CN113712540B - 一种基于惯性传感器的人体足部运动站立相检测方法 - Google Patents

一种基于惯性传感器的人体足部运动站立相检测方法 Download PDF

Info

Publication number
CN113712540B
CN113712540B CN202111029801.7A CN202111029801A CN113712540B CN 113712540 B CN113712540 B CN 113712540B CN 202111029801 A CN202111029801 A CN 202111029801A CN 113712540 B CN113712540 B CN 113712540B
Authority
CN
China
Prior art keywords
time
motion
heel
hsr
reference point
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
CN202111029801.7A
Other languages
English (en)
Other versions
CN113712540A (zh
Inventor
吴银锋
刘炳政
冯仁剑
于宁
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202111029801.7A priority Critical patent/CN113712540B/zh
Publication of CN113712540A publication Critical patent/CN113712540A/zh
Application granted granted Critical
Publication of CN113712540B publication Critical patent/CN113712540B/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
    • A61B5/112—Gait analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation

Abstract

一种基于惯性传感器的人体足部运动站立相检测方法，涉及步态分析领域，特别是多运动模式并存情况下的站立相检测。本发明提出了一种适用于多运动模式并存情况下的站立相检测，该方法的技术要点为：首先根据足部运动特征检测足跟离地参考点和足跟着地参考点，其次，根据足部运动的动态水平差异，将足部运动划分为低动态水平和高动态水平，最后，不同动态水平的站立相检测使用不同的方法，固定阈值的方法用于低动态水平运动站立相检测，自适应阈值方法用于高动态水平运动站立相检测。所提出的站立相检测方法可以有效的检测出水平步行、后退、侧步、步行上楼梯、步行下楼梯、水平跑步、跑步上楼梯和跑步下楼梯等多种人体运动模式下的站立相。

Description

一种基于惯性传感器的人体足部运动站立相检测方法
一、技术领域
本发明涉及一种步态分析领域，尤其涉及一种多运动模式交替存在情况下的站立相检测方法。
二、背景技术
步行是人类最基本的运动，与个人的健康状况、年龄、性别、生活习惯等因素有关，人体步态检测在诸多领域都有重要的科学意义及应用价值，例如在医疗诊断方面，步态分析可以评估患者是否存在异常步态以及步态异常的性质和程度或者评定康复治疗的效果；在老年人监护方面，可以对老年人日常活动进行评估，然后有针对性对老年人的进行引导、训练，提高生活质量；在生物力学方面，可以提供为进行研究所需要的躯干和下肢的基本参数。
随着微型机电系统(MEMS)技术的迅速发展，基于传感器的人体步态分析得到了飞速发展。通过佩戴MEMS设备可以获得佩戴位置的惯性数据，这种方法重复性好，性能稳定、系统轻便小巧、不妨碍人体步行动作等。现有的基于惯性传感器的人体步态分析方法都使用零速率更新算法，而站立相检测是零速率更新算法的基础，也是划分人体下肢运动周期作为动作识别的数据窗口的关键，准确检测站立相是抑制导航参数和步态空间参数的计算累积误差的关键，所以准确检测站立相是行人导航、步态分析和人体下肢动作识别等领域的关键问题。
三、发明内容
为解决现有的基于固定阈值的站立相检测方法在多运动模式并存情况下的检测性能下降的问题，本发明提出了一种基于惯性传感器的人体足部运动站立相检测方法，此方法不仅适用于单一运动模式站立相检测，而且适用于多运动模式并存情况下站立相检测，同时提高零速率更新算法的准确性。
本发明提供了一种基于惯性传感器的人体足部运动站立相检测方法，其包括以下步骤：
(1)步态信号采集，通过足部(包括鞋)安装的惯性传感器，采集人体足部的三轴比力信号ak(akx，aky，akz)和三轴角速度信号ωk(ωkx，ωky，ωkz)，其中tk(k＝1,2,…,m)表示采样时刻；
(2)提取足跟离地参考点时间tHOR和足跟着地参考点时间tHSR，将足部运动划分为低动态和高动态两种情况分别进行人体足部运动站立相检测。
所述步骤(2)中，足跟离地参考点时间tHOR和足跟着地参考点时间tHSR的提取包括以下步骤：
(2.1)根据人体步态运动特征的经验值选择比力信号检测阈值aHOR，当实际检测的比力信号模值‖ak‖曲线处于上升沿时，将穿过aHOR阈值线的时刻记作足跟离地参考点时间tHOR，所述比力信号模值‖ak‖的计算公式为：
Figure BDA0003244554050000021
(2.2)在足跟离地参考点时间tHOR至tHOR+ΔtHS时间内，不做足跟着地参考点检测，其中ΔtHS是时间阈值，当t>(tHOR+ΔtHS)时，启动足跟着地参考点时间检测，当实际检测的比力信号模值‖ak‖曲线处于下降阶段，将穿过aHSR阈值线的时刻记作足跟着地参考点时间tHSR，所述时间阈值ΔtHS能够区分一个步态周期内的足跟着地点和初始离地点，同时小于最短的步态周期，阈值aHSR是根据人体运动学得到经验值，一般情况下：aHSR>g，g为重力加速度；
此外，所述步骤(2)中，足部运动动态水平划分包括以下步骤：
(2.3)计算足跟着地参考时间段内统计量Tk的最小值Tmin，参考时间段指tHSR时刻至tHSR+ΔtHSTD时刻，Tk表示的是一个处理窗口内ak和ωk的统计量。
其计算公式为：
Figure BDA0003244554050000022
其中N为统计量计算窗口内的采样点数，k表示第k次采样，在足跟着地参考时间点tHSR至tHSR+ΔtHSTD时间内统计量Tk的最小值即为Tmin，其中ΔtHSTD经验确定，一般小于最短的步态周期；
(2.4)根据阈值TL划分运动动态水平，阈值TL是通过佩戴惯性传感器按照标准的测试动作检测获得，一般取0.5～1.5之间；当α*Tmin≤TL时，认为此时足部运动的动态水平为低动态；当α*Tmin>TL时，认为此时足部运动的动态水平为高动态，其中系数α的取值在4～9之间；
所述步骤(2)中，不同运动水平下的站立相检测包括以下步骤：
(2.5)当足部运动的动态水平为低动态时，从足跟着地参考点时间tHSR开始判断：
当统计量Tk在ΔtLS时间内满足：Tk<TL时，将满足此条件的第一个时间点记为tA；
当统计量Tk在ΔtLS时间内满足：Tk≥TL时，将满足此条件的第一个时间点记为tB；
其中时间阈值ΔtLS用来滤除低动态运动下过短的站立相和摆动相，tA-tB这段时间所对应的步态运动的相位就认为是低动态运动的站立相；
(2.6)当足部运动的动态水平为高动态时，阈值TH的计算公式为：TH＝β*Tmin，其中系数β的取值在4～9之间，从足跟着地参考点时间tHSR开始判断：
当统计量Tk满足：Tk<TH时，将满足此条件的第一个时间点记为tA；
当统计量Tk满足：Tk≥TH时，将满足此条件的第一个时间点记为tB；
tA-tB这段时间所对应的步态运动的相位就认为是高动态运动的站立相。
本发明提供的一种基于惯性传感器的人体足部运动站立相检测方法，与现有的站立相检测方法相比具有以下优点：
1.提出一种检测足跟着地参考点的新方法。该方法用比力信号模值进行检测，避免了惯性传感器安装和人体运动方向对检测的影响。同时，这个检测方法仅在摆动后期检测足跟着地参考点，从而放宽了对足跟着地参考点时间检测阈值aHSR选择的限制，并使得该方法适合多种运动模式并存情况下的足跟着地参考点检测。
2.提出一种自适应调节站立相检测的统计量阈值的新方法。该方法利用站立相前后统计量的局部特点检测站立相，不需要确定不同运动下统计量阈值的实验和复杂的曲线拟合过程。
3.所提出的站立相检测方法可以有效地检测出水平步行、后退、侧步、上楼梯步行、下楼梯步行、水平跑步、上楼梯跑步和下楼梯跑步等多种人体运动模式下的站立相。
四、附图说明
图1为本发明实施例基于惯性传感器的人体足部运动站立相检测方法实现的流程图；
图2为本发明实施例中传感器安装示意图；
图3为足跟离地参考点时间检测和足跟着地参考点时间检测示意图；
图4为Tmin计算示意图。
五、具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
图1为本发明实施例提供的基于惯性传感器的人体足部运动站立相检测方法的实现流程图，图2为本发明实施例中传感器安装示意图，将传感器安装到鞋面上。
(1)通过足部(包括鞋)安装的惯性传感器，以200Hz的采样频率采集人体足部的运动信号；
其中，所述运动信号包括三轴比力信号ak(akx，aky，akz)和三轴角速度信号ωk(ωkx，ωky，ωkz)，tk(k＝1,2,…,m)表示采样时刻。用阈值法检测站立相，这种方法只与运动比力信号和角速度信号的大小有关，而与运动过程中比力信号和角速度信号的变化方向无关，所以利用比力信号的模值来检测站立相，按照以下公式计算比力信号的模值：
Figure BDA0003244554050000031
(2)提取足跟离地参考点时间tHOR和足跟着地参考点时间tHSR，将足部运动划分为低动态和高动态两种情况分别进行人体足部运动站立相检测。
图3为足跟离地参考点时间检测和足跟着地参考点时间检测示意图。图3曲线为人体足部运动的一段比力信号模值‖ak‖曲线，由于人类在行走时，下肢呈现一种典型的节律运动，足部运动的比力信号模值‖ak‖曲线也随之呈现周期性规律，利用在一个步态周期内，不同动态水平运动的比力模值具有相似波形的特点，可以用相同的方法检测不同动态水平运动的足跟离地参考点和足跟着地参考点，其中检测用到的阈值aHOR和阈值aHSR是根据人体动力学得到的经验值。
所述步骤(2)中，足跟离地参考点时间tHOR和足跟着地参考点时间tHSR的提取包括以下步骤：
(2.1)根据人体步态运动特征的经验值选择比力信号检测阈值aHOR，当实际检测的比力信号模值‖ak‖曲线处于上升沿时，将穿过aHOR阈值线的时刻记作足跟离地参考点时间tHOR，所述比力信号模值‖ak‖的计算公式为：
Figure BDA0003244554050000041
(2.2)在足跟离地参考点时间tHOR至tHOR+ΔtHS时间内，不做足跟着地参考点检测，其中ΔtHS是时间阈值，当t>(tHOR+ΔtHS)时，启动足跟着地参考点时间检测，当实际检测的比力信号模值‖ak‖曲线处于下降阶段，将穿过aHSR阈值线的时刻记作足跟着地参考点时间tHSR，所述时间阈值ΔtHS能够区分一个步态周期内的足跟着地点和初始离地点，同时小于最短的步态周期，阈值aHSR是根据人体运动学得到经验值，一般情况下：aHSR>g，g为重力加速度；
所述步骤(2)中，足部运动动态水平的划分包括以下步骤：
(2.3)计算足跟着地参考时间段内统计量Tk的最小值Tmin，参考时间段指tHSR时刻至tHSR+ΔtHSTD时刻，Tk表示的是一个处理窗口内ak和ωk的统计量，其计算公式为：
Figure BDA0003244554050000042
图4是Tmin计算示意图，在tHSR至tHSR+ΔtHSTD时间段内求Tk的最小值；
其中N为统计量计算窗口内的采样点数，k表示第k次采样，在足跟着地参考时间点tHSR至tHSR+ΔtHSTD时间内统计量Tk的最小值即为Tmin，其中ΔtHSTD经验确定，一般小于最短的步态周期；
(2.4)根据阈值TL划分运动动态水平，阈值TL是通过佩戴惯性传感器按照标准的测试动作检测获得，这里取为1.2；当α*Tmin≤TL时，认为此时足部运动的动态水平为低动态；当α*Tmin>TL时，认为此时足部运动的动态水平为高动态，其中系数α的取为6；
所述步骤(2)中，不同运动水平下的站立相检测包括以下步骤：
(2.5)当足部运动的动态水平为低动态时，从足跟着地参考点时间tHSR开始判断：
当统计量Tk在ΔtLS时间内满足：Tk<TL时，将满足此条件的第一个时间点记为tA；
当统计量Tk在ΔtLS时间内满足：Tk≥TL时，将满足此条件的第一个时间点记为tB；
其中时间阈值ΔtLS用来滤除低动态运动下过短的站立相和摆动相，tA-tB这段时间所对应的步态运动的相位就认为是低动态运动的站立相；
(2.6)当足部运动的动态水平为高动态时，阈值TH的计算公式为：TH＝β*Tmin，其中系数β的取值为6，从足跟着地参考点时间tHSR开始判断：
当统计量Tk满足：Tk<TH时，将满足此条件的第一个时间点记为tA；
当统计量Tk满足：Tk≥TH时，将满足此条件的第一个时间点记为tB；
tA-tB这段时间所对应的步态运动的相位就认为是高动态运动的站立相。

Claims (3)

1.一种基于惯性传感器的人体足部运动站立相检测方法，其包括以下步骤：
(1)步态信号采集，通过足部安装的惯性传感器，采集人体足部的三轴比力信号ak和三轴角速度信号ωk，所述三轴比力信号ak包括akx、aky、akz，所述三轴角速度信号ωk包括ωkx、ωky、ωkz；
(2)提取足跟离地参考点时间tHOR和足跟着地参考点时间tHSR，将足部运动划分为低动态和高动态两种情况分别进行人体足部运动站立相检测；
所述步骤(2)中，足部运动动态水平划分包括以下步骤：
(3.1)计算足跟着地参考时间段内统计量Tk的最小值Tmin，参考时间段指tHSR时刻至tHSR+ΔtHSTD时刻，Tk表示的是一个处理窗口内ak和ωk的统计量，其计算公式为：
Figure FDA0003637524950000011
其中N为统计量计算窗口内的采样点数，k表示第k次采样，ai为第i个三轴比力信号，ωi为第i个三轴角速度信号，g为重力加速度，在足跟着地参考时间点tHSR至tHSR+ΔtHSTD时间内统计量Tk的最小值即为Tmin，其中ΔtHSTD小于最短的步态周期；
(3.2)根据阈值TL划分运动动态水平，阈值TL是通过佩戴惯性传感器按照标准的测试动作检测获得，取0.5～1.5之间；当α*Tmin≤TL时，认为此时足部运动的动态水平为低动态；当α*Tmin＞TL时，认为此时足部运动的动态水平为高动态，其中系数α的取值在4～9之间。
2.根据权利要求1所述的一种基于惯性传感器的人体足部运动站立相检测方法，其特征在于，所述步骤(2)中，足跟离地参考点时间tHOR和足跟着地参考点时间tHSR的提取包括以下步骤：
(2.1)根据人体步态运动特征选择比力信号检测阈值aHOR，当实际检测的比力信号模值||ak||曲线处于上升沿时，将穿过aHOR阈值线的时刻记作足跟离地参考点时间tHOR，所述比力信号模值||ak||的计算公式为：
Figure FDA0003637524950000012
(2.2)在足跟离地参考点时间tHOR至tHOR+ΔtHS时间内，不做足跟着地参考点检测，其中ΔtHS是时间阈值，当t＞(tHOR+ΔtHS)时，启动足跟着地参考点时间检测，当实际检测的比力信号模值||ak||曲线处于下降阶段，将穿过aHSR阈值线的时刻记作足跟着地参考点时间tHSR，所述时间阈值ΔtHS能够区分一个步态周期内的足跟着地点和初始离地点，同时小于最短的步态周期，阈值aHSR是根据人体运动学得到aHSR＞g，g为重力加速度。
3.根据权利要求1所述的一种基于惯性传感器的人体足部运动站立相检测方法，其特征在于，所述步骤(2)中，不同运动水平下的站立相检测包括以下步骤：
(4.1)当足部运动的动态水平为低动态时，从足跟着地参考点时间tHSR开始判断：
当统计量Tk在ΔtLS时间内满足：Tk＜TL时，将满足此条件的第一个时间点记为tA；
当统计量Tk在ΔtLS时间内满足：Tk≥TL时，将满足此条件的第一个时间点记为tB；
其中时间阈值ΔtLS用来滤除低动态运动下过短的站立相和摆动相，tA-tB这段时间所对应的步态运动的相位就认为是低动态运动的站立相；
(4.2)当足部运动的动态水平为高动态时，阈值TH的计算公式为：TH＝β*Tmin，其中系数β的取值在4～9之间，从足跟着地参考点时间tHSR开始判断：
当统计量Tk满足：Tk＜TH时，将满足此条件的第一个时间点记为tC；
当统计量Tk满足：Tk≥TH时，将满足此条件的第一个时间点记为tD；
tC-tD这段时间所对应的步态运动的相位就认为是高动态运动的站立相。
CN202111029801.7A 2021-09-03 2021-09-03 一种基于惯性传感器的人体足部运动站立相检测方法 Active CN113712540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111029801.7A CN113712540B (zh) 2021-09-03 2021-09-03 一种基于惯性传感器的人体足部运动站立相检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111029801.7A CN113712540B (zh) 2021-09-03 2021-09-03 一种基于惯性传感器的人体足部运动站立相检测方法

Publications (2)

Publication Number Publication Date
CN113712540A CN113712540A (zh) 2021-11-30
CN113712540B true CN113712540B (zh) 2022-06-14

Family

ID=78681371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111029801.7A Active CN113712540B (zh) 2021-09-03 2021-09-03 一种基于惯性传感器的人体足部运动站立相检测方法

Country Status (1)

Country Link
CN (1) CN113712540B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102824177A (zh) * 2012-07-25 2012-12-19 王哲龙 一种三维人体步态定量分析系统和方法
CN106805980A (zh) * 2017-01-24 2017-06-09 重庆小爱科技有限公司 一种步态分析系统及分析方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2846821T3 (es) * 2010-07-14 2021-07-29 Ecole Polytechnique Fed Lausanne Epfl Sistema y método para la evaluación de la marcha en 3D
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
CN109998551B (zh) * 2019-04-11 2020-09-11 北京航空航天大学 一种分段式局部峰值检测的步态相位分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102824177A (zh) * 2012-07-25 2012-12-19 王哲龙 一种三维人体步态定量分析系统和方法
CN106805980A (zh) * 2017-01-24 2017-06-09 重庆小爱科技有限公司 一种步态分析系统及分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于惯性传感器的步态测量方法研究与实现;季冉;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160331;第17-24，33-44页 *

Also Published As

Publication number Publication date
CN113712540A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
Saboor et al. Latest research trends in gait analysis using wearable sensors and machine learning: A systematic review
el Achkar et al. Instrumented shoes for activity classification in the elderly
Mo et al. Accuracy of three methods in gait event detection during overground running
CN106482733B (zh) 行人导航中基于足底压力检测的零速修正方法
Mannini et al. Gait phase detection and discrimination between walking–jogging activities using hidden Markov models applied to foot motion data from a gyroscope
US7172563B2 (en) Gait detection system, gait detection apparatus, device, and gait detection method
Jain et al. Stride segmentation of inertial sensor data using statistical methods for different walking activities
JP2012518506A (ja) 人の歩行を検出するためのシステムおよび方法
Lee et al. A study on the activity classification using a triaxial accelerometer
Yuwono et al. Unsupervised nonparametric method for gait analysis using a waist-worn inertial sensor
EP3099229A1 (en) Improvements in the detection of walking in measurements of the movement of a user
KR102040232B1 (ko) 파킨슨병 환자에서 보행동결의 정량적 측정을 위한 장치 및 측정방법
Mannini et al. On-line classification of human activity and estimation of walk-run speed from acceleration data using support vector machines
WO2011064705A1 (en) Method for estimating velocities and/or displacements from accelerometer measurement samples
JP4504071B2 (ja) 身体運動解析装置
CN108814617A (zh) 冻结步态识别方法和装置及步态检测仪
Leuenberger et al. Classification of stair ascent and descent in stroke patients
Iervolino et al. A wearable device for sport performance analysis and monitoring
Paraschiv-Ionescu et al. Real-world speed estimation using single trunk IMU: methodological challenges for impaired gait patterns
CN113712540B (zh) 一种基于惯性传感器的人体足部运动站立相检测方法
Fida et al. Real time event-based segmentation to classify locomotion activities through a single inertial sensor
US20170311899A1 (en) Apparatus and method for identifying movement in a patient
Choi et al. Unsupervised gait phase estimation with domain-adversarial neural network and adaptive window
Sui et al. Real-time wearable gait phase segmentation for running and walking
US20230263400A1 (en) System and method for filtering time-varying data for physiological signal prediction

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