CN112435730A - 用户运动障碍的识别方法、装置、计算机设备及存储介质 - Google Patents
用户运动障碍的识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112435730A CN112435730A CN202011310358.6A CN202011310358A CN112435730A CN 112435730 A CN112435730 A CN 112435730A CN 202011310358 A CN202011310358 A CN 202011310358A CN 112435730 A CN112435730 A CN 112435730A
- Authority
- CN
- China
- Prior art keywords
- user
- human body
- sequence
- key
- skeleton
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用户运动障碍的识别方法、装置、计算机设备及存储介质,涉及数据监控技术领域,用于对用户运动进行有效的监控,识别用户的运动障碍,提高用户的运动效果。本发明的主要技术方案为:获取用户的运动视频流;从所述运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;通过所述动作模式和所述关键特征识别所述用户的运动障碍。
Description
技术领域
本发明涉及数据监控技术领域,尤其涉及一种用户运动障碍的识别方法、装置、计算机设备及存储介质。
背景技术
人体动作科学是一门研究人体动作系统(HMS,Human Movement System)在相互依存、相互关联的机制中如何发挥功能的科学。这门科学的研究重点是对人体运动功能障碍进行诊断和干预,从而制定相应的运动处方,让患者恢复健康。目前这方面的研究中还处于以专业人员为核心进行诊断干预,缺乏相关的辅助手段,诊断成本以及推广度都较低。
发明内容
本发明提供一种用户运动障碍的识别方法、装置、计算机设备及存储介质,用于对用户运动进行有效的监控,识别用户的运动障碍,提高用户的运动效果。
本发明实施例提供一种用户运动障碍的识别方法,所述方法包括:
获取用户的运动视频流;
从所述运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;
根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;
通过所述动作模式和所述关键特征识别所述用户的运动障碍。
本发明实施例提供一种用户运动障碍的识别装置,所述装置包括:
获取模块,用于获取用户的运动视频流;
提取模块,用于从所述运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;
确定模块,用于根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;
识别模块,用于通过所述动作模式和所述关键特征识别所述用户的运动障碍。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述用户运动障碍的识别方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述用户运动障碍的识别方法。
本发明提供的一种用户运动障碍的识别方法、装置、计算机设备及存储介质,首先获取用户的运动视频流;然后从运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;之后根据人体骨架序列和人体轮廓序列分别确定用户的动作模式和关键特征;最后通过动作模式和关键特征识别用户的运动障碍,从而通过本发明可实现对用户运动进行有效的监控,自动识别用户的运动障碍,进而提高用户的运动效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中用户运动障碍的识别系统结构示意图;
图2是本发明一实施例中用户运动障碍的识别方法的一流程图;
图3是本发明一实施例中中用户运动障碍的识别方法的一流程图;;
图4是本发明一实施例中用户运动障碍的识别装置的一原理框图;
图5是本发明一实施例中计算机设备的一示意图。
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在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下各实施例均可应用在图1示出的用户运动障碍的识别系统当中,图1示出的用户运动障碍的识别系统包括:监控设备、交互设备和计算设备,计算机设备与交互设备和监控设备通信,通过交互设备和监控设备获取用户的运动视频流,并依据从运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;然后根据人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;最后通过动作模式和所述关键特征识别所述用户的运动障碍。
其中,监控设备可以为集成心率监控与惯性传感器的定制手表。交互设备可以包括:显示器:用于显示测量信息,监控状态,动作完成情况等信息;读卡器:用于收集用户基本信息;摄像头:实时采集用户的运动视频或者动作照片;打印机:输出运动诊断报告;语音交互系统,根据分析结果提醒用户纠正动作,紧急情况下能够发出警报。计算设备用于从运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;然后根据人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;最后通过动作模式和所述关键特征识别所述用户的运动障碍。
需要指出的是,图1示出的结构并不构成对用户运动障碍的识别系统的限定,在其它实施例当中,该用户运动障碍的识别系统可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
如图2所示,本发明实施例一提供一种用户运动障碍的识别方法,包括如下步骤:
S10,获取用户的运动视频流。
具体的,本发明实施例可以通过摄像头拍摄用户的运动视频流。运动视频流是指的用摄像头采集到的图像序列I1..Im(m∈N)。
需要说明的是,在获取用户的运动视频流之前,还需要获取用户的基础数据,即用户通过交互设备录入用户的基础数据。其中,用户的基础数据是与用户运动指标相关的参数,具体可以为:身高、体重、血压、心率等参数,本发明实施例不做具体限定。除此之外,本实施例还需要获取用户相关的个人数据,比如:年龄、既往病史、药物史、职业等,这些数据可以通过用户表单进行采集。
S20,从所述运动视频流中提取人体骨架序列和人体轮廓序列。
其中,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓。
具体的,人体骨架序列是通过对图像序列中的图像进行骨架识别,得到骨架序列Sk1...Skm(m∈N)。其中,图像序列是根据运动视频流确定的,本实施例具体可以通过POSE模型对图像序列进行识别得到人体骨架序列。
人体轮廓序列是通过对图像序列中的人体边缘信息进行提取,得到的轮廓序列Sh1...Shm(m∈N)。
在本发明提供的一个实施例中,所述方法还包括:根据所述视频流确定对应的人体骨架序列,所述人体骨架序列中包含多个按照时间序列排序的人体骨架。具体的,根据骨架生成算法确定视频流对应的人体骨架序列,所述人体骨架序列中包含多个按照时间序列排序的人体骨架,即人体骨架是根据视频流中的视频帧确定的,人体骨架序列中的人体骨架对应视频流中的视频帧。其中,骨架生成算法是将视频流中的视频帧序列进行了降维,把一个视频帧中的动作识别问题,变成了一个低维度的骨架的动作识别问题。通过降维能够降低算法得复杂度,提高鲁棒性。
需要说明的是,所述方法还包括:根据用户运动的时间连续性过滤掉人体骨架序列中异常的人体骨架。具体的,根据动作的连续性过滤掉极短时间内的各种识别跳动,如可以使用滤波算法过滤掉一些明显的异常值,以避免人体骨架识别不稳定而引起的测量值错误。
S30,根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征。
其中,运动模式指的是人在做一些规定动作时的模式,例如:标准模式,代偿模式等,本发明实施例不做具体限定;关键特征具体可以为双手侧平举、双手上举等,本发明实施例不做具体限定。
在本发明提供的一个实施例中,所述根据所述人体骨架序列确定所述用户的动作模式,包括:将所述人体骨架序列输入到动作模式识别模型得到所述用户的动作模式。其中,所述动作模式识别模式是根据骨架序列样本和对应的动作模式标签训练得到的。骨架序列样本的标注为Sk1...Skm(m∈N),动作模式标签具体可以为:代偿动作,标准动作,错误动作等。动作模式主要用来对运动障碍患者的人体关键点轨迹、和运动节奏进行评估。其中人体关键点是从人体骨架中得来。
关键特征计算指的是对动作模式分析的补充。通过关键帧识别模型提取出关键帧同时提取对应的人体轮廓,得到一个动作过程中关键帧中的一些特征进行计算。
在本发明提供的一个实施例中,所述根据所述关键帧确定所述用户的关键特征,包括:将所述关键帧输入到关键帧识别模型得到所述用户的关键特征。其中,所述关键帧识别模型是根据轮廓序列样本、骨架关键帧样本和对应的关键特征序列标签训练的得到的。轮廓序列样本、骨架关键帧样本和对应的关键序列标签为L1...Lm(m∈N),标签默认值为0,即为非关键帧,标注值大于零的自然数表示关键帧对应的关键帧特征。例如,标签值为1代表双手侧平举,标签值为2代表双手上举等,本发明实施例对此不做具体限定。
S40,通过所述动作模式和所述关键特征识别所述用户的运动障碍。
结合动作模式分析得到的轨迹和节奏评价,以及关键特征计算得到的动作关键特征。通过这两类数据,结合专家系统进行标签标记,进行训练得到综合识别模型,通过该综合识别模型可以识别用户的运动障碍。
具体的,通过所述动作模式和所述关键特征识别所述用户的运动障碍,包括:将所述动作模式和所述关键特征输入到综合识别模型识别所述用户的运动障碍。其中,所述综合识别模型是根据动作模式样本、关键特征样本和对应的运动标签训练得到的。动作模式得到的打分和关键特征计算得到的各种特征值(例如:双手侧平举时两臂夹角,平板支撑时相对地面的夹角等),运动标签可以包括:完全正确动作(10分),代偿动作(9,8,7,6分),错误动作即运动障碍(5分以下)。
进一步的,在识别出用户的运动障碍之后,对用户出现的运动障碍进行告警。具体的,可以通过显示屏对用户出现的运动障碍进行告警,也可以通过语音播报方式对用户出现的运动障碍进行告警,还可以通过震动用户佩戴的腕表对用户出现的运动障碍进行告警,本发明实施例不做具体限定。
本发明提供的一种用户运动障碍的识别方法,首先获取用户的运动视频流;然后从运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;之后根据人体骨架序列和人体轮廓序列分别确定用户的动作模式和关键特征;最后通过动作模式和关键特征识别用户的运动障碍,从而通过本发明可实现对用户运动进行的有效监控,自动识别用户的运动障碍,进而提高用户的运动效果。
如图3所示,本发明实施例二提供一种用户运动障碍的识别方法,该实施例二与实施例一的不同之处在于,所述根据所述人体轮廓序列确定所述用户的关键特征,包括:
S301,从所述人体骨架序列中提取骨架关键帧。
在本实施例中,人体骨架序列为Sk1...Skm(m∈N)。
S302,根据提取的骨架关键帧和所述人体轮廓序列确定关键帧。
通过对人体骨架序列进行识别,得到少量骨架关键帧Kf1...Kfk(k<m),关键帧由图像与对应的骨架序列和轮廓序列上的骨架和轮廓组成Kf=(Ii,Ski,Shi)。
S303,根据所述关键帧确定所述用户的关键特征。
通过输入的关键帧和对应的人工标记训练得到的模型,得到用户的关键特征,该关键特征默认值为0,即为非关键帧,标注值大于零的自然数表示骨架对应的关键帧特征,例如(1:双手侧平举,2:双手上举等)。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种用户运动障碍的识别装置,该用户运动障碍的识别装置与上述实施例中用户运动障碍的识别方法一一对应。如图4所示,该用户运动障碍的识别装置包括:获取模块10、提取模块20、确定模块30、识别模块40。各功能模块详细说明如下:
获取模块10,用于获取用户的运动视频流;
提取模块20,用于从所述运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;
确定模块30,用于根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;
识别模块40,用于通过所述动作模式和所述关键特征识别所述用户的运动障碍。
所述确定模块30,具体用于将所述人体骨架序列输入到动作模式识别模型得到所述用户的动作模式,所述动作模式识别模式是根据骨架序列样本和对应的动作模式标签训练得到的。
进一步的,所述确定模块30,包括:
提取单元,用于从所述人体骨架序列中提取骨架关键帧;
确定单元,用于根据提取的骨架关键帧和所述人体轮廓序列确定关键帧;
所述确定单元,还用于根据所述关键帧确定所述用户的关键特征。
进一步的,所述确定模块30,具体用于将所述关键帧输入到关键帧识别模型得到所述用户的关键特征,所述关键帧识别模型是根据轮廓序列样本、骨架关键帧样本和对应的关键特征序列标签训练的得到的。
所述识别模块40,具体用于将所述动作模式和所述关键特征输入到综合识别模型识别所述用户的运动障碍,所述综合识别模型是根据动作模式样本、关键特征样本和对应的运动标签训练得到的。
关于用户运动障碍的识别装置的具体限定可以参见上文中对于用户运动障碍的识别方法的限定,在此不再赘述。上述用户运动障碍的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户运动障碍的识别方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取用户的运动视频流;
从所述运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;
根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;
通过所述动作模式和所述关键特征识别所述用户的运动障碍。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取用户的运动视频流;
从所述运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;
根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;
通过所述动作模式和所述关键特征识别所述用户的运动障碍。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用户运动障碍的识别方法,其特征在于,所述方法包括:
获取用户的运动视频流;
从所述运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;
根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;
通过所述动作模式和所述关键特征识别所述用户的运动障碍。
2.根据权利要求1所述的用户运动障碍的识别方法,其特征在于,所述根据所述人体骨架序列确定所述用户的动作模式,包括:
将所述人体骨架序列输入到动作模式识别模型得到所述用户的动作模式,所述动作模式识别模式是根据骨架序列样本和对应的动作模式标签训练得到的。
3.根据权利要求1所述的用户运动障碍的识别方法,其特征在于,所述根据所述人体轮廓序列确定所述用户的关键特征,包括:
从所述人体骨架序列中提取骨架关键帧;
根据提取的骨架关键帧和所述人体轮廓序列确定关键帧;
根据所述关键帧确定所述用户的关键特征。
4.根据权利要求3所述的用户运动障碍的识别方法,其特征在于,所述根据所述关键帧确定所述用户的关键特征,包括:
将所述关键帧输入到关键帧识别模型得到所述用户的关键特征,所述关键帧识别模型是根据轮廓序列样本、骨架关键帧样本和对应的关键特征序列标签训练的得到的。
5.根据权利要求1-4任一所述的用户运动障碍的识别方法,其特征在于,所述通过所述动作模式和所述关键特征识别所述用户的运动障碍,包括:
将所述动作模式和所述关键特征输入到综合识别模型识别所述用户的运动障碍,所述综合识别模型是根据动作模式样本、关键特征样本和对应的运动标签训练得到的。
6.一种用户运动障碍的识别装置,其特征在于,所述装置包括:
获取模块,用于获取用户的运动视频流;
提取模块,用于从所述运动视频流中提取人体骨架序列和人体轮廓序列,所述人体骨架序列中包含多个按照时间顺序排列的人体骨架,所述人体轮廓序列中包含多个按照时间顺序排列的人体轮廓;
确定模块,用于根据所述人体骨架序列和所述人体轮廓序列分别确定所述用户的动作模式和关键特征;
识别模块,用于通过所述动作模式和所述关键特征识别所述用户的运动障碍。
7.根据权利要求6所述的用户运动障碍的识别装置,其特征在于,所述确定模块,具体用于将所述人体骨架序列输入到动作模式识别模型得到所述用户的动作模式,所述动作模式识别模式是根据骨架序列样本和对应的动作模式标签训练得到的。
8.根据权利要求6所述的用户运动障碍的识别装置,其特征在于,所述确定模块,包括:
提取单元,用于从所述人体骨架序列中提取骨架关键帧;
确定单元,用于根据提取的骨架关键帧和所述人体轮廓序列确定关键帧;
所述确定单元,还用于根据所述关键帧确定所述用户的关键特征。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述用户运动障碍的识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述用户运动障碍的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310358.6A CN112435730A (zh) | 2020-11-20 | 2020-11-20 | 用户运动障碍的识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310358.6A CN112435730A (zh) | 2020-11-20 | 2020-11-20 | 用户运动障碍的识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112435730A true CN112435730A (zh) | 2021-03-02 |
Family
ID=74693157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011310358.6A Pending CN112435730A (zh) | 2020-11-20 | 2020-11-20 | 用户运动障碍的识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435730A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104224186A (zh) * | 2008-06-12 | 2014-12-24 | 阿密格德勒有限公司 | 运动机能减退和/或运动机能亢进状态的检测 |
CN106897658A (zh) * | 2015-12-18 | 2017-06-27 | 腾讯科技(深圳)有限公司 | 人脸活体的鉴别方法和装置 |
WO2019175425A1 (en) * | 2018-03-15 | 2019-09-19 | Pixformance Sports Gmbh | Use of a human pose estimation model for generating and/or refining a movement model |
AU2018337654A1 (en) * | 2017-09-19 | 2020-04-09 | Daniel Glasner | Method and apparatus for determining health status |
CN111274998A (zh) * | 2020-02-17 | 2020-06-12 | 上海交通大学 | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 |
CN111539377A (zh) * | 2020-05-11 | 2020-08-14 | 浙江大学 | 基于视频的人体运动障碍检测方法、装置及设备 |
-
2020
- 2020-11-20 CN CN202011310358.6A patent/CN112435730A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104224186A (zh) * | 2008-06-12 | 2014-12-24 | 阿密格德勒有限公司 | 运动机能减退和/或运动机能亢进状态的检测 |
CN106897658A (zh) * | 2015-12-18 | 2017-06-27 | 腾讯科技(深圳)有限公司 | 人脸活体的鉴别方法和装置 |
AU2018337654A1 (en) * | 2017-09-19 | 2020-04-09 | Daniel Glasner | Method and apparatus for determining health status |
WO2019175425A1 (en) * | 2018-03-15 | 2019-09-19 | Pixformance Sports Gmbh | Use of a human pose estimation model for generating and/or refining a movement model |
CN111274998A (zh) * | 2020-02-17 | 2020-06-12 | 上海交通大学 | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 |
CN111539377A (zh) * | 2020-05-11 | 2020-08-14 | 浙江大学 | 基于视频的人体运动障碍检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
CN111724879A (zh) | 康复训练评估处理方法、装置及设备 | |
CN110664395B (zh) | 图像处理方法、图像处理装置以及存储介质 | |
CN112464793A (zh) | 一种在线考试作弊行为检测方法、系统和存储介质 | |
CN110321827A (zh) | 一种基于人脸疼痛表情视频的疼痛水平评估方法 | |
CN110600133A (zh) | 智慧社区内老人的健康监测方法、设备及可读存储介质 | |
CN113456031A (zh) | 一种脑状态预测模型的训练装置、预测装置及电子设备 | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
CN111685773B (zh) | 孕妇运动监控方法、装置、计算机设备及存储介质 | |
CN114821803A (zh) | 人体运动的评分方法、装置、计算机设备及存储介质 | |
CN112435730A (zh) | 用户运动障碍的识别方法、装置、计算机设备及存储介质 | |
CN117292829A (zh) | 一种冠心病分级诊疗信息系统 | |
CN117392746A (zh) | 康复训练评估辅助方法、装置、计算机设备和存储介质 | |
CN110931125A (zh) | 用于脑卒中的判别信号识别方法及装置 | |
CN116759075A (zh) | 心理障碍问诊方法、装置、设备及介质 | |
CN111048202A (zh) | 一种智能化中医诊断系统及其方法 | |
DE112019002919T5 (de) | Diagnoseunterstützungsvorrichtung, diagnoseunterstützungsverfahren und diagnoseunterstützungsprogramm | |
CN113554641B (zh) | 一种儿科咽部图像采集方法及装置 | |
CN115553779A (zh) | 一种情绪识别方法、装置、电子设备及存储介质 | |
CN110570949A (zh) | 智慧社区内老人的健康监测方法、设备及可读存储介质 | |
CN117690583B (zh) | 基于物联网的康复护理交互式管理系统及方法 | |
CN111444827B (zh) | 一种智能动态行为分析的方法 | |
CN114617529B (zh) | 一种用于眼罩设备的眼球眩晕数据识别方法及系统 | |
WO2023178957A1 (zh) | 生命体征监测方法、相关设备及计算机可读存储介质 | |
CN113314213B (zh) | 基于智能手表和vr眼镜结合的智能诊疗及训练控制系统 |
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 |