CN112401875B - 一种基于电荷感应的运动姿态识别装置及方法 - Google Patents

一种基于电荷感应的运动姿态识别装置及方法 Download PDF

Info

Publication number
CN112401875B
CN112401875B CN201910798833.XA CN201910798833A CN112401875B CN 112401875 B CN112401875 B CN 112401875B CN 201910798833 A CN201910798833 A CN 201910798833A CN 112401875 B CN112401875 B CN 112401875B
Authority
CN
China
Prior art keywords
motion
charge
metal detection
data
detection electrodes
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
Application number
CN201910798833.XA
Other languages
English (en)
Other versions
CN112401875A (zh
Inventor
张丽敏
杨小伍
樊子予
董自宁
常蓉辉
陈永
王舒凡
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN201910798833.XA priority Critical patent/CN112401875B/zh
Publication of CN112401875A publication Critical patent/CN112401875A/zh
Application granted granted Critical
Publication of CN112401875B publication Critical patent/CN112401875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/103—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
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • 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

Abstract

本发明提出了一种基于电荷感应的运动姿态识别装置及方法，其显著特征在于：通过感应人体改变运动姿态产生的空间电荷变化，标签数据和kNN算法实现运动姿态的识别，可识别的运动姿态种类可根据标签数据的种类决定，对光线无要求。不仅克服了传统的运动姿态识别需要高成本的摄像头、雷达设备的不足，还具有算法计算量小、非接触识别、抗遮挡等显著优点。

Description

一种基于电荷感应的运动姿态识别装置及方法
■技术领域
本发明涉及运动姿态识别领域，具体涉及一种新型的基于电荷感应的运动姿态识别装置及方法。
■背景技术
随着科技的进步，人机交互设备开始大量出现，语音识别、人脸识别、手势识别等设备开始普及，如何能够快速准确且低成本的完成姿态识别是识别设备能否普及的关键因素。常见的运动姿态识别方案有通过摄像头、雷达技术、红外技术、肌电变化、光流量统计等，分别简述如下：
OpenPose运动姿态识别：通过摄像头传出的数据，基于卷积神经网络和监督学习并以caffe为框架开发的开源库，可以实现人体动作、面部表情、手指运动等姿态估计，是世界上首个基于深度学习的实时多人二维姿态估计应用，计算量高，且摄像头成本较高、需要一定的光照。
雷达运动姿态识别：通过雷达获取人体反射波信号，使用时频分析方法对获得的人体反射波信号进行处理，以得到人体微动信号，对得到的人体微动信号进行特征提取，以得到运动特征和包络特征，使用基于决策树的支持向量机对得到的运动特征和包络特征进行分类，运动姿态识别的精确度受采集的持续时间、姿态幅度及与传感器之间的距离影响较大，系统相对复杂。
红外运动姿态识别：通过直方图聚类分析对红外图像进行分割，根据二值化图像团块的特点，确定图像中的候选目标图像区域，将候选目标图像按比例划分为多个区域，使用梯度位置朝向直方图对候选目标图像进行描述，通过多个SVM分类器的级联，识别人体运动姿态，识别范围较小，易受干扰。
肌电识别手势：通过神经信号传感器感知使用者手臂内的肌电信号，结合深度卷积网络对产生肌电信号的手势进行识别分类，抗干扰能力较差，识别准确率不高，且需要穿戴识别。
光流量手势识别：通过动态手势图像序列的光流特征的提取及量化，建立手势模型，并训练生成特定的动态手势公共模板匹配库，最后通过与模板的匹配实现动态手势的识别，由于动态特征匹配较为麻烦，能识别的手势种类较少，且对光照有要求。
为此，需要一种算法简单，低成本，非接触式且对光线无要求的运动姿态识别算法。
发明内容
本发明的目的在于克服上述现有技术中存在的不足，提出一种基于电荷感应的运动姿态识别装置，以及利用该装置进行运动姿态识别的方法。
为实现上述发明目的，本发明提出的技术方案为：一种基于电荷感应的运动姿态识别装置，如附图1所示，包括两个金属探测电极、两个电荷传感器、差分电路、采集卡、上位机，其特征在于，所述两个金属探测电极用于感应运动姿态引起的电荷变化；所述两个电荷传感器分别连接两个金属探测电极，将探测电极上感应到的电荷信号转化为电压信号；所述差分电路连接两个电荷传感器，得到两个电荷传感器的电压差；所述采集卡连接差分电路，将电压差信号传输给上位机；所述上位机用于显示和处理采集到的数据，包括给数据贴标签和通过kNN分类算法与已有的标签数据进行比对，识别出运动姿态。
所述的一种基于电荷感应的运动姿态识别装置，其特征在于，金属探测电极大小必须相同、材质必须相同、导电性优良。
所述的一种基于电荷感应的运动姿态识别装置，其特征在于，金属探测电极其大小可以为直径1-8cm的圆或者为边长1-8cm的正方形。
一种基于电荷感应的运动姿态识别方法，包括如下步骤：
(1)摆放探测电极：按照一定间距并在同一平面摆放好两个金属探测电极；
(2)改变运动姿态：探测目标在距离金属探测电极一定距离处，改变运动姿态，使得空间电荷发生变化；
(3)设备采集数据：两个金属探测电极感应到运动姿态引起的空间电荷的变化，并通过电荷传感器、差分电路、采集卡传输到上位机；
(4)标签数据：重复步骤(2)-(3)，采集N类M组运动姿态数据，并根据运动姿态类型贴上标签保存到上位机；
(5)识别姿态：重复步骤(2)-(3)，使用kNN算法对采集到的数据与已经附上标签的数据计算欧氏距离，进行匹配，识别运动姿态。
所述的一种基于电荷感应的运动姿态识别方法，其特征在于，两个金属探测电极在同一平面摆放，且中心点之间的间距可为5cm-1m。
所述的一种基于电荷感应的运动姿态识别方法，其特征在于，探测目标距离金属探测电极的距离不宜过近，且距离金属探测电极的距离不宜过远，推荐距离为距离两个金属探测电极中心点0.1m-3m内。
所述的一种基于电荷感应的运动姿态识别检测方法，其特征在于，每个运动姿态识别的处理时长为固定时长，大于2秒。
所述的一种基于电荷感应的运动姿态识别检测方法，其特征在于，本方法只用于识别动态变化的运动姿态。
本发明提出的一种基于电荷感应的运动姿态识别检测装置及方法，其显著特征在于：通过感应人体改变运动姿态产生的空间电荷变化，标签数据和kNN算法实现运动姿态的识别，可识别的运动姿态种类可根据标签数据的种类决定，对光线无要求。不仅克服了传统的运动姿态识别需要高成本的摄像头、雷达设备的不足，还具有算法计算量小、非接触识别、抗遮挡等显著优点。
附图说明
图1为本发明的结构图
图2为探测电极实物图
图3为本发明采集方法的实施流程图。
图4为探测目标从左往右挥手的波形图
图5为探测目标从右往左挥手的波形图
图6为探测目标抬腿的波形图
图7为探测目标走路的波形图
具体实施方式
为进一步详细表述本发明的效果和优势，下面将结合附图对本发明识别手势、抬腿、走路等运动姿态进行详细描述。
本实施例的一种基于电荷感应的运动姿态识别装置，包括两个金属探测电极、两个电荷传感器、差分电路、采集卡和上位机，其特征在于，所述两个金属探测电极为直径为4cm的圆形电极，其材质为镀锡PCB板，如附图2所示，用于感应运动姿态引起的电荷变化；所述两个电荷传感器为输入阻抗大于100GΩ，连接两个金属探测电极，将探测电极上感应到的电荷信号转化为电压信号：所述差分电路由差分放大放大器AD620构成，连接两个电荷传感器，得到两个电荷传感器的电压差；所述采集卡为NI USB4431，连接差分电路，将电压差信号传输给上位机：所述上位机用于显示和处理采集到的数据，包括给数据贴标签和通过kNN分类算法与已有的标签数据进行比对，识别出运动姿态。
一种基于电荷感应的运动姿态识别方法，如附图3所示，包括如下步骤：
(1)将两个探测电极相距10cm摆放在同一平面；
(2)探测目标正对两个探测电极形成的平面，距离两个探测电极连线的中心点1m远；
(3)探测目标改变运动姿态，使得空间电荷发生变化；
(4)重复步骤(2)-(3)354次，设定采集卡采样率为1kHz，采集探测目标挥手波形(如附图4，附图5所示)230组、抬腿波形(如附图6所示)101组、走路波形(如附图7所示)50组，共计354组，每组数据时长4s，并贴上不同类别的标签存储在上位机中；
(5)重复步骤(2)-(3)350次，采集包括挥手、抬腿、走路三种运动姿态的数据，上位机使用kNN分类算法将采集到的数据与已有的贴上标签的数据进行匹配，识别运动姿态，正确识别运动姿态342组，识别准确率97.71％。
上述实施例表明，本发明所提的运动姿态识别装置及方法具有有效性。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所做出的同等变换或替换及以此为基础扩充为基于感应电荷探测的多电极运动姿态识别采集及预测等若干改进均落入本发明权利要求所保护的范围。

Claims (8)

1.一种基于电荷感应的运动姿态识别装置，包括两个金属探测电极、两个电荷传感器、差分电路、采集卡、上位机，其特征在于，所述两个金属探测电极用于感应运动姿态引起的电荷变化；所述两个电荷传感器分别连接两个金属探测电极，将探测电极上感应到的电荷信号转化为电压信号；所述差分电路连接两个电荷传感器，得到两个电荷传感器的电压差；所述采集卡连接差分电路，将电压差信号传输给上位机；所述上位机用于显示和处理采集到的数据，包括给数据贴标签和通过kNN分类算法与已有的标签数据进行比对，识别出运动姿态。
2.根据权利要求1所述的一种基于电荷感应的运动姿态识别装置，其特征在于，金属探测电极大小必须相同、材质必须相同、导电性优良。
3.根据权利要求1所述的一种基于电荷感应的运动姿态识别装置，其特征在于，金属探测电极其大小可以为直径1-8cm的圆或者为边长1-8cm的正方形。
4.一种基于电荷感应的运动姿态识别方法，其特征在于，包括如下步骤：
(1)摆放探测电极：按照一定间距并在同一平面摆放好两个金属探测电极；
(2)改变运动姿态：探测目标在距离金属探测电极一定距离处，改变运动姿态，使得空间电荷发生变化；
(3)设备采集数据：两个金属探测电极感应到运动姿态引起的空间电荷的变化，并通过电荷传感器、差分电路、采集卡传输到上位机，上位机对数据进行处理；
(4)标签数据：重复步骤(2)-(3)，采集N类M组运动姿态数据，并贴上标签保存到上位机；
(5)识别姿态：重复步骤(2)-(3)，使用kNN算法对采集到的数据与已经附上标签的数据计算欧氏距离，进行匹配，识别运动姿态。
5.根据权利要求4所述的一种基于电荷感应的运动姿态识别方法，其特征在于，两个金属探测电极在同一平面摆放，且中心点之间的间距可为5cm-1m。
6.根据权利要求4所述的一种基于电荷感应的运动姿态识别方法，其特征在于，探测目标距离金属探测电极的距离不宜过近，且距离金属探测电极的距离不宜过远，推荐距离为距离两个金属探测电极中心点0.1m-3m。
7.根据权利要求4所述的一种基于电荷感应的运动姿态识别方法，其特征在于，每个运动姿态识别的处理时长为固定时长，大于2秒。
8.根据权利要求4所述的一种基于电荷感应的运动姿态识别方法，其特征在于，本方法只用于识别动态变化的运动姿态。
CN201910798833.XA 2019-08-23 2019-08-23 一种基于电荷感应的运动姿态识别装置及方法 Active CN112401875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910798833.XA CN112401875B (zh) 2019-08-23 2019-08-23 一种基于电荷感应的运动姿态识别装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910798833.XA CN112401875B (zh) 2019-08-23 2019-08-23 一种基于电荷感应的运动姿态识别装置及方法

Publications (2)

Publication Number Publication Date
CN112401875A CN112401875A (zh) 2021-02-26
CN112401875B true CN112401875B (zh) 2022-03-18

Family

ID=74779097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910798833.XA Active CN112401875B (zh) 2019-08-23 2019-08-23 一种基于电荷感应的运动姿态识别装置及方法

Country Status (1)

Country Link
CN (1) CN112401875B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2541468A1 (en) * 2005-03-29 2006-09-29 Kwong Luck Tan Method and apparatus for monitoring sleep behavior
CN107374637A (zh) * 2017-01-21 2017-11-24 北京理工大学 一种基于脚部静电的膝关节屈曲角度监测方法
CN107677846A (zh) * 2017-09-26 2018-02-09 南京大学 一种通过感应电荷变化实现测速的方法
CN108236469A (zh) * 2017-01-21 2018-07-03 北京理工大学 一种可用于区别人体运动状态的装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4385274B2 (ja) * 2002-10-29 2009-12-16 ソニー株式会社 歩行波形特徴抽出方法及び個人識別装置
US20060241397A1 (en) * 2005-02-22 2006-10-26 Assaf Govari Reference pad for position sensing
US7539533B2 (en) * 2006-05-16 2009-05-26 Bao Tran Mesh network monitoring appliance
US10006896B2 (en) * 2011-11-14 2018-06-26 University of Pittsburgh—of the Commonwealth System of Higher Education Method, apparatus and system for food intake and physical activity assessment
EP2797280A1 (en) * 2013-04-24 2014-10-29 BlackBerry Limited Device, system and method for generating display data
CN105147284A (zh) * 2015-05-19 2015-12-16 南京大学 一种改进型人体平衡功能检测方法与训练系统
ITUA20163099A1 (it) * 2016-05-03 2017-11-03 Torino Politecnico Sensore capacitivo e metodo per rilevare cambiamenti in uno spazio
CN107340855A (zh) * 2017-03-02 2017-11-10 北京理工大学 一种基于静电探测的车载多媒体手势控制方法
CN207264313U (zh) * 2017-08-10 2018-04-20 侯明鑫 一种电极传感器和手势控制系统
CN208541309U (zh) * 2017-10-18 2019-02-26 深圳和而泰数据资源与云技术有限公司 一种体动监测装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2541468A1 (en) * 2005-03-29 2006-09-29 Kwong Luck Tan Method and apparatus for monitoring sleep behavior
CN107374637A (zh) * 2017-01-21 2017-11-24 北京理工大学 一种基于脚部静电的膝关节屈曲角度监测方法
CN108236469A (zh) * 2017-01-21 2018-07-03 北京理工大学 一种可用于区别人体运动状态的装置
CN107677846A (zh) * 2017-09-26 2018-02-09 南京大学 一种通过感应电荷变化实现测速的方法

Also Published As

Publication number Publication date
CN112401875A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
Lee et al. Smart wearable hand device for sign language interpretation system with sensors fusion
Singh et al. Transforming sensor data to the image domain for deep learning—An application to footstep detection
CN107480697B (zh) 一种肌电手势识别方法和系统
Saha et al. A study on emotion recognition from body gestures using Kinect sensor
Wu et al. View-independent recognition of hand postures
CN105739702B (zh) 用于自然人机交互的多姿态指尖跟踪方法
Reiss et al. A competitive approach for human activity recognition on smartphones
CN111553307B (zh) 一种融合生物电阻抗信息和肌电信息的手势识别系统
KR101157073B1 (ko) 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치
Alrubayi et al. A pattern recognition model for static gestures in malaysian sign language based on machine learning techniques
Jeen-Shing et al. Online handwriting recognition using an accelerometer-based pen device
Prakash et al. Gesture recognition and finger tip detection for human computer interaction
Jiang et al. Development of a real-time hand gesture recognition wristband based on sEMG and IMU sensing
CN111475030B (zh) 一种利用近红外传感器的微手势识别方法
CN110866468A (zh) 一种基于无源rfid的手势识别系统及方法
Fan et al. What is that in your hand? recognizing grasped objects via forearm electromyography sensing
CN108614988A (zh) 一种复杂背景下的运动手势自动识别系统
Benmoussa et al. Machine learning for hand gesture recognition using bag-of-words
KR20120089948A (ko) Ｍｈｉ의 형태 정보를 이용한 실시간 동작 인식시스템 및 실시간 동작 인식 방법
Anwar et al. Feature extraction for indonesian sign language (SIBI) using leap motion controller
CN112401875B (zh) 一种基于电荷感应的运动姿态识别装置及方法
CN106845348A (zh) 一种基于手臂表面肌电信号的手势识别方法
Deng et al. Attention based visual analysis for fast grasp planning with a multi-fingered robotic hand
CN110046603B (zh) 一种中国普乐手语编码的手势动作识别方法
Tomczyński et al. Hand gesture-based interface with multichannel sEMG band enabling unknown gesture discrimination

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