CN112263235A - 基于混合电断层成像技术的手势识别系统 - Google Patents

基于混合电断层成像技术的手势识别系统 Download PDF

Info

Publication number
CN112263235A
CN112263235A CN202011064500.3A CN202011064500A CN112263235A CN 112263235 A CN112263235 A CN 112263235A CN 202011064500 A CN202011064500 A CN 202011064500A CN 112263235 A CN112263235 A CN 112263235A
Authority
CN
China
Prior art keywords
complex impedance
part data
signal
module
phase
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
CN202011064500.3A
Other languages
English (en)
Inventor
金文光
张建洋
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011064500.3A priority Critical patent/CN112263235A/zh
Publication of CN112263235A publication Critical patent/CN112263235A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0536—Impedance imaging, e.g. by tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • 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
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Multimedia (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于混合电断层成像技术的手势识别系统，包括：肌肉贴片电极，用于施加外部激励信号以及检测皮肤表面产生的复阻抗激励响应信号；信号激励和采集模块，用于产生外部激励信号，采集所述的复阻抗激励响应信号；数字信号处理模块，用于L点DFT计算，产生一个实部数据和虚部数据；微控制单元，用于选择检测通道，并将所有通道遍历一周所采集的一帧数据发送给蓝牙模块；蓝牙模块，用于收发数据；复阻抗断层成像模块，用于根据实部数据和虚部数据计算得到复阻抗的幅度和相位，进而通过复阻抗断层成像技术得到基于电阻和电容参数的混合成像图。本系统可以应用于通过手势识别和操控的人机交互设备，具有准确度高、可穿戴、功耗低等优点。

Description

基于混合电断层成像技术的手势识别系统
技术领域
本发明涉及人机交互，复阻抗断层成像技术领域等，尤其涉及基于混合电断层成像技术的手势识别系统。
背景技术
电子断层扫描技术包含了多种断层成像技术，其可用于对放置在测试区域中的物体的电参数进行成像。电阻断层成像(EIT)重建的是电阻率的空间分布，电容断层成像(ECT)重建的是电容率的空间分布。这是一种非侵入性的测量技术，通过在手臂表面贴附电极，产生激励来获取手臂的电阻和电容参数，从而重建出混合电断层成像图。
随着技术的进步，智能移动终端的普及，通过可穿戴设备识别手势动作，在人与机器之间建立新的联系成为了人机交互领域(HMI)新的技术热点，该技术在康复医疗，机器人控制等领域有着广泛的应用。目前的手势识别技术主要分为两大类：一类是基于图像的，用相机去观察手势，然后用软件来判断手势，该方法的缺点是对视线有比较高的要求，不适用于假体相关的应用。另一类是非图像的方法，比如通过表面肌电图(sEMG)，在肌肉群附近测量电压，根据不同的数据对手势进行分类，目前该技术的识别精度比较高，但需要佩戴在手臂肌腹部位，并且佩戴的位置会影响手势识别的正确率。EIT/ECT也是一种非图像的方法，通过测量手臂内部组织结构的电阻和电容参数来识别手势，可以佩戴在手臂任何需要的测试位置，检测精度高。
EIT/ECT在医疗和工程结构分析领域已有不少应用，但在人机交互领域的应用相对较少。如有研究将EIT技术与康复设备控制相结合，通过EIT技术进行手势识别，从而控制轮椅等设备的运动，但是单纯利用电阻的EIT方法存在识别精度较低，识别手势种类较少等问题，本发明在EIT基础上通过引入相位信息，利用外部复阻抗的幅度和相位，即电阻和电容参数进行混合成像，可以有效地提高手势识别精度，并且实现多种手势识别，丰富人机交互操作。
发明内容
本发明实施例的目的是提供一种基于混合电断层成像技术的手势识别系统，解决传统基于图像方法中对手的摆放位置较高的问题和仅使用电阻断层成像技术在不同肥胖程度的人群中出现精度不高的问题，本发明着眼于利用可穿戴式设备，来获取手臂内部组织的复阻抗信息，使用阻抗和容抗混合电断层成像技术来对手势进行识别，使得手势识别更加准确、更具鲁棒性。
为了实现该目的，本发明实施例提供一种基于混合电断层成像技术的手势识别系统，包括：
肌肉贴片电极，用于施加外部激励信号以及检测皮肤表面产生的复阻抗激励响应信号；
信号激励和采集模块，用于产生所述外部激励信号，采集所述的复阻抗激励响应信号；
数字信号处理模块，用于接收所述复阻抗激励响应信号，并对L点响应数据进行DFT处理，产生一个实部数据和一个虚部数据；
微控制单元，用于控制模拟开关选择检测通道，并对所有检测通道遍历一周所采集的一帧实部数据和虚部数据发送给蓝牙模块；
蓝牙模块，用于收发实部数据和虚部数据，并将实部数据和虚部数据发送给复阻抗断层成像模块；
复阻抗断层成像模块，用于根据实部数据和虚部数据计算得到复阻抗的幅度和相位，进而通过复阻抗断层成像技术得到基于电阻和电容参数的混合成像图。
进一步地，所述肌肉贴片电极包括N片相同的不锈钢片，分别与N通道的模拟开关相连；N片电极片等间隔排列固定于腕带内，利用腕带的张力使其与手腕或手臂的表面皮肤紧密接触，构成N通道复阻抗传感电路。
进一步地，所述的信号激励和采集模块包括依次相连的信号发生器、数/模转换器、电压跟随器、模拟开关、可编程增益放大器、低通滤波器和模/数转换器，信号激励和采集模块通过直接数字频率合成、数模转换和信号放大驱动产生外部复阻抗激励信号，同时经传感通道的选择、增益放大、噪声滤波和模数转换完成复阻抗激励响应信号的数据采集。
进一步地，所述的信号发生器为频率发生器，用于改变信号产生的频率和相位。
进一步地，所述复阻抗的幅度和相位计算步骤如下：
第一步是计算所测量频率点的DFT幅度，DFT幅度计算公式为：
Figure BDA0002713361370000021
其中，R为DSP模块生成的实部数据，I为DSP模块生成的虚部数据；
第二步需要将计算所得幅度值转换为电阻抗值，转换公式为：
Figure BDA0002713361370000022
其中，增益系数是在系统校正期间通过在VOUT和VIN引脚之间接入定值电阻计算得到，计算公式为：
Figure BDA0002713361370000031
第三步需要由DSP模块生成的实部和虚部数据计算出响应信号的相位，计算公式为：
Figure BDA0002713361370000032
第四步将系统测得的相位减去系统相位，即可得到测量阻抗的相位，
Figure BDA0002713361370000033
其中，
Figure BDA0002713361370000034
为测量阻抗的相位，Φunknow为未知阻抗接入VOUT和VIN时系统测量所得的相位，
Figure BDA0002713361370000035
为在系统校正期间将定值电阻接入系统时测得的系统相位。
进一步地，所述复阻抗断层成像技术优先选用EIDORS软件，一个基于电学或光学数据进行图像重建的有限元分析软件包来实现。
进一步地，所述混合成像图通过深度学习的方法来实现手势的训练、学习和识别。
进一步地，所述复阻抗断层成像模块采用上位机或智能移动终端。
根据以上技术方案，本发明的有益效果如下：在非接触式手势交互领域，传统的基于图像(视频)方法存在动态交互部位的遮挡问题，采用多个摄像头可以提高手势识别的准确性，但依然无法彻底解决，因此对操作者手的摆放位置要求高，不能实现动态状态下的自然交互。采用电阻断层成像技术的手势识别技术克服了所述的遮挡问题，但对于肥胖的人群由于其手臂内部组织中脂肪厚、水分大，不同手势间手臂内部组织的电阻电导率变化小，识别率低；而此时其电容介电常数变化明显，如果利用复阻抗的幅度和相位，计算得到基于电阻和电容参数的混合电断层成像图，就能有效改善仅使用电阻断层成像技术在不同肥胖程度的人群中出现精度不高的问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的基于混合电层扫描成像技术手势识别系统的结构设计图；
图2为本发明实施例提供的基于混合电层扫描成像技术手势识别系统的手势识别流程图；
图3为本发明实施例提供的基于混合电层扫描成像技术手势识别系统的佩戴示意图；
图4为本发明实施例提供的基于混合电层扫描成像技术手势识别系统的混合电层成像示意图。
具体实施方式
下面结合附图和具体实例，对本发明产品作进一步的详细说明。
如图1和2所示，本实施例提供一种基于混合电断层成像技术的手势识别系统，包括：肌肉贴片电极、信号激励和采集模块、数字信号处理模块、微控制单元、蓝牙模块和复阻抗断层成像模块，其中，所述肌肉贴片电极用于施加外部激励信号以及检测皮肤表面产生的复阻抗激励响应信号；所述信号激励和采集模块用于产生所述外部激励信号，采集并离散化所述的复阻抗激励响应信号；所述数字信号处理模块(DSP模块)用于接收所述复阻抗激励响应信号，并对L点响应数据进行DFT处理，产生一个实部数据和一个虚部数据；所述微控制单元用于控制模拟开关选择检测通道，并对所有检测通道遍历一周所采集的一帧实部数据和虚部数据发送给蓝牙模块；所述蓝牙模块用于收发实部数据和虚部数据，并将实部数据和虚部数据发送给复阻抗断层成像模块；所述复阻抗断层成像模块用于根据实部数据和虚部数据计算得到复阻抗的幅度和相位，进而通过复阻抗断层成像技术得到基于电阻和电容参数的混合成像图。
在本申请一实施例中，所述肌肉贴片电极包括N片相同的不锈钢片(本实例采用长宽厚为10mm×2mm×1mm)，分别与N通道的模拟开关相连；N片电极片等间隔排列固定于腕带内，利用腕带的张力使其与手腕或手臂的表面皮肤紧密接触，构成N通道复阻抗传感电路。
在本申请一实施例中，所述的信号激励和采集模块包括依次相连的信号发生器、数/模转换器、电压跟随器、模拟开关、可编程增益放大器、低通滤波器和模/数转换器，信号激励和采集模块通过直接数字频率合成技术、数模转换和信号放大驱动产生外部复阻抗激励信号，同时经传感通道的选择、增益放大、噪声滤波和模数转换完成复阻抗激励响应信号的数据采集。其中采集电路除本实施例采用的依次轮询方式外，也可以N个通道并行采集以提高系统处理速度。
在本申请一实施例中，所述的信号发生器为频率发生器，通过自动频率选择过程产生合适频点的正弦激励信号，用于改变信号产生的频率和相位，通过初始化过程适配不同个体，提高操控者复阻抗激励响应信号的幅度。
进一步地，微控制单元通过依次扫描N通道复阻抗采集电路所有测量，并将每次扫描由DSP模块生成的实部数据和虚部数据组成一帧数据打包发送给蓝牙模块。每一帧数据包括了3Byte的帧头校验，1Byte的截止符和N*(N-1)/2对实部、虚部数据，其中每个实部和虚部数据大小为2Byte，所以每一帧的数据大小为4+2*N*(N-1)Byte。
在本申请一实施例中，所述复阻抗幅度和相位计算步骤如下：
第一步是计算所测量频率点的DFT幅度，DFT幅度计算公式为：
Figure BDA0002713361370000051
其中，R为DSP模块生成的实部数据，I为DSP模块生成的虚部数据；
第二步需要将计算所得幅度值转换为电阻抗值，转换公式为：
Figure BDA0002713361370000052
其中，增益系数是在系统校正期间通过在VOUT和VIN引脚之间接入定值电阻计算得到，计算公式为：
Figure BDA0002713361370000053
第三步需要由DSP模块生成的实部和虚部数据计算出响应信号的相位，计算公式为：
Figure BDA0002713361370000054
此时的相位由两部分组成，一部分是外部复阻抗的激励响应信号在经过放大器，低通滤波器时产生的相移；另一部分是VOUT和VIN引脚之间的阻抗相位。因此要得到测量阻抗的相位，还需要最后一步，即第四步。
第四步，将系统测得的相位减去系统相位，即可得到测量阻抗的相位，
Figure BDA0002713361370000055
其中，
Figure BDA0002713361370000056
为测量阻抗的相位，Φunknow为未知阻抗接入VOUT和VIN时系统测量所得的相位，
Figure BDA0002713361370000057
为在系统校正期间将定值电阻接入系统时测得的系统相位。
在本申请一实施例中，所述复阻抗断层成像技术优先选用EIDORS软件，一个基于电学或光学数据进行图像重建的有限元分析软件包来实现。
在本申请一实施例中，所述混合成像图通过深度学习的方法来实现手势的训练、学习和识别，通过深度学习的方法来实现手势的训练、学习和识别为本领域的常规手段，这里不做详细赘述。
在本申请一实施例中，所述复阻抗断层成像模块采用上位机或智能移动终端。
本发明的佩戴位置如图3所示，将肌肉贴片电极环形紧贴于手臂，并通过腕带将其固定。佩戴位置没有固定的要求，可以佩戴于手臂上，也可以佩戴于手腕上。在佩戴时电极片需要均匀排列并且紧贴皮肤，以减小测量误差。系统除了肌肉贴片电极和复阻抗断层成像模块以外的其他组成模块集成封装在一起构成采集与控制模块，其一端通过有线与肌肉贴片电极相连，另一端通过无线蓝牙技术与上位机通信。肌肉贴片电极、采集与控制模块和腕带构成一穿戴式装置。
图4是将本发明佩戴于手臂处，其中的信号激励和采集模块包含了8个肌肉贴片电极，通过采集不同手势下8个电极之间的肌肉电阻和电容参数信息，从而进行混合电断层成像。预设的手势有握拳，伸展，左，右等8种，当手做出相应手势时，本手势识别系统会采集并计算出此时8个电极间的复阻抗信息，并将这一帧数据输入到有限元分析工具的二维逆问题模型中，通过选择有限元分析模型中合适的剖分元素密度、场域形状、电极数量等参数，解算出手臂中的复阻抗分布，并且绘制复阻抗混合成像图。从成像图中可以看出，在不同的手势下，手臂肌肉的横断面会出现比较大的差异，从而可以通过该差异进行手势识别。但是我们在测试过程中也发现，在不同的人群中比如肥胖的人群由于其手臂内部组织中脂肪厚、水分大，手臂内部组织的电阻率较小，横断面成像图可能会有所区别，所以需要在首次手势识别前进行校正，从而实现比较高精度的手势识别。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于混合电断层成像技术的手势识别系统，其特征在于，包括：
肌肉贴片电极，用于施加外部激励信号以及检测皮肤表面产生的复阻抗激励响应信号；
信号激励和采集模块，用于产生所述外部激励信号，采集所述的复阻抗激励响应信号；
数字信号处理模块，用于接收所述复阻抗激励响应信号，并对L点响应数据进行DFT处理，产生一个实部数据和一个虚部数据；
微控制单元，用于控制模拟开关选择检测通道，并将所有检测通道遍历一周所采集的一帧实部数据和虚部数据发送给蓝牙模块；
蓝牙模块，用于收发实部数据和虚部数据；
复阻抗断层成像模块，用于根据实部数据和虚部数据计算得到复阻抗的幅度和相位，进而通过复阻抗断层成像技术得到基于电阻和电容参数的混合成像图。
2.根据权利要求1所述的基于混合电断层成像技术的手势识别系统，其特征在于，所述肌肉贴片电极包括N片相同的不锈钢片，分别与N通道的模拟开关相连；N片电极片等间隔排列固定于腕带内，利用腕带的张力使其与手腕或手臂的表面皮肤紧密接触，构成N通道复阻抗传感电路。
3.根据权利要求1所述的基于混合电断层成像技术的手势识别系统，其特征在于，所述的信号激励和采集模块包括依次相连的信号发生器、数/模转换器、电压跟随器、模拟开关、可编程增益放大器、低通滤波器和模/数转换器，信号激励和采集模块通过直接数字频率合成、数模转换和信号放大驱动产生外部复阻抗激励信号，同时经传感通道的选择、增益放大、噪声滤波和模数转换完成复阻抗激励响应信号的数据采集。
4.根据权利要求3所述的基于混合电断层成像技术的手势识别系统，其特征在于，所述的信号发生器为频率发生器，用于改变信号产生的频率和相位。
5.根据权利要求1所述的基于混合电断层成像技术的手势识别系统，其特征在于，所述复阻抗幅度和相位计算步骤如下：
第一步是计算所测量频率点的DFT幅度，DFT幅度计算公式为：
Figure FDA0002713361360000011
其中，R为DSP模块生成的实部数据，I为DSP模块生成的虚部数据；
第二步需要将计算所得幅度值转换为电阻抗值，转换公式为：
Figure FDA0002713361360000021
其中，增益系数是在系统校正期间通过在VOUT和VIN引脚之间接入定值电阻计算得到，计算公式为：
Figure FDA0002713361360000022
第三步需要由DSP模块生成的实部和虚部数据计算出响应信号的相位，计算公式为：
Figure FDA0002713361360000023
第四步将系统测得的相位减去系统相位，即可得到测量阻抗的相位，
Figure FDA0002713361360000024
其中，
Figure FDA0002713361360000025
为测量阻抗的相位，Φunknow为未知阻抗接入VOUT和VIN时系统测量所得的相位，
Figure FDA0002713361360000026
为在系统校正期间将定值电阻接入系统时测得的系统相位。
6.根据权利要求1所述的基于混合电断层成像技术的手势识别系统，其特征在于，所述复阻抗断层成像技术优先选用EIDORS软件，一个基于电学或光学数据进行图像重建的有限元分析软件包来实现。
7.根据权利要求1所述的基于混合电断层成像技术的手势识别系统，其特征在于，所述混合成像图通过深度学习的方法来实现手势的训练、学习和识别。
8.根据权利要求1所述的基于混合电断层成像技术的手势识别系统，其特征在于，所述复阻抗断层成像模块采用上位机或智能移动终端。
CN202011064500.3A 2020-09-30 2020-09-30 基于混合电断层成像技术的手势识别系统 Pending CN112263235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011064500.3A CN112263235A (zh) 2020-09-30 2020-09-30 基于混合电断层成像技术的手势识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011064500.3A CN112263235A (zh) 2020-09-30 2020-09-30 基于混合电断层成像技术的手势识别系统

Publications (1)

Publication Number Publication Date
CN112263235A true CN112263235A (zh) 2021-01-26

Family

ID=74338790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011064500.3A Pending CN112263235A (zh) 2020-09-30 2020-09-30 基于混合电断层成像技术的手势识别系统

Country Status (1)

Country Link
CN (1) CN112263235A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113834994A (zh) * 2021-10-27 2021-12-24 均胜均安汽车电子(上海)有限公司 一种离手检测方向盘的模拟触摸装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108992067A (zh) * 2017-06-07 2018-12-14 亚德诺半导体集团 皮肤电性能的低功率测量
US20180360379A1 (en) * 2015-06-26 2018-12-20 Carnegie Mellon University System for Wearable, Low-Cost Electrical Impedance Tomography for Non-Invasive Gesture Recognition
CN111481200A (zh) * 2020-04-21 2020-08-04 中国科学院电工研究所 基于电场激励的电阻抗特征参数成像方法
CN111553307A (zh) * 2020-05-08 2020-08-18 中国科学院合肥物质科学研究院 一种融合生物电阻抗信息和肌电信息的手势识别系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180360379A1 (en) * 2015-06-26 2018-12-20 Carnegie Mellon University System for Wearable, Low-Cost Electrical Impedance Tomography for Non-Invasive Gesture Recognition
CN108992067A (zh) * 2017-06-07 2018-12-14 亚德诺半导体集团 皮肤电性能的低功率测量
CN111481200A (zh) * 2020-04-21 2020-08-04 中国科学院电工研究所 基于电场激励的电阻抗特征参数成像方法
CN111553307A (zh) * 2020-05-08 2020-08-18 中国科学院合肥物质科学研究院 一种融合生物电阻抗信息和肌电信息的手势识别系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113834994A (zh) * 2021-10-27 2021-12-24 均胜均安汽车电子(上海)有限公司 一种离手检测方向盘的模拟触摸装置

Similar Documents

Publication Publication Date Title
Rossi et al. Electroactive fabrics and wearable biomonitoring devices
US11589814B2 (en) System for wearable, low-cost electrical impedance tomography for non-invasive gesture recognition
CN104729769B (zh) 基于电活性聚合物的分布式柔性压力传感器
CN107374780B (zh) 一种人工智能皮肤及其检测温湿度和压力的方法
US7359750B2 (en) Apparatus and method for analyzing motions using bio-impedance
CN107551323B (zh) 基于压电材料和热敏电阻材料的人工皮肤及其检测方法
CN108348188B (zh) 用于测量用户的肌电信号的便携式装置、系统及方法
WO2012149471A2 (en) Devices and methods for evaluating tissue
Wu et al. Towards a high accuracy wearable hand gesture recognition system using EIT
CN107582215B (zh) 具有温湿度和压力检测功能的人工智能皮肤及其检测方法
CN1965286A (zh) 使用活体各部分的阻抗产生用于控制可控制设备的控制信号
KR101843083B1 (ko) 다중의 단위 측정기들을 포함하는 생체 신호 측정 장치 및 방법
CN112263235A (zh) 基于混合电断层成像技术的手势识别系统
CN107595433B (zh) 一种人工智能皮肤及其检测湿度和温度的方法
CN114587389A (zh) 一种适用于神经性运动障碍患者的辅助诊断系统及其使用方法
CN209847158U (zh) 电阻抗成像设备
CN106667480A (zh) 一种用于穿戴式生理信号检测设备进行性能检验的人体模型
CN109394230A (zh) 一种基于表面肌电信号的步态分析系统
Gómez Abad Development of a capacitive bioimpedance measurement system
Wang et al. Design and research of a high spatial resolution insole plantar pressure acquisition system
CN110200633A (zh) 精确检测步行时足底正应力和剪切力的传感器及检测方法
CN110207865A (zh) 一种修正温度影响的足底压力传感器及相应的修正方法
Katsuki et al. A pressure/motion sensor system to quantify abdominal palpations in traditional medicine
CN203988052U (zh) 用于测量生物电阻抗的装置
CN107582216B (zh) 一种人工智能皮肤及其检测压力和温度的方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210126

WD01 Invention patent application deemed withdrawn after publication