low>-40&&rightup_high<30&&kneeangle_left_Min>-65&&kneeangle_right_Min>-65&&leftup_high>-5)
规则7：(kneeangle_left_Min>-60&&kneeangle_right_Min>-80&&leftdown_high<50&&leftdown_low-leftup_high<-11&&rightup_low-rightdown_high<-3)||(kneeangle_right_Min>-60&&kneeangle_left_Min>-80&&rightdown_low>-50&&rightup_low-rightdown_high<-11&&leftdown_low-leftup_high<-3)
对于右腿的规则根据与左腿相同的运动规律确定。
优选地，所述步骤S43判断下楼梯模式所用的规则包括对于左腿的如下规则：
规则8：kneeangle_left_Min<-80||kneeangle_right_Min<-80
规则9：(leftdown_high>50&&kneeangle_left_Min<-75)||(rightdown_low<-50&&kneeangle_right_Min<-75)
规则10：leftup_high<-5&&leftup_low>-40&&leftdown_high>25&&kneeangle_left_Min<-55&&leftdown_high-leftdown_low-leftup_high+leftup_low>0
规则11：leftup_high<0&&leftup_high-leftup_low<30&&rightup_low>0&&rightdown_low<-35&&leftdown_high>35&&leftdown_low-leftup_high>-11&&(kneeangle_left_Min<-65||kneeangle_right_Min<-65)&&(leftdown_high-leftdown_low-leftup_high+leftup_low>0||rightup_high-rightup_low-rightdown_high+rightdown_low<0)
对于右腿的规则根据与左腿相同的运动规律确定。
本发明实施例中的实时行走模式识别方法在上电自动校准以后，每隔一个周期通过11条规则来对人体当前的行走模式判断一次，符合哪条规则就输出其对应的行走模式并跳出程序。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行走模式的准确识别，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
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是本发明中行走模式识别方法中采用的人体下肢角度参数示意图；
图3是本发明中行走模式识别方法的示意流程图。
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基于膝关节外骨骼的实时行走模式识别方法，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识别出人体当前所处的行走模式。
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模块采集到的角度值。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。
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。
所述行走模式识别方法中所使用的角度参数有10个，分别为：左大腿角度的最大值和最小值(分别用符号leftup_high、leftup_low表示)，左小腿角度的最大值和最小值(分别用符号leftdown_high、leftdown_low表示)，右大腿角度的最大值和最小值(分别用符号rightup_high、rightup_low表示)，右小腿角度的最大值和最小值(分别用符号rightdown_high、rightdown_low表示)，左腿和右腿膝关节角度的最小值(分别用符号kneeangle_left_Min、kneeangle_right_Min表示)。
所述的人体下肢角度参数为人体大、小腿的旋转角度和膝关节角度。在所述的识别方法中，每隔一个周期将提取出这段时间内左、右两条大腿和小腿的角度最大值和最小值，以及计算出左、右膝关节角度的最小值。为了便于程序的编写和描述，本发明使用一些符号来表示这些参数，具体如图2所示。
所述的行走模式识别方法在上电后首先进行自动校准，消除由于人体穿戴IMU模块位置不准确带来的影响。在校准时人体应当处于静止站立状态几秒钟，之后便可以正常行走，校准后所有IMU模块的初始值都被标定为0。
如图3所示，所述的行走模式识别方法采用一种基于规则的分类算法，该算法依次对上楼梯、平地行走和下楼梯这三种行走模式进行识别。在识别过程中，首先采用上楼梯的规则进行判别，如果符合上楼梯的规则，则输出此时为上楼梯模式，并跳出程序等待下一次识别。如果不符合上楼梯的规则，则采用平地行走规则进行判断，如果符合便输出此时为平地行走模式，并跳出程序等待下一次识别。如果仍然不符合平地行走的规则，则继续用下楼梯的规则进行判断，符合则输出此时为下楼梯模式，并跳出程序等待下一次识别。假如所有的规则都不符合，则认为当前的行走模式与上一次的识别结果相同并输出结果。在整个识别过程中，每经过一个周期循环识别一次，在算法的执行过程中遇到符合的规则后则直接跳出程序，不再执行后面的程序。
所述的基于规则的分类算法通过由leftup_low和rightup_high、leftdown_low-leftup_high和rightup_low-rightdown_high、leftup_high-leftup_low和leftdown_high-leftdown_low、rightup_high-rightup_low和rightdown_high-rightdown_low、leftdown_low和rightdown_high、leftdown_high和rightdown_low、leftup_high和rightup_low、kneeangle_left_Min和kneeangle_right_Min与对应阈值组成的各种规则来实现对人体上楼梯模式、平地行走模式和下楼梯模式的识别。
所述识别方法中设定的几种主要规则如下：
规则1：leftup_low<-30&&leftdown_low>5&&leftdown_high<50&&(leftup_high-leftup_low>30||leftup_low<-40||leftdown_high-leftdown_low-leftup_high+leftup_low<0||(kneeangle_left_Min<-50&&kneeangle_left_Min>＝-85))
规则2：leftup_low<-30&&leftdown_low-leftup_high>-11&&leftdown_low>-4&&leftdown_high-leftdown_low-leftup_high+leftup_low<0
规则3：leftup_low<-40&&leftdown_low-leftup_high>-15&&leftup_high-leftup_low>30&&leftdown_high-leftdown_low-leftup_high+leftup_low<0
规则4：leftup_low<-40&&leftdown_low-leftup_high>-15&&leftdown_high-leftdown_low-leftup_high+leftup_low<0&&(leftup_high-leftup_low>30||(kneeangle_left_Min<-50&&kneeangle_left_Min>-85))
规则5：leftdown_low-leftup_high<-11&&rightup_low-rightdown_high<-11&&leftup_high>0&&rightup_low<5&&rightup_high<40&&leftup_low>-40
规则6：(leftdown_low-leftup_high<-11&&leftdown_high<50&&leftup_low>-30&&kneeangle_left_Min>-65&&kneeangle_right_Min>-65&&rightup_low<5||(rightup_low-rightdown_high<-11&&rightdown_low>-40&&rightup_high<30&&kneeangle_left_Min>-65&&kneeangle_right_Min>-65&&leftup_high>-5)
规则7：(kneeangle_left_Min>-60&&kneeangle_right_Min>-80&&leftdown_high<50&&leftdown_low-leftup_high<-11&&rightup_low-rightdown_high<-3)||(kneeangle_right_Min>-60&&kneeangle_left_Min>-80&&rightdown_low>-50&&rightup_low-rightdown_high<-11&&leftdown_low-leftup_high<-3)
规则8：kneeangle_left_Min<-80||kneeangle_right_Min<-80
规则9：(leftdown_high>50&&kneeangle_left_Min<-75)||(rightdown_low<-50&&kneeangle_right_Min<-75)
规则10：leftup_high<-5&&leftup_low>-40&&leftdown_high>25&&kneeangle_left_Min<-55&&leftdown_high-leftdown_low-leftup_high+leftup_low>0
规则11：leftup_high<0&&leftup_high-leftup_low<30&&rightup_low>0&&rightdown_low<-35&&leftdown_high>35&&leftdown_low-leftup_high>-11&&(kneeangle_left_Min<-65||kneeangle_right_Min<-65)&&(leftdown_high-leftdown_low-leftup_high+leftup_low>0||rightup_high-rightup_low-rightdown_high+rightdown_low<0)
所述的识别方法的规则中包含了对左腿和右腿特征设定的约束条件。由于左腿与右腿的运动规律是相同的且只有符号的差别，有些规则都是分别由对两条腿同一特征所设定的相同约束条件组成的，因此上面列出的主要规则中有的只为左腿的规则。其中，规则1-4为上楼梯模式的判断规则，规则5-7为平地行走模式的判断规则，规则8-11为下楼梯模式的判断规则。所述识别方法中所用的规则都是由不同角度参数组成的特征与相应阈值组成的逻辑关系式，其中关系运算符之前的为特征，关系运算符之后的为阈值。
所述的特征分别通过以下这些由角度参数组成的表达式来描述：-leftup_low和rightup_high、-leftup_high和rightup_low、-leftdown_high和rightdown_low、-leftdown_low和rightdown_high、-kneeangle_left_Min和-kneeangle_right_Min、leftdown_high-leftdown_low和rightdown_high-rightdown_low、leftup_high-leftup_low和rightup_high-rightup_low、leftdown_low-leftup_high和rightup_low-rightdown_high。
-leftup_low和rightup_high表征的特征是髋关节的最大屈曲角度，髋关节屈曲时角度为正值。当上楼梯时，由于需要将腿抬高一个台阶高度，所以髋关节的屈曲角度很大，这是区别于其他两种行走模式的明显特征。
-leftdown_low和rightdown_high表征的特征是膝关节伸展时小腿的最大前摆角度，小腿前摆时角度为正值。小腿的前摆角度大是平地行走模式区别于其他两种行走模式的明显特征。
-leftup_high和rightup_low表征的特征是髋关节的最大伸展角度，-leftdown_high和rightdown_low表征的特征是膝关节屈曲时小腿的最大后摆角度，-kneeangle_left_Min和-kneeangle_right_Min表征的特征是膝关节的最大屈曲角度。其中，髋关节伸展时角度为负值，小腿后摆时角度为负值，膝关节屈曲时角度为正值。髋关节一直处于屈曲状态，小腿的后摆角度大，膝关节的屈曲角度大，是下楼梯行走模式区别于其他两种行走模式的明显特征。
leftdown_high-leftdown_low和rightdown_high-rightdown_low表征的特征是小腿的角度变化范围，leftup_high-leftup_low和rightup_high-rightup_low表征的特征是大腿的角度变化范围。上楼梯时小腿的角度变化范围很小，下楼梯时大腿的角度变化范围很小，只有上楼梯行走模式下大腿的角度变化范围是大于小腿的角度变化范围的。
leftdown_low-leftup_high和rightup_low-rightdown_high表征的特征是大腿和小腿角度变化曲线之间的差距或重合范围。上楼梯和下楼梯行走模式下大腿和小腿的角度曲线之间是有间距的，而且下楼梯时间距更大，而平地行走时大腿和小腿的角度曲线之间有很多重合。
所述的行走模式识别方法采用基于规则的分类算法来识别人体上楼梯、平地行走和下楼梯这三种行走模式。每一条规则对应着一种行走模式，程序顺序地验证每一条规则，当符合某一条规则时则输出对应的行走模式的ID号，并结束程序的执行，等待下一个识别周期的开始。
综上可以看出，本发明实施例提出的实时行走模式识别方法只使用角度信息就实现了对人体三种行走模式的准确识别，计算量小，易于实现，便于应用于下肢外骨骼、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)

1.一种基于膝关节外骨骼的实时行走模式识别方法，包括如下步骤：
步骤S1，将IMU模块安装到所述膝关节外骨骼上；
步骤S2，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S3，使用所述IMU模块采集人体下肢角度参数；
步骤S4，以所述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对人体当前的行走模式进行识别。
2.根据权利要求1所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述步骤S1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。
3.根据权利要求1所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述步骤S2的校准过程包括：
步骤S21，存储人体静止站立时各IMU模块采集到的Pitch角度；
步骤S22，使所有IMU模块采集到的Pitch角度值都减去步骤S21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。
4.根据权利要求1所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述步骤S3中的人体下肢角度参数包括：左大腿角度的最大值leftup_high、左大腿角度的最小值leftup_low、左小腿角度的最大值leftdown_high、左小腿角度的最小值leftdown_low、右大腿角度的最大值rightup_high、右大腿角度的最小值rightup_low、右小腿角度的最大值rightdown_high、右小腿角度的最小值rightdown_low、左腿膝关节角度的最小值kneeangle_left_Min、右腿膝关节角度的最小值kneeangle_right_Min。
5.根据权利要求1所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述步骤S4中的基于规则的分类算法包括通过由选取的多种特征与相应阈值组成的规则来实现对当前行走模式的判断，所述的行走模式包括人体平地行走、上楼梯和下楼梯。
6.根据权利要求5所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述的特征包括左右腿髋关节的最大屈曲角度、左右腿髋关节的最大伸展角度、左右腿膝关节屈曲时小腿的最大后摆角度、左右腿膝关节伸展时小腿的最大前摆角度、左右腿膝关节的最大屈曲角度、左右小腿的角度变化范围、左右大腿的角度变化范围、左右大腿和小腿角度变化曲线之间的差距或重合范围；
所述的特征分别通过以下这些由角度参数组成的表达式来描述：-leftup_low和rightup_high、-leftup_high和rightup_low、-leftdown_high和rightdown_low、-leftdown_low和rightdown_high、-kneeangle_left_Min和-kneeangle_right_Min、leftdown_high-leftdown_low和rightdown_high-rightdown_low、leftup_high-leftup_low和rightup_high-rightup_low、leftdown_low-leftup_high和rightup_low-rightdown_high；
所述的阈值的具体值为每条规则中关系运算符后的数值。
7.根据权利要求6所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述步骤S4中的基于规则的分类算法包括：
步骤S41，判断是否符合上楼梯的规则，若符合则转到步骤S45，否则转到步骤S42；
步骤S42，判断是否符合平地行走的规则，若符合则转到步骤S45，否则转到步骤S43；
步骤S43，判断是否符合下楼梯规则，若符合则转到步骤S45，否则转到步骤S44；
步骤S44，判定当前的行走模式与上一次的识别结果相同，转到步骤S45；
步骤S45，结束判断，跳出程序。
8.根据权利要求7所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述步骤S41判断上楼梯模式所用的规则包括对于左腿的如下规则：
规则1：leftup_low<-30&&leftdown_low>5&&leftdown_high<50&&(leftup_high-leftup_low>30||leftup_low<-40||leftdown_high-leftdown_low-leftup_high+leftup_low<0||(kneeangle_left_Min<-50&&kneeangle_left_Min>＝-85))
规则2：leftup_low<-30&&leftdown_low-leftup_high>-11&&leftdown_low>-4&&leftdown_high-leftdown_low-leftup_high+leftup_low<0
规则3：leftup_low<-40&&leftdown_low-leftup_high>-15&&leftup_high-leftup_low>30&&leftdown_high-leftdown_low-leftup_high+leftup_low<0
规则4：leftup_low<-40&&leftdown_low-leftup_high>-15&&leftdown_high-leftdown_low-leftup_high+leftup_low<0&&(leftup_high-leftup_low>30||(kneeangle_left_Min<-50&&kneeangle_left_Min>-85))
对于右腿的规则根据与左腿相同的运动规律确定。
9.根据权利要求7所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述步骤S42判断平地行走模式所用的规则包括对于左腿的如下规则：
规则5：leftdown_low-leftup_high<-11&&rightup_low-rightdown_high<-11&&leftup_high>0&&rightup_low<5&&rightup_high<40&&leftup_low>-40
规则6：(leftdown_low-leftup_high<-11&&leftdown_high<50&&leftup_low>-30&&kneeangle_left_Min>-65&&kneeangle_right_Min>-65&&rightup_low<5||(rightup_low-rightdown_high<-11&&rightdown_low>-40&&rightup_high<30&&kneeangle_left_Min>-65&&kneeangle_right_Min>-65&&leftup_high>-5)
规则7：(kneeangle_left_Min>-60&&kneeangle_right_Min>-80&&leftdown_high<50&&leftdown_low-leftup_high<-11&&rightup_low-rightdown_high<-3)||(kneeangle_right_Min>-60&&kneeangle_left_Min>-80&&rightdown_low>-50&&rightup_low-rightdown_high<-11&&leftdown_low-leftup_high<-3)
对于右腿的规则根据与左腿相同的运动规律确定。
10.根据权利要求7所述的基于膝关节外骨骼的实时行走模式识别方法，其特征在于，所述步骤S43判断下楼梯模式所用的规则包括对于左腿的如下规则：
规则8：kneeangle_left_Min<-80||kneeangle_right_Min<-80
规则9：(leftdown_high>50&&kneeangle_left_Min<-75)||(rightdown_low<-50&&kneeangle_right_Min<-75)
规则10：leftup_high<-5&&leftup_low>-40&&leftdown_high>25&&kneeangle_left_Min<-55&&leftdown_high-leftdown_low-leftup_high+leftup_low>0
规则11：leftup_high<0&&leftup_high-leftup_low<30&&rightup_low>0&&rightdown_low<-35&&leftdown_high>35&&leftdown_low-leftup_high>-11&&(kneeangle_left_Min<-65||kneeangle_right_Min<-65)&&(leftdown_high-leftdown_low-leftup_high+leftup_low>0||rightup_high-rightup_low-rightdown_high+rightdown_low<0)
对于右腿的规则根据与左腿相同的运动规律确定。
CN201910975995.6A 2019-10-15 2019-10-15 一种基于膝关节外骨骼的实时行走模式识别方法 Pending CN110543922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910975995.6A CN110543922A (zh) 2019-10-15 2019-10-15 一种基于膝关节外骨骼的实时行走模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910975995.6A CN110543922A (zh) 2019-10-15 2019-10-15 一种基于膝关节外骨骼的实时行走模式识别方法

Publications (1)

Publication Number Publication Date
CN110543922A true CN110543922A (zh) 2019-12-06

Family

ID=68715765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910975995.6A Pending CN110543922A (zh) 2019-10-15 2019-10-15 一种基于膝关节外骨骼的实时行走模式识别方法

Country Status (1)

Country Link
CN (1) CN110543922A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111312362A (zh) * 2020-01-20 2020-06-19 深圳市丞辉威世智能科技有限公司 原地踏步训练方法、装置、终端及存储介质
CN112891144A (zh) * 2021-01-28 2021-06-04 北京理工大学 一种正-负压混合驱动柔性膝关节外骨骼
CN113011458A (zh) * 2021-02-19 2021-06-22 华南理工大学 负载机动型外骨骼人体运动意图识别方法及外骨骼系统
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108577854A (zh) * 2018-04-28 2018-09-28 深圳市迈步机器人科技有限公司 步态识别方法和步态辅助设备
US20190060156A1 (en) * 2017-08-29 2019-02-28 Roam Robotics Inc. Semi-supervised intent recognition system and method
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190060156A1 (en) * 2017-08-29 2019-02-28 Roam Robotics Inc. Semi-supervised intent recognition system and method
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
CN108577854A (zh) * 2018-04-28 2018-09-28 深圳市迈步机器人科技有限公司 步态识别方法和步态辅助设备
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111312362A (zh) * 2020-01-20 2020-06-19 深圳市丞辉威世智能科技有限公司 原地踏步训练方法、装置、终端及存储介质
CN111312362B (zh) * 2020-01-20 2024-05-10 深圳市丞辉威世智能科技有限公司 原地踏步训练方法、装置、终端及存储介质
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
CN112891144A (zh) * 2021-01-28 2021-06-04 北京理工大学 一种正-负压混合驱动柔性膝关节外骨骼
CN113011458A (zh) * 2021-02-19 2021-06-22 华南理工大学 负载机动型外骨骼人体运动意图识别方法及外骨骼系统
CN113011458B (zh) * 2021-02-19 2022-12-16 华南理工大学 负载机动型外骨骼人体运动意图识别方法及外骨骼系统

Similar Documents

Publication Publication Date Title
CN110543922A (zh) 一种基于膝关节外骨骼的实时行走模式识别方法
Liu et al. Intent pattern recognition of lower-limb motion based on mechanical sensors
Xu et al. Real-time on-board recognition of continuous locomotion modes for amputees with robotic transtibial prostheses
Grimmer et al. Stance and swing detection based on the angular velocity of lower limb segments during walking
Holgate et al. A novel control algorithm for wearable robotics using phase plane invariants
US8623098B2 (en) Systems and method for volitional control of jointed mechanical devices based on surface electromyography
US10434027B2 (en) Recognition method of human walking speed intention from surface electromyogram signals of plantar flexor and walking speed control method of a lower-limb exoskeleton robot
Yuan et al. Fuzzy-logic-based terrain identification with multisensor fusion for transtibial amputees
US9700439B1 (en) Identification and implementation of locomotion modes using surface electromyography
CN105795571B (zh) 一种用于外骨骼压力鞋的数据采集系统及方法
KR20190032925A (ko) 개인화된 보행 정책을 갱신하는 방법 및 장치
CN108577854A (zh) 步态识别方法和步态辅助设备
CN109771216B (zh) 一种脑卒中患者复健fes信号精确定位方法
US10524699B2 (en) Method and system for monitoring terrain and gait and predicting upcoming terrain
CN109938892A (zh) 一种智能膝上假肢穿戴者骑行状态识别系统
CN112949676B (zh) 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
CN113850104A (zh) 用于肢体的运动模式识别方法
Liu et al. A muscle synergy-inspired method of detecting human movement intentions based on wearable sensor fusion
Li et al. Real-time gait event detection for a lower extremity exoskeleton robot by infrared distance sensors
Carvalho et al. Environment-aware locomotion mode transition prediction system
Song et al. Adaptive neural fuzzy reasoning method for recognizing human movement gait phase
Zheng et al. Locomotion mode recognition with robotic transtibial prosthesis in inter-session and inter-day applications
Wang et al. Real-time gait phase estimation based on neural network and assistance strategy based on simulated muscle dynamics for an ankle exosuit
Ye et al. An adaptive method for gait event detection of gait rehabilitation robots
CN116018119A (zh) 用于可穿戴机器人的步态相位估计的系统和过程

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: 20191206

RJ01 Rejection of invention patent application after publication