CN111178176A - 步态轨迹生成模型训练方法、用模型生成轨迹方法及设备 - Google Patents

步态轨迹生成模型训练方法、用模型生成轨迹方法及设备 Download PDF

Info

Publication number
CN111178176A
CN111178176A CN201911289750.4A CN201911289750A CN111178176A CN 111178176 A CN111178176 A CN 111178176A CN 201911289750 A CN201911289750 A CN 201911289750A CN 111178176 A CN111178176 A CN 111178176A
Authority
CN
China
Prior art keywords
gait
track
length
normal
unit
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
Application number
CN201911289750.4A
Other languages
English (en)
Other versions
CN111178176B (zh
Inventor
吴新宇
何勇
董遥
徐天添
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911289750.4A priority Critical patent/CN111178176B/zh
Publication of CN111178176A publication Critical patent/CN111178176A/zh
Application granted granted Critical
Publication of CN111178176B publication Critical patent/CN111178176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Social Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本申请提供了一种步态轨迹生成模型训练方法、用模型生成轨迹方法及设备。该步态轨迹生成模型训练方法包括：获取每一测试者的人体参数及不同速度下的正常步态轨迹，以及多个测试者在同一速度下的步态单元轨迹；正常步态轨迹包括正常步态长度和正常关节轨迹，步态单元轨迹包括步态单元长度和关节单元轨迹；使用正常步态轨迹训练编码器和解码器；将正常步态轨迹输入训练后的编码器，得到正常步态特征；将步态单元轨迹输入训练后的编码器，得到步态单元特征；以人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建步态训练集；使用步态训练集训练极限学习机。本申请用以得到一种利于下肢障碍患者恢复正常步态的模型。

Description

步态轨迹生成模型训练方法、用模型生成轨迹方法及设备
技术领域
本申请涉及机器人技术领域，特别是涉及一种步态轨迹生成模型训练方法、用模型生成轨迹方法及设备。
背景技术
当今社会老龄化逐渐成为普遍的趋势，老年人患中风或脊髓损伤的风险更大，这会导致行走能力的丧失，对中风或脊髓损伤患者的调查表明，患者普遍对自身的行走能力产生担忧，而行动能力的需求中最主要的是行走和站立的能力。所以，康复治疗以帮助患者行走和站立尤为重要。
现目前，康复治疗应用的训练方法主要是基于参数化的数学模型、零力矩点等方法，但增加了康复训练方法的计算量及复杂性。
发明内容
本申请提供了一种步态轨迹生成模型训练方法、用模型生成轨迹方法及设备，主要解决的技术问题是如何训练得到利于下肢障碍患者快速康复的步态轨迹的模型。
为解决上述技术问题，本申请提供了一种步态轨迹生成模型的训练方法，所述步态轨迹生成模型包括依次连接的编码器、极限学习机及解码器；所述训练方法包括：
获取每一测试者的人体参数及不同速度下的正常步态轨迹，以及多个测试者在同一速度下的步态单元轨迹；所述正常步态轨迹包括正常步态长度和正常关节轨迹，所述步态单元轨迹包括步态单元长度和关节单元轨迹；
使用所述正常步态轨迹训练编码器和解码器；
将所述正常步态轨迹输入训练后的所述编码器，得到正常步态特征；
将所述步态单元轨迹输入训练后的所述编码器，得到步态单元特征；
以所述人体参数、所述正常步态长度、所述正常步态特征、所述步态单元长度及所述步态单元特征构建步态训练集；
使用所述步态训练集训练所述极限学习机。
为解决上述技术问题，本申请提供了另一种用模型生成轨迹的方法，所述步态轨迹生成模型由如上述的训练方法训练；所述生成方法包括：
将用户的身体参数输入到所述极限学习机，获得所述用户的步态长度和步态特征；
将所述步态特征输入所述解码器，获得步态轨迹；
根据所述步态长度调整所述步态轨迹作为最终输出的步态轨迹。
为解决上述技术问题，本申请提供了一种终端设备，所述设备包括存储器以及与所述存储器耦接的处理器；
所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的步态轨迹生成模型的训练方法和/或上述的用模型生成轨迹的方法。
为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如上述的步态轨迹生成模型的训练方法和/或上述的用模型生成轨迹的方法。
本申请的有益效果是：获取每一测试者的人体参数及不同速度下的正常步态轨迹，以及多个测试者在同一速度下的步态单元轨迹；正常步态轨迹包括正常步态长度和正常关节轨迹，步态单元轨迹包括步态单元长度和关节单元轨迹；使用正常步态轨迹训练编码器和解码器；将正常步态轨迹输入训练后的编码器，得到正常步态特征；将步态单元轨迹输入训练后的编码器，得到步态单元特征；以人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建步态训练集；使用步态训练集训练极限学习机。本申请的步态轨迹生成模型训练方法通过获取同一测试者在不同速度下的正常步态轨迹和人体参数、以及不同测试者在同一速度下的步态单元轨迹，训练得到正常步态特征，并将其输入训练后的编码器，获取到可对极限学习机进行训练的步态训练集。将其应用于下肢障碍患者的步态轨迹康复治疗中，可为每一位需要康复治疗的下肢障碍患者简单快速地制定适合自身的步态轨迹，提高了下肢障碍患者康复治疗的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。其中：
图1是本申请提供的步态轨迹生成模型训练方法一实施例的流程示意图；
图2是本申请提供的步态轨迹生成模型的训练方法中影响步态轨迹的人体参数示意图；
图3是本申请提供步态轨迹生成模型的训练方法中的极限学习机模型示意图；
图4是本申请提供的步态轨迹生成模型的训练方法中正常人步态轨迹采集方案图；
图5是本申请提供的步态轨迹生成模型的训练方法中的自编码模型示意图；
图6是本申请提供的用模型生成轨迹的方法的一实施例的流程示意图；
图7是本申请提供的用模型生成轨迹方法的整体示意图；
图8是本申请提供的步态轨迹生成模型的训练方法和/或用模型生成轨迹的方法的系统总体框架示意图；
图9是本申请提供的终端设备一实施例的结构示意图；
图10是本申请提供的一种计算机存储介质。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提出了一种步态轨迹生成模型的训练方法，具体请参阅图1，图1是本申请提供的步态轨迹生成模型的训练方法一实施例的流程示意图。本实施例中步态轨迹生成模型的训练方法可以应用于下肢障碍患者步态轨迹康复治疗的终端设备，也可应用于具有数据处理能力的服务器。本实施例的步态轨迹生成模型的训练方法具体包括以下步骤：
S101：获取每一测试者的人体参数及不同速度下的正常步态轨迹，以及多个测试者在同一速度下的步态单元轨迹。
本申请所要训练获取的步态轨迹生成模型包括依次连接的编码器、极限学习机及解码器，为了得到适用于每个下肢障碍患者的步态轨迹生成模型，需获取尽可能多的训练数据对模型进行训练。本申请通过采集同一测试者在不同速度下的正常步态轨迹及不同测试者在同一速度下的步态单元轨迹来训练模型。
其中，测试者为非下肢障碍患者，即正常人，将正常人作为数据获取者利于通过正常人正常的步行轨迹训练出适用下肢障碍患者步态轨迹康复的模型。正常步态轨迹包括正常步态长度和正常关节轨迹。步态单元轨迹包括步态单元长度和关节单元轨迹。
S102：使用正常步态轨迹训练编码器和解码器。
基于S101中获取的正常步态轨迹，利用正常步态轨迹训练步态轨迹生成模型中的编码器和解码器，以得到训练后的编码器和解码器。其中，编码器用于对输入的正常步态轨迹进行降维，从而降低模型训练的复杂度，解码器用于制定适合每个下肢障碍患者的个性化步态轨迹。
S103：将正常步态轨迹输入训练后的编码器，得到正常步态特征。
为了得到正常步态特征，需将S101中获取的每一测试者在不同速度下的正常步态轨迹再次输入S102训练后的编码器中。
S104：将步态单元轨迹输入训练后的编码器，得到步态单元特征。
为了得到步态单元特征，需将S101中获取的多个测试者在同一速度下的步态单元轨迹输入S102中训练后的解码器中。
S105：以人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建步态训练集。
基于S101-S104中获取的人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建步态训练集。
由于人体步态轨迹与人体参数息息相关，且为了使训练出的模型接近于真实人体步态轨迹的模型，可构建多个人体参数来建立步态轨迹模型。具体参阅图2，图2为本申请提供的步态轨迹生成模型的训练方法中影响步态轨迹的人体参数示意图，本实施例采用21个人体参数作为步态轨迹的影响因子，其中，人体参数包括年龄、体重、腰围、大腿长度、小腿长度、大腿最大宽度、脚长、脚长宽度、前脚长度、脚踝宽度、脚踝周长、双脚踝外宽、膝盖宽度、膝盖周长、双膝盖外宽、双髋宽度、双髂宽度、身体高度、臀部高度、膝盖高度和脚踝高度中的至少两种。可根据实际步态训练集的需要采集人体参数，在此不作数量上的限定。
在具体实施例中，人体参数BoP可表示为
Figure BDA0002318077990000051
S106：使用步态训练集训练极限学习机。
基于S105中以人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建的步态训练集训练极限学习机，以得到根据下肢障碍患者的人体参数获取适合患者自身康复的步态轨迹。极限学习机是一种特殊的前向神经网络，可参阅图3，图3是本申请提供步态轨迹生成网络中的极限学习机模型示意图。极限学习机包括输入层、隐藏层和输出层。例如，对于一个训练极限学习机的训练集，其中有N个训练样本[X,T]，X表示输入的训练样本数据，则
Figure BDA0002318077990000052
表示第j个输入的训练样本数据，
Figure BDA0002318077990000061
表示第j个标签的标号，j＝1,2,...,N，假设隐藏层节点数为P，则极限学习机网络输出层的输出表示为：
Yn×N＝Vn×P·g(WP×m·Xm×N+BP×N)
其中，W是一个P×m维的输入权重矩阵，B是P×N维的输入偏置矩阵，W和B的初始值可随机产生，V是n×P维的输出权重矩阵，
Figure BDA0002318077990000062
g(x)是传递函数。
进一步地，对于输入权重矩阵W，可采用梯度下降算法经过最小化代价函数进行求解，代价函数为E＝||Y-T||2。梯度下降算法通过给定的初始化值a，计算出相应的函数值X(a)，重复给定a，并重复计算X(a)，直至X(a)约等于预设最小阈值，梯度下降算法在计算下降最快的方向时随机选取数值计算，而不是计算全部训练数据集中的数据，加快了迭代计算的速度，有效提高模型训练效率。
本实施例中，获取每一测试者的人体参数及不同速度下的正常步态轨迹，以及多个测试者在同一速度下的步态单元轨迹；正常步态轨迹包括正常步态长度和正常关节轨迹，步态单元轨迹包括步态单元长度和关节单元轨迹；使用正常步态轨迹训练编码器和解码器；将正常步态轨迹输入训练后的编码器，得到正常步态特征；将步态单元轨迹输入训练后的编码器，得到步态单元特征；以人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建步态训练集；使用步态训练集训练极限学习机。通过获取同一测试者在不同速度下的正常步态轨迹和人体参数、以及不同测试者在同一速度下的步态单元轨迹，训练得到正常步态特征，并将其输入训练后的编码器，获取到可对极限学习机进行训练的步态训练集，将其应用于下肢障碍患者的步态轨迹康复治疗中，可为每一位需要康复治疗的下肢障碍患者简单快速地制定适合自身的步态轨迹，提高了下肢障碍患者康复治疗的效率。
进一步地，对于S101中获取每一测试者在不同速度下的正常步态轨迹，该正常步态轨迹包括右髋关节(RH)轨迹、右膝关节(RK)轨迹、左髋关节(LH)轨迹和左膝关节(LK)轨迹。
在具体实施例中，测试者身体的右髋关节(RH)轨迹、右膝关节(RK)轨迹、左髋关节(LH)轨迹和左膝关节(LK)轨迹获取方式可采用步态数据采集设备或步态数据采集系统，例如视觉捕捉系统、运动捕捉系统和关节编码器等，具体地，采用运动捕捉系统对关节轨迹进行采集时，需将七个惯性测量单元分别置于被测者的腰部、左大腿、左小腿、左脚、右大腿、右小腿和右脚上，并按照预设时间间隔对七个惯性测量单元测量的部位进行采样，以获取被测试者右髋关节(RH)轨迹、右膝关节(RK)轨迹、左髋关节(LH)轨迹和左膝关节(LK)轨迹。在具体实施例中，预设时间间隔可根据技术人员的经验进行设置，在此不作限定。
进一步地，针对采集测试者的速度，可利用跑步机采集同一测试者在不同速度下的步态轨迹及不同测试者在相同速度下的步态单元轨迹。本实施例具体采集了7种速度下测试者的步态轨迹，可参阅图4，图4为本申请提供的步态轨迹生成模型的训练方法中正常人步态轨迹采集方案图，由此可知，同一测试者在相同速度下的步态轨迹数据差距较小，即图中所示速度V1和V7的步态轨迹数据相似，并且，右髋关节(RH)轨迹数据和右膝关节(RK)轨迹数据相似、左髋关节(LH)轨迹数据和左膝关节(LK)轨迹数据相似，但右髋关节(RH)轨迹数据和右膝关节(RK)轨迹数据、左髋关节(LH)轨迹数据和左膝关节(LK)轨迹数据相差较大。
为了得到S105中用于训练极限学习机的步态训练集，本实施例还可将右髋关节(RH)轨迹或者左髋关节(LH)轨迹的最大角度作为分离标志，将正常步态轨迹划分为多个单周期步态轨迹，其中，单周期步态轨迹包括单周期步态长度和单周期关节轨迹，并使用单周期步态轨迹训练编码器和解码器，即使用单周期步态长度和单周期关节轨迹训练编码器和解码器，以得到单周期步态特征，继而将人体参数、单周期步态长度、单周期步态特征、步态单元长度及步态单元特征用于构建步态训练集。
在具体实施例中，测试者在同一速度(Vi)下的单周期步态轨迹
Figure BDA0002318077990000071
可表示为：
Figure BDA0002318077990000081
其中，Lj为每个单周期关节轨迹的长度，j＝1,2,...Nc，Nc为单周期关节轨迹的固定数目。
在具体实施例中，测试者在步行速度vi下的单周期步态长度(OCL)公式为：
Figure BDA0002318077990000082
其中，Lj为每个单周期关节轨迹的长度，j＝1,2,...Nc，Nc为单周期关节轨迹的固定数目，单周期步态长度为
Figure BDA0002318077990000083
由于不同的下肢障碍患者的步态轨迹不同，使得单周期步态长度也有所区别，为了使训练模型准确化，需将单周期步态轨迹重构为一个固定长度L0，此时的单周期步态轨迹
Figure BDA0002318077990000084
可表示为：
Figure BDA0002318077990000085
其中，多个单周期步态轨迹可表示为
Figure BDA0002318077990000086
由上述可知，以人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建的步态训练集TS可表示为：
Figure BDA0002318077990000087
对于S101中多个测试者在同一速度下的步态单元轨迹表示了以同一速度行走得到的特定关节轨迹的平均值。其中，步态单元轨迹包括了单周期步态长度部分(GCOCL)和关节轨迹部分(GCtr)，步态单元轨迹使得模型输出步态轨迹增量，以得到适合下肢障碍患者康复的步态轨迹，相比直接生成轨迹来说，输出步态增量方式下得到的步态轨迹对于下肢障碍的康复更有效、更安全。
在具体实施例中，以速度Vi步行时的jointl关节的步态单元轨迹计算公式如下所示：
Figure BDA0002318077990000091
其中，
Figure BDA0002318077990000092
是第k个测试者以速度Vi步行时第l关节重新采样的单周期轨迹，j∈(RH,RK,LH,LK)。
对于S102-S103中输出正常步态特征和步态单元特征的编码器和解码器，构成一个自编码模型。可参阅图5，图5是本申请提供的步态轨迹生成模型的训练方法中的自编码模型示意图。自编码模型是一种单隐层神经网络，该网络的目的在于缩小原始输入的正常步态轨迹和步态单元轨迹的维度，得到提取的正常步态特征和步态单元特征，将其重构输出，使输出的正常步态特征和步态单元特征与输入的正常步态特征和步态单元特征一致。自编码器模型是一种无监督学习算法，只需要无标记的训练样本，例如，对于一个训练集{X}，第j个输入是
Figure BDA0002318077990000093
若节点数为k，则提取的特征为:
Fj＝We·Xj+Be
其中，Fj是一个k×1维特征矩阵，We是一个h×L维输入权重矩阵，Be是一个k×1维输入偏置矩阵。重构后的输入可以计算如下:
Figure BDA0002318077990000094
其中，Wd是L×k维输出权重矩阵，Bd是L×1维输出偏置矩阵。
进一步地，自编码模型训练的目的是通过最小化Xj和
Figure BDA0002318077990000095
之间的误差得到We和Be，Wd和Bd，然后由We和Be构成编码器模型，解码器模型由Wd和Bd构成。
进一步地，基于S105以人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建步态训练集时，可以人体参数、正常步态长度和步态单元长度之差、正常步态特征和步态单元特征之差作为步态训练集。
具体地，应用步态训练集训练模型的过程如下：使用单周期步态轨迹训练自编码器模型，得到编码器和解码器，将单周期步态轨迹输入到训练好的编码器得到步态特征集
Figure BDA0002318077990000101
将步态单元输入到编码器中得到相应的步态单元特征Fgc，使训练集
Figure BDA0002318077990000102
作为步态训练集训练极限学习机。
本实施例中，通过获取不同速度的步态轨迹数据和人体特征参数，将步态轨迹数据分成多个单周期轨迹，并将多个单周期轨迹调节成具有固定长度的单周期步态轨迹，继而使用多个单周期步态轨迹训练自编码模型，并结合步态单元轨迹以得到用于训练极限学习机的数据，将训练好的极限学习机应用于下肢障碍患者的步态轨迹康复治疗，以结合下肢障碍患者的身体参数，获取到适合患者康复的步态轨迹。
在另一实施例中，可参阅图6、图7和图8，图6为本申请提供的用模型生成轨迹的方法的一实施例的流程示意图，图7是本申请提供的用模型生成轨迹方法的整体示意图，图8是本申请提供的步态轨迹生成模型的训练方法和/或用模型生成轨迹的方法的系统总体框架示意图。本实施例用模型生成轨迹的方法可将上述步态轨迹生成模型的训练方法中训练得到的步态轨迹生成模型应用于本实施例的用模型生成轨迹的方法，从而为下肢障碍患者制定适合自身康复的步态轨迹。下面以步态轨迹生成模型应用的设备为例，介绍本申请提供的用模型生成轨迹的方法，本实施例用模型生成轨迹的方法具体包括以下步骤：
S201：将用户的身体参数输入到极限学习机，获得用户的步态长度和步态特征。
本实施例基于上述实施例中获取的步态轨迹生成模型，将用户的身体参数输入到训练好的极限学习机中，使极限学习机输出步态长度增量和步态特征增量，将步态长度增量与步态单元长度相加得到步态长度，将步态特征增量与步态单元特征相加得到步态特征。
S202：将步态特征输入解码器，获得步态轨迹。
基于S201获取的步态特征，将其输入解码器，获得固定步态长度下的步态轨迹。
S203：根据步态长度调整步态轨迹作为最终输出的步态轨迹。
基于S201中获取的步态长度调整基于S202中获取的步态轨迹，得到适合用户康复的最终步态轨迹。
本实施例中，将用户的身体参数输入到极限学习机，获得用户的步态长度和步态特征，将步态特征输入解码器，获得步态轨迹，根据步态长度调整步态轨迹作为最终输出的步态轨迹，本实施例使用极限学习机来训练模型，能有效提高模型训练的效率，并且，使用人体参数和自编码模型训练的数据作为极限学习机的训练集，能够根据下肢障碍患者的人体参数输出患者步态单元的单周期步态长度增量和步态特征增量，与患者步态单元的单周期步态长度和步态特征相加即可得到新的单周期步态长度和步态特征，以使患者获取到适合自身康复的步态轨迹；并且自编码模型的应用减小了步态轨迹的维度，降低了模型训练的复杂度。
为实现上述实施例的步态轨迹生成模型的训练方法和/或用模型生成轨迹的方法，本申请提出了另一种终端设备，具体请参阅图9，图9是本申请提供的终端设备一实施例的结构示意图。
终端设备900包括存储器91和处理器92，其中，存储器91和处理器92耦接。
存储器91用于存储程序数据，处理器92用于执行程序数据以实现上述实施例的步态轨迹生成模型的训练方法和/或用模型生成轨迹的方法。
在本实施例中，处理器92还可以称为CPU(Central Processing Unit，中央处理单元)。处理器92可能是一种集成电路芯片，具有信号的处理能力。处理器92还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器92也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图10所示，计算机存储介质1000用于存储程序数据101，程序数据101在被处理器执行时，用以实现如本申请方法实施例中所述的步态轨迹生成模型的训练方法和/或用模型生成轨迹的方法。
本申请步态轨迹生成模型的训练方法和/或用模型生成轨迹的方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种步态轨迹生成模型的训练方法，其特征在于，所述步态轨迹生成模型包括依次连接的编码器、极限学习机及解码器；所述训练方法包括：
获取每一测试者的人体参数及不同速度下的正常步态轨迹，以及多个测试者在同一速度下的步态单元轨迹；所述正常步态轨迹包括正常步态长度和正常关节轨迹，所述步态单元轨迹包括步态单元长度和关节单元轨迹；
使用所述正常步态轨迹训练编码器和解码器；
将所述正常步态轨迹输入训练后的所述编码器，得到正常步态特征；
将所述步态单元轨迹输入训练后的所述编码器，得到步态单元特征；
以所述人体参数、所述正常步态长度、所述正常步态特征、所述步态单元长度及所述步态单元特征构建步态训练集；
使用所述步态训练集训练所述极限学习机。
2.根据权利要求1所述的训练方法，其特征在于，所述正常步态轨迹包括：右髋关节轨迹、右膝关节轨迹、左髋关节轨迹和左膝关节轨迹；
所述训练方法还包括：
以所述右髋关节轨迹或所述左髋关节轨迹的最大角度作为分离标志，将所述正常步态轨迹依据划分为多个单周期步态轨迹；所述单周期步态轨迹包括单周期步态长度和单周期关节轨迹；
使用所述单周期步态轨迹训练所述编码器和所述解码器；
将所述单周期步态轨迹输入训练后的所述编码器，得到单周期步态特征；
以所述人体参数、所述单周期步态长度、所述单周期步态特征、所述步态单元长度及所述步态单元特征构建步态训练集。
3.根据权利要求2所述的训练方法，其特征在于，所述单周期步态长度为预设固定值。
4.根据权利要求1所述的训练方法，其特征在于，所述人体参数包括：年龄、体重、腰围、大腿长度、小腿长度、大腿最大宽度、脚长、脚长宽度、前脚长度、脚踝宽度、脚踝周长、双脚踝外宽、膝盖宽度、膝盖周长、双膝盖外宽、双髋宽度、双髂宽度、身体高度、臀部高度、膝盖高度和脚踝高度中的至少两种。
5.根据权利要求1所述的训练方法，其特征在于，所述以所述人体参数、所述正常步态长度、所述正常步态特征、所述步态单元长度及所述步态单元特征构建步态训练集，包括：
以所述人体参数、所述正常步态长度和所述步态单元长度之差、所述正常步态特征和所述步态单元特征之差作为所述步态训练集。
6.一种用模型生成轨迹的方法，其特征在于，所述步态轨迹生成模型由权利要求1-5中任一项所述的训练方法训练；所述生成方法包括：
将用户的身体参数输入到所述极限学习机，获得所述用户的步态长度和步态特征；
将所述步态特征输入所述解码器，获得步态轨迹；
根据所述步态长度调整所述步态轨迹作为最终输出的步态轨迹。
7.根据权利要求6所述的方法，其特征在于，所述将用户的身体参数输入到所述极限学习机，获得所述用户的步态长度和步态特征，包括：
将所述用户的身体参数输入到所述极限学习机，输出步态长度增量和步态特征增量；
将所述步态长度增量与所述步态单元长度相加得到所述步态长度，将所述步态特征增量与所述步态单元特征相加得到所述步态特征。
8.根据权利要求6所述的方法，其特征在于，所述将所述步态特征输入所述解码器，获得步态轨迹，包括：
将所述步态特征输入所述解码器，获得固定步态长度下的步态轨迹。
9.一种终端设备，其特征在于，所述设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～5任一项所述的步态轨迹生成模型的训练方法和/或权利要求6-8所述的用模型生成轨迹的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1～5任一项所述的步态轨迹生成模型的训练方法和/或权利要求6-8所述的用模型生成轨迹的方法。
CN201911289750.4A 2019-12-13 2019-12-13 步态轨迹生成模型训练方法、用模型生成轨迹方法及设备 Active CN111178176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911289750.4A CN111178176B (zh) 2019-12-13 2019-12-13 步态轨迹生成模型训练方法、用模型生成轨迹方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911289750.4A CN111178176B (zh) 2019-12-13 2019-12-13 步态轨迹生成模型训练方法、用模型生成轨迹方法及设备

Publications (2)

Publication Number Publication Date
CN111178176A true CN111178176A (zh) 2020-05-19
CN111178176B CN111178176B (zh) 2023-08-01

Family

ID=70653910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911289750.4A Active CN111178176B (zh) 2019-12-13 2019-12-13 步态轨迹生成模型训练方法、用模型生成轨迹方法及设备

Country Status (1)

Country Link
CN (1) CN111178176B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598910A (zh) * 2020-07-23 2020-08-28 杭州群核信息技术有限公司 一种基于生成模型的水刀自动填色系统及方法
CN112060075A (zh) * 2020-07-21 2020-12-11 深圳先进技术研究院 步态生成网络的训练方法、训练设备以及存储介质
CN114098716A (zh) * 2021-11-15 2022-03-01 北京航空航天大学 一种获取运动姿态的方法及装置
CN114366557A (zh) * 2021-12-31 2022-04-19 华南理工大学 用于下肢康复机器人的人机交互系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
US20180220935A1 (en) * 2015-07-23 2018-08-09 Nipro Corporation Gait analysis method and gait analysis system
US20190012531A1 (en) * 2017-07-06 2019-01-10 Wisconsin Alumni Research Foundation Movement monitoring system
KR20190051128A (ko) * 2017-11-06 2019-05-15 전자부품연구원 머신러닝 기법을 이용한 행동인지 기반 보행취약자 검출 방법 및 시스템
CN109784206A (zh) * 2018-12-25 2019-05-21 杭州电子科技大学 一种基于超限学习机的步态识别方法
CN109902646A (zh) * 2019-03-08 2019-06-18 中南大学 一种基于长短时记忆网络的步态识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679171A (zh) * 2013-09-24 2014-03-26 暨南大学 基于人体重心轨迹分析的步态特征提取方法
US20180220935A1 (en) * 2015-07-23 2018-08-09 Nipro Corporation Gait analysis method and gait analysis system
US20190012531A1 (en) * 2017-07-06 2019-01-10 Wisconsin Alumni Research Foundation Movement monitoring system
KR20190051128A (ko) * 2017-11-06 2019-05-15 전자부품연구원 머신러닝 기법을 이용한 행동인지 기반 보행취약자 검출 방법 및 시스템
CN109784206A (zh) * 2018-12-25 2019-05-21 杭州电子科技大学 一种基于超限学习机的步态识别方法
CN109902646A (zh) * 2019-03-08 2019-06-18 中南大学 一种基于长短时记忆网络的步态识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XINYU WU 等: "Individualized Gait Pattern Generation for Sharing Lower Limb Exoskeleton Robot", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》 *
XINYU WU 等: "Individualized Gait Pattern Generation for Sharing Lower Limb Exoskeleton Robot", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》, 17 July 2018 (2018-07-17), pages 1459 - 1470 *
YUE MA 等: "Gait Phase Classification and Assist Torque Prediction for a Lower Limb Exoskeleton System Using Kernel Recursive Least-Squares Method", 《SENSORS》, pages 1 - 21 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112060075A (zh) * 2020-07-21 2020-12-11 深圳先进技术研究院 步态生成网络的训练方法、训练设备以及存储介质
CN111598910A (zh) * 2020-07-23 2020-08-28 杭州群核信息技术有限公司 一种基于生成模型的水刀自动填色系统及方法
CN114098716A (zh) * 2021-11-15 2022-03-01 北京航空航天大学 一种获取运动姿态的方法及装置
CN114098716B (zh) * 2021-11-15 2023-11-21 北京航空航天大学 一种获取运动姿态的方法及装置
CN114366557A (zh) * 2021-12-31 2022-04-19 华南理工大学 用于下肢康复机器人的人机交互系统及方法

Also Published As

Publication number Publication date
CN111178176B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN111178176B (zh) 步态轨迹生成模型训练方法、用模型生成轨迹方法及设备
Oliveira et al. Motor modules of human locomotion: influence of EMG averaging, concatenation, and number of step cycles
Gizzi et al. Impulses of activation but not motor modules are preserved in the locomotion of subacute stroke patients
Jacobs et al. Intermuscular coordination in a sprint push-off
Oliveira et al. Modular control of treadmill vs overground running
Camargo et al. A machine learning strategy for locomotion classification and parameter estimation using fusion of wearable sensors
JP2013516258A (ja) 脳波計信号から人工肢運動を決定する方法
CN109124998B (zh) 动力外骨骼控制方法、装置、计算机设备及存储介质
Piórek et al. Quaternions and joint angles in an analysis of local stability of gait for different variants of walking speed and treadmill slope
Alharbi et al. Human gait analysis and prediction using the levenberg-marquardt method
US10583018B2 (en) Method of identifying parameter of characteristic of muscle, and walking assistance apparatuses and method based on the method
Xia et al. Predicting Free Achilles Tendon Strain From Motion Capture Data Using Artificial Intelligence
Wall et al. Two steps equals one stride equals what?: the applicability of normal gait nomenclature to abnormal walking patterns
CN114191261B (zh) 迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法
Bejinariu et al. Medical rehabilitation assessment using gait analysis in video sequences
CN114831784A (zh) 基于多源信号的下肢义肢地形识别系统及方法
Mazumder et al. Posturography stability score generation for stroke patient using Kinect: Fuzzy based approach
Sartori et al. Electromyography‐driven modeling for simulating subject‐specific movement at the neuromusculoskeletal level
Cruz et al. Joint gait kinematic and kinetic analysis using inertial measurement units and plantar pressure sensor system
McGibbon A biomechanical model for encoding joint dynamics: applications to transfemoral prosthesis control
Al-Fahoum et al. Prediction of sagittal lower limb joints moments under dynamic condition: Feasibility of using EMG and ARMA model identification techniques
Koh et al. Tango Ocho-1: Functional Anatomical Characteristics of Dissociation and the Tango Pivot
Dusza et al. Simplified model of mean double step (MDS) in human body movement
Crobu An Optimisation Algorithm for enhancing precision in stride segmentation using Multi-Dimensional Subsequence Dynamic Time Warping on sensor data
KR102584715B1 (ko) 경근 활성도 평가 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
GR01 Patent grant
GR01 Patent grant