CN112989996A - 一种关于膝关节运动的动态识别方法 - Google Patents
一种关于膝关节运动的动态识别方法 Download PDFInfo
- Publication number
- CN112989996A CN112989996A CN202110262298.3A CN202110262298A CN112989996A CN 112989996 A CN112989996 A CN 112989996A CN 202110262298 A CN202110262298 A CN 202110262298A CN 112989996 A CN112989996 A CN 112989996A
- Authority
- CN
- China
- Prior art keywords
- motion
- knee joint
- human body
- human
- dynamic identification
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 102
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009471 action Effects 0.000 claims abstract description 18
- 230000005021 gait Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 210000003127 knee Anatomy 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000009916 joint effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 210000001624 hip Anatomy 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000012659 Joint disease Diseases 0.000 description 1
- 206010024453 Ligament sprain Diseases 0.000 description 1
- 208000010040 Sprains and Strains Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 210000003407 lower extremity of femur Anatomy 0.000 description 1
- 210000001699 lower leg Anatomy 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 210000004417 patella Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及医疗技术领域，且公开了一种关于膝关节运动的动态识别方法，包括以下步骤：S1、通过运动捕捉设备获取膝关节在步态、起蹲、上下坡运动状态下的图像；并在计算机中根据人体结构构建一个简化的人体骨架结构模型；S2、在图像的初始数据中获得包含动作信息的感兴趣区域，然后对人体膝关节运动过程进行目标检测。该关于膝关节运动的动态识别方法，利用运动捕捉设备采用红外光立体追踪技术，实时测量膝关节在步态、深蹲、上下坡等各类运动状态下的三维六自由度运动学数据，并绘制人体骨架结构模型，通过人体骨架结构模型呈现膝关节运动过程，并与检测的人体动作同步，并评估膝关节的运动功能。
Description
技术领域
本发明涉及医疗技术领域，具体为一种关于膝关节运动的动态识别方法。
背景技术
膝关节由股骨下端、胫骨上端和髌骨构成，是人体最大最复杂的关节，属于滑车关节，膝关节是全身最大的屈戍关节，同时由于它的外形也决定了它不是一个十分稳定的关节，因此膝关节的韧带结构在保持膝关节的正常功能和稳定性起很大的作用。膝关节虽然是一个屈戍关节，但在屈膝时也能作轻度的磨动和旋转。膝关节的主要功能为负重、传递载荷、参加运动为小腿活动提供力偶。膝关节不如髋关节灵活，主要为屈伸运动，但因其位于下肢的中部，位于身体两个最大的杠杆臂之间，承受较大的力，易引起扭伤和骨折。
针对膝关节运动功能，为临床康复提供支持，为此我们提出了一种关于膝关节运动的动态识别方法。
发明内容
针对现有技术存在的上述不足，本发明提供了一种关于膝关节运动的动态识别方法。
本发明提供如下技术方案：一种关于膝关节运动的动态识别方法，包括以下步骤：
S1、通过运动捕捉设备获取膝关节在步态、起蹲、上下坡运动状态下的图像；并在计算机中根据人体结构构建一个简化的人体骨架结构模型；
S2、在图像的初始数据中获得包含动作信息的感兴趣区域，然后对人体膝关节运动过程进行目标检测；
S3、接着从底层数据中抽取部分特征信息对人体动作进行表征，如剪影、光流、梯度、时空特征和深度特征；
S4、根据提出的特征信息，对臀部、膝盖和脚跟三个位置标注空间位置坐标，在运动参数信息进行滤波去噪后，基于小波分形和最小二乘拟合的方法获得运动参数的动作特征信息，再基于SVM实现对各动作特征信息的识别，最后基于证据理论对各运动参数识别结果进行融合，实现对人体膝关节运动的动态识别；
S5、根据人体膝关节运动数据精确测量在体运动状态下关节六自由度数据，进行客观评分。
优选的，所述运动捕捉设备获得的人体运动信息主要对臀部、膝盖和脚跟三个位置标注空间位置坐标，以及臀部、膝盖和脚跟各关节点之间的旋转角度信息。
优选的，所述目标检测是指膝关节基本动作分离出来，得到足够的运动信息数据，并以数学符号的形式表达出人体动作，对膝关节动作进行精准提取。
优选的，所述人体动作特征提取的基础上，动作特征理解可看作一个在空间或时空领域将提取到的人体运动特征与先验知识进行对比，通过数据的分析实现动作分类的过程。
优选的，所述运动捕捉设备采用红外光立体追踪技术，实时测量膝关节在步态、深蹲、上下坡运动状态下的三维六自由度运动学数据。
优选的，所述特征信息提取中，需要从多视角人体动作中识别，通过视角变换对人体动作进行二维建模，通过模型中相同点在不同位置的匹配和分析实现不同视角下人体动作特征的表征，
优选的，所述特征信息提取中可通过人体姿态三维重构技术实现人体相关节点在三维空间的映射，利用人体三维模型中的姿态来克服二维空间中视角变化所产生的差异，提取精确的运动信息。
与现有技术对比，本发明具备以下有益效果：
该关于膝关节运动的动态识别方法，利用运动捕捉设备采用红外光立体追踪技术，实时测量膝关节在步态、深蹲、上下坡等各类运动状态下的三维六自由度运动学数据，并绘制人体骨架结构模型，通过人体骨架结构模型呈现膝关节运动过程，并与检测的人体动作同步，并评估膝关节的运动功能，为临诊疗骨科、关节外科、运动医学科、康复科提供支持，并可用来进行相关关节疾病的科学研究。
附图说明
图1为本发明流程示意图。
具体实施方式
为了使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述，为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明，以避免不必要地混淆本发明的概念。
由图1所示，一种关于膝关节运动的动态识别方法，包括以下步骤：
S1、通过运动捕捉设备获取膝关节在步态、起蹲、上下坡运动状态下的图像；并在计算机中根据人体结构构建一个简化的人体骨架结构模型；
S2、在图像的初始数据中获得包含动作信息的感兴趣区域，然后对人体膝关节运动过程进行目标检测；
S3、接着从底层数据中抽取部分特征信息对人体动作进行表征，如剪影、光流、梯度、时空特征和深度特征；
S4、根据提出的特征信息，对臀部、膝盖和脚跟三个位置标注空间位置坐标，在运动参数信息进行滤波去噪后，基于小波分形和最小二乘拟合的方法获得运动参数的动作特征信息，再基于SVM实现对各动作特征信息的识别，最后基于证据理论对各运动参数识别结果进行融合，实现对人体膝关节运动的动态识别；
S5、根据人体膝关节运动数据精确测量在体运动状态下关节六自由度数据，进行客观评分。
所述运动捕捉设备获得的人体运动信息主要对臀部、膝盖和脚跟三个位置标注空间位置坐标，以及臀部、膝盖和脚跟各关节点之间的旋转角度信息。
所述目标检测是指膝关节基本动作分离出来，得到足够的运动信息数据，并以数学符号的形式表达出人体动作，对膝关节动作进行精准提取。
所述人体动作特征提取的基础上，动作特征理解可看作一个在空间或时空领域将提取到的人体运动特征与先验知识进行对比，通过数据的分析实现动作分类的过程。
所述运动捕捉设备采用红外光立体追踪技术，实时测量膝关节在步态、深蹲、上下坡运动状态下的三维六自由度运动学数据。
所述特征信息提取中，需要从多视角人体动作中识别，通过视角变换对人体动作进行二维建模，通过模型中相同点在不同位置的匹配和分析实现不同视角下人体动作特征的表征，
所述特征信息提取中可通过人体姿态三维重构技术实现人体相关节点在三维空间的映射，利用人体三维模型中的姿态来克服二维空间中视角变化所产生的差异，提取精确的运动信息。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (7)
1.一种关于膝关节运动的动态识别方法，其特征在于，包括以下步骤：
S1、通过运动捕捉设备获取膝关节在步态、起蹲、上下坡运动状态下的图像；并在计算机中根据人体结构构建一个简化的人体骨架结构模型；
S2、在图像的初始数据中获得包含动作信息的感兴趣区域，然后对人体膝关节运动过程进行目标检测；
S3、接着从底层数据中抽取部分特征信息对人体动作进行表征，如剪影、光流、梯度、时空特征和深度特征；
S4、根据提出的特征信息，对臀部、膝盖和脚跟三个位置标注空间位置坐标，在运动参数信息进行滤波去噪后，基于小波分形和最小二乘拟合的方法获得运动参数的动作特征信息，再基于SVM实现对各动作特征信息的识别，最后基于证据理论对各运动参数识别结果进行融合，实现对人体膝关节运动的动态识别；
S5、根据人体膝关节运动数据精确测量在体运动状态下关节六自由度数据，进行客观评分。
2.根据权利要求1所述的一种关于膝关节运动的动态识别方法，其特征在于：所述运动捕捉设备获得的人体运动信息主要对臀部、膝盖和脚跟三个位置标注空间位置坐标，以及臀部、膝盖和脚跟各关节点之间的旋转角度信息。
3.根据权利要求1所述的一种关于膝关节运动的动态识别方法，其特征在于：所述目标检测是指膝关节基本动作分离出来，得到足够的运动信息数据，并以数学符号的形式表达出人体动作，对膝关节动作进行精准提取。
4.根据权利要求1所述的一种关于膝关节运动的动态识别方法，其特征在于：所述人体动作特征提取的基础上，动作特征理解可看作一个在空间或时空领域将提取到的人体运动特征与先验知识进行对比，通过数据的分析实现动作分类的过程。
5.根据权利要求1所述的一种关于膝关节运动的动态识别方法，其特征在于：所述运动捕捉设备采用红外光立体追踪技术，实时测量膝关节在步态、深蹲、上下坡运动状态下的三维六自由度运动学数据。
6.根据权利要求1所述的一种关于膝关节运动的动态识别方法，其特征在于：所述特征信息提取中，需要从多视角人体动作中识别，通过视角变换对人体动作进行二维建模，通过模型中相同点在不同位置的匹配和分析实现不同视角下人体动作特征的表征。
7.根据权利要求1所述的一种关于膝关节运动的动态识别方法，其特征在于：所述特征信息提取中可通过人体姿态三维重构技术实现人体相关节点在三维空间的映射，利用人体三维模型中的姿态来克服二维空间中视角变化所产生的差异，提取精确的运动信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262298.3A CN112989996A (zh) | 2021-03-10 | 2021-03-10 | 一种关于膝关节运动的动态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262298.3A CN112989996A (zh) | 2021-03-10 | 2021-03-10 | 一种关于膝关节运动的动态识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112989996A true CN112989996A (zh) | 2021-06-18 |
Family
ID=76334885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110262298.3A Pending CN112989996A (zh) | 2021-03-10 | 2021-03-10 | 一种关于膝关节运动的动态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112989996A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229921A (zh) * | 2017-06-09 | 2017-10-03 | 济南大学 | 基于Hausdorff距离的动态手势识别方法 |
| CN108447563A (zh) * | 2018-03-06 | 2018-08-24 | 上海逸动医学科技有限公司 | 一种关节运动智能评分方法及膝关节运动智能分级评分方法 |
| CN108664877A (zh) * | 2018-03-09 | 2018-10-16 | 北京理工大学 | 一种基于三维深度数据的动态手势识别方法 |
| CN109766782A (zh) * | 2018-12-20 | 2019-05-17 | 南京理工大学 | 基于svm的实时肢体动作识别方法 |
-
2021
- 2021-03-10 CN CN202110262298.3A patent/CN112989996A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229921A (zh) * | 2017-06-09 | 2017-10-03 | 济南大学 | 基于Hausdorff距离的动态手势识别方法 |
| CN108447563A (zh) * | 2018-03-06 | 2018-08-24 | 上海逸动医学科技有限公司 | 一种关节运动智能评分方法及膝关节运动智能分级评分方法 |
| CN108664877A (zh) * | 2018-03-09 | 2018-10-16 | 北京理工大学 | 一种基于三维深度数据的动态手势识别方法 |
| CN109766782A (zh) * | 2018-12-20 | 2019-05-17 | 南京理工大学 | 基于svm的实时肢体动作识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mündermann et al. | The evolution of methods for the capture of human movement leading to markerless motion capture for biomechanical applications | |
| Yeung et al. | Evaluation of the Microsoft Kinect as a clinical assessment tool of body sway | |
| Schmitz et al. | The measurement of in vivo joint angles during a squat using a single camera markerless motion capture system as compared to a marker based system | |
| Gu et al. | Markerless gait analysis based on a single RGB camera | |
| Yoo et al. | Automated markerless analysis of human gait motion for recognition and classification | |
| CN112069933A (zh) | 基于体态识别和人体生物力学的骨骼肌肉受力估计方法 | |
| CN107174255A (zh) | 基于Kinect体感技术的三维步态信息采集与分析方法 | |
| CN109344694B (zh) | 一种基于三维人体骨架的人体基本动作实时识别方法 | |
| CN104700433A (zh) | 一种基于视觉的实时人体全身体运动捕捉方法及其系统 | |
| Mazomenos et al. | Detecting elementary arm movements by tracking upper limb joint angles with MARG sensors | |
| Razavian et al. | Biomechanics imaging and analysis | |
| Lenar et al. | Lower body kinematics evaluation based on a multidirectional four-dimensional structured light measurement | |
| CN102479386A (zh) | 基于单目视频的人体上半身三维运动跟踪方法 | |
| Kobsar et al. | Validity of a novel method to measure vertical oscillation during running using a depth camera | |
| Mahyuddin et al. | Gait parameters determination by 2D optical motion analyzer system | |
| CN112989996A (zh) | 一种关于膝关节运动的动态识别方法 | |
| Ball et al. | Modeling of the pliant surfaces of the thigh and leg during gait | |
| Fraysse et al. | Comparison of anatomical, functional and regression methods for estimating the rotation axes of the forearm | |
| Thewlis et al. | Discrepancies in knee joint moments using common anatomical frames defined by different palpable landmarks | |
| Nahavandi et al. | A low cost anthropometric body scanning system using depth cameras | |
| McGuirk | A multi-view video based deep learning approach for human movement analysis | |
| Yam et al. | Automated markerless analysis of human walking and running by computer vision | |
| Corazza et al. | Markerless motion capture methods for the estimation of human body kinematics | |
| Song et al. | Human motion analysis and measurement techniques: current application and developing trend | |
| Benenaula et al. | Classification of Gait Anomalies By Using Space-Time Parameters Obtained With Pose Estimation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |