CN113143257B - 基于个体运动行为层次模型的泛化应用系统及方法 - Google Patents
基于个体运动行为层次模型的泛化应用系统及方法 Download PDFInfo
- Publication number
- CN113143257B CN113143257B CN202110178598.3A CN202110178598A CN113143257B CN 113143257 B CN113143257 B CN 113143257B CN 202110178598 A CN202110178598 A CN 202110178598A CN 113143257 B CN113143257 B CN 113143257B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- motion
- behavior
- pams
- data
- 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
- A61B5/1116—Determining posture transitions
Abstract
本发明属于个体健康行为管理技术领域,尤其涉及基于个体运动行为层次模型的泛化应用方法及系统,其包括基于PAMS开放样本库,将依次分层的PAMS系统根据人体行为在时间尺度大小和数据特征,按照PAMS分层应用算法和PAMS分层限定算法对PAMS系统的复杂程度进行分层分类,本发明解决了由于人体机能状态转移是一个随机过程,也就是机能状态存在非稳态,但是现代科学不能将这种非稳态机能进行有效控制,从而导致人体机能状态不稳定的问题,具有为下一步提出人体行为干预管理科学的定量研究方法奠定了基础,为了实现人体行为多维因素统一的测度,同时为人体行为多维指标统一分析奠定了基础的有益技术效果。
Description
技术领域
本发明属于个体健康行为管理技术领域,尤其涉及基于个体运动行为层次模型的泛化应用系统及方法。
背景技术
疾病是人体健康态变化过渡阶段的随机过程,不是一个静态的横截面。主动健康不仅仅是预防,而是一种医学模式。是通过宏观人体行为功能态测度微观结构态变化,并通过对宏观行为功能干预从而实现控制微观系统结构改变的科学体系;
PAMS层子系统:人体行为显然不仅仅是指人体的运动,然而,运动相对生理生活数据而言容易理解,为此,首先以人体运动为基础研究行为系统建模;
PAMS模型特征:P、A、M、S模型描述了人体行为从毫秒时间尺度的姿态到秒时间尺度的动作,到分钟时间尺度的运动事件,直至到无限时间尺度的习惯。随着P-A-M-S的层次递进,人体行为也就从确定有限的系统,跨到了不确无限定系统。其本质描述了系统从简单到复杂的层级结构,且层次之间不是简单的累加关系,是随着时间尺度的变化,导致了复杂度跃层式增加。如果我们把系统的时间长度作为一个X轴,表示从无限短时到无限长时;把系统组分多少作为Y轴,表示从单一参数到无限多参数;
目前,大体有两种经典方法描述人体运动。第一种方法是南非的力学家Hazte,他用弹性肌元、容元、阻尼器、内能源等力学“元件”模拟人神经、肌肉运动,用力学结构中多刚体绞链系统模拟整个人体。第二种方法是应用多刚体系统动力学理论建立力学模型。郑秀媛[89]指出,无论那种方法所建立的方程的解与实际运动也有相当大的差异。因为,人体运动有一定的不可测性,它不是完全的确定性问题。这个观点与实际的工作完全相符合的。因为,人体的运动涉及到的组分非常多,并且,是一个连续的非确定性长周期的过程。因此,我们需要从不同的时间尺度去考察分层研究人体行为。为了定量地描述人体行为,本文定义了姿态基的概念,姿态基是人体单个环节在三维空间相对静止的状态序列;
如图4所示,Hanavan人体模型由15个刚体组成,彼此用球铰联结。实际应用时,一般采用修正的Hanavan人体模型,根据分析需要的精度要求,适当地增减刚体数,联结各分体的铰也可根据具体情况视为平面铰、万向节、球铰等。由于联结人体各分体的铰形式多样性和人体与外界关系的千差万别很难直接用统一的数学模型来处理不同的人体运动。为了找到一种统一的、一劳永逸的处理方式,章定国将人体运动的多刚体模型规范化,使其统一于某一种结构形式,然后再用这种结构形式的数值模型来处理所有的运动。定义具有一个自由度的五类运动副,即转动铰和平移铰为基本铰。其余各种铰均可化为基本铰的某种组合。例如球铰可以用两个长度为0,质量为0的构件所结合的三个转轴相互正交的三个转动铰所组成的运动链表示;
姿态基是人体单个环节在三维空间相对静止的状态序列,姿态基(PU:Pose Unit)是人体运动中构成人体行为的单关节运动未发生结构性变化的最小的可测量的基本单元。
设PU为一个姿态基,那么:
其中,αi、βi和是第i时刻人体躯干(各部分)相对于地面的转角,通常用欧拉角表示,αi是倾角,绕着x转动,βi是仰角,绕着y轴转动,γi是自旋角,绕着z轴转动,姿态基也不是一个静止的点,而是一个空间转角的数据序列;
如图5所示,一个系统的组分越多层级越多,复杂度就越高,同样,参与人体运动行为的肢体环节数量越多,姿态基的数目会随之增多,行为系统就越复杂。由于一个人体肢体的环节数量有限,以及很多关节受到不能全向运动的限制,故姿态基的数量也是有限的。人体的行为特征与不同环节的运动相关度是不同的,一般而言,躯干的运动比四肢的高,四肢的比手指脚趾的要高。比如:判断人是否站立较少受到手指的伸和曲的影响。基于此思路,建立一个躯干为核心向四肢以此延伸分层的人体模型;
如图5所示,为了描述这种不同,本文分了不同层级建立了姿态基集,按照肢体环节参与的数量,由躯干作为第1层级,分别将姿态基分为PU1、PU2、PU3、PU4和PU5共5个级别数据集(姿态基分级表)。在一般行为研究中,多涉及到PU1、PU2、PU3和PU4四个数据集,较少会用到PU5,其中,1表示PU1,2~5表示PU2,6~9表示PU3,10~14表示PU4;
姿态基数据集是通过规模化的测试来建立样本库,需要非常庞大的工作量。在本研究中,仅采集了典型行为的关键环节数据,并没有建立全部样本数据。本文只是提出了建立姿态基数据集的基本思路和方法;
下面就姿态基确定方法和思路描述如下:
综上所述,由于人体机能状态转移是一个随机过程,也就是机能状态存在非稳态,但是现代科学不能将这种非稳态机能进行有效控制,从而导致人体机能状态不稳定的问题。
发明内容
本发明提供基于个体运动行为层次模型的泛化应用方法及系统,以解决上述背景技术中提出了由于人体机能状态转移是一个随机过程,也就是机能状态存在非稳态,但是现代科学不能将这种非稳态机能进行有效控制,从而导致人体机能状态不稳定的问题。
本发明所解决的技术问题采用以下技术方案来实现:基于个体运动行为层次模型的泛化应用系统,其特征在于,包括:
个体运动行为层次模型PAMS泛化应用:基于PAMS开放样本库,将依次分层的PAMS系统根据人体行为在时间尺度大小和数据特征,按照PAMS分层应用算法和PAMS分层限定算法对PAMS系统的复杂程度进行分层分类;
所述依次分层的PAMS系统依次包括:
姿态子系统:通过不同环节相互协同并同步发生的同一种姿态基序列组成;
动作子系统:通过连续的姿态子系统生成的呈周期性变化的单周期行为序列组成;
运动子系统:通过连续的动作子系统生成的呈非周期性变化的确定时间长度的序列组成;
惯性子系统:通过连续的运动子系统生成的呈非周期性变化的不确定时间长度的序列组成。
进一步,包括:
所述姿态子系统的姿态可用式:
所述P(t)为不同人体环节序号在所有时刻点的姿态基序列集合;
所述t是不同人体环节序号;所述t的取值范围为t={1,2…}的自然数集合;
所述n为时刻点,所述n的取值范围为n={1,2…}的自然数集合。
所述动作子系统的动作可用式:
A(t)={p1,p2,…pt};
所述A(t)为所有时刻点的单周期行为序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
所述运动子系统的运动可用式:
M(t)={A1,A2,…At};
所述M(t)为所有时刻点的单周期运动序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
所述惯性子系统的惯性可用式:
S(t)={M1,M2,…Mt};
所述S(t)为所有时刻点的单周期惯性序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
进一步,包括:
所述姿态可用式的应用函数为:
P{PU(t)≤puPU(tn)=pun,...,PU(t1)=pu1}=P{PU(t)≤puPU(tn)=xn};
所述P(t)为不同人体环节序号在所有时刻点的姿态基序列集合;
所述t是不同人体环节序号;所述t的取值范围为t={1,2…}的自然数集合;
所述n为时刻点,所述n的取值范围为n={1,2…}的自然数集合。
进一步,包括:
所述动作可用式的应用函数为:
A{P(t)≤p|P(tn)=pn,...,P(t1)=p1}=P{P(t)≤pP(tn)=pn};
所述A(t)为所有时刻点的单周期行为序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
进一步,包括:
所述运动可用式的应用函数为:
M{A(t)≤a|A(tn)=an,...,a1}=P{A(t)≤an};
所述M(t)为所有时刻点的单周期运动序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
进一步,包括:
所述惯性可用式的应用函数为:
S{M(t)≤m|M(tn)=mn,...,m1}=M{M(t)≤mM(tn)=Mn};
所述S(t)为所有时刻点的单周期习惯序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
同时,本发明还提供一种基于个体运动行为层次模型的PAMS分层应用方法,其可通过上述所述的系统实现,所述方法包括:姿态子系统处理步骤、动作子系统处理步骤、运动子系统处理步骤和惯性子系统处理步骤:
所述姿态子系统处理步骤:由相对确定的且精准的计量基本单元生成并进行个体运动行为处理;
所述动作子系统处理步骤:由至少一个姿态子系统生成的呈周期性变化的至少一个单周期序列组成并进行个体运动行为处理;
所述运动子系统处理步骤:由至少一个动作子系统生成的呈非周期性变化的确定时间长度的序列组成并进行个体运动行为处理;
所述惯性子系统处理步骤:由至少一个运动子系统生成的呈非周期性变化的不确定时间长度的序列组成并进行个体运动行为处理。
进一步:
所述姿态子系统是非计量基本单元的线性累加,且呈不可逆的整体生成关系;
所述动作子系统是非姿态子系统的线性累加,且呈非线性的不可逆的整体生成关系;
所述运动子系统是非动作子系统的线性累加,且呈非线性的不可逆的整体生成关系;
所述惯性子系统是非运动子系统的线性累加,且呈非线性的不可逆的整体生成关系。
进一步,所述方法还包括:
全身动作数据采集步骤:通过建立包括如光学系统、或传感器系统的人体动作捕捉系统获取个体运动中全身关节的三维空间姿态数据;
人工专家标注数据步骤:基于所采集全身关节的三维空间姿态数据,根据不同人工专家系统确定对姿态基的判断,并根据姿态基的判断截取数据,将截取的数据按照编码规则形成姿态基数据样本标签;
数据汇总分类处理步骤:将不同人工专家系统数据标注后的姿态基数据样本标签重复补充汇总后通过分类编码形成由多个不同专家标注的数据集,并通过不同专家标注的数据集统计分析,经姿态基范围确定方法确定姿态基的取值范围;
建立个体行为样本库步骤:通过个体行为模型PAMS开放样本库系统平台采用众包模式汇聚建立PAMS开放样本库;
进一步,所述姿态基范围确定方法包括采用68-95-99.7法则,所述68-95-99.7法则包括最大值确定函数和最小值确定函数;
所述最大值确定函数为:
max=mean+3×SD;
所述最小值确定函数为:
min=mean-3×SD;
其中:
所述mean为人工专家标注选择的平均值;
所述SD为标准差。
有益技术效果:
本专利采用个体运动行为层次模型PAMS泛化应用:基于PAMS开放样本库,将依次分层的PAMS系统根据人体行为在时间尺度大小和数据特征,按照PAMS分层应用算法和PAMS分层限定算法对PAMS系统的复杂程度进行分层分类;所述依次分层的PAMS系统依次包括:姿态子系统:通过不同环节相互协同并同步发生的同一种姿态基序列组成;动作子系统:通过连续的姿态子系统生成的呈周期性变化的单周期行为序列组成;运动子系统:通过连续的动作子系统生成的呈非周期性变化的确定时间长度的序列组成;惯性子系统:通过连续的运动子系统生成的呈非周期性变化的不确定时间长度的序列组成,由于姿态子系统P:姿态是不同环节相互协同并同步发生的同一种姿态基序列,姿态子系统具备的特点:(1)参与构造姿态系统的所有姿态基是同步的(2)参与构造姿态系统的所有姿态基要求是均衡的,须满足生物学的约束条件(3)姿态基序列生成姿态系统,这个过程不可逆,是一个状态转移过程,不是一个线性累加过程;动作子系统A:动作系统是由连续的姿态系统序列生成的一个呈周期性变化的单周期行为序列,动作子系统具备的特点:(1)动作是为了完成特定任务。比如:完成一个扣杀羽毛球。(2)构成动作系统的姿态是相互连续,具有先后次序的序列。一个动作讲究的是一气呵成。(3)动作呈周期性变化。也就说一个人体的动作会重复出现。(4)多次训练方可形成动作。如姿态形成同理,构造动作的所有姿态的运动也是需要多次训练是人体产生记忆,才能形成特定的功能动作系统结构。对动作系统的评价,顺畅连贯是非常重要的衡量关键指标;运动子系统M:运动系统通过执行不同的任务完成一个特定目的动作序列,运动子系统具备的特点:(1)运动系统一般具有特定目标。比如:步行上班、打一场篮球等。(2)运动系统具有较高不确定性。构成运动系统的动作系统是相互连续的时间序列。由于时间跨度加大,个体意识活动影响较大,导致运动系统的随机性加大,不确定性增高。(3)运动系统呈非周期性。也就是说,每个运动序列很难完整地重现。比如:很难完成一模一样的篮球训练课。(4)运动系统涉及到更多的维度信息相互协同才能完成,比如能量代谢、意识等,习惯子系统S:习惯则是表达了个体行为的总体特征,是一个较长时间段的总体表现,习惯子系统具备的特点:(1)惯性系统是长周期的动作序列,覆盖生活全周期,周期往往以天单位,连续一个月、一个季度,甚至更长时间。(2)惯性系统是一个不可预测复杂系统。由于时间跨度加大,个体意识、社会秩序等因素影响较大,导致S系统的处于一个不可预测的随机不确定状态。(3)惯性系统具有鲜明个体化。在多要素长时间的刺激下,每一个人的行为S系统,呈现鲜明的个体特性,千人千面。这些特征会对个体的行为产生深刻的影响,并决定个体发展的方向。(4)惯性系统相比其他系统具有更加明显的社会性;
综上所述,本方法用随机过程建立数学模型进行定量分析人体机能过程,在对人体行为不同时间尺度数据特点分析研究的基础上,定义了人体行为的“姿态基”的基本单元,并把姿态基作为建立行为模型和分析计量的基础,进而建立了人体PAMS层次模型,为下一步提出人体行为干预管理科学的定量研究方法奠定了基础,为了实现人体行为多维因素统一的测度,本方法还提出了PAMS层次模型的泛化应用方法及原则,将人体生理等指标一并纳入PAMS模型体系,为人体行为多维指标统一分析奠定了基础。
附图说明
图1是本发明泛化应用系统的模块图;
图2是本发明泛化应用方法的主流程图;
图3是本发明泛化应用方法的具体流程图;
图4是本发明泛化应用方法的Hanavan人体模型图;
图5是本发明泛化应用方法的人体行为PAMS模型分层图;
图6是本发明泛化应用方法的姿态基标注流程图。
具体实施方式
以下结合附图对本发明做进一步描述:
图中:1-PAMS系统,2-姿态子系统,3-动作子系统,4-运动子系统,5-惯性子系统。
S101-全身动作数据采集步骤;
S102-人工专家标注数据步骤;
S103-数据汇总分类处理步骤;
S104-建立个体行为样本库步骤;
S105-姿态子系统处理步骤;
S106-动作子系统处理步骤;
S107-运动子系统处理步骤;
S108-惯性子系统处理步骤;
S201-通过建立包括如光学系统、或传感器系统的人体动作捕捉系统获取个体运动中全身关节的三维空间姿态数据;
S202-基于所采集全身关节的三维空间姿态数据,根据不同人工专家系统确定对姿态基的判断,并根据姿态基的判断截取数据,将截取的数据按照规则编码形成姿态基数据样本标签;
S203-将不同人工专家系统数据标注后的姿态基数据样本标签重复补充汇总后通过分类编码形成由多个不同专家标注的数据集,并通过不同专家标注的数据集统计分析,经姿态基范围确定方法确定姿态基的取值范围;
S204-通过个体行为模型PAMS开放样本库系统平台采用众包模式汇聚建立PAMS开放样本库;
S205-由相对确定的且精准的计量基本单元生成并进行个体运动行为处理;
S206-由至少一个姿态子系统生成的呈周期性变化的至少一个单周期序列组成并进行个体运动行为处理;
S207-由至少一个动作子系统生成的呈非周期性变化的确定时间长度的序列组成并进行个体运动行为处理;
S208-由至少一个运动子系统生成的呈非周期性变化的不确定时间长度的序列组成并进行个体运动行为处理。
实施例:
本实施例:如图1所示,基于个体运动行为层次模型的泛化应用系统,包括:个体运动行为层次模型PAMS泛化应用:基于PAMS开放样本库,将依次分层的PAMS系统1根据人体行为在时间尺度大小和数据特征,按照PAMS分层应用算法和PAMS分层限定算法对PAMS系统1的复杂程度进行分层分类;
所述依次分层的PAMS系统1依次包括:
姿态子系统2:通过不同环节相互协同并同步发生的同一种姿态基序列组成;
动作子系统3:通过连续的姿态子系统2生成的呈周期性变化的单周期行为序列组成;
运动子系统4:通过连续的动作子系统3生成的呈非周期性变化的确定时间长度的序列组成;
惯性子系统5:通过连续的运动子系统4生成的呈非周期性变化的不确定时间长度的序列组成。
由于采用个体运动行为层次模型PAMS泛化应用:基于PAMS开放样本库,将依次分层的PAMS系统1根据人体行为在时间尺度大小和数据特征,按照PAMS分层应用算法和PAMS分层限定算法对PAMS系统1的复杂程度进行分层分类,由于姿态子系统P:姿态是不同环节相互协同并同步发生的同一种姿态基序列,姿态子系统具备的特点:(1)参与构造姿态系统的所有姿态基是同步的(2)参与构造姿态系统的所有姿态基要求是均衡的,须满足生物学的约束条件(3)姿态基序列生成姿态系统,这个过程不可逆,是一个状态转移过程,不是一个线性累加过程;动作子系统A:动作系统是由连续的姿态系统序列生成的一个呈周期性变化的单周期行为序列,动作子系统具备的特点:(1)动作是为了完成特定任务。比如:完成一个扣杀羽毛球。(2)构成动作系统的姿态是相互连续,具有先后次序的序列。一个动作讲究的是一气呵成。(3)动作呈周期性变化。也就说一个人体的动作会重复出现。(4)多次训练方可形成动作。如姿态形成同理,构造动作的所有姿态的运动也是需要多次训练是人体产生记忆,才能形成特定的功能动作系统结构。对动作系统的评价,顺畅连贯是非常重要的衡量关键指标;运动子系统M:运动系统通过执行不同的任务完成一个特定目的动作序列,运动子系统具备的特点:(1)运动系统一般具有特定目标。比如:步行上班、打一场篮球等。(2)运动系统具有较高不确定性。构成运动系统的动作系统是相互连续的时间序列。由于时间跨度加大,个体意识活动影响较大,导致运动系统的随机性加大,不确定性增高。(3)运动系统呈非周期性。也就是说,每个运动序列很难完整地重现。比如:很难完成一模一样的篮球训练课。(4)运动系统涉及到更多的维度信息相互协同才能完成,比如能量代谢、意识等,习惯子系统S:习惯则是表达了个体行为的总体特征,是一个较长时间段的总体表现,习惯子系统具备的特点:(1)惯性系统是长周期的动作序列,覆盖生活全周期,周期往往以天单位,连续一个月、一个季度,甚至更长时间。(2)惯性系统是一个不可预测复杂系统。由于时间跨度加大,个体意识、社会秩序等因素影响较大,导致S系统的处于一个不可预测的随机不确定状态。(3)惯性系统具有鲜明个体化。在多要素长时间的刺激下,每一个人的行为S系统,呈现鲜明的个体特性,千人千面。这些特征会对个体的行为产生深刻的影响,并决定个体发展的方向。(4)惯性系统相比其他系统具有更加明显的社会性。
综上可知:姿态子系统其本质是指有限数量有限时间内,未发生结构性变化的,可进行线性描述的简单系统,往往是可以通过物理量进行描述;动作子系统其本质是指一个由姿态组成的可以重复出现的一个完整单周期动力学系统,通常可以用微分方程可以描述的确定系统;运动子系统其本质是一个由动作作为随机变量,随时间而形成的随机过程,是非确定性系统,习惯子系统其本质是由于系统的组成元素和时间周期较长,具备不可预测性,根据是个PAMS的本质特征,可以将其泛化应用在动态心电、动态血压等生理参数中。
综上所述,本方法用随机过程建立数学模型进行定量分析人体机能过程,在对人体行为不同时间尺度数据特点分析研究的基础上,定义了人体行为的“姿态基”的基本单元,并把姿态基作为建立行为模型和分析计量的基础,进而建立了人体PAMS层次模型,为下一步提出人体行为干预管理科学的定量研究方法奠定了基础,为了实现人体行为多维因素统一的测度,本方法还提出了PAMS层次模型的泛化应用方法及原则,将人体生理等指标一并纳入PAMS模型体系,为人体行为多维指标统一分析奠定了基础。
包括:
所述姿态子系统2的姿态可用式:
所述P(t)为不同人体环节序号在所有时刻点的姿态基序列集合;
所述t是不同人体环节序号;所述t的取值范围为t={1,2…}的自然数集合;
所述n为时刻点,所述n的取值范围为n={1,2…}的自然数集合;
所述动作子系统3的动作可用式:
A(t)={p1,p2,…pt};
所述A(t)为所有时刻点的单周期行为序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合;
所述运动子系统4的运动可用式:
M(t)={A1,A2,…At};
所述M(t)为所有时刻点的单周期运动序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合;
所述惯性子系统5的惯性可用式:
S(t)={M1,M2,…Mt};
所述S(t)为所有时刻点的单周期惯性序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
由于采用姿态子系统的姿态可用式、动作子系统的动作可用式、运动子系统的运动可用式、惯性子系统的惯性可用式表示相应的姿态子系统、动作子系统、运动子系统、惯性子系统,其各子系统相关定义如下:
Pose System,即P系统,是由不同姿态基协同和同步产生的姿态基集合。是人体行为系统的一个子系统,设定是一个不可逆的随机过程,姿态可用式为:
所述mean为人工专家标注选择的平均值;所述SD为标准差;所述t的取值范围为t={1,2…}的自然数集合;所述n的取值范围为n={1,2…}的自然数集合。
该序列持续时间往往在几十个毫秒到几百毫秒范围内。比如,走步过程中的抬腿,与此同时还有摆臂等一起同时发生和结束的姿态基集合,还有腾空姿态、着地姿态也是如此,对于系统而言,时间比较短。每个人都具有基本固定的模式。一般而言,人体大部分的姿态基的形成期在婴幼儿时期基本完成,除非再接受各种训练,比如体育、舞蹈,或者当人体机体收到损伤后导致运动障碍时,才需要重新接受训练新的姿态基。这个过程是重新建立神经肌肉之间的固定反射模型,这需要一个较长的周期,如上可知,有限的姿态基可以生成有限数量的姿态,这是一个不可逆的随机过程。姿态基之间的协同性和同步性是其非常重要的衡量指标。
Action System,即动作系统,是为了执行特定任务,呈周期性出现的特定一个周期连续姿态数据序列。同样,设定A是一个不可逆的随机过程。
动作可用式:
A(t)={p1,p2,…pt}
动作系统包含若干姿态并呈周期性变化。例如:单步行走、跳跃等;由于动作系统是人体空间结构随时间变化结果,经典科学方法往往利用姿态系统的速度、加速度、角加速度等参数的典型值评价动作系统,这种方法缺乏对整体性。动作系统不是姿态系统简单的线性叠加。根据复杂性观点可知,动作系统是姿态系统不可逆性涌现,是多次反复训练的结果,姿态序列的顺序、时间间隔决定了动作系统的整体性。
Motion System,运动系统。是为了特定目标,由有限的不同动作生成的非周期性动作序列。同样,设定M(t)是一个不可逆的随机过程;
假如在t的时间段内,运动系统包含t个动作,设定M(t)是一个不可逆的随机过程。
那么,
M(t)={A1,A2,…At}
动作系统呈非周期性变化,也往往持续一个较长时间。比如:几分钟、十几分钟,甚至几十分钟、几百分钟。例如:一节体育课、一场马拉松比赛、步行上班等都是运动系统;由于运动系统具有时间长、动作多,非周期的特点,其影响因素也从物理,扩展到生物、化学、心理等多维因素,行为系统复杂度大大增加,由上可知,M系统如何实现多维因素统一测度是关键问题。
Sytle Sytem,惯性系统,是在个体一个较长时间周期内生成具有一定特征的运动M序列。假如在t的时间段内,惯性系统包含t个运动变量m,设定S(t)是一个不可逆的随机过程。
S(t)={M1,M2,…Mt}
是长久养成的生活方式。往往又与风俗、习俗、道德传统等通过实践或经验有关。习惯是自动化的行为方式,它与人后天条件反射建立有密切关系,习惯也可以包括思维的、情感的内容,它既有积极的一方面,也有消极作用;
由于个体性别、年龄、身高、性格、文化层度、喜好等不同,在较长周期内,个体呈现出一定的特点,比如:某人喜欢打篮球,某人喜欢跑步等等,也可以表达某一动作特征;
正由于以上特点,越来越多的研究表明,个体习惯是影响一个人健康的关键因素。不良行为习惯和行为方式成为当今人类健康最大的“威胁”,其危害远超超过病原微生物引发的急性传染病。
包括:所述姿态可用式的应用函数为:
P{PU(t)≤puPU(tn)=pun,...,PU(t1)=pu1}=P{PU(t)≤puPU(tn)=xn};
所述P(t)为不同人体环节序号在所有时刻点的姿态基序列集合;
所述t是不同人体环节序号;所述t的取值范围为t={1,2…}的自然数集合;
所述n为时刻点,所述n的取值范围为n={1,2…}的自然数集合。
包括:所述动作可用式的应用函数为:
A{P(t)≤p|P(tn)=pn,...,P(t1)=p1}=P{P(t)≤pP(tn)=pn};
所述A(t)为所有时刻点的单周期行为序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
包括:所述运动可用式的应用函数为:
M{A(t)≤a|A(tn)=an,...,a1}=P{A(t)≤an};
所述M(t)为所有时刻点的单周期运动序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
包括:所述惯性可用式的应用函数为:
S{M(t)≤m|M(tn)=mn,...,m1}=M{M(t)≤mM(tn)=Mn};
所述S(t)为所有时刻点的单周期惯性序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
如图2、3所示,同时本发明提供一种基于个体运动行为层次模型的PAMS分层应用方法,其通过权利要求1-6所述的系统实现,所述方法包括:姿态子系统2处理步骤、动作子系统3处理步骤、运动子系统4处理步骤和惯性子系统5处理步骤,其特征在于:
所述姿态子系统2处理步骤:由相对确定的且精准的计量基本单元生成并进行个体运动行为处理S205;
所述动作子系统3处理步骤:由至少一个姿态子系统2生成的呈周期性变化的至少一个单周期序列组成并进行个体运动行为处理;
所述运动子系统4处理步骤:由至少一个动作子系统3生成的呈非周期性变化的确定时间长度的序列组成并进行个体运动行为处理;
所述惯性子系统5处理步骤:由至少一个运动子系统4生成的呈非周期性变化的不确定时间长度的序列组成并进行个体运动行为处理;
由于采用姿态子系统处理步骤、动作子系统处理步骤、运动子系统处理步骤、惯性子系统处理步骤,通过上述步骤,揭示PAMS层次模型的本质,描述了一个基本规律:(1)系统组分的多少和演化的时间会导致了系统形成四个层次的复杂性。(2)说明了组分增多使系统变大,时间增长使系统不确定,组分增大和时间增长同时存在将使系统完全变黑色,导致系统不可预测,姿态级系统由有相对确定的、精准的计量基本单元生成;动作级系统则表示由多个姿态系统生成的呈周期性变化的一个单周期过程;运动级系统则是表示由多个动作系统生成的呈非周期性确定时间长度的随机过程;惯性级系统则是表示由多个运动系统生成的呈非周期性的不确定时间长度的随机过程。
所述姿态子系统2是非计量基本单元的线性累加,且呈不可逆的整体生成关系;
所述动作子系统3是非姿态子系统2的线性累加,且呈非线性的不可逆的整体生成关系;
所述运动子系统4是非动作子系统3的线性累加,且呈非线性的不可逆的整体生成关系;
所述惯性子系统5是非运动子系统4的线性累加,且呈非线性的不可逆的整体生成关系。
由于上述所述特征的描述,揭示PAMS层次模型的本质,描述了另一个基本规律:把系统复杂程度分为四个层级,或者说根据复杂程度不同,将系统分为四个不同层级的子系统,简称姿态级、动作级、运动级和惯性级,姿态级系统不是计量基本单元的线性累加,而是整体生成关系,是不可逆的过程,同理,动作系统也是姿态系统非线性的,不可逆的生成关系,而不是累加关系,运行系统、惯性系统亦然。
所述方法还包括:
全身动作数据采集步骤S101:通过建立包括如光学系统、或传感器系统的人体动作捕捉系统获取个体运动中全身关节的三维空间姿态数据S201;
人工专家标注数据步骤S102:基于所采集全身关节的三维空间姿态数据,根据不同人工专家系统确定对姿态基的判断,并根据姿态基的判断截取数据,将截取的数据按照编码规则形成姿态基数据样本标签;
数据汇总分类处理步骤S103:将不同人工专家系统数据标注后的姿态基数据样本标签重复补充汇总后通过分类编码形成由多个不同专家标注的数据集,并通过不同专家标注的数据集统计分析,经姿态基范围确定方法确定姿态基的取值范围S203;
建立个体行为样本库步骤S104:通过个体行为模型PAMS开放样本库系统平台采用众包模式汇聚建立PAMS开放样本库S204;
由于采用S1、全身动作数据采集;S2、人工专家标注数据;S3、数据汇总分类处理:;S4、建立个体行为样本库;S5、PAMS泛化应用,由于首先,通过人体动作捕捉系统建立一个全身动作采集系统,可采用惯性人体动作捕捉系统,每一个传感器的固定在人体的环节上,也可以选择其他动作捕捉系统,比如光学系统,其次,基于所采集全身关节的三维空间姿态数据,通过不同人工专家进行判断、识别和标注,在原始数据序列中,根据人工专家的给出对姿态基的判断,截取数据,按照规则编码形成姿态基数据样本标签,再次,按照如图2所示的规定操作流程对人工专家识别的数据进行汇总,进行分类编码,随着更多人工专家加入数据标注工作,最终会形成由多个不同专家标注的数据集,通过对多个人工专家标注数据统计分析,确定姿态基的取值范围,再次,建立PAMS开放样本库,采集人体姿态基数据需要极其庞大工作量,如果依靠个人或者某一个团队很难完成,本方法通过PAMS开放样本库系统平台,采用众包模式汇聚全社会的力量共同完成,最后,PAMS系统是泛指一个根据时间尺度的大小,按照数据是否呈周期性变化,及低层级系统生成更高层系统,将系统复杂度分为四个层级的系统,因此,PAMS系统是根据人体行为在时间尺度大小和数据特征,对系统的复杂程度进行了分层分类,本方法用随机过程建立数学模型进行定量分析人体机能过程,在对人体行为不同时间尺度数据特点分析研究的基础上,定义了人体行为的“姿态基”的基本单元,并把姿态基作为建立行为模型和分析计量的基础,进而建立了人体PAMS层次模型,为下一步提出人体行为干预管理科学的定量研究方法奠定了基础,为了实现人体行为多维因素统一的测度,本方法还提出了PAMS层次模型的泛化应用方法及原则,将人体生理等指标一并纳入PAMS模型体系,为人体行为多维指标统一分析奠定了基础。
所述姿态基范围确定方法包括采用68-95-99.7法则,所述68-95-99.7法则包括最大值确定函数和最小值确定函数;
所述最大值确定函数为:
max=mean+3×SD;
所述最小值确定函数为:
min=mean-3×SD;
其中:所述mean为人工专家标注选择的平均值;所述SD为标准差。
由于采用所述姿态基范围确定方法包括采用68-95-99.7法则,所述68-95-99.7法则包括最大值确定函数和最小值确定函数,由于采用所述姿态基的取值范围包括:PU1级姿态基数据集:俯仰姿态基;侧倾姿态基;转体姿态基;PU2级姿态基数据集:单肩屈姿态基;单肩伸姿态基;单肩内收姿态基;单肩外展姿态基;单肩旋内姿态基;单肩旋外姿态基;单髋屈姿态基;单髋伸姿态基;单髋内收姿态基;单肩外展姿态基;单髋旋内姿态基;单髋旋外姿态基;PU3级姿态基数据集:单肘屈姿态基;单肘伸姿态基;单膝屈姿态基;单膝伸姿态基;PU4级姿态基数据集:单腕屈姿态基;单腕伸姿态基;单腕内收姿态基;单腕外展姿态基;单腕旋内姿态基;单腕旋外姿态基;单踝屈姿态基;单踝伸姿态基;单踝内翻姿态基;单踝外翻姿态基;单踝旋内姿态基;单踝旋外姿态基;PU2姿态基数据集包括PU1数据集,所述PU3姿态基数据集包括PU2数据集,PU4姿态基数据集包括PU3数据集,PU5姿态基数据集包括PU4数据集,由于经过人工识别,PU1级姿态基暂可分为3个,其实际具体的数量可以根据具体研究的需要进一步细分,不过,无论如何细分姿态基的数量总是有限数量。并且,可以根据相关测试数据进而确定各姿态基的角度范围;PU2姿态基数据集包括PU1数据集。因为增加了大臂和大腿的环节,姿态基的总数也随着增加。同理,测定PU3和PU4姿态基的范围;
各级姿态基如下表:
工作原理:
本专利通过个体运动行为层次模型PAMS泛化应用:基于PAMS开放样本库,将依次分层的PAMS系统1根据人体行为在时间尺度大小和数据特征,按照PAMS分层应用算法和PAMS分层限定算法对PAMS系统1的复杂程度进行分层分类,由于姿态子系统P:姿态是不同环节相互协同并同步发生的同一种姿态基序列,姿态子系统具备的特点:(1)参与构造姿态系统的所有姿态基是同步的(2)参与构造姿态系统的所有姿态基要求是均衡的,须满足生物学的约束条件(3)姿态基序列生成姿态系统,这个过程不可逆,是一个状态转移过程,不是一个线性累加过程;动作子系统A:动作系统是由连续的姿态系统序列生成的一个呈周期性变化的单周期行为序列,动作子系统具备的特点:(1)动作是为了完成特定任务。比如:完成一个扣杀羽毛球。(2)构成动作系统的姿态是相互连续,具有先后次序的序列。一个动作讲究的是一气呵成。(3)动作呈周期性变化。也就说一个人体的动作会重复出现。(4)多次训练方可形成动作。如姿态形成同理,构造动作的所有姿态的运动也是需要多次训练是人体产生记忆,才能形成特定的功能动作系统结构。对动作系统的评价,顺畅连贯是非常重要的衡量关键指标;运动子系统M:运动系统通过执行不同的任务完成一个特定目的动作序列,运动子系统具备的特点:(1)运动系统一般具有特定目标。比如:步行上班、打一场篮球等。(2)运动系统具有较高不确定性。构成运动系统的动作系统是相互连续的时间序列。由于时间跨度加大,个体意识活动影响较大,导致运动系统的随机性加大,不确定性增高。(3)运动系统呈非周期性。也就是说,每个运动序列很难完整地重现。比如:很难完成一模一样的篮球训练课。(4)运动系统涉及到更多的维度信息相互协同才能完成,比如能量代谢、意识等,习惯子系统S:习惯则是表达了个体行为的总体特征,是一个较长时间段的总体表现,习惯子系统具备的特点:(1)惯性系统是长周期的动作序列,覆盖生活全周期,周期往往以天单位,连续一个月、一个季度,甚至更长时间。(2)惯性系统是一个不可预测复杂系统。由于时间跨度加大,个体意识、社会秩序等因素影响较大,导致S系统的处于一个不可预测的随机不确定状态。(3)惯性系统具有鲜明个体化。在多要素长时间的刺激下,每一个人的行为S系统,呈现鲜明的个体特性,千人千面。这些特征会对个体的行为产生深刻的影响,并决定个体发展的方向。(4)惯性系统相比其他系统具有更加明显的社会性,本发明解决了由于人体机能状态转移是一个随机过程,也就是机能状态存在非稳态,但是现代科学不能将这种非稳态机能进行有效控制,从而导致人体机能状态不稳定的问题,具有为下一步提出人体行为干预管理科学的定量研究方法奠定了基础,为了实现人体行为多维因素统一的测度,同时为人体行为多维指标统一分析奠定了基础的有益技术效果。
利用本发明的技术方案,或本领域的技术人员在本发明技术方案的启发下,设计出类似的技术方案,而达到上述技术效果的,均是落入本发明的保护范围。
Claims (10)
1.基于个体运动行为层次模型的泛化应用系统,其特征在于,包括:
个体运动行为层次模型PAMS泛化应用系统:基于PAMS开放样本库,将依次分层的PAMS系统根据人体行为在时间尺度大小和数据特征,按照PAMS分层应用算法和PAMS分层限定算法对PAMS系统的复杂程度进行分层分类;
所述依次分层的PAMS系统依次包括:
姿态子系统:通过不同环节相互协同并同步发生的同一种姿态基序列组成;
动作子系统:通过连续的姿态子系统生成的呈周期性变化的单周期行为序列组成;
运动子系统:通过连续的动作子系统生成的呈非周期性变化的确定时间长度的序列组成;
惯性子系统:通过连续的运动子系统生成的呈非周期性变化的不确定时间长度的序列组成。
2.根据权利要求1所述泛化应用系统,其特征在于,包括:
所述姿态子系统的姿态可用式:
所述P(t)为不同人体环节序号在所有时刻点的姿态基序列集合;
所述t是不同人体环节序号;所述t的取值范围为t={1,2…}的自然数集合;
所述n为时刻点,所述n的取值范围为n={1,2…}的自然数集合;
所述动作子系统的动作可用式:
A(t)={p1,p2,Λpt};
所述A(t)为所有时刻点的单周期行为序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合;
所述运动子系统的运动可用式:
M(t)={A1,A2,ΛAt};
所述M(t)为所有时刻点的单周期运动序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合;
所述惯性子系统的惯性可用式:
S(t)={M1,M2,ΛMt};
所述S(t)为所有时刻点的单周期惯性序列的集合;
所述t为任一时刻点,所述t的取值范围为t={1,2…}的自然数集合。
3.根据权利要求2所述泛化应用系统,其特征在于,包括:
所述姿态可用式的应用函数为:
P{PU(t)≤pu|PU(tn)=pun,...,PU(t1)=pu1}=P{PU(t)≤pu|PU(tn)=xn};
所述P(t)为不同人体环节序号在所有时刻点的姿态基序列集合。
4.根据权利要求3所述泛化应用系统,其特征在于,包括:
所述动作可用式的应用函数为:
A{P(t)≤p|P(tn)=pn,...,P(t1)=p1}=P{P(t)≤p|P(tn)=pn};
所述A(t)为所有时刻点的单周期行为序列的集合。
5.根据权利要求4所述泛化应用系统,其特征在于,包括:
所述运动可用式的应用函数为:
M{A(t)≤a|A(tn)=an,...,a1}=P{A(t)≤an};
所述M(t)为所有时刻点的单周期运动序列的集合。
6.根据权利要求5所述泛化应用系统,其特征在于,包括:
所述惯性可用式的应用函数为:
S{M(t)≤m|M(tn)=mn,...,m1}=M{M(t)≤m|M(tn)=Mn};
所述S(t)为所有时刻点的单周期惯性序列的集合。
7.一种基于个体运动行为层次模型的PAMS分层应用方法,所述方法包括:姿态子系统处理步骤、动作子系统处理步骤、运动子系统处理步骤和惯性子系统处理步骤,其特征在于:
所述姿态子系统处理步骤:由相对确定的且精准的计量基本单元生成并进行个体运动行为处理;
所述动作子系统处理步骤:由至少一个姿态子系统生成的呈周期性变化的至少一个单周期序列组成并进行个体运动行为处理;
所述运动子系统处理步骤:由至少一个动作子系统生成的呈非周期性变化的确定时间长度的序列组成并进行个体运动行为处理;
所述惯性子系统处理步骤:由至少一个运动子系统生成的呈非周期性变化的不确定时间长度的序列组成并进行个体运动行为处理。
8.根据权利要求7所述的方法,其特征在于:
所述姿态子系统是非计量基本单元的线性累加,且呈不可逆的整体生成关系;
所述动作子系统是非姿态子系统的线性累加,且呈非线性的不可逆的整体生成关系;
所述运动子系统是非动作子系统的线性累加,且呈非线性的不可逆的整体生成关系;
所述惯性子系统是非运动子系统的线性累加,且呈非线性的不可逆的整体生成关系。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
全身动作数据采集步骤:通过建立包括如光学系统、或传感器系统的人体动作捕捉系统获取个体运动中全身关节的三维空间姿态数据;
人工专家标注数据步骤:基于所采集全身关节的三维空间姿态数据,根据不同人工专家系统确定对姿态基的判断,并根据姿态基的判断截取数据,将截取的数据按照编码规则形成姿态基数据样本标签;
数据汇总分类处理步骤:将不同人工专家系统数据标注后的姿态基数据样本标签重复补充汇总后通过分类编码形成由多个不同专家标注的数据集,并通过不同专家标注的数据集统计分析,经姿态基范围确定方法确定姿态基的取值范围;
建立个体行为样本库步骤:通过个体行为模型PAMS开放样本库系统平台采用众包模式汇聚建立PAMS开放样本库。
10.根据权利要求9所述的方法,其特征在于,所述姿态基范围确定方法包括采用68-95-99.7法则,所述68-95-99.7法则包括最大值确定函数和最小值确定函数;
所述最大值确定函数为:
max=mean+3×SD;
所述最小值确定函数为:
min=mean-3×SD;
其中:
所述mean为人工专家标注选择的平均值;
所述SD为标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178598.3A CN113143257B (zh) | 2021-02-09 | 2021-02-09 | 基于个体运动行为层次模型的泛化应用系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178598.3A CN113143257B (zh) | 2021-02-09 | 2021-02-09 | 基于个体运动行为层次模型的泛化应用系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113143257A CN113143257A (zh) | 2021-07-23 |
CN113143257B true CN113143257B (zh) | 2023-01-17 |
Family
ID=76882953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178598.3A Active CN113143257B (zh) | 2021-02-09 | 2021-02-09 | 基于个体运动行为层次模型的泛化应用系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113143257B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310484B (zh) * | 2022-08-05 | 2024-04-09 | 重庆大学 | 姿态拓展状态语义处理方法及系统 |
CN116189309B (zh) * | 2022-11-16 | 2024-01-30 | 北京理工大学 | 一种处理人体运动数据的方法及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017206005A1 (zh) * | 2016-05-30 | 2017-12-07 | 中国石油大学(华东) | 一种基于光流检测和身体部分模型的多人姿态识别系统 |
CN109583294A (zh) * | 2018-10-15 | 2019-04-05 | 西安理工大学 | 一种基于运动生物力学的多模式人体行为识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8388530B2 (en) * | 2000-05-30 | 2013-03-05 | Vladimir Shusterman | Personalized monitoring and healthcare information management using physiological basis functions |
US20130218053A1 (en) * | 2010-07-09 | 2013-08-22 | The Regents Of The University Of California | System comprised of sensors, communications, processing and inference on servers and other devices |
US20150025419A1 (en) * | 2013-07-18 | 2015-01-22 | Everett Aaberg | Integrated triad system for providing advanced assessment methods, corrective and performance exercise training, and integrating specialized manual therapies |
WO2016094375A1 (en) * | 2014-12-08 | 2016-06-16 | Rutgers, The State University Of New Jersey | Methods for measuring physiologically relevant motion |
-
2021
- 2021-02-09 CN CN202110178598.3A patent/CN113143257B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017206005A1 (zh) * | 2016-05-30 | 2017-12-07 | 中国石油大学(华东) | 一种基于光流检测和身体部分模型的多人姿态识别系统 |
CN109583294A (zh) * | 2018-10-15 | 2019-04-05 | 西安理工大学 | 一种基于运动生物力学的多模式人体行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113143257A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rane et al. | Deep learning for musculoskeletal force prediction | |
Blana et al. | Real-time simulation of hand motion for prosthesis control | |
Avraham et al. | Toward perceiving robots as humans: Three handshake models face the turing-like handshake test | |
Domire et al. | The influence of squat depth on maximal vertical jump performance | |
CN113143257B (zh) | 基于个体运动行为层次模型的泛化应用系统及方法 | |
Gritsenko et al. | Biomechanical constraints underlying motor primitives derived from the musculoskeletal anatomy of the human arm | |
Saikia et al. | Recent advancements in prosthetic hand technology | |
Zhang et al. | Lower limb motion intention recognition based on sEMG fusion features | |
Bittibssi et al. | sEMG pattern recognition based on recurrent neural network | |
Siu et al. | A neural network estimation of ankle torques from electromyography and accelerometry | |
Jiang et al. | Model-based data augmentation for user-independent fatigue estimation | |
Nasr et al. | InverseMuscleNET: alternative machine learning solution to static optimization and inverse muscle modeling | |
Zhu et al. | A perspective on rhythmic gymnastics performance analysis powered by intelligent fabric | |
Tu et al. | A Review of Human Motion Monitoring Methods using Wearable Sensors. | |
Sharma et al. | Machine learning for musculoskeletal modeling of upper extremity | |
Wang | Sports training auxiliary decision support system based on neural network algorithm | |
Choo et al. | Use of machine learning in the field of prosthetics and orthotics: A systematic narrative review | |
Raikova et al. | The influence of the way the muscle force is modeled on the predicted results obtained by solving indeterminate problems for a fast elbow flexion | |
Saputra et al. | A real-time control system of upper-limb human musculoskeletal model with environmental integration | |
Crouch et al. | Simple EMG-driven musculoskeletal model enables consistent control performance during path tracing tasks | |
Ekambaram et al. | Artificial Intelligence (AI) Powered Precise Classification of Recuperation Exercises for Musculoskeletal Disorders. | |
Lueken et al. | Using synthesized imu data to train a long-short term memory-based neural network for unobtrusive gait analysis with a sparse sensor setup | |
Santos et al. | Improving the fitness of high-dimensional biomechanical models via data-driven stochastic exploration | |
CN111452022B (zh) | 基于贝叶斯优化的上肢康复机器人主动训练参考轨迹复杂度调节方法 | |
Cutti et al. | A motion analysis protocol for kinematic assessment of poly‐articulated prosthetic hands with cosmetic gloves |
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 |