CN112244819A - 基于足底压力阵列检测的儿童异常步态识别系统及方法 - Google Patents
基于足底压力阵列检测的儿童异常步态识别系统及方法 Download PDFInfo
- Publication number
- CN112244819A CN112244819A CN202011248715.0A CN202011248715A CN112244819A CN 112244819 A CN112244819 A CN 112244819A CN 202011248715 A CN202011248715 A CN 202011248715A CN 112244819 A CN112244819 A CN 112244819A
- Authority
- CN
- China
- Prior art keywords
- gait
- data
- unit
- gait data
- children
- 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
- 206010017577 Gait disturbance Diseases 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000005021 gait Effects 0.000 claims abstract description 118
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000005484 gravity Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000036544 posture Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000004067 Flatfoot Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000006820 Arthralgia Diseases 0.000 description 1
- 241001166076 Diapheromera femorata Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
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
-
- 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
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种儿童异常步态识别系统，特别是一种基于足底压力阵列检测的儿童异常步态识别系统，包括：步态数据采集单元；步态数据初步处理单元；步态数据特征提取单元；步态参数降维单元；建立步态分类模型单元；以及，在线步态识别单元；其中，步态数据采集单元采集儿童步态数据，后经步态数据初步处理单元，步态数据特征提取单元，以及步态参数降维单元得到步态数据特征值，输入到训练好的步态分类模型单元，在线步态识别单元得到分类结果。另外，本发明中还提供了一种基于足底压力阵列检测的儿童异常步态识别方法。本发明解决了“提升儿童异常步态的识别精度”的技术问题，具备检测方便、功耗低、经济成本低等优点。
Description
技术领域
本发明涉及一种儿童异常步态识别系统，特别是一种基于足底压力阵列检测的儿童异常步态识别系统，以及一种基于足底压力阵列检测的儿童异常步态识别方法。
背景技术
步行是人体基本运动之一，与我们每个人的日常生活息息相关。对于儿童来说，蹒跚学步是人生必须经历的阶段，这显得更为重要。期间儿童难免会出现一些异常的走姿，如果不及时发现和校正，不仅破坏了关节正常的应力分布，使某一侧所受的应力增大，容易摔倒，久而久之还会引起关节疼痛甚至畸形。然而，有别于成人的是，儿童的骨骼正处于发育之中，有些异常的步态会随着骨骼的发育自然消除。因此对于儿童步态的长期观察不仅可以及时发现儿童的异常步态行为，也能避免过度治疗的发生。
步态分析是一种对人体肢体运动的系统研究，通过获取和分析处理步态参数，主要用于步态识别、姿态和行为识别，为研究足部的结构、功能和运动姿态控制提供有用的信息，对人体生理疾病做出合理的预测和解释。然而，人体步态参数不论在空间维度上还是在时间维度上都极其复杂，具有高维度、强时间依赖性、变化性(特征难以重复)、高互相关性（难以对不同年龄、性别的步态数据进行定量比较）、高非线性等特征。难以通过普通的数据处理（平均值，方差，互相关等），波形参数（幅值等）分析步态数据。
针对上述情况，现有技术中对于异常步态的识别研究很多是基于视频检测技术，存在价格高昂、使用繁琐等限制。例如，一种嵌入式人体步态自动识别系统（期刊《电子技术》，作者：刘海涛、关胜晓，2009-09-25）中提出了基于双目立体视觉进行步态识别，并且利用数据融合方法对由光流场中提取出的步态特征进行数据融合，然后对融合后的有效特征进行步态识别，并给出了评估步态识别的有效性与错误率。利用Renesas 32位嵌入式系统在总体结构上对步态自动识别系统进行了设计，以符合大多数场合的需要。
人体行走的过程中的动力，本质上是通过地面与足部相互作用的结果(不考虑碰撞，拐杖等外部作用力)，因此在实际的异常步态识别方法的应用过程中，可采用足底压力作为人体步态参数。基于足底压力的异常步态检测属于新兴领域，具有检测方便、功耗低、经济成本低等优点，然而，目前市场上并没有专门针对的步态分析和识别系统。
发明内容
本发明的目的是为了解决上述现有技术的不足而提供一种基于足底压力阵列检测的儿童异常步态识别系统。
为了实现上述目的，本发明所设计的一种基于足底压力阵列检测的儿童异常步态识别系统，其包括：
步态数据采集单元，将基于足底压力阵列检测采集步态数据；步态数据初步处理单元，用于将每一个压力传感器单独测量的步态数据按照时序整理，滤波、放大、去噪声，同时将压力值数据除以重力进行归一化，以消除不同人之间的体重差异；步态数据特征提取单元，用于将步态时间序列数据正交化；步态参数降维单元；建立步态分类模型单元；以及，在线步态识别单元。
其中，步态数据采集单元采集儿童步态数据，后经步态数据初步处理单元，步态数据特征提取单元，以及步态参数降维单元得到步态数据特征值，输入到训练好的步态分类模型单元，在线步态识别单元得到分类结果。
其中，从儿童自然行走过程中采集到的步态数据不能直接进行使用，需要对数据进行初步清洗，这样最后得到的分类模型才是可信的。
其中，步态时间序列数据正交化，目的是消除步态参数的时间依赖性。
步态参数具有极强的时间依赖性，该点的数据值往往与这一时刻之前的步态参数值有关，而我们往往是通过幅值，周期，峰值等与时间无关的量去描述步态的，显然这就为建立步态分类模型带来了极大的困难。为了消除步态参数的强时间依赖性，需要将步态数据分解为多个正交函数的线性组合。分解的方法不限于傅里叶变换、沃尔什变换等正交变换方法。
由傅里叶变换可知，在满足狄利克雷条件下，任意函数可以无损失地表示成多个三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。时域中的沿着x轴无限延伸的三角函数，在频域空间中被映射成了一个点，从而消除了步态参数时间这一属性。
其中，步态参数空间降维，目的是解决维度爆炸问题。
为缓解步态参数高维度带来的步态分类模型的维度爆炸，难以建立模型进行实际应用等问题，需要在建立步态分类模型之前，进行数据降维。
从不同的角度出发，得到的降维方法也各不相同，一般采用线性降维方法，常用的有principal component analysis(PCA)和linear discriminant analysis(LDA)两种。
其中，建立步态分类模型的关键在于解决步态参数高非线性、变化性、高互相关性，分类模型必须具备较强的鲁棒性，并且能有效的解决复杂的非线性问题，可由SVM通过计算两个不同类别之间的最小距离之和最大的超平面来进行分类。
同时，本发明中还记载了一种基于足底压力阵列检测的儿童异常步态识别方法，其包括以下的具体步骤：
S1.基于足底压力阵列检测采集步态数据的步骤；
S2.将每一个压力传感器单独测量的步态数据按照时序整理，滤波、放大、去噪声，同时将压力值数据除以重力进行归一化，以消除不同人之间的体重差异的步骤；
S3.将步态时间序列数据正交化的步骤；
S4.将步态参数降维的步骤；
S5.建立步态分类模型的步骤；
S6.在线识别步态分类结果的步骤。
本发明得到的一种基于足底压力阵列检测的儿童异常步态识别系统及方法，对内八字，外八字，扁平足等异常步态的识别精度可达99%以上。便于父母实时有效的对于儿童步态的长期观察,不仅可以及时发现儿童的异常步态行为，也能避免过度治疗的发生，同时其具备具有检测方便、功耗低、经济成本低等优点。
附图说明
图1是一种足底压力检测压阻式阵列传感器的结构示意图；
图2是一种足底压阻式阵列传感器信号采集电路示意图；
图3足一种底压力原始数据样本的特征提取流程图；
图4 是一种LDA降维得到的特征图；
图5是一种在线实时异常步态识别的流程框图；
图6是一种异常步态识别的实验结果柱状图；
图7是一种FFT分组数量对分类模型分类的影响分析的示意图；
图 8是预测500/1000/2000组样本的消耗时间的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都应该属于本发明保护的范围。
本实例中实验对象选择为浙江大学儿童附属医院的5-8岁儿童。实验过程中，让儿童穿上足底压力测量装置，自然的行走一段笔直的路程。获取数据的标签有正常、内八字、外八字、扁平足四类，分类编号分别为0、1、2、3。
本实例中一种基于足底压力阵列检测的儿童异常步态识别系统，其就包括：步态数据采集单元，将基于足底压力阵列检测采集步态数据；步态数据初步处理单元，用于将每一个压力传感器单独测量的步态数据按照时序整理，滤波、放大、去噪声，同时将压力值数据除以重力进行归一化，以消除不同人之间的体重差异；步态数据特征提取单元，用于将步态时间序列数据正交化；步态参数降维单元；建立步态分类模型单元；以及，在线步态识别单元。
前述识别系统对应的识别方法，包括以下的具体步骤：
S1.数据采集的步骤
儿童的步态参数采集使用动态特性较好的压阻式传感器阵列。传感器阵列如图1所示，多个传感器同时检测儿童足底的应力分布情况。对应矩阵式扫描电路如图2所示，由模拟放大器，数字开关电路，STM32F103C8T6微处理器组成。信号采集电路以50Hz的频率扫描传感器阵列获取传感器的电阻值即该点压力值大小，并存储于内存中，通过低功耗蓝牙BLE同步发送到上位机电脑中。
S2.数据初步处理的步骤
将每一次扫描阵列的压力值结果看作是同一时刻的儿童的足底压力分布值；并使用一阶巴特沃斯滤波器，进行去噪声和平滑处理；针对不同人的数据，将压力值数据除以重力进行归一化。从而得到每间隔20ms的儿童步态足压分布数据。
S3.步态数据特征提取的步骤
如图3特征提取流程图所示，将每个足底压力传感器时间序列数据，以滑窗的方式截取足够长的样本数据序列(512个序列)，增加样本数目的同时保证了算力在可承受的范围内。将滑窗内的数据进行快速傅里叶变化(FFT)，将数据从时域转换到频域。
根据傅里叶变换的原理，转换后的数据在频域空间中的频率分辨力为0.1953Hz，频域范围为0Hz-25Hz。为提高在线获取特征进行分类的速度，采用了分组的策略思想。如图7、8所示，随着分组数量的不断增加，预测时间和精度的方差呈U形。分组太少，最后训练出的模型，平均精度有所下降并且模型存在过拟合的情况，比如分组为1,2的模型得到的训练结果支持向量个数远远超过其他分组；在精度不升反降的情况下，表明模型训练得到的不同类别的特征有很大一部分并不属于同一类别的共性，因此模型泛化能力差，这可以从支持向量数目较多和精度方差较大上看出；分组过多，精度提高并不明显，还会增加预测的时间。因此原则上来说中间的某个分组值才是最佳的。基于上述图表，我们选择了对应精度较高，方差较小，泛化能力较强的分组数量5，即0-2Hz,2-4Hz,4-6Hz,6-8Hz,8-10Hz,10-25Hz，儿童的有效的步态参数频率在10Hz以内，所以抛弃了10-25Hz这一段数据，将剩余的每一组求和，从而得到五维的特征值。
最后，将同一个时间滑窗下的具有代表性的足底压力传感器块的特征值首尾拼接起来。
S4.步态参数降维的步骤
我们尝试采用有监督方法的LDA和无监督的PCA进行降维。PCA是非常常用的降维方法，从最大化降维后数据方差这一角度进行降维。LDA满足降维之后的类内间距最小的同时类间间距最大，这样降维之后，不同类之间的差异就会拉大，得到的降维的特征值更加便于分类。如图4所示，经过LDA降维后，由第S3步得到的表征某一时刻足底压力分布特性的特征向量，变成了三维，横坐标为样本序号，黑色的阶梯状的线代表分类编号。（正常、内八字、外八字、扁平足的分类编号分别为0、1、2、3）。
S5.建立步态分类模型的步骤
SVM通过计算两个不同类别之间的最小距离之和最大的超平面来进行分类。它不受个别噪声的影响，因此具有较强的鲁棒性。选择合理的核函数(RBF核函数)，SVM对于非线性的分类数据也有很好的效果。
S6.在线步态识别的步骤
如图5所示为在线步态识别的流程图，可实现实时的在线步态识别。在儿童穿戴上足底压力检测装置后，下位机不停的采集数据，并且实时传输数据到上位机；上位机实时显示各个压力传感器块压力曲线的变化，并且在每采集512个数据后，就通过S2,S3及S4步骤得到数据特征值，输入到训练好的分类模型中，得到分类结果。如果连续三次都是相同的异常分类结果，那么就会发出警报，提醒儿童及监护人，需要注意自己的步态。
最终的分类识别结果如图6和表1所示，采用了PCA，LDA降维器，分类器SVM选择线性以及高斯核函数，两者不同的组合产生了不同的异常步态分类算法组合。比较之间的结果，可以看到监督的LDA分类效果比PCA更好，LDA +线性核的SVM平均分类效果能够达到99.915%。
表 1
| 序号 | 降维模型 | 分类模型 | 平均精度 (%) | 多次分类精度方差(*1000%) | 单次recall (%) | 预测时间 (ms) |
| 1 | LDA(n = 4) | SVM(linear) | 99.915 | 2.555 | 100 | 2.500 |
| 2 | LDA(n = 4) | SVM(rbf) | 99.898 | 3.066 | 100 | 7.000 |
| 3 | PCA(n = 4) | SVM(linear) | 84.001 | 58.830 | 92 | 25.001 |
| 4 | PCA(n = 7) | SVM(linear) | 99.676 | 9.710 | 100 | 6.000 |
| 5 | PCA(n = 7) | SVM(rbf) | 99.198 | 16.047 | 100 | 16.001 |
本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均应该落在本发明的保护范围之内。
Claims (2)
1.一种基于足底压力阵列检测的儿童异常步态识别系统，其特征是包括：
步态数据采集单元，将基于足底压力阵列检测采集步态数据；步态数据初步处理单元，用于将每一个压力传感器单独测量的步态数据按照时序整理，滤波、放大、去噪声，同时将压力值数据除以重力进行归一化，以消除不同人之间的体重差异；步态数据特征提取单元，用于将步态时间序列数据正交化；步态参数降维单元；建立步态分类模型单元；以及，在线步态识别单元；
其中，步态数据采集单元采集儿童步态数据，后经步态数据初步处理单元，步态数据特征提取单元，以及步态参数降维单元得到步态数据特征值，输入到训练好的步态分类模型单元，在线步态识别单元得到分类结果。
2.一种基于足底压力阵列检测的儿童异常步态识别方法，其特征是包括以下的
具体步骤：
S1.基于足底压力阵列检测采集步态数据的步骤；
S2.将每一个压力传感器单独测量的步态数据按照时序整理，滤波、放大、去噪声，同时将压力值数据除以重力进行归一化，以消除不同人之间的体重差异的步骤；
S3.将步态时间序列数据正交化的步骤；
S4.将步态参数降维的步骤；
S5.建立步态分类模型的步骤；
S6.在线识别步态分类结果的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011248715.0A CN112244819A (zh) | 2020-11-10 | 2020-11-10 | 基于足底压力阵列检测的儿童异常步态识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011248715.0A CN112244819A (zh) | 2020-11-10 | 2020-11-10 | 基于足底压力阵列检测的儿童异常步态识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112244819A true CN112244819A (zh) | 2021-01-22 |
Family
ID=74265278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011248715.0A Pending CN112244819A (zh) | 2020-11-10 | 2020-11-10 | 基于足底压力阵列检测的儿童异常步态识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112244819A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113647937A (zh) * | 2021-08-16 | 2021-11-16 | 宁波荣勃通机电科技有限公司 | 检测装置、检测方法、鞋垫、训练方法和识别方法 |
| CN113662535A (zh) * | 2021-09-14 | 2021-11-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 步态检测方法、装置、设备及存储介质 |
| CN116439693A (zh) * | 2023-05-18 | 2023-07-18 | 四川大学华西医院 | 一种基于fmg的步态检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104714237A (zh) * | 2015-01-30 | 2015-06-17 | 哈尔滨工程大学 | 一种多特征及多方位数据融合鱼类识别方法 |
| CN106778509A (zh) * | 2016-11-23 | 2017-05-31 | 清华大学 | 一种步态识别装置及方法 |
| CN110991326A (zh) * | 2019-11-29 | 2020-04-10 | 齐鲁工业大学 | 基于Gabor滤波器和改进极限学习机的步态识别方法及系统 |
-
2020
- 2020-11-10 CN CN202011248715.0A patent/CN112244819A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104714237A (zh) * | 2015-01-30 | 2015-06-17 | 哈尔滨工程大学 | 一种多特征及多方位数据融合鱼类识别方法 |
| CN106778509A (zh) * | 2016-11-23 | 2017-05-31 | 清华大学 | 一种步态识别装置及方法 |
| CN110991326A (zh) * | 2019-11-29 | 2020-04-10 | 齐鲁工业大学 | 基于Gabor滤波器和改进极限学习机的步态识别方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113647937A (zh) * | 2021-08-16 | 2021-11-16 | 宁波荣勃通机电科技有限公司 | 检测装置、检测方法、鞋垫、训练方法和识别方法 |
| CN113662535A (zh) * | 2021-09-14 | 2021-11-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 步态检测方法、装置、设备及存储介质 |
| CN113662535B (zh) * | 2021-09-14 | 2022-07-01 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 步态检测方法、装置、设备及存储介质 |
| CN116439693A (zh) * | 2023-05-18 | 2023-07-18 | 四川大学华西医院 | 一种基于fmg的步态检测方法及系统 |
| CN116439693B (zh) * | 2023-05-18 | 2024-05-28 | 四川大学华西医院 | 一种基于fmg的步态检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112244819A (zh) | 基于足底压力阵列检测的儿童异常步态识别系统及方法 | |
| Seifert et al. | Toward unobtrusive in-home gait analysis based on radar micro-Doppler signatures | |
| Luo et al. | Research on fatigue driving detection using forehead EEG based on adaptive multi-scale entropy | |
| Khandoker et al. | Wavelet-based feature extraction for support vector machines for screening balance impairments in the elderly | |
| EP3257437A1 (en) | Method and system for analyzing human gait | |
| Wang et al. | Recognizing human daily activities from accelerometer signal | |
| Dubois et al. | A gait analysis method based on a depth camera for fall prevention | |
| Creagh et al. | Smartphone-and smartwatch-based remote characterisation of ambulation in multiple sclerosis during the two-minute walk test | |
| Yang et al. | Implementation of a wearerable real-time system for physical activity recognition based on Naive Bayes classifier | |
| CN105051799A (zh) | 用于检测跌倒的方法和跌倒检测器 | |
| CN1666232A (zh) | 使用概率分布函数来模拟行为的方法和装置 | |
| Jalloul et al. | Activity recognition using complex network analysis | |
| CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
| Aich et al. | Design of a Machine Learning‐Assisted Wearable Accelerometer‐Based Automated System for Studying the Effect of Dopaminergic Medicine on Gait Characteristics of Parkinson’s Patients | |
| Rodríguez-Martín et al. | Posture transition identification on PD patients through a SVM-based technique and a single waist-worn accelerometer | |
| Feng et al. | A human identification method based on dynamic plantar pressure distribution | |
| Hossain et al. | Automatic motion artifact detection in electrodermal activity data using machine learning | |
| Lubina et al. | Artificial neural networks in accelerometer-based human activity recognition | |
| Maftukhaturrizqoh et al. | Drowsiness detection using radial basis function network with electrocardiographic RR interval statistical feature | |
| Yan et al. | Topological descriptors of gait nonlinear dynamics toward freezing-of-gait episodes recognition in parkinson’s disease | |
| CN106901732A (zh) | 突变状态下肌力与肌张力的测量方法和测量装置 | |
| Özel et al. | Implementation of Artifact Removal Algorithms in Gait Signals for Diagnosis of Parkinson Disease. | |
| US10478066B2 (en) | System and method for detection of cravings in individuals with addiction | |
| Dong et al. | An “optical flow” method based on pressure sensors data for quantification of Parkinson's disease characteristics | |
| Jarchi et al. | Transition detection and activity classification from wearable sensors using singular spectrum analysis |
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: 20210122 |
|
| RJ01 | Rejection of invention patent application after publication |