CN110555429A - 一种面向髋关节外骨骼的人体运动模式识别方法 - Google Patents
一种面向髋关节外骨骼的人体运动模式识别方法 Download PDFInfo
- Publication number
- CN110555429A CN110555429A CN201910976053.XA CN201910976053A CN110555429A CN 110555429 A CN110555429 A CN 110555429A CN 201910976053 A CN201910976053 A CN 201910976053A CN 110555429 A CN110555429 A CN 110555429A
- Authority
- CN
- China
- Prior art keywords
- theta
- degrees
- equal
- rule
- less
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000004394 hip joint Anatomy 0.000 title claims abstract description 15
- 210000000689 upper leg Anatomy 0.000 claims abstract description 106
- 238000007635 classification algorithm Methods 0.000 claims abstract description 10
- 238000012567 pattern recognition method Methods 0.000 claims description 9
- 210000001624 hip Anatomy 0.000 claims description 8
- 210000000629 knee joint Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 210000002414 leg Anatomy 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000009194 climbing Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000005021 gait Effects 0.000 description 4
- 210000003141 lower extremity Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本发明公开了一种面向髋关节外骨骼的人体运动模式识别方法,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模块采集并解算出左大腿和右大腿在人体矢状面的旋转角度信息,以及左大腿和右大腿运动时间信息;以采集到的这些角度参数和运动时间信息作为输入信号,采用基于规则的分类算法实现对人体上楼梯、下楼梯和平地行走模式的识别。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,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
技术领域
本发明属于柔性髋关节外骨骼机器人、下肢外骨骼以及行走模式识别技术领域,特别涉及一种面向髋关节外骨骼的人体运动模式识别方法。
背景技术
用工程科学方法修复和增强人体运动能力,是机器人学等交叉学科基础科研的重要科学目标之一,机器人外骨骼是开展这一科学研究的载体。机器人外骨骼是一种并联穿戴于人体外部的装置,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,控制执行机构执行相应的动作,为肢体提供与步态一致的辅助力矩,达到增强肢体力量或辅助人体运动的目的。
实时准确地识别人体运动状态与意图,并增强其主动运动能力是外骨骼的核心功能。人体运动模式识别本质上是对中枢神经系统输出信号的解读,人-机协同控制则是在准确识别运动意图的基础上,通过执行合理有效的控制策略,实现人-机自然交互并协同作业。但已有运动模式识别普遍存在穿戴繁琐、舒适性差、错误率高等问题,影响人-机协同控制效果。现有识别方式主要包括基于生物力信号(如足底力信号、人-机交互力信号),基于生理信号(如肌电信号)以及神经信号(如脑电信号、眼电信号)等形式。如美国华盛顿大学Miller团队采用基于加速度传感器、足底压力传感器以及力传感器等多传感器方案来检测人-机交互力,并结合阻抗控制实现康复训练,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。再有,日本国立佐贺大学Kiguchi团队将基于表面肌电信号的模糊神经网络控制策略应用于上肢康复外骨骼的训练治疗,但肌电信号进行非结构化行走环境下人体下肢运动意图理解以及步态分析技术还不成熟,非结构化行走环境、外部扰动以及肌肉状态变化等方面对基于肌电信号的下肢运动意图识别影响较大,并且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,影响步态识别的准确度。此外,德国图宾根医科大学Witkowski团队通过提取脑电信号来完成手部外骨骼的主动控制,但受限于低通量的信息传输通道,很难精确表达下肢运动意图。
发明内容
本发明的目的是针对上述现有技术的缺陷,提供了一种面向髋关节外骨骼的人体运动模式识别方法。
一种面向髋关节外骨骼的人体运动模式识别方法,包括如下步骤:
步骤Step 1,将IMU模块安装到所述髋关节外骨骼上;
步骤Step 2,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Step 3,使用所述IMU模块检测并解算出左大腿和右大腿在人体矢状面的旋转角度信息以及左大腿和右大腿运动时间信息;
步骤Step 4,以所述左大腿和右大腿在人体矢状面的旋转角度信息,以及左大腿和右大腿运动时间信息作为输入信号,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Step1包括在膝关节外骨骼安装2个IMU模块,分别位于在左大腿和右大腿靠近膝关节的一端的外侧,并且2个IMU模块的Pitch角平面都与人体矢状面平行,但二者Pitch角的坐标轴方向相反,故右大腿与地面法线所成夹角沿IMU模块Pitch角的坐标轴正向分布,而左大腿与地面法线所成夹角沿IMU模块Pitch角的坐标轴负向分布。
优选地,所述步骤Step 2的校准过程包括:
步骤Step 21,存储人体静止站立时两个IMU模块采集到的Pitch角度;
步骤Step 22,使两个IMU模块采集到的Pitch角度值都减去步骤Step 21采集到的Pitch角度,从而将人体静止站立时两个IMU模块的Pitch角度都标定为零。
优选地,所述步骤Step 3中的左大腿和右大腿在人体矢状面的旋转角度参数包括:在人体矢状面内,左大腿与地面法线所成夹角的最大值-θLmax和最小值-θLmin;右大腿与地面法线所成夹角的最大值θRmax和最小值θRmin。
优选地,所述步骤Step 3中左大腿和右大腿运动时间参数包括:右大腿前摆阶段运动时间TRB、右大腿后展阶段运动时间TRS、左大腿前摆阶段运动时间TLB以及左大腿后展阶段运动时间TLS。
优选地,所述步骤Step 4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:在人体矢状面内,左大腿和右大腿与地面法线所成夹角的最大值、左大腿和右大腿与地面法线所成夹角的最小值、左大腿和右大腿角度变化范围、左大腿和右大腿角度曲线之间的角度差或角度重叠范围、每一个模式计算周期中左大腿和右大腿在人体矢状面内所成夹角角度的最大值、右大腿前摆阶段和后展阶段运动时间、左大腿前摆阶段和后展阶段运动时间。
所述的特征分别通过以下角度和时间参数的表达式来描述:-θLmax和θRmax、-θLmin和θRmin、θLmax-θLmin和θRmax-θRmin、|-θLmin-θRmin|、|θRmin+θLmax|、TRB和TRS、TLB和TLS。
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Step 4中的基于规则的分类算法包括:
步骤Step 41,判断是否符合上楼梯的规则,若符合转到步骤44;否则转到步骤42;
步骤Step 42,判断是否符合平地行走的规则,若符合则转到步骤44,否则转到步骤43;
步骤Step 43,判断是否符合下楼梯规则,若符合则转到步骤44,否则判定为平地行走模式,然后再转到步骤44;
步骤Step 44,结束判断,跳出程序。
优选地,所述步骤Step 41判断上楼梯模式所用的规则如下:
规则1:θRmax-(-θLmax)≥64°,θRmax-θRmin≥35°,θLmax-θLmin≥35°,|-θLmin-θRmin|≤11°;
规则2:θRmax≥52°,θLmax≥52°,|-θLmin-θRmin|≤|θRmin+θLmax|*0.8,θRmax-θRmin≥32°,θLmax-θLmin≥32°;
规则3:θRmax-θRmin≥36°;θLmax-θLmin≥36°;θRmax≥35°;-θLmax≤-35°;
规则1-3为并列关系,满足其一即可认为是上楼梯模式;规则1-3存在优先级,规则1优先级最高,其次是规则2,规则3最低。
优选地,所述步骤Step 42判断平地行走模式所用的规则如下:
规则4:TRB≥800ms;
规则5:TRS≥800ms;
规则6:TLB≥800ms;
规则7:TLS≥800ms;
规则8:θLmax-θLmin≤4°,θRmax-θRmin≤10°,-θLmax≤-10°;
规则9:θLmax-θLmin≤10°,θRmax-θRmin≤4°,θRmax≤10°;
规则10:θLmax-θLmin≤11°,θRmax-θRmin≤11°,-θLmax≥-10°,θRmax≤10°;
规则4-10为并列关系,满足其一即可认为是平地行走模式;规则4-10存在优先级,规则4-7优先级相同且优先级最高,其次是规则8,再次为规则9,最后是规则10。
优选地,所述步骤Step 43判断下楼梯模式所用的规则如下:
规则11:θRmax-θRmin≤22°,θRmax-θRmin≥6°,θLmax-θLmin≤22°,θLmax-θLmin≥6°,θRmin≥5°,-θLmin≤-5°;
规则12:θRmin≥7°,-θLmin≤-7°,θRmax-θRmin≤25°,θRmax-θRmin≥7°,θLmax-θLmin≤25°,θLmax-θLmin≥7°;
规则13:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≥-45°,θRmax≤45°,-θLmin≤5°,θRmin≥-5°;
规则14:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≥-45°,θRmax≤8°,-θLmin≤8°;
规则15:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,θRmax≤45°,θRmin≥-8°,-45°≤-θLmax≤8°;
规则16:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≤5°,-θLmax≥-45°,θRmax≤5°;
规则17:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,θRmax≤45°,-θLmin≤5°,θRmin≥-5°;
规则18:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,θRmax≤8°,-θLmin≤8°;
规则19:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≤8°,-θLmax≥-45°,θRmax≤45°,θRmin≥-8°;
规则20:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,-θLmax≤5°,θRmax≤5°。
规则11-20为并列关系,满足其一即可认为是下楼梯模式;规则11-20存在优先级,规则11优先级最高,其次是规则12,规则13-20优先级相同且优先级最低。
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在上电自动校准以后,每隔一个周期通过20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,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。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
附图说明
图1是本发明中髋关节外骨骼上的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的示意流程图;
图3是本发明中行走模式识别方法中左大腿和右大腿在人体矢状面的角度信息与运动时间对应关系曲线图。
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面向髋关节外骨骼的人体运动模式识别方法,该识别方法在自动校准后,以IMU模块采集到的人体大腿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模块在髋关节外骨骼上的安装位置,如图1所示。总共有两个IMU模块来采集人体下肢的运动信息,分别位于在左大腿和右大腿靠近膝关节的一端的外侧,并且2个IMU模块的Pitch角平面都与人体矢状面平行,但二者Pitch角的坐标轴方向相反,故右大腿与地面法线所成夹角沿IMU模块Pitch角的坐标轴正向分布,而左大腿与地面法线所成夹角沿IMU模块Pitch角的坐标轴负向分布。为了提高所述步态实时识别方法在髋关节外骨骼、髋关节助行装置以及其他类需要该功能的产品的通用性,两个IMU模块可以独立于髋关节外骨骼,通过柔性固定带直接安装在左大腿和右大腿靠近膝关节的一端的外侧,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模块在大腿上的安装位置,每个IMU模块的Pitch角度反应的是在人体矢状面内,大腿相对地面法线的旋转角度。
所述行走模式识别方法中所使用的角度参数有4个,分别为:左大腿在人体矢状面内相对于地面法线所成角度的最大值和最小值,右大腿在人体矢状面内相对于地面法线所成角度的最大值和最小值。由于两个IMU模块分别位于在左大腿和右大腿靠近膝关节的一端的外侧,并且2个IMU模块的Pitch角平面都与人体矢状面平行,但二者Pitch角的坐标轴方向相反,故右大腿与地面法线所成夹角沿IMU模块Pitch角的坐标轴正向分布,而左大腿与地面法线所成夹角沿IMU模块Pitch角的坐标轴负向分布。因此,右大腿在人体矢状面内相对于地面法线所成角度的最大值和最小值分别用符号θRmax和θRmin表示,左大腿在人体矢状面内相对于地面法线所成角度的最大值和最小值分别用符号-θLmax和-θLmin表示。下文中左大腿和右大腿的角度值都是在人体矢状面内左和右大腿与地面法线所成夹角的角度值。
所述行走模式识别方法中所使用的运动时间参数有4个,分别为:右腿前摆阶段运动时间TRB、右腿后展阶段运动时间TRS、左腿前摆阶段运动时间TLB、左腿后展阶段运动时间TLS。其中,右腿从0°到θRmax是右腿前摆阶段,右腿从0°到θRmin是右腿后展阶段,左腿从0°到-θLmax是左腿前摆阶段,左腿从0°到-θLmin是左腿后展阶段。
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大腿和右大腿角度最大值与最小值,左大腿和右大腿的前摆阶段运动时间和后展阶段运动时间。
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。
图2是本发明中行走模式识别方法的示意流程图。如图2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。如果不符合平地行走的规则,则采用下楼梯的规则进行判断,如果符合便输出此时为下楼梯模式,并跳出程序等待下一次识别,如果仍然不符合下楼梯模式判断的规则,则认为是平地行走模式,并跳出程序等待下一次识别。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-θLmax和-θLmin,θRmax和θRmin、θLmax-θLmin,θRmax-θRmin,|-θLmin-θRmin|,|θRmin+θLmax|,TRB和TRS,TLB和TLS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主要规则如下:
规则1:θRmax-(-θLmax)≥64°,θRmax-θRmin≥35°,θLmax-θLmin≥35°,|-θLmin-θRmin|≤11°;
规则2:θRmax≥52°,θLmax≥52°,|-θLmin-θRmin|≤|θRmin+θLmax|*0.8,θRmax-θRmin≥32°,θLmax-θLmin≥32°;
规则3:θRmax-θRmin≥36°;θLmax-θLmin≥36°;θRmax≥35°;-θLmax≤-35°;
规则4:TRB≥800ms;
规则5:TRS≥800ms;
规则6:TLB≥800ms;
规则7:TLS≥800ms;
规则8:θLmax-θLmin≤4°,θRmax-θRmin≤10°,-θLmax≤-10°;
规则9:θLmax-θLmin≤10°,θRmax-θRmin≤4°,θRmax≤10°;
规则10:θLmax-θLmin≤11°,θRmax-θRmin≤11°,-θLmax≥-10°,θRmax≤10°;
规则11:θRmax-θRmin≤22°,θRmax-θRmin≥6°,θLmax-θLmin≤22°,θLmax-θLmin≥6°,θRmin≥5°,-θLmin≤-5°;
规则12:θRmin≥7°,-θLmin≤-7°,θRmax-θRmin≤25°,θRmax-θRmin≥7°,θLmax-θLmin≤25°,θLmax-θLmin≥7°;
规则13:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≥-45°,θRmax≤45°,-θLmin≤5°,θRmin≥-5°;
规则14:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≥-45°,θRmax≤8°,-θLmin≤8°;
规则15:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,θRmax≤45°,θRmin≥-8°,-45°≤-θLmax≤8°;
规则16:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≤5°,-θLmax≥-45°,θRmax≤5°;
规则17:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,θRmax≤45°,-θLmin≤5°,θRmin≥-5°;
规则18:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,θRmax≤8°,-θLmin≤8°;
规则19:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≤8°,-θLmax≥-45°,θRmax≤45°,θRmin≥-8°;
规则20:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,-θLmax≤5°,θRmax≤5°。
其中,规则1-3为上楼梯模式的判断规则,规则1-3为并列关系,满足其一即可认为是上楼梯模式;规则1-3存在优先级,规则1优先级最高,其次是规则2,规则3最低。
规则4-10为平地行走模式判断规则,规则4-10为并列关系,满足其一即可认为是平地行走模式;规则4-10存在优先级,规则4-7优先级相同且优先级最高,其次是规则8,再次为规则9,最后是规则10。
规则11-20为判断下楼梯模式判断规则,规则11-20为并列关系,满足其一即可认为是下楼梯模式,规则11-20存在优先级,规则11优先级最高,其次是规则12,规则13-20优先级相同且优先级最低。
所述识别方法中所用的规则都是由不同角度参数和运动时间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角度参数的表达式和运动时间参数的表达式来描述:-θLmax和θRmax,θLmax-θLmin和θRmax-θRmin,|-θLmin-θRmin|,|θRmin+θLmax|,TRB和TRS、TLB和TLS。
-θLmax和θRmax表征的特征是在人体矢状面内,左大腿和右大腿与地面法线所成夹角的最大值,也即髋关节的最大屈曲角度,髋关节屈曲时角度为正值。如图3行走模式识别方法中左大腿和右大腿在人体矢状面的角度信息与运动时间对应关系曲线图所示,当上楼梯时,由于需要将腿抬高一个台阶高度,抬腿高度最高,所以髋关节的屈曲角度最大,这是区别于其他两种行走模式的明显特征。
-θLmin和θRmin表征的特征是在人体矢状面内,左大腿和右大腿与地面法线所成夹角的最小值,也即髋关节的最大伸展角度,髋关节伸展时角度为负值。
θLmax-θLmin和θRmax-θRmin表征的特征是在人体矢状面内左大腿和右大腿相对地面法线所成夹角的角度变化范围,如图3所示,上楼梯时大腿的角度变化范围最大,下楼时大腿的角度变化范围最小。
|-θLmin-θRmin|表征的特征是在人体矢状面内左大腿和右大腿分别与地面法线所成夹角的角度变化曲线之间的角度差或角度重叠范围。如图3所示,下楼梯模式大腿角度曲线之间是有间距的,间距在三种模式中最大,而平地行走时左大腿和右大腿分别与地面法线所成夹角的角度变化曲线之间重叠区域最多,上楼梯模式中左大腿和右大腿角度变化曲线之间重叠区域相对下楼梯模式小。
|θRmin+θLmax|表征的特征是在行走过程中,在每一个模式计算周期中左大腿和右大腿在人体矢状面内所成夹角角度的最大值。
TRB和TRS表征的特征是右大腿前摆阶段运动时间和后展阶段运动时间。
TLB和TLS表征的特征是左大腿前摆阶段运动时间以及左大腿后展阶段运动时间。
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、下楼梯和平地行走这三种行走模式。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运动时间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,具有鲁棒性好以及环境适应性强等优点,便于应用于髋关节外骨骼、髋关节助力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)
1.一种面向髋关节外骨骼的人体运动模式识别方法,包括如下步骤:
步骤Step 1,将IMU模块安装到所述髋关节外骨骼上;
步骤Step 2,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Step 3,使用所述IMU模块检测并解算出左大腿和右大腿在人体矢状面的旋转角度信息以及左大腿和右大腿运动时间信息;
步骤Step 4,以所述左大腿和右大腿在人体矢状面的旋转角度信息,以及左大腿和右大腿运动时间信息作为输入信号,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所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述步骤Step1包括在膝关节外骨骼安装2个IMU模块,分别位于在左大腿和右大腿靠近膝关节的一端的外侧,并且2个IMU模块的Pitch角平面都与人体矢状面平行,但二者Pitch角的坐标轴方向相反,故右大腿与地面法线所成夹角沿IMU模块Pitch角的坐标轴正向分布,而左大腿与地面法线所成夹角沿IMU模块Pitch角的坐标轴负向分布。
3.根据权利要求1所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述步骤Step 2的校准过程包括:
步骤Step 21,存储人体静止站立时两个IMU模块采集到的Pitch角度;
步骤Step 22,使两个IMU模块采集到的Pitch角度值都减去步骤Step 21采集到的Pitch角度,从而将人体静止站立时两个IMU模块的Pitch角度都标定为零。
4.根据权利要求1所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述步骤Step 3中的左大腿和右大腿在人体矢状面的旋转角度参数包括:在人体矢状面内,左大腿与地面法线所成夹角的最大值-θLmax和最小值-θLmin,右大腿与地面法线所成夹角的最大值θRmax和最小值θRmin;
所述步骤Step 3中左大腿和右大腿运动时间参数包括:右大腿前摆阶段运动时间TRB、右大腿后展阶段运动时间TRS、左大腿前摆阶段运动时间TLB以及左大腿后展阶段运动时间TLS。
5.根据权利要求1所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述步骤Step 4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所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述的特征包括在人体矢状面内,左大腿和右大腿与地面法线所成夹角的最大值、左大腿和右大腿与地面法线所成夹角的最小值、左大腿和右大腿角度变化范围、左大腿和右大腿角度曲线之间的角度差或角度重叠范围、每一个模式计算周期中左大腿和右大腿在人体矢状面内所成夹角角度的最大值、右大腿前摆阶段和后展阶段运动时间、左大腿前摆阶段和后展阶段运动时间;
所述的特征分别通过以下角度和时间参数的表达式来描述:-θLmax和θRmax、-θLmin和θRmin、θLmax-θLmin和θRmax-θRmin、|-θLmin-θRmin|、|θRmin+θLmax|、TRB和TRS、TLB和TLS。
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5所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述步骤Step 4中的基于规则的分类算法包括:
步骤Step 41,判断是否符合上楼梯的规则,若符合转到步骤Step 44;否则转到步骤42;
步骤Step 42,判断是否符合平地行走的规则,若符合则转到步骤Step 44,否则转到步骤43;
步骤Step 43,判断是否符合下楼梯规则,若符合则转到步骤Step 44,否则判定为平地行走模式,然后再转到步骤Step 44;
步骤Step 44,结束判断,跳出程序。
8.根据权利要求7所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述步骤Step 41判断上楼梯模式所用的规则如下:
规则1:θRmax-(-θLmax)≥64°,θRmax-θRmin≥35°,θLmax-θLmin≥35°,|-θLmin-θRmin|≤11°;
规则2:θRmax≥52°,θLmax≥52°,|-θLmin-θRmin|≤|θRmin+θLmax|*0.8,θRmax-θRmin≥32°,θLmax-θLmin≥32°;
规则3:θRmax-θRmin≥36°;θLmax-θLmin≥36°;θRmax≥35°;-θLmax≤-35°;
规则1-3为并列关系,满足其一即可认为是上楼梯模式;规则1-3存在优先级,规则1优先级最高,其次是规则2,规则3最低。
9.根据权利要求7所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述步骤Step 42判断平地行走模式所用的规则如下:
规则4:TRB≥800ms;
规则5:TRS≥800ms;
规则6:TLB≥800ms;
规则7:TLS≥800ms;
规则8:θLmax-θLmin≤4°,θRmax-θRmin≤10°,-θLmax≤-10°;
规则9:θLmax-θLmin≤10°,θRmax-θRmin≤4°,θRmax≤10°;
规则10:θLmax-θLmin≤11°,θRmax-θRmin≤11°,-θLmax≥-10°,θRmax≤10°;
规则4-10为并列关系,满足其一即可认为是平地行走模式;规则4-10存在优先级,规则4-7优先级相同且优先级最高,其次是规则8,再次为规则9,最后是规则10。
10.根据权利要求7所述的面向髋关节外骨骼的人体运动模式识别方法,其特征在于,所述步骤Step 43判断下楼梯模式所用的规则如下:
规则11:θRmax-θRmin≤22°,θRmax-θRmin≥6°,θLmax-θLmin≤22°,θLmax-θLmin≥6°,θRmin≥5°,-θLmin≤-5°;
规则12:θRmin≥7°,-θLmin≤-7°,θRmax-θRmin≤25°,θRmax-θRmin≥7°,θLmax-θLmin≤25°,θLmax-θLmin≥7°;
规则13:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≥-45°,θRmax≤45°,-θLmin≤5°,θRmin≥-5°;
规则14:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≥-45°,θRmax≤8°,-θLmin≤8°;
规则15:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,θRmax≤45°,θRmin≥-8°,-45°≤-θLmax≤8°;
规则16:前一状态为下楼,θRmax-θRmin≤15°,θRmax-θRmin≥3°,-θLmax≤5°,-θLmax≥-45°,θRmax≤5°;
规则17:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,θRmax≤45°,-θLmin≤5°,θRmin≥-5°;
规则18:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,θRmax≤8°,-θLmin≤8°;
规则19:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≤8°,-θLmax≥-45°,θRmax≤45°,θRmin≥-8°;
规则20:前一状态为下楼,θLmax–θLmin≤15°,θLmax–θLmin≥3°,-θLmax≥-45°,-θLmax≤5°,θRmax≤5°。
规则11-20为并列关系,满足其一即可认为是下楼梯模式;规则11-20存在优先级,规则11优先级最高,其次是规则12,规则13-20优先级相同且优先级最低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976053.XA CN110555429A (zh) | 2019-10-15 | 2019-10-15 | 一种面向髋关节外骨骼的人体运动模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976053.XA CN110555429A (zh) | 2019-10-15 | 2019-10-15 | 一种面向髋关节外骨骼的人体运动模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555429A true CN110555429A (zh) | 2019-12-10 |
Family
ID=68742766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910976053.XA Pending CN110555429A (zh) | 2019-10-15 | 2019-10-15 | 一种面向髋关节外骨骼的人体运动模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555429A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160095538A1 (en) * | 2014-10-07 | 2016-04-07 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing gait motion |
US20160106616A1 (en) * | 2014-10-20 | 2016-04-21 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing user motion |
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 |
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 |
-
2019
- 2019-10-15 CN CN201910976053.XA patent/CN110555429A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160095538A1 (en) * | 2014-10-07 | 2016-04-07 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing gait motion |
US20160106616A1 (en) * | 2014-10-20 | 2016-04-21 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing user motion |
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 |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102550887B1 (ko) | 개인화된 보행 정책을 갱신하는 방법 및 장치 | |
Liu et al. | Intent pattern recognition of lower-limb motion based on mechanical sensors | |
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 | |
KR102503910B1 (ko) | 기립 보조 방법 및 장치 | |
CN110916679B (zh) | 一种人体下肢位姿步态检测装置及方法 | |
US10123932B2 (en) | Motion assist device and motion assist method | |
US11622905B2 (en) | Proportional joint-moment control for powered exoskeletons and prostheses | |
Gao et al. | IMU-based locomotion mode identification for transtibial prostheses, orthoses, and exoskeletons | |
CN112754468B (zh) | 一种基于多源信号的人体下肢运动检测及识别方法 | |
US8828093B1 (en) | Identification and implementation of locomotion modes using surface electromyography | |
US20150366739A1 (en) | Step counter, step assist device, and computer-readable medium having stored thereon a step count program | |
CN108577854A (zh) | 步态识别方法和步态辅助设备 | |
CN109079763B (zh) | 一种可穿戴柔性步行助力机器人控制系统及控制方法 | |
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 | |
Jung et al. | Walking intent detection algorithm for paraplegic patients using a robotic exoskeleton walking assistant with crutches | |
CN110543922A (zh) | 一种基于膝关节外骨骼的实时行走模式识别方法 | |
CN111565680B (zh) | 用于识别生物体信号所表示的信息的系统 | |
Ding et al. | Control of walking assist exoskeleton with time-delay based on the prediction of plantar force | |
CN110652299A (zh) | 面向下肢软质外骨骼的多源传感信息融合系统 | |
Gong et al. | BPNN-based real-time recognition of locomotion modes for an active pelvis orthosis with different assistive strategies | |
Li et al. | Real-time gait event detection for a lower extremity exoskeleton robot by infrared distance sensors | |
Félix et al. | Electronic design and validation of Powered Knee Orthosis system embedded with wearable sensors | |
CN110555429A (zh) | 一种面向髋关节外骨骼的人体运动模式识别方法 | |
CN116115217A (zh) | 一种基于深度网络的人体下肢步态相位估计方法 | |
KR20200094678A (ko) | 웨어러블 보행 보조 로봇 제어 장치 및 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |