CN112494034B - 基于3d体态检测分析的数据处理分析系统及方法 - Google Patents
基于3d体态检测分析的数据处理分析系统及方法 Download PDFInfo
- Publication number
- CN112494034B CN112494034B CN202011377777.1A CN202011377777A CN112494034B CN 112494034 B CN112494034 B CN 112494034B CN 202011377777 A CN202011377777 A CN 202011377777A CN 112494034 B CN112494034 B CN 112494034B
- Authority
- CN
- China
- Prior art keywords
- analysis
- module
- posture
- data
- user
- 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
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
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4504—Bones
-
- 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)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
Abstract
本发明涉及体态分析技术领域,具体为基于3D体态检测分析的数据处理分析系统及方法,该系统包括人体3D体态数据采集子系统,用于采集人体3D体态数据;数据分析模块,数据分析模块包括特征提取模块、分析评测模块以及报告生成模块,特征提取模块用于根据人体3D体态数据提取分析特征,分析评测模块包括分析评测模型,分析评测模块用于通过分析评测模型对分析特征进行分析;报告生成模块用于根据分析评测模型的输出结果生成分析结果报告;显示器,用于显示人体3D体态数据以及分析结果报告。本申请的基于3D体态检测分析的数据处理分析系统及方法,能够实现对用户体态问题的自动化分析,提高分析的效率和结果的准确度,降低体态分析成本。
Description
技术领域
本发明涉及体态分析技术领域,具体为一种基于3D体态检测分析的数据处理分析系统及方法。
背景技术
人体体态可以反应人体的健康状况,对人体体态的分析可以判断人体各部分肌肉、关节等的健康状态或康复情况,为康复诊疗、运动健身、效果评定、辅具选择等提供依据。
步态分析是人体体态分析中最常见的一种分析方式,通过现代测量技术对人类行走时身体各部分,特别是下肢的运动和受力情况进行动态的量化分析,步态分析可用于一般正常人的行进间步态周期的动作解析,更常见于临床上对步行功能进行系统评价的有效手段,是康复评定的重要组成部分(如中风后指导康复治疗和康复评估)。
传统的步态分析由医务人员通过目测的方法观察病人的行走过程,然后根据所得印象或按照一定观察项目逐项评价的结果,凭借其丰富的临床经验得出初步分析结论。但这种方法只能定性,不能定量。随着科技的发展,目前越来越多的步态分析借助辅助设备进行记录和分析,现有的一些方式是通过设置跑步机和摄像机,让用户在跑步机上行走,由摄像机进行体态数据的采集。这种方式仅仅只是完成数据的采集,对用户体态的分析还是依靠专家人工进行分析和评估,存在工作量大,效率低,主观性大等问题,同时现有的采集方式对摄像头的数量、拍摄质量、分辨率均有较高要求,存在成本高、数据处理量大、检测不准确等问题。
发明内容
本发明意在提供一种基于3D体态检测分析的数据处理分析系统及方法,能够实现对用户体态问题的自动化分析,无需人工处理,可以提高分析的效率和结果的准确度,降低体态分析成本。
本申请提供如下技术方案:
基于3D体态检测分析的数据处理分析系统,包括:
人体3D体态数据采集子系统,用于采集人体3D体态数据;
数据分析模块,所述数据分析模块包括特征提取模块、分析评测模块以及报告生成模块,所述特征提取模块用于根据人体3D体态数据提取分析特征,所述分析评测模块包括分析评测模型,所述分析评测模块用于通过分析评测模型对分析特征进行分析;所述报告生成模块用于根据分析评测模型的输出结果生成分析结果报告;
显示器,用于显示人体3D体态数据以及分析结果报告。
进一步,所述分析评测模型采用基于康复标准量表的神经网络模型,所述神经网络模型用于根据用户的分析特征输出用户存在的体态问题。
进一步,神经网络模型包括输入层和多个输出层,每个输出层对应一种体态问题,所述分析特征与康复标准量表的各项指标对应,分析特征作为神经网络模型输入层的输入,输出层输出用户存在对应体态问题的概率。
进一步,还包括评测结果修正模块,所述评测结果修正模块用于对评测结果报告进行修正。
进一步,分析评测模块还包括模型调整模块,所述模型调整模块包括迭代模块,所述迭代模块用于根据历史评测结果报告对分析评测模型进行迭代训练。
进一步,所述模型调整模块还包括手动修正模块,所述手动修正模块用于供管理人员对分析评测模型的输入层的指标进行修改。
进一步,数据特征提取模块包括特征管理模块、提取规则管理模块以及提取模块,所述特征管理模块用于供管理人员添加或删除特征,所述提取规则管理模块用于供用户建立和关联特征对应的提取规则,所述提取模块用于根据提取规则从人体3D体态数据中提取分析特征。
进一步,人体3D体态数据采集子系统包括采集机器人、中心控制器以及输入装置,所述中心控制器与采集机器人数据连接;
所述采集机器人用于采集用户行走体态数据;
所述中心控制器包括:
用户行走路线获取模块,用于获取输入装置输入的用户行走路线;
机器人控制模块,用于根据用户行走路线控制采集机器人的位置和方向;
骨骼追踪模块,用于根据采集机器人采集的用户行走体态数据识别人体骨骼数据并根据人体骨骼数据构建人体3D体态数据。
进一步,所述中心控制器还包括:
场景扫描模块,用于检测当前场景的环境数据;
场景构建模块,用于根据环境数据构建检测场景;所述显示器还用于显示检测场景;
路径规划模块,用于根据环境数据以及用户行走路线,规划采集机器人的行走路径以及采集方向。
进一步,本申请还公开了一种基于3D体态检测分析的数据处理方法,该方法使用了上述的基于3D体态分析的数据处理系统。
本发明技术方案的有益效果为:
1、本发明技术方案中,通过设置数据分析模块,使用基于神经网络模型的分析评测模块来对用户的3D体态数据进行分析,能够自动对用户体态问题进行全面的分析和评估,自动生成分析结果报告并展现,不需要依赖专家的主观判断,极大的提高了体态分析的效率和准确率。
2、本发明技术方案中,通过模型调整模块,可以对神经网络模型进行迭代更新,随着使用,模型的分析准确度会进一步提升。
3、本发明技术方案中,通过设置采集机器人,基于场景以及用户行走线路生成并控制采集机器人的位置和角度,可以使得采集机器人对用户体态进行多角度、全方位的采集,采用基于骨骼跟踪技术构建人体3D体态数据,可以提高分析结果的准确度。
附图说明
图1为本申请基于3D体态检测分析的数据处理分析系统实施例一中的逻辑框图。
具体实施方式
下面通过具体实施方式对本申请技术方案进行进一步详细说明:
实施例一
如图1所示,本实施例公开的一种基于3D体态检测分析的数据处理分析系统,包括人体3D体态数据采集子系统、数据分析子系统以及显示输出系统。
显示输出系统包括多个显示器组成的阵列进行显示。人体3D体态数据采集子系统用于采集用户的人体3D体态数据,本实施例中,人体3D体态数据采集子系统包括采集机器人、中心控制器以及输入装置,中心控制器与采集机器人数据连接;
采集机器人用于采集用户行走体态数据;采集机器人包括行走机构、驱动机构以及采集机构,驱动机构用于驱动行走机构行走,采集机构包括云台,驱动结构还用于驱动云台调节方向,云台上设有3D结构光摄像头,本实施例中,行走机构包括四个行走轮,驱动结构包括行走驱动电机和舵机,所述行走驱动电机用于驱动行走轮行走,所述舵机用于调整前轮的方向,驱动结构还包括云台电机,云台电机包括X方向电机和Y方向电机,用于在两个维度上调节3D结构光摄像头的采集方向。采集机器人设置多个,本实施例中,采集机器人共设置三个。
中心控制器包括:
用户行走路线获取模块,用于获取输入装置输入的用户行走路线;输入装置为键盘、鼠标、触摸屏中的一种或多种。
场景扫描模块,用于检测当前场景的环境数据;本实施例中,场景检测模块包括测距模块,环境数据包括场景尺寸和场景内障碍物数据,测距模块用于检测当前场景的场景尺寸和障碍物,测距模块可以采用激光传感器、超声波传感器等。
场景构建模块,用于根据环境数据构建检测场景;显示器用于显示检测场景;本实施例中,输入装置为触摸屏,通过触摸屏直接在场景上画出用户的行走路线,操作简单。
路径规划模块,用于根据环境数据以及用户行走路线,规划采集机器人的行走路径以及采集方向。本实施例中,路径规划时,首先根据场景尺寸和场景内障碍物的数据,将采集机器人分成两组,分别位于用户行走路线的两侧,然后为每个机器人划分拍摄角度范围,根据拍摄角度范围判断机器人的位置以及方向是否需要调整,进而确定每个机器人在实际采集过程中位置点的变化,形成采集机器人的行走路径,本实施例中,主要将采集机器人设置在行走路线的两侧,根据用户行走速度,三个采集机器人将360度分成三份,分别负责120度内的体态数据采集,为了保持各自120度范围内的视野,随着用户的移动,可以对采集机器人的位置进行调整,即可根据预估的用户的位置来预估机器人的位置和方向,进而规划出机器人的行走路径。
机器人控制模块,用于根据用户行走路线控制采集机器人的位置和方向。
体态分析模块,用于根据采集机器人采集的用户行走体态数据对用户体态进行分析;体态分析模块包括骨骼追踪模块和数据分析模块,用于根据采集机器人采集的用户行走体态数据识别人体骨骼数据并根据人体骨骼数据构建人体3D体态数据;具体的,本实施例中,采用基于kinect的骨骼追踪技术进行人体骨骼识别和人体3D体态数据构建。
数据分析子系统包括数据分析模块,数据分析模块包括特征提取模块、分析评测模块以及报告生成模块,特征提取模块用于根据人体3D体态数据提取分析特征,分析评测模块包括分析评测模型,分析评测模块用于通过分析评测模型对分析特征进行分析;报告生成模块用于根据分析评测模型的输出结果生成分析结果报告;
特征提取模块用于根据人体3D体态数据提取分析特征,数据特征提取模块包括特征管理模块、提取规则管理模块以及提取模块,特征管理模块用于供管理人员添加或删除特征,提取规则管理模块用于供用户建立和关联特征对应的提取规则,提取模块用于根据提取规则从人体3D体态数据中提取分析特征,分析特征包括步幅、步频、抬腿高度、头侧倾角度等,管理人员可以通过特征管理模块进行特征的添加,以使得分析更加全面。
本实施例中,分析评测模型采用基于康复标准量表的神经网络模型,神经网络模型用于根据用户的分析特征输出用户存在的体态问题。
神经网络模型采用BP神经网络模型,包括输入层、隐层和多个输出层,每个输出层对应一种体态问题,如腰椎突出、腿型分类、盆骨倾斜等,分析特征与康复标准量表的各项指标对应,分析特征作为神经网络模型输入层的输入,输出层输出用户存在对应体态问题的概率。本实施例中,以用户的分析特征作为输入层的输入,而输出是对应的概率的预测;本实施例使用了以下公式来确定隐层节点的数量:其中l为隐层的节点数,n为输入层的节点数,m为输出层的节点数,a为1至10之间的一个数。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例中,采用tansig函数作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数,采用已有的数据作为样本对进行训练。在本申请的其他实施例中,还可以将用户的基本信息,如年龄、身高、性别等以及用户的症状,如腿痛、腰椎痛等作为输入层的输入,进行模型的训练和使用,可以进一步提升分析的准确性。
数据分析子系统还包括评测结果修正模块,评测结果修正模块用于对评测结果报告进行修正。
分析评测模块还包括模型调整模块,模型调整模块包括迭代模块和手动修正模块,迭代模块用于根据历史评测结果报告对分析评测模型进行迭代训练。手动修正模块用于供管理人员对分析评测模型的输入层的指标进行修改。
显示器还用于显示人体3D体态数据以及分析结果报告。
本实施例还公开了一种基于3D体态检测分析的数据处理分析方法,使用了本实施例公开的基于3D体态检测分析的数据处理分析系统。
实施例二
本实施例与实施例一的区别在于,本实施例中,数据分析模块还包括时间分析模块、原因分析模块以及调整建议模块,还包括用户终端,所述用户终端与中心控制器网络连接,用户终端用于上传历史影像资料数据至中心控制器,所述时间分析模块包括程度分析模块、影像分析模块以及综合分析模块,所述影像分析模块用于对用户上传的历史影像资料数据中的照片、视频进行图像分析,获取其中用户的体态情况,判断用户在各个时期照片或视频中的体态是否有问题,得到用户产生体态问题的时间,程度分析模块用于根据数据分析模块分析出的用户体态问题的严重程度推算用户产生体态问题的时间,所述综合分析模块用于根据程度分析模块和影像分析模块的分析结果生成用户产生体态问题的时间。所述原因分析模块用于根据用户体态问题获取体态问题产生的原因列表,并结合用户产生体态问题的时间以及对应的历史影像资料数据,从原因列表中选择与用户情况最接近的原因。所述调整建议模块用于根据用户的体态问题以及对应的原因生成改善建议。
还包括二次采集模块,所述二次采集模块用于根据用户位置,让路径规划模块规划采集机器人至用户位置的路径,二次采集模块用于提醒用户执行指定动作或改善建议并控制采集机器人对用户进行影像采集,二次采集模块还用于根据采集结果对原因和改善建议进行验证。并根据验证结果调整改善建议。由于同一种体态问题可能会对于多种原因,而且不同人员的体质不同,通用的改善建议并非适合每个人。通过本实施例的技术方案,可以在发现用户体态问题的基础上,判断用户产生体态问题的时间,进而找出用户产生体态问题的原因,可以根据原因提成针对性的改善建议,并通过再次控制采集机器人进行二次影像资料采集来验证改善建议的有效性,可以确保改善建议适用于当前用户。
以上的仅是本发明的实施例,该发明不限于此实施案例涉及的领域,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (9)
1.基于3D体态检测分析的数据处理分析系统,其特征在于:包括:
人体3D体态数据采集子系统,用于采集人体3D体态数据;
数据分析模块,包括特征提取模块、分析评测模块以及报告生成模块,所述特征提取模块用于根据人体3D体态数据提取分析特征,所述分析评测模块包括分析评测模型,所述分析评测模块用于通过分析评测模型对分析特征进行分析;所述报告生成模块用于根据分析评测模型的输出结果生成分析结果报告;
所述数据分析模块还包括时间分析模块、原因分析模块以及调整建议模块,所述时间分析模块用于生成用户产生体态问题的时间;所述原因分析模块用于根据用户体态问题得出与用户情况最接近的原因;所述调整建议模块用于根据用户的体态问题以及对应的原因生成改善建议;
所述数据分析模块还包括二次采集模块,所述二次采集模块用于根据用户位置,让路径规划模块规划采集机器人至用户位置的路径,二次采集模块用于提醒用户执行指定动作或改善建议并控制采集机器人对用户进行影像采集,二次采集模块还用于根据采集结果对原因和改善建议进行验证;
显示器,用于显示人体3D体态数据以及分析结果报告。
2.根据权利要求1所述的基于3D体态检测分析的数据处理分析系统,其特征在于:所述分析评测模型采用基于康复标准量表的神经网络模型,所述神经网络模型用于根据用户的分析特征输出用户存在的体态问题。
3.根据权利要求2所述的基于3D体态检测分析的数据处理分析系统,其特征在于:神经网络模型包括输入层和多个输出层,每个输出层对应一种体态问题,所述分析特征与康复标准量表的各项指标对应,分析特征作为神经网络模型输入层的输入,输出层输出用户存在对应体态问题的概率。
4.根据权利要求3所述的基于3D体态检测分析的数据处理分析系统,其特征在于:还包括评测结果修正模块,所述评测结果修正模块用于对评测结果报告进行修正。
5.根据权利要求4所述的基于3D体态检测分析的数据处理分析系统,其特征在于:分析评测模块还包括模型调整模块,所述模型调整模块包括迭代模块,所述迭代模块用于根据历史评测结果报告对分析评测模型进行迭代训练。
6.根据权利要求5所述的基于3D体态检测分析的数据处理分析系统,其特征在于:所述模型调整模块还包括手动修正模块,所述手动修正模块用于供管理人员对分析评测模型的输入层的指标进行修改。
7.根据权利要求6所述的基于3D体态检测分析的数据处理分析系统,其特征在于:数据特征提取模块包括特征管理模块、提取规则管理模块以及提取模块,所述特征管理模块用于供管理人员添加或删除特征,所述提取规则管理模块用于供用户建立和关联特征对应的提取规则,所述提取模块用于根据提取规则从人体3D体态数据中提取分析特征。
8.根据权利要求7所述的基于3D体态检测分析的数据处理分析系统,其特征在于:人体3D体态数据采集子系统包括采集机器人、中心控制器以及输入装置,所述中心控制器与采集机器人数据连接;
所述采集机器人用于采集用户行走体态数据;
所述中心控制器包括:
用户行走路线获取模块,用于获取输入装置输入的用户行走路线;
机器人控制模块,用于根据用户行走路线控制采集机器人的位置和方向;
骨骼追踪模块,用于根据采集机器人采集的用户行走体态数据识别人体骨骼数据并根据人体骨骼数据构建人体3D体态数据。
9.根据权利要求8所述的基于3D体态检测分析的数据处理分析系统,其特征在于:所述中心控制器还包括:
场景扫描模块,用于检测当前场景的环境数据;
场景构建模块,用于根据环境数据构建检测场景;所述显示器还用于显示检测场景;
路径规划模块,用于根据环境数据以及用户行走路线,规划采集机器人的行走路径以及采集方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377777.1A CN112494034B (zh) | 2020-11-30 | 2020-11-30 | 基于3d体态检测分析的数据处理分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377777.1A CN112494034B (zh) | 2020-11-30 | 2020-11-30 | 基于3d体态检测分析的数据处理分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112494034A CN112494034A (zh) | 2021-03-16 |
CN112494034B true CN112494034B (zh) | 2023-01-17 |
Family
ID=74968624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011377777.1A Active CN112494034B (zh) | 2020-11-30 | 2020-11-30 | 基于3d体态检测分析的数据处理分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112494034B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113100775A (zh) * | 2021-04-13 | 2021-07-13 | 西安交通大学医学院第一附属医院 | 一种智能心血管护理监测系统 |
CN114642424A (zh) * | 2022-03-22 | 2022-06-21 | 北京蓝田医疗设备有限公司 | 一种基于体感交互技术的体能评估方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685309A (zh) * | 2008-09-24 | 2010-03-31 | 中国科学院自动化研究所 | 多机器人协调队形控制方法 |
CN104865965A (zh) * | 2015-05-20 | 2015-08-26 | 深圳市锐曼智能装备有限公司 | 机器人用深度摄像头与超声波结合的避障控制方法及系统 |
CN105335696A (zh) * | 2015-08-26 | 2016-02-17 | 湖南信息职业技术学院 | 一种基于3d异常步态行为检测识别的智能助老机器人及实现方法 |
CN106155065A (zh) * | 2016-09-28 | 2016-11-23 | 上海仙知机器人科技有限公司 | 一种机器人跟随方法及用于机器人跟随的设备 |
CN109426248A (zh) * | 2017-08-25 | 2019-03-05 | 科沃斯机器人股份有限公司 | 自移动机器人及其行走方法、显示障碍物分布的方法 |
CN110638458A (zh) * | 2019-08-26 | 2020-01-03 | 广东省人民医院(广东省医学科学院) | 一种基于步态数据的康复训练效果评估方法、装置 |
CN111376253A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 一种机器人路线规划方法、装置、机器人及安全管理 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197671A (zh) * | 2012-01-04 | 2013-07-10 | 中国人民解放军第二炮兵工程学院 | 一种仿人机器人步态规划及合成方法 |
TWI498846B (zh) * | 2012-07-06 | 2015-09-01 | Univ Nat Cheng Kung | 步態分析方法及步態分析系統 |
CN104799933A (zh) * | 2015-03-18 | 2015-07-29 | 清华大学 | 一种用于骨外科定位引导的手术机器人运动补偿方法 |
WO2016178523A1 (en) * | 2015-05-07 | 2016-11-10 | Samsung Electronics Co., Ltd. | Method of providing information according to gait posture and electronic device for same |
US10383552B2 (en) * | 2016-04-26 | 2019-08-20 | Toyota Jidosha Kabushiki Kaisha | Gait analysis medical assistance robot |
CN106156524B (zh) * | 2016-07-29 | 2018-08-28 | 东北大学 | 一种智能下肢助力装置的在线步态规划方法 |
CN106539587A (zh) * | 2016-12-08 | 2017-03-29 | 浙江大学 | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 |
CN106650687B (zh) * | 2016-12-30 | 2020-05-19 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
CN107016686A (zh) * | 2017-04-05 | 2017-08-04 | 江苏德长医疗科技有限公司 | 三维步态与运动分析系统 |
CN107803013A (zh) * | 2017-11-09 | 2018-03-16 | 重庆勤鸟圈科技有限公司 | 智能运动健康数据采集系统 |
CN107894773A (zh) * | 2017-12-15 | 2018-04-10 | 广东工业大学 | 一种移动机器人的导航方法、系统及相关装置 |
CN108235735A (zh) * | 2017-12-20 | 2018-06-29 | 深圳前海达闼云端智能科技有限公司 | 一种定位方法、装置及电子设备、计算机程序产品 |
CN111347396A (zh) * | 2018-12-21 | 2020-06-30 | 沈阳新松机器人自动化股份有限公司 | 一种助力行走外骨骼机器人控制系统 |
CN110797115A (zh) * | 2019-10-26 | 2020-02-14 | 曹庆恒 | 一种智能推荐医疗检查及检验的方法、系统和设备 |
CN111067543A (zh) * | 2019-12-31 | 2020-04-28 | 中航创世机器人(西安)有限公司 | 一种卧式踏步式康复训练机器人的人机交互系统 |
-
2020
- 2020-11-30 CN CN202011377777.1A patent/CN112494034B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685309A (zh) * | 2008-09-24 | 2010-03-31 | 中国科学院自动化研究所 | 多机器人协调队形控制方法 |
CN104865965A (zh) * | 2015-05-20 | 2015-08-26 | 深圳市锐曼智能装备有限公司 | 机器人用深度摄像头与超声波结合的避障控制方法及系统 |
CN105335696A (zh) * | 2015-08-26 | 2016-02-17 | 湖南信息职业技术学院 | 一种基于3d异常步态行为检测识别的智能助老机器人及实现方法 |
CN106155065A (zh) * | 2016-09-28 | 2016-11-23 | 上海仙知机器人科技有限公司 | 一种机器人跟随方法及用于机器人跟随的设备 |
CN109426248A (zh) * | 2017-08-25 | 2019-03-05 | 科沃斯机器人股份有限公司 | 自移动机器人及其行走方法、显示障碍物分布的方法 |
CN111376253A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 一种机器人路线规划方法、装置、机器人及安全管理 |
CN110638458A (zh) * | 2019-08-26 | 2020-01-03 | 广东省人民医院(广东省医学科学院) | 一种基于步态数据的康复训练效果评估方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112494034A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102567638B (zh) | 一种基于微型传感器的交互式上肢康复系统 | |
CN112494034B (zh) | 基于3d体态检测分析的数据处理分析系统及方法 | |
US11547324B2 (en) | System and method for human motion detection and tracking | |
US9826923B2 (en) | Motion analysis method | |
CN111516700A (zh) | 一种驾驶员分心细粒度监测方法和系统 | |
CN114022512B (zh) | 运动辅助方法、装置及介质 | |
KR102128267B1 (ko) | 제자리 걸음 특성 정보를 이용한 보행 능력 예측 방법 및 시스템 | |
WO2022059228A1 (ja) | 運動評価装置および運動評価システム | |
US11771327B2 (en) | System and method for human motion detection and tracking | |
Dorschky et al. | Perspective on “in the wild” movement analysis using machine learning | |
Gaud et al. | Human gait analysis and activity recognition: A review | |
Bersamira et al. | Human gait kinematic estimation based on joint data acquisition and analysis from imu and depth-sensing camera | |
CN113255462A (zh) | 步态评分方法、系统、计算机程序产品及可读存储介质 | |
CN116186561B (zh) | 基于高维时序图网络的跑步姿势识别纠正方法及系统 | |
CN117079816A (zh) | 儿童身体机能发育评估系统及方法 | |
CN116543455A (zh) | 建立帕金森症步态受损评估模型、使用方法、设备及介质 | |
CN115147768B (zh) | 一种跌倒风险评估方法及系统 | |
CN112571426B (zh) | 3d体态检测分析系统及方法 | |
CN112381048B (zh) | 基于多用户同步检测的3d体态检测分析系统及方法 | |
CN112656402B (zh) | 应用于3d体态检测分析的采集机器人联动控制系统 | |
CN114642423B (zh) | 基于体验质量的下肢外骨骼机器人步态规划方法及系统 | |
Shan et al. | Artificial neural networks and center-of-pressure modeling: a practical method for sensorimotor-degradation assessment | |
CN110638455B (zh) | 用于评估用户康复状态的服务器、系统、设备及介质 | |
Moghadam | Gait time series estimation using wearable sensors and machine learning techniques | |
Li et al. | Neural Network-Based Exercise Training and Limb Function Evaluation System for Traditional Chinese Medicine Guiding Technique |
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 |