CN112232266B - 一种基于运动姿态识别的人机物联穿戴设备 - Google Patents
一种基于运动姿态识别的人机物联穿戴设备 Download PDFInfo
- Publication number
- CN112232266B CN112232266B CN202011173726.7A CN202011173726A CN112232266B CN 112232266 B CN112232266 B CN 112232266B CN 202011173726 A CN202011173726 A CN 202011173726A CN 112232266 B CN112232266 B CN 112232266B
- Authority
- CN
- China
- Prior art keywords
- dimensional linear
- linear model
- unit
- motion
- man
- 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.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 102
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 2
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 4
- 230000036544 posture Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Aviation & Aerospace Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于运动姿态识别的人机物联穿戴设备,包括:数据处理模块内储存有多个标准二维线性模型曲线,数据处理模块可将特征运动轨迹信号经数据处理得到目标二维线性模型曲线,将目标二维线性模型曲线与所述标准二维线性模型曲线一一进行匹配,获得轮廓匹配度参数,若有轮廓匹配度参数大于匹配度设定值,则初步判定为匹配成功,得到对象的运动姿态预测结果,随后进行姿态复核判定,得到复核结果;姿态复核判定方法为:提取并统计差异波段的数量以及偏差幅度,在数据处理模块内设置配对偏差范围值,比较大小判定为对象是否处于正常运动姿态。本发明具有加快智能穿戴设备的响应速度,并提高检测和识别的精度有益效果。
Description
技术领域
本发明涉及智能穿戴领域,具体涉及一种基于运动姿态识别的人机物联穿戴设备。
背景技术
随着人工智能技术的发展,越来越多的行业开始了对人机物联的技术研究,实现人机物联的关键技术在与人体姿态识别,人体运动方式非常复杂,且易受内在和外在的因素影响,如生理、人体结构和环境等。研究人体姿态识别的方法主要基于两种识别:基于图像分析的人体姿态识别和基于运动传感器的人体姿态识别。基于图像分析的识别方法能清晰看见人体运动姿态,准确性高,但对设备要求较高,应用场景特殊且不便携带;基于运动传感器的识别方法能够具有更好的实时性,但目前的基于运动传感器的识别方法时效性较低且精确度较差。
在智能穿戴设备中设置传感器的人体姿态识别技术有着广泛的应用前景,其应用领域包括人体行为监控、医疗监护、医疗康复、智慧环卫等,目前,基于加速度传感器的人体姿态的研究主要是通过姿态算法对数据进行分析、提取特征,从而辨别个体的不同姿态,现有技术中用于智能穿戴设备的传感器采集信号的速度较慢,且基于新型六轴姿态检测和姿态识别的人机物联系统姿态计算方式复杂,虽在一定程度上提高了精确度,但无法实现智能穿戴设备的快速响应。
发明内容
本发明的主要目的是解决用于智能穿戴设备的传感器采集信号速度慢,基于新型六轴姿态检测和姿态识别的人机物联系统姿态计算方式时效性差的问题,并提供一种基于运动姿态识别的人机物联穿戴设备。
为了实现根据本发明的这些目的和其它优点,提供了一种基于运动姿态识别的人机物联穿戴设备,包括:人机物联系统和穿戴设备本体,所述人机物联系统包括:
用于采集对象特征运动轨迹信号的运动姿态检测模块;
数据处理模块,其内储存有多个标准运动姿态特征信息,所述标准运动姿态特征信息包含有连续的标准二维线性模型曲线,所述数据处理模块可将所述特征运动轨迹信号经数据处理得到目标二维线性模型曲线,将所述目标二维线性模型曲线与所述标准二维线性模型曲线一一进行匹配,获得轮廓匹配度参数,若有轮廓匹配度参数大于匹配度设定值,则初步判定为所述目标二维线性模型曲线与对应的所述标准二维线性模型曲线匹配,得到所述对象的运动姿态预测结果,随后进行姿态复核判定,得到复核结果;否则判断为姿态异常;
通讯模块,其接收所述数据处理模块得出的判定结果;以及
人机交互模块,其用于接收和展示所述判定结果;
其中,所述姿态复核判定方法为:
提取所述目标二维线性模型曲线与配对所述标准二维线性模型曲线的横坐标差异波段和纵坐标差异波段,统计所述差异波段的数量以及偏差幅度,同时在所述数据处理模块内设置有与所述标准二维线性模型曲线一一对应的配对偏差范围值,若所述差异波段的数量以及偏差幅度小于对应的所述偏差范围值,则判定为所述对象处于正常运动姿态;否则判断为姿态异常。
优选的是,所述数据处理模块先将所述特征运动轨迹信号进行滤波和插值预处理,再对预处理数据进行归一化处理,得到与标准二维线性模型曲线所在范围一致的数据融合单元,将所述数据融合单元通过方向余弦矩阵法得到方向余弦矩阵与时间函数关系,再使用最小二乘法寻找方向余弦矩阵与时间的最佳函数匹配,最终拟合成所述目标二维线性模型曲线。
优选的是,所述运动姿态检测模块为传感器单元阵列,所述传感器单元阵列包括三轴加速度传感器单元和三轴陀螺仪传感器单元,所述传感器单元阵列用于检测所述对象的所述特征运动轨迹。
优选的是,所述数据处理模块包括:用于预处理特征运动轨迹信号的信号预处理单元、用于进行数据运算的算法单元、用于曲线拟合的二维线性拟合单元以及处理单元;
所述信号预处理单元包括滤波预处理单元、插值预处理单元和归一化处理单元,所述滤波预处理单元对所述三轴加速度传感器单元和所述三轴陀螺仪传感器单元所采集的所述特征运动轨迹信号进行滤波,所述插值预处理单元对滤波处理后的所述特征运动轨迹信号进行进一步的插值处理,所述归一化处理单元对与插值处理后的所述特征信号进行归一化处理得到所述数据融合单元;
所述算法单元包括方向余弦矩阵法单元和最小二乘法算法单元,所述方向余弦矩阵法单元对所述数据融合单元进行运算得到方向余弦矩阵与时间的函数关系,再由所述最小二乘法算法单元通过最小化误差的平方,寻找方向余弦矩阵与时间的最佳函数匹配;
所述二维线性拟合单元通过余弦矩阵与时间的最佳函数匹配关系建立所述目标二维线性模型曲线;
所述处理单元上设置有匹配度设定值,所述处理单元将所述轮廓匹配度参数与所述匹配度设定值比较,若任意一个所述轮廓匹配度参数大于匹配度设定值,则将所述目标二维线性模型曲线与对应的所述标准二维线性模型曲线再次匹配,最终得到复核结果;若所有的所述轮廓匹配度参数小于匹配度设定值,则判断为姿态异常。
优选的是,所述穿戴设备本体包括:
盖体,其为一底部敞开的空腔框架结构,所述运动姿态检测模块被内置于所述盖体的空腔框架结构中,所述盖体底部两侧壁上贯穿开设有若干定位孔,所述定位孔横向间隔设置;
盖板,其顶部设置有定位槽,所述盖体的底部卡设在所述定位槽中,所述盖板两侧开设有与所述定位孔一一对应的定位螺孔,螺栓贯穿所述定位螺孔延伸设置在所述定位孔中;
其中,所述盖体盖合在所述盖板的上方,所述盖体通过螺栓连接固定安装在所述盖板上。
优选的是,所述穿戴设备本体还包括固定安装在所述空腔框架结构中的微处理器所述微处理器上集成有所述数据处理模块、所述通讯模块以及所述人机交互模块。
优选的是,所述运动姿态检测模块向外延伸设置有第一螺纹杆和第二螺纹杆,盖体第一侧的内腔壁上设置有与所述第一螺纹杆对应的第一安装螺孔,盖体第二侧的内腔壁上设置有与所述第二螺纹杆对应的第二安装螺孔,所述运动姿态模块通过螺纹连接固定安装在所述盖体上。
优选的是,所述第一螺纹杆与第二螺纹杆相邻设置,所述运动姿态检测模块固定安装在所述盖体顶部内腔壁的任意一角。
优选的是,所述定位孔与所述定位螺孔连通,且所述定位孔的横向中心线与所述定位螺孔的轴向中心线重合。
优选的是,所述盖体的底部与所述定位槽的内腔壁重合,已安装的所述运动姿态检测模块与所述盖板的顶部间隔一定距离。
本发明至少包括以下有益效果:
1、本发明中,该人机物联系统首先对采集的运动姿态信息进行滤波和插值预处理以初步筛除干扰信号,且通过归一化处理缩小姿态计算的范围,从而提高了对特征运动信号的处理效率,且通过方向余弦矩阵的姿态算法得出方向余弦矩阵与时间函数关系,并使用最小二乘法得出最佳函数匹配从而拟合出目标二维线性模型曲线,最后与标准二维线性模型曲线匹配经处理单元得到预测结果,该人机物联系统提高了数据处理的精确度,具有加快智能穿戴设备的响应速度的有益效果。
2、本发明将目标二维线性模型曲线与标准二维线性模型曲线一一进行匹配,获得轮廓匹配度参数,信号预处理单元上的处理单元设置有匹配度设定值,处理单元将轮廓匹配度参数与匹配度设定值比较,若任意一个轮廓匹配度参数大于匹配度设定值,则将目标二维线性模型曲线与对应的标准二维线性模型曲线再次匹配,最终得到复核结果;若所有的轮廓匹配度参数小于匹配度设定值,则判断为姿态异常。本发明的数据处理方法可快速拟合成与标准二维线性模型曲线对应的目标二维线性模型曲线,通过轮廓比对,可实现对对象的特征运动轨迹信号进行识别,并在初步比对后,对超过匹配度设定值的目标二维线性模型曲线进行复核,得出预测结果,具有响应速度快的优点。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为基于运动姿态识别的人机物联系统的系统框图示意图;
图2为信号采集模块的系统框图示意图;
图3为数据处理模块的系统框图示意图;
图4为基于运动姿态识别的人机物联系统的方法流程示意图;
图5为传感器安装的结构示意图;
图6为盖体的内部结构示意图;
图7为盖板的结构示意图;
图8为传感器的结构示意图;
图9为盖体与盖板的安装结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种基于运动姿态识别的人机物联穿戴设备,图1~9示出了根据本发明的一种实现形式,包括:人机物联系统和穿戴设备本体,人机物联系统包括用于采集对象特征运动轨迹信号的运动姿态检测模块;通讯模块接收所述数据处理模块得出的判定结果;人机交互模块用于接收和展示所述判定结果;数据处理模块内储存有多个标准运动姿态特征信息,标准运动姿态特征信息包含有连续的标准二维线性模型曲线,数据处理模块经数据处理可将特征运动轨迹信号拟合成目标二维线性模型曲线,目标二维线性模型曲线与标准二维线性模型曲线一一进行匹配,获得轮廓匹配度参数,若有轮廓匹配度参数大于匹配度设定值,则初步判定为目标二维线性模型曲线与对应的标准二维线性模型曲线匹配,得到对象的运动姿态预测结果,随后进行姿态复核判定,得到复核结果;否则判断为姿态异常。
其中,姿态复核判定方法为:提取目标二维线性模型曲线与配对标准二维线性模型曲线的横坐标差异波段和纵坐标差异波段,统计差异波段的数量以及偏差幅度,同时在数据处理模块内设置有与标准二维线性模型曲线一一对应的配对偏差范围值,若差异波段的数量以及偏差幅度小于对应的偏差范围值,则判定为对象处于正常运动姿态。否则判断为姿态异常。具体的,若任意一个轮廓匹配度参数大于匹配度设定值,则将目标二维线性模型曲线与对应的标准二维线性模型曲线再次匹配,最终得到复核结果;若所有的轮廓匹配度参数小于匹配度设定值,则判断为姿态异常。
本发明的数据处理方法可快速拟合成与标准二维线性模型曲线对应的目标二维线性模型曲线,通过轮廓比对,可实现对对象的特征运动轨迹信号进行识别,并在初步比对后,对超过匹配度设定值的目标二维线性模型曲线进行复核,得出预测结果,具有响应速度快的优点。
该数据处理模块先将特征运动轨迹信号进行滤波和插值预处理,再对预处理数据进行归一化处理,得到与标准二维线性模型曲线所在范围一致的数据融合单元,将数据融合单元通过方向余弦矩阵法得到方向余弦矩阵与时间函数关系,再使用最小二乘法寻找方向余弦矩阵与时间的最佳函数匹配,最终拟合成目标二维线性模型曲线。
具体的,数据处理模块包括:用于预处理特征信号的信号预处理单元,用于进行数据运算的算法单元,用于曲线拟合的二维线性拟合单元以及处理单元;信号预处理单元包括滤波预处理单元,插值预处理单元和归一化处理单元,滤波预处理单元对三轴加速度传感器单元和三轴陀螺仪传感器单元所采集的特征运动轨迹进行滤波,插值预处理单元对滤波处理后的特征运动轨迹进行进一步的插值处理,归一化处理单元对与插值处理后的特征信号进行归一化处理得到数据融合单元;算法单元包括方向余弦矩阵法单元和最小二乘法算法单元,方向余弦矩阵法单元对数据融合单元进行运算得到方向余弦矩阵与时间的函数关系,再由最小二乘法算法单元通过最小化误差的平方,寻找方向余弦矩阵与时间的最佳函数匹配;二维线性拟合单元通过余弦矩阵与时间的最佳函数匹配关系建立所述目标二维线性模型曲线;处理单元将所述目标二维线性模型曲线与所述标准二维线性模型曲线进行轮廓匹配,获得预测结果。
本发明中,人机物联系统中的数据处理模块内储存有多个标准运动姿态特征信息,标准运动姿态特征信息具有连续的标准二维线性模型曲线,先将具有六轴姿态检测和识别功能的传感器采集到的特征运动轨迹进行滤波和插值预处理,再对预处理数据进行归一化处理得到数据融合单元,将数据融合单元通过方向余弦矩阵法得到方向余弦矩阵与时间函数关系,再使用最小二乘法寻找方向余弦矩阵与时间的最佳函数匹配,拟合成目标二维线性模型曲线,数据处理模块还能将目标二维线性模型曲线与标准二维线性模型曲线匹配,获得对象的匹配参数,且数据处理模块内可调设置有与匹配参数对应的阈值,数据处理模块将匹配参数与阈值对比得出对象的预测结果。
该人机物联系统首先对采集的运动姿态信息进行滤波和插值预处理以初步筛除干扰信号,且通过归一化处理缩小姿态计算的范围,从而提高了对特征运动信号的处理效率,且通过方向余弦矩阵的姿态算法得出方向余弦矩阵与时间函数关系,并使用最小二乘法得出最佳函数匹配从而拟合出目标二维线性模型曲线,最后与标准二维线性模型曲线匹配经处理单元得到预测结果,该人机物联系统提高了数据处理的精确度,具有加快智能穿戴设备的响应速度的效果。
此外,数据处理模块将预测结果通过通讯模块传递至人机交互模块,传送的预测结果简单明了,提高了通讯模块的数据传输效率。
运动姿态检测模块为传感器单元阵列,传感器单元阵列包括三轴加速度传感器单元和三轴陀螺仪传感器单元,传感器单元阵列用于检测对象的特征运动轨迹。
盖体1为一底部敞开的空腔框架结构,运动姿态检测模块2被内置于盖体1的空腔框架结构中,盖体1底部两侧壁上贯穿开设有若干定位孔11,定位孔11横向间隔设置;盖板3顶部设置有定位槽31,盖体1的底部卡设在定位槽31中,盖板3两侧开设有与定位孔11一一对应的定位螺孔32,螺栓4贯穿定位螺孔32延伸设置在定位孔11中;其中,盖体1盖合在盖板3的上方,盖体1通过螺栓连接固定安装在盖板3上。本发明的运动姿态检测模块2固定安装在盖体1上,且盖体1密合在盖板3的上方,提高了盖体1与盖板3安装结构的稳定性。穿戴设备本体还包括固定安装在空腔框架结构中的微处理器,微处理器上集成有数据处理模块、通讯模块以及人机交互模块。
具体的,运动姿态检测模块2向外延伸设置有第一螺纹杆21和第二螺纹杆22,盖体第一侧12的内腔壁上设置有与第一螺纹杆21对应的第一安装螺孔121,盖体第二侧13的内腔壁上设置有与第二螺纹杆22对应的第二安装螺孔131,运动姿态模块2通过螺纹连接固定安装在盖体1上。第一螺纹杆21与第二螺纹杆22相邻设置,运动姿态检测模块2固定安装在盖体1顶部内腔壁的任意一角。盖体1的底部与定位槽31的内腔壁重合,已安装的运动姿态检测模块2与盖板3的顶部间隔一定距离。定位孔11与定位螺孔32连通,且定位孔11的横向中心线与定位螺孔32的轴向中心线重合。从而实现了盖体1和盖板3的稳固和精确安装。
本发明的人机物联系统中的数据处理模块内储存标准二维线性模型曲线,该人机物联系统首先对采集的运动姿态信息进行滤波和插值预处理以初步筛除干扰信号,且通过归一化处理缩小姿态计算的范围,从而提高了对特征运动信号的处理效率,且通过方向余弦矩阵的姿态算法得出方向余弦矩阵与时间函数关系,并使用最小二乘法得出最佳函数匹配从而拟合出目标二维线性模型曲线,最后与标准二维线性模型曲线匹配经处理单元得到预测结果,该人机物联系统提高了数据处理的精确度和响应速度,具有加快智能穿戴设备的响应速度的有益效果。此外,本发明的数据处理模块还能将对象的预测结果通过通讯模块传递至人机交互模块,传送的预测结果简单明了,提高了通讯模块的数据传输效率。
以跑步为例,该人机物联穿戴设备的数据处理模块上随出厂设置,储存有多个标准运动姿态特征信息对应的标准二维线性模型曲线,如:跑步标准二维线性模型曲线、睡眠标准二维线性模型曲线、散步标准二维线性模型曲线、游泳标准二维线性模型曲线等,当用户佩戴该人机物联穿戴设备执行跑步的运动姿态时,人机物联穿戴设备上的运动姿态检测模块对用户的特征运动轨迹信号进行采集,并发送至数据处理模块,数据处理模块经一系列数据处理方法将特征运动轨迹信号拟合成目标二维线性模型曲线,并将所述目标二维线性模型曲线与所述标准二维线性模型曲线一一进行匹配,获得轮廓匹配度参数,该轮廓匹配度参数应为百分数数值,具体表现为,所得的目标二维线性模型曲线与标准二维线性模型曲线的近似度越高,该轮廓匹配度参数值越大,同时,因数据处理模块的处理单元上设置有匹配度设定值,该设定值随出厂设置为70%,用户也可以依据自身实际情况调节。
用户执行跑步动作时有以下情况:
一、该用户执行的特征运动姿态与标准运动姿态可匹配。具体的,该用户跑步动作与标准动作越接近,则该用户对应的目标二维线性模型曲线与跑步标准二维线性模型曲线的轮廓匹配度就越高,且该用户对应的目标二维线性模型曲线与其它标准二维线性模型曲线(如:睡眠标准运动姿态特征信息、散步标准运动姿态特征信息)就无法实现匹配,此时,由于轮廓匹配度参数大于匹配度设定值,两个模型曲线匹配成功,数据处理模块经初步判定后,可预测到用户的运动姿态为跑步姿态。进而,由处理单元对姿态复核判定,得到复核结果。该复核判定方法为:
提取跑步目标二维线性模型曲线与配对上的跑步标准二维线性模型曲线的横坐标差异波段和纵坐标差异波段,统计差异波段的数量以及偏差幅度,同时在数据处理模块内设置有与标准二维线性模型曲线一一对应的配对偏差范围值,若差异波段的数量以及偏差幅度小于对应的偏差范围值,则判定为对象处于正常运动姿态,并由人机交互模块展示该判定结果给用户或终端;若差异波段的数量以及偏差幅度大于对应的偏差范围值,则判定为姿态异常,并由人机交互模块展示该判定结果给用户或终端并发出警报。
二、该用户执行的特征运动姿态与标准运动姿态不匹配。具体的,此时,轮廓匹配度参数小于匹配度设定值,表现为用户可能在跑步过程中出现异常状况,两个模型曲线匹配失败,数据处理模块判定姿态异常,并由人机交互模块展示该判定结果给用户或终端并发出警报。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种基于运动姿态识别的人机物联穿戴设备,其特征在于:包括:人机物联系统和穿戴设备本体,所述人机物联系统包括:
用于采集对象特征运动轨迹信号的运动姿态检测模块;
数据处理模块,其内储存有多个标准运动姿态特征信息,所述标准运动姿态特征信息包含有连续的标准二维线性模型曲线,所述数据处理模块可将所述特征运动轨迹信号经数据处理得到目标二维线性模型曲线,将所述目标二维线性模型曲线与所述标准二维线性模型曲线一一进行匹配,获得轮廓匹配度参数,若有轮廓匹配度参数大于匹配度设定值,则初步判定为所述目标二维线性模型曲线与对应的所述标准二维线性模型曲线匹配,得到所述对象的运动姿态预测结果,随后进行姿态复核判定,得到复核结果;否则判断为姿态异常;
通讯模块,其接收所述数据处理模块得出的判定结果;以及
人机交互模块,其用于接收和展示所述判定结果;
其中,所述姿态复核判定方法为:
提取所述目标二维线性模型曲线与配对所述标准二维线性模型曲线的横坐标差异波段和纵坐标差异波段,统计所述差异波段的数量以及偏差幅度,同时在所述数据处理模块内设置有与所述标准二维线性模型曲线一一对应的配对偏差范围值,若所述差异波段的数量以及偏差幅度小于对应的所述偏差范围值,则判定为所述对象处于正常运动姿态;否则判断为姿态异常;
所述数据处理模块先将所述特征运动轨迹信号进行滤波和插值预处理,再对预处理数据进行归一化处理,得到与标准二维线性模型曲线所在范围一致的数据融合单元,将所述数据融合单元通过方向余弦矩阵法得到方向余弦矩阵与时间函数关系,再使用最小二乘法寻找方向余弦矩阵与时间的最佳函数匹配,最终拟合成所述目标二维线性模型曲线。
2.如权利要求1所述的基于运动姿态识别的人机物联穿戴设备,其特征在于,所述运动姿态检测模块为传感器单元阵列,所述传感器单元阵列包括三轴加速度传感器单元和三轴陀螺仪传感器单元,所述传感器单元阵列用于检测所述对象的所述特征运动轨迹。
3.如权利要求2所述的基于运动姿态识别的人机物联穿戴设备,其特征在于,所述数据处理模块包括:用于预处理特征运动轨迹信号的信号预处理单元、用于进行数据运算的算法单元、用于曲线拟合的二维线性拟合单元以及处理单元;
所述信号预处理单元包括滤波预处理单元、插值预处理单元和归一化处理单元,所述滤波预处理单元对所述三轴加速度传感器单元和所述三轴陀螺仪传感器单元所采集的所述特征运动轨迹信号进行滤波,所述插值预处理单元对滤波处理后的所述特征运动轨迹信号进行进一步的插值处理,所述归一化处理单元对与插值处理后的所述特征信号进行归一化处理得到所述数据融合单元;
所述算法单元包括方向余弦矩阵法单元和最小二乘法算法单元,所述方向余弦矩阵法单元对所述数据融合单元进行运算得到方向余弦矩阵与时间的函数关系,再由所述最小二乘法算法单元通过最小化误差的平方,寻找方向余弦矩阵与时间的最佳函数匹配;
所述二维线性拟合单元通过余弦矩阵与时间的最佳函数匹配关系建立所述目标二维线性模型曲线;
所述处理单元上设置有匹配度设定值,所述处理单元将所述轮廓匹配度参数与所述匹配度设定值比较,若任意一个所述轮廓匹配度参数大于匹配度设定值,则将所述目标二维线性模型曲线与对应的所述标准二维线性模型曲线再次匹配,最终得到复核结果;若所有的所述轮廓匹配度参数小于匹配度设定值,则判断为姿态异常。
4.如权利要求1所述的基于运动姿态识别的人机物联穿戴设备,其特征在于,所述穿戴设备本体包括:
盖体,其为一底部敞开的空腔框架结构,所述运动姿态检测模块被内置于所述盖体的空腔框架结构中,所述盖体底部两侧壁上贯穿开设有若干定位孔,所述定位孔横向间隔设置;
盖板,其顶部设置有定位槽,所述盖体的底部卡设在所述定位槽中,所述盖板两侧开设有与所述定位孔一一对应的定位螺孔,螺栓贯穿所述定位螺孔延伸设置在所述定位孔中;
其中,所述盖体盖合在所述盖板的上方,所述盖体通过螺栓连接固定安装在所述盖板上。
5.如权利要求4所述的基于运动姿态识别的人机物联穿戴设备,其特征在于,所述穿戴设备本体还包括固定安装在所述空腔框架结构中的微处理器,所述微处理器上集成有所述数据处理模块、所述通讯模块以及所述人机交互模块。
6.如权利要求5所述的基于运动姿态识别的人机物联穿戴设备,其特征在于,所述运动姿态检测模块向外延伸设置有第一螺纹杆和第二螺纹杆,盖体第一侧的内腔壁上设置有与所述第一螺纹杆对应的第一安装螺孔,盖体第二侧的内腔壁上设置有与所述第二螺纹杆对应的第二安装螺孔,所述运动姿态检测模块通过螺纹连接固定安装在所述盖体上。
7.如权利要求6所述的基于运动姿态识别的人机物联穿戴设备,其特征在于,所述第一螺纹杆与第二螺纹杆相邻设置,所述运动姿态检测模块固定安装在所述盖体顶部内腔壁的任意一角。
8.如权利要求7所述的基于运动姿态识别的人机物联穿戴设备,其特征在于,所述定位孔与所述定位螺孔连通,且所述定位孔的横向中心线与所述定位螺孔的轴向中心线重合。
9.如权利要求8所述的基于运动姿态识别的人机物联穿戴设备,其特征在于,所述盖体的底部与所述定位槽的内腔壁重合,已安装的所述运动姿态检测模块与所述盖板的顶部间隔一定距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011173726.7A CN112232266B (zh) | 2020-10-28 | 2020-10-28 | 一种基于运动姿态识别的人机物联穿戴设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011173726.7A CN112232266B (zh) | 2020-10-28 | 2020-10-28 | 一种基于运动姿态识别的人机物联穿戴设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232266A CN112232266A (zh) | 2021-01-15 |
CN112232266B true CN112232266B (zh) | 2024-05-31 |
Family
ID=74110645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011173726.7A Active CN112232266B (zh) | 2020-10-28 | 2020-10-28 | 一种基于运动姿态识别的人机物联穿戴设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232266B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658225A (zh) * | 2021-08-19 | 2021-11-16 | 天之翼(苏州)科技有限公司 | 基于航拍监控的运动对象识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101798041B1 (ko) * | 2016-06-29 | 2017-11-17 | 성균관대학교산학협력단 | 3차원 물체 인식 및 자세 추정 장치 및 그 방법 |
CN108703760A (zh) * | 2018-06-15 | 2018-10-26 | 安徽中科智链信息科技有限公司 | 基于九轴传感器的人体运动姿态识别系统及方法 |
WO2019075824A1 (zh) * | 2017-10-20 | 2019-04-25 | 深圳市鹰硕技术有限公司 | 一种儿童跑步姿态纠正训练系统 |
CN110074789A (zh) * | 2019-04-30 | 2019-08-02 | 太平洋未来科技(深圳)有限公司 | 一种实时检测人体运动时脊柱曲线以及四肢角度的设备 |
CN111265218A (zh) * | 2018-12-05 | 2020-06-12 | 阿里巴巴集团控股有限公司 | 运动姿态数据处理方法、装置和电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104898829A (zh) * | 2015-04-17 | 2015-09-09 | 杭州豚鼠科技有限公司 | 体感交互系统 |
-
2020
- 2020-10-28 CN CN202011173726.7A patent/CN112232266B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101798041B1 (ko) * | 2016-06-29 | 2017-11-17 | 성균관대학교산학협력단 | 3차원 물체 인식 및 자세 추정 장치 및 그 방법 |
WO2019075824A1 (zh) * | 2017-10-20 | 2019-04-25 | 深圳市鹰硕技术有限公司 | 一种儿童跑步姿态纠正训练系统 |
CN108703760A (zh) * | 2018-06-15 | 2018-10-26 | 安徽中科智链信息科技有限公司 | 基于九轴传感器的人体运动姿态识别系统及方法 |
CN111265218A (zh) * | 2018-12-05 | 2020-06-12 | 阿里巴巴集团控股有限公司 | 运动姿态数据处理方法、装置和电子设备 |
CN110074789A (zh) * | 2019-04-30 | 2019-08-02 | 太平洋未来科技(深圳)有限公司 | 一种实时检测人体运动时脊柱曲线以及四肢角度的设备 |
Non-Patent Citations (1)
Title |
---|
基于GMM的人体运动姿态的追踪与识别;魏燕欣;范秀娟;;北京服装学院学报(自然科学版)(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232266A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111568437B (zh) | 一种非接触式离床实时监测方法 | |
Doukas et al. | Advanced patient or elder fall detection based on movement and sound data | |
CN111166357A (zh) | 多传感器融合的疲劳监测装置系统及其监测方法 | |
CN108227606B (zh) | 一种基于多源感知的船舶安防智能管理系统 | |
CN102488512B (zh) | 一种心电监护自动报警系统 | |
CN112716474A (zh) | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 | |
CN202257856U (zh) | 驾驶员疲劳驾驶监控装置 | |
CN103517042A (zh) | 一种养老院老人危险行为监测方法 | |
CN113609976B (zh) | 一种基于WiFi设备的方向敏感多手势识别系统及方法 | |
CN202130312U (zh) | 一种驾驶员疲劳驾驶监控装置 | |
CN112232266B (zh) | 一种基于运动姿态识别的人机物联穿戴设备 | |
CN112674740A (zh) | 一种基于毫米波雷达的生命体征检测方法 | |
CN107463873B (zh) | 一种基于rgbd深度传感器的实时手势分析与评价方法与系统 | |
CN107589686A (zh) | 一种视觉和振动阵列感知一体化的智能安防监控系统 | |
CN112711979A (zh) | 基于生物雷达的慢速随机运动下非接触生命体征监测 | |
CN114038012A (zh) | 基于毫米波雷达和机器学习的跌倒检测方法及系统 | |
CN116611620B (zh) | 一种智慧城市安全协同管理信息系统 | |
CN109657572A (zh) | 一种基于Wi-Fi的墙后目标行为识别方法 | |
Ding et al. | A fall detection method based on K-nearest neighbor algorithm with MIMO millimeter-wave radar | |
CN115736888A (zh) | 基于fmcw雷达的呼吸信号提取方法 | |
CN109033979A (zh) | 基于wifi和摄像机传感器决策级融合的室内行人检测方法 | |
CN111562540A (zh) | 一种基于动态图像识别和分析的电能表检测监控方法 | |
CN106821312A (zh) | 基于智能穿戴设备的运动与睡眠监测的方法及系统 | |
CN106444753A (zh) | 基于人工神经网络的人体态势判断智能跟随方法 | |
CN109907756A (zh) | 基于头部姿态信息和眼电信息的驾驶疲劳监测系统 |
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 |