CN113749651A - 一种基于人体姿势识别的压力评估方法及压力评估系统 - Google Patents

一种基于人体姿势识别的压力评估方法及压力评估系统 Download PDF

Info

Publication number
CN113749651A
CN113749651A CN202111208556.6A CN202111208556A CN113749651A CN 113749651 A CN113749651 A CN 113749651A CN 202111208556 A CN202111208556 A CN 202111208556A CN 113749651 A CN113749651 A CN 113749651A
Authority
CN
China
Prior art keywords
pressure
human body
data
posture
bone
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.)
Granted
Application number
CN202111208556.6A
Other languages
English (en)
Other versions
CN113749651B (zh
Inventor
孟宪宇
王棋
曹国华
余锡泉
刘洪胜
王硕
南雨荷
赵松锐
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.)
Chongqing Research Institute Of Changchun University Of Technology
Changchun University of Science and Technology
Original Assignee
Chongqing Research Institute Of Changchun University Of Technology
Changchun University of Science and Technology
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 Chongqing Research Institute Of Changchun University Of Technology, Changchun University of Science and Technology filed Critical Chongqing Research Institute Of Changchun University Of Technology
Priority to CN202111208556.6A priority Critical patent/CN113749651B/zh
Publication of CN113749651A publication Critical patent/CN113749651A/zh
Application granted granted Critical
Publication of CN113749651B publication Critical patent/CN113749651B/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
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4528—Joints
    • 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
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A61B5/4571—Evaluating the hip
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Rheumatology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于人体姿势识别的压力评估方法及压力评估系统，利用Kinect传感器采集人体的原始骨骼数据；利用分布在护理床床面上的薄膜压力传感器采集人体各部位的压力数据；将原始骨骼数据和压力数据传输到处理器模块进行人体姿势识别，并将骨骼数据、识别出的人体姿势类别以及压力数据传输到压力匹配模块；压力匹配模块将骨骼数据与压力数据进行拟合，得到人体相应部位的压力值；评估及预警模块结合人体所处的姿势类别及相应部分的压力值进行压力评估，当检测到人体某相应部位的压力及持续时间超过阈值时，进行预警。本发明能更加准确及时的评估卧床病人各主要身体部位所受的压力。

Description

一种基于人体姿势识别的压力评估方法及压力评估系统
技术领域
本发明属于智能检测技术领域，具体涉及一种基于人体姿势识别的压力评估方法及压力评估系统。
背景技术
目前，在对卧床病人的护理过程中，皮肤压疮是一个普遍性问题。解决这一问题，通常采用的方法是对病人进行定时翻身，但需要耗费大量的人力。
智能护理床的出现，极大的减轻了护理人员的负担。但是，大多数护理床都不能准确的识别人体各部位所受的压力，在预防压疮方面达不到人们预期的效果。
因此我们急切需要找到一种更加有效便捷的方法来及时对卧床病人身体各主要身体部位所受的压力进行评估、预警，使智能护理床更加智能完善。
发明内容
为了解决现有技术存在的上述问题，本发明提供一种基于人体姿势识别的压力评估方法及压力评估系统，通过对卧床病人所处人体姿势的识别，结合压力传感器的检测数据，能更加准确及时的评估卧床病人各主要身体部位所受的压力，并能够根据压力情况发出预警，有效预防压疮的产生，提高病人舒适度，减轻护理人员工作负担。
本发明的目的是通过以下技术方案实现的：
本发明提供一种基于人体姿势识别的压力评估方法，包括：
步骤一、利用Kinect传感器采集人体的原始骨骼数据；
步骤二、利用分布在护理床床面上的薄膜压力传感器采集人体各部位的压力数据；
步骤三、将原始骨骼数据和压力数据传输到处理器模块进行人体姿势识别，并将骨骼数据、识别出的人体姿势类别以及压力数据传输到压力匹配模块；
步骤四、压力匹配模块将骨骼数据与压力数据进行拟合，得到人体相应部位的压力值；
步骤五、评估及预警模块结合人体所处的姿势类别及相应部分的压力值进行压力评估，当检测到人体某相应部位的压力及持续时间超过阈值时，进行预警。
进一步地，所述Kinect传感器捕获人体骨骼三维数据，共获取人体的25个标准骨骼关节点的坐标信息。
进一步地，所述薄膜压力传感器分别铺设在护理床床面上对应人体头部、背部、臀部、足部位置；铺设在背部的压力传感器可以用来检测肩关节，铺设在臀部的压力传感器可以检测髋关节，铺设在足部的压力传感器可以用来检测踝关节。
进一步地，所述步骤三包括：
3.1)对Kinect传感器采集到的骨骼关节点进行筛选，提取出与人体姿势识别以及压力数据拟合相关联的11个骨骼关节点坐标；
3.2)通过坐标系变换将骨骼关节点坐标变换到以床面为参考的坐标系中，并将坐标变换后的11个骨骼关节点坐标传输到压力匹配模块；
3.3)定义骨骼向量，获取每段骨骼向量的方向余弦特征；
3.4)通过MLP神经网络对获取的余弦特征进行模型训练，并对所建立的训练模型进行分类识别，分离出人体的姿势类别；
3.5)将薄膜压力传感器采集到的压力数据进行均值滤波。
更进一步地，所述步骤3.2)中采用的坐标变换公式为：
Figure BDA0003307892810000021
其中，Hrgb和Hd是传感器的原有参数，R是旋转矩阵，T是过渡矩阵。
更进一步地，所述步骤3.3)的具体过程为：
利用公式
Figure BDA0003307892810000022
计算出三个关节点Pi，Pj以及Pk之间的距离dij、dik以及djk，然后利用余弦定理式
Figure BDA0003307892810000023
计算出骨骼点之间的夹角作为余弦特征，一共获得10个余弦特征。
更进一步地，所述步骤3.4)的具体过程为：
对所需识别的5种人体姿势类别进行定义，分别为：左侧卧，右侧卧，屈腿，起背，平躺；
从上述10个余弦特征中选取5个特征作为训练的样本模型，分别为：头部与左肩之间的夹角μ，头部与右肩之间的夹角α，大腿与小腿之间的夹角β，肩部与腿部之间的夹角γ，头部与背部的角度θ；
左侧卧姿势通过角度μ识别；右侧卧姿势通过角度α识别；屈腿姿势通过角度β识别；起背姿势通过角度γ识别；平躺姿势通过角度θ识别；
通过MLP神经网络对所建立的训练模型进行分类识别，分离出人体的姿势类别。
本发明同时提供一种基于人体姿势识别的压力评估系统，包括：
信号获取模块，通过Kinect传感器采集人体的骨骼数据，通过薄膜压力传感器采集人体各部位压力数据；
处理器模块，根据信号获取与处理模块获取的骨骼数据识别出人体当前所处的姿势类别；
压力匹配模块，将人体相应部位的骨骼关节点坐标与薄膜压力传感器采集的压力数据进行拟合，获得人体相应部位的压力值；
评估及预警模块，检测人体相应受压部位的压力值是否正常，当受压部位压力及持续时间达到阈值时发出警示信号。
进一步地，所述信号获取模块包括：
Kinect传感器，用于采集人体躺着时的骨骼关节点的三维坐标；
薄膜压力传感器，采集采集人体各部位压力数据。
进一步地，所述处理器模块包括：
骨骼坐标处理单元，用于处理Kinect传感器采集的骨骼关节点的坐标信息，筛选与薄膜压力传感器匹配所需的骨骼坐标点信息；
数据预处理单元，通过所述骨骼坐标点信息得到姿势识别所需要的特征，同时对薄膜压力传感器采集的压力数据进行均值滤波；
训练模型建立单元，将所采集的所有人体不同姿势的骨骼信息处理得到的余弦特征作为训练的样本；
姿势识别单元，将所有的样本输入至MLP神经网络中进行分类识别，分离出人体的姿势类别。
进一步地，所述压力匹配模块将人体各部位的骨骼关节点坐标与处于相应坐标点的薄膜压力传感器相匹配，得出各部位的压力。
进一步地，所述评估及预警模块模块包括：
异常计算单元，对人体各部位的压力值进行计算，判断压力值是否异常；
异常输出单元，当压力值及持续时间达到设定的阈值时，将异常信息输出，即将输出的人体部位压力异常信息转换为警示信号。
本发明具有以下有益效果：
本发明将Kinect传感器技术与薄膜压力传感器技术相结合，通过Kinect传感器采集人体骨骼数据，通过薄膜压力传感器采集人体压力数据，然后处理模块通过骨骼数据识别出人体姿势，再通过压力模块将骨骼数据与压力数据进行拟合，获得人体相应部位的压力数据，进行压力评估及预警。能更加准确及时的评估卧床病人各主要身体部位所受的压力，并能够根据压力情况发出预警，有效预防压疮的产生，提高病人舒适度，减轻护理人员工作负担。
附图说明
图1为本发明一种基于人体姿势识别的压力评估方法的整体流程图；
图2为本发明所述Kinect传感器采集的25个标准骨骼关节点示意图；
图3为本发明所述用于识别人体姿势的5个角度特征示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
一种基于人体姿势识别的压力评估方法，包括：
步骤一、利用Kinect传感器采集人体的原始骨骼数据；
步骤二、利用分布在护理床床面上的薄膜压力传感器采集人体各部位的压力数据；
步骤三、将原始骨骼数据和压力数据传输到处理器模块进行人体姿势识别，并将骨骼数据、识别出的人体姿势类别以及压力数据传输到压力匹配模块；
步骤四、压力匹配模块将骨骼数据与压力数据进行拟合，得到人体相应部位的压力值；
步骤五、评估及预警模块结合人体所处的姿势类别及相应部分的压力值进行压力评估，当检测到人体某相应部位的压力及持续时间超过阈值时，进行预警。
进一步地，所述Kinect传感器捕获人体骨骼三维数据，共获取人体的25个标准骨骼关节点的坐标信息。
进一步地，所述薄膜压力传感器分别铺设在护理床床面上对应人体头部、背部、臀部、足部位置；铺设在背部的压力传感器可以用来检测肩关节，铺设在臀部的压力传感器可以检测髋关节，铺设在足部的压力传感器可以用来检测踝关节。
进一步地，所述步骤三包括：
3.1)对Kinect传感器采集到的骨骼关节点进行筛选，提取出与人体姿势识别以及压力数据拟合相关联的11个骨骼关节点坐标；
3.2)通过坐标系变换将骨骼关节点坐标变换到以床面为参考的坐标系中，并将坐标变换后的11个骨骼关节点坐标传输到压力匹配模块；
3.3)定义骨骼向量，获取每段骨骼向量的方向余弦特征；
3.4)通过MLP神经网络对获取的余弦特征进行模型训练，并对所建立的训练模型进行分类识别，分离出人体的姿势类别；
3.5)将薄膜压力传感器采集到的压力数据进行均值滤波。
更进一步地，所述步骤3.2)中采用的坐标变换公式为：
Figure BDA0003307892810000041
其中，Hrgb和Hd是传感器的原有参数，R是旋转矩阵，T是过渡矩阵。
更进一步地，所述步骤3.3)的具体过程为：
利用公式
Figure BDA0003307892810000051
计算出三个关节点Pi，Pj以及Pk之间的距离dij、dik以及djk，然后利用余弦定理式
Figure BDA0003307892810000052
计算出骨骼点之间的夹角作为余弦特征，一共获得10个余弦特征。
更进一步地，所述步骤3.4)的具体过程为：
对所需识别的5种人体姿势类别进行定义，分别为：左侧卧，右侧卧，屈腿，起背，平躺；
从上述10个余弦特征中选取5个特征作为训练的样本模型，分别为：头部与左肩之间的夹角μ，头部与右肩之间的夹角α，大腿与小腿之间的夹角β，肩部与腿部之间的夹角γ，头部与背部的角度θ；
左侧卧姿势通过角度μ识别；右侧卧姿势通过角度α识别；屈腿姿势通过角度β识别；起背姿势通过角度γ识别；平躺姿势通过角度θ识别；
通过MLP神经网络对所建立的训练模型进行分类识别，分离出人体的姿势类别。
实施例1
一种基于人体姿势识别的压力评估方法，包括：
1、利用Kinect传感器和Visual Studio软件来采集人体的原始骨骼数据；
2、利用分布在护理床床面上的压阻式薄膜压力传感器采集人体各部位的压力数据；
3、将原始骨骼数据和压力数据传输到处理器模块进行人体姿势识别，并将骨骼数据、识别出的人体姿势类别以及压力数据传输到压力匹配模块；
4、压力匹配模块将骨骼数据与压力数据进行拟合，得到人体相应部位的压力值；
5、压力匹配模块结合人体所处的姿势类别及相应部分的压力值进行压力评估，当检测到人体某相应部位的压力及持续时间超过阈值时，进行预警。
如图2所示，所述步骤1中，Kinect传感器和Visual Studio软件实时准确地捕获人体骨骼三维数据，一共可以获取人体的25个标准骨骼关节点的坐标信息。
所述步骤2中，压阻式薄膜压力传感器的铺设方式根据国家技术监督局发布的中国成年人人体尺寸中男子第90百分位标准身高数值为依据进行薄膜压力传感器的铺设。分别在头部、背部、臀部、足部铺设薄膜压力传感器。当人体侧卧时，最容易产生压疮的部位是肩关节，髋关节以及踝关节。此时，铺设在背部的压力传感器可以用来检测肩关节，铺设在臀部的压力传感器可以检测髋关节，铺设在足部的压力传感器可以用来检测踝关节。
所述步骤2中，通过STM323F103RCT6单片机将压阻式薄膜压力传感器采集的压力数据传输到Matlab中进行处理。
所述步骤3包括：
(1)处理器模块对Kinect传感器采集到的25个标准骨骼关节点数据进行处理：对骨骼点的数目进行筛选，选取对人体卧姿识别以及与压力数据拟合相关联的11个坐标点，其分别为：head、spine shoulder、shoulder left、shoulder right、spine base、hipleft、hip right、knee left、knee right、ankle left、ankle right；
(2)利用公式
Figure BDA0003307892810000061
将采集到的原始骨骼数据进行坐标变换，将骨骼关节点变换到以床面为参考的坐标系中，同时可以去除护理床之外的数据干扰。其中Hrgb和Hd是传感器的原有参数，R是旋转矩阵，T是过渡矩阵；将坐标变换后的11个骨骼关节点坐标传输到压力匹配模块；
(3)利用公式
Figure BDA0003307892810000062
计算出三个关节点Pi，Pj以及Pk之间的距离dij、dik以及djk，然后利用余弦定理式
Figure BDA0003307892810000063
计算出骨骼点之间的夹角作为余弦特征，一共可以获得10个余弦特征；
(4)对所需识别的5种人体姿势类别进行定义，分别为：左侧卧，右侧卧，屈腿，起背，平躺；
(5)如图3所示，从上述10个余弦特征中选取5个特征作为训练的样本模型，分别为：头部与左肩之间的夹角μ，头部与右肩之间的夹角α，大腿与小腿之间的夹角β，肩部与腿部之间的夹角γ，头部与背部的角度θ；
(6)左侧卧姿势通过角度μ识别；右侧卧姿势通过角度α识别；屈腿姿势通过角度β识别；起背姿势通过角度γ识别；平躺姿势通过角度θ识别；
(7)通过MLP神经网络对所建立的训练模型进行分类识别，分离出人体的姿势类别：
其中，MLP网络一共有三个完全相连的神经元层和一个输入层。输入层为我们所处理好的5种特征数据集，第一层隐藏层设有10个神经元，与输入层的输入特征完全相连，第二层隐藏层与第一层隐藏层结构相似，但是神经元数目只有8个，输出层为与5种特征相对应的5个神经元组成，该网络使用Levenberg-Marquardt反向传播算法进行训练，首先使用k倍交叉验证(k＝10)，然后运用在整个训练集中。在训练集上进行1000次迭代。在训练过程中，将数据集进行分类，其中70％为训练集，15％为验证集，15％为测试集；
(8)对薄膜压力传感器采集的压力数据进行均值滤波，连续取4个采样值进行算术平均运算，滤除随机干扰信号，保持数据平滑性。
所述步骤4包括：利用Matlab软件将人体骨骼数据与压力数据相拟合，将骨骼点坐标与薄膜压力传感器的铺设坐标进行匹配，根据就近原则，当人体尺寸差距较大时，根据骨骼关节点坐标与位置最近的薄膜压力传感器相匹配，获得人体各主要部位的压力数据。
所述步骤5包括：如果人体某部位承受9.33kPa压力的情况持续2h以上，即可发生不可逆损伤。因此当人体某部位压力承受9.33kPa压力的情况下时间过长(超过1小时)，判断为人体部位压力信息异常，发出警示信号。
实施例2
一种基于人体姿势识别的压力评估系统，包括：
信号获取模块，通过Kinect传感器采集人体的骨骼数据，通过薄膜压力传感器采集人体各部位压力数据；
处理器模块，根据信号获取与处理模块获取的骨骼数据识别出人体当前所处的姿势类别；
压力匹配模块，将人体相应部位的骨骼关节点坐标与薄膜压力传感器采集的压力数据进行拟合，获得人体相应部位的压力值；
评估及预警模块，检测人体相应受压部位的压力值是否正常，当受压部位压力及持续时间达到阈值时发出警示信号。
进一步地，所述信号获取模块包括：
Kinect传感器，用于采集人体躺着时的骨骼关节点的三维坐标；
薄膜压力传感器，采集采集人体各部位压力数据。
进一步地，所述处理器模块包括：
骨骼坐标处理单元，用于处理Kinect传感器采集的骨骼关节点的坐标信息，筛选与薄膜压力传感器匹配所需的骨骼坐标点信息；
数据预处理单元，通过所述骨骼坐标点信息得到姿势识别所需要的特征，同时对薄膜压力传感器采集的压力数据进行均值滤波；
训练模型建立单元，将所采集的所有人体不同姿势的骨骼信息处理得到的余弦特征作为训练的样本；
姿势识别单元，将所有的样本输入至MLP神经网络中进行分类识别，分离出人体的姿势类别。
进一步地，所述压力匹配模块将人体各部位的骨骼关节点坐标与处于相应坐标点的薄膜压力传感器相匹配，得出各部位的压力。
进一步地，所述评估及预警模块包括：
异常计算单元，对人体各部位的压力值进行计算，判断压力值是否异常；
异常输出单元，当压力值及持续时间达到设定的阈值时，将异常信息输出，即将输出的人体部位压力异常信息转换为警示信号。

Claims (10)

1.一种基于人体姿势识别的压力评估方法，其特征在于，包括以下步骤：
步骤一、利用Kinect传感器采集人体的原始骨骼数据；
步骤二、利用分布在护理床床面上的薄膜压力传感器采集人体各部位的压力数据；
步骤三、将原始骨骼数据和压力数据传输到处理器模块进行人体姿势识别，并将骨骼数据、识别出的人体姿势类别以及压力数据传输到压力匹配模块；
步骤四、压力匹配模块将骨骼数据与压力数据进行拟合，得到人体相应部位的压力值；
步骤五、评估及预警模块结合人体所处的姿势类别及相应部分的压力值进行压力评估，当检测到人体某相应部位的压力及持续时间超过阈值时，进行预警。
2.如权利要求1所述的一种基于人体姿势识别的压力评估方法，其特征在于，所述Kinect传感器捕获人体骨骼三维数据，共获取人体的25个标准骨骼关节点的坐标信息。
3.如权利要求1所述的一种基于人体姿势识别的压力评估方法，其特征在于，所述薄膜压力传感器分别铺设在护理床床面上对应人体头部、背部、臀部、足部位置；铺设在背部的压力传感器可以用来检测肩关节，铺设在臀部的压力传感器可以检测髋关节，铺设在足部的压力传感器可以用来检测踝关节。
4.如权利要求1所述的一种基于人体姿势识别的压力评估方法，其特征在于，所述步骤三包括：
3.1)对Kinect传感器采集到的骨骼关节点进行筛选，提取出与人体姿势识别以及压力数据拟合相关联的11个骨骼关节点坐标；
3.2)通过坐标系变换将骨骼关节点坐标变换到以床面为参考的坐标系中，并将坐标变换后的11个骨骼关节点坐标传输到压力匹配模块；
3.3)定义骨骼向量，获取每段骨骼向量的方向余弦特征；
3.4)通过MLP神经网络对获取的余弦特征进行模型训练，并对所建立的训练模型进行分类识别，分离出人体的姿势类别；
3.5)将薄膜压力传感器采集到的压力数据进行均值滤波。
5.如权利要求4所述的一种基于人体姿势识别的压力评估方法，其特征在于，所述步骤3.2)中采用的坐标变换公式为：
Figure FDA0003307892800000011
其中，Hrgb和Hd是传感器的原有参数，R是旋转矩阵，T是过渡矩阵。
6.如权利要求5所述的一种基于人体姿势识别的压力评估方法，其特征在于，所述步骤3.3)的具体过程为：
利用公式
Figure FDA0003307892800000021
计算出三个关节点Pi，Pj以及Pk之间的距离dij、dik以及djk，然后利用余弦定理式
Figure FDA0003307892800000022
计算出骨骼点之间的夹角作为余弦特征，一共获得10个余弦特征。
7.如权利要求6所述的一种基于人体姿势识别的压力评估方法，其特征在于，所述步骤3.4)的具体过程为：
对所需识别的5种人体姿势类别进行定义，分别为：左侧卧，右侧卧，屈腿，起背，平躺；
从上述10个余弦特征中选取5个特征作为训练的样本模型，分别为：头部与左肩之间的夹角μ，头部与右肩之间的夹角α，大腿与小腿之间的夹角β，肩部与腿部之间的夹角γ，头部与背部的角度θ；
左侧卧姿势通过角度μ识别；右侧卧姿势通过角度α识别；屈腿姿势通过角度β识别；起背姿势通过角度γ识别；平躺姿势通过角度θ识别；
通过MLP神经网络对所建立的训练模型进行分类识别，分离出人体的姿势类别。
8.一种基于人体姿势识别的压力评估系统，其特征在于，包括：
信号获取模块，通过Kinect传感器采集人体躺着时的骨骼关节点的三维坐标，通过薄膜压力传感器采集人体各部位压力数据；
处理器模块，根据信号获取与处理模块获取的骨骼数据识别出人体当前所处的姿势类别；
压力匹配模块，将人体相应部位的骨骼关节点坐标与薄膜压力传感器采集的压力数据进行拟合，获得人体相应部位的压力值；
评估及预警模块，检测人体相应受压部位的压力值是否正常，当受压部位压力及持续时间达到阈值时发出警示信号。
9.如权利要求8所述的一种基于人体姿势识别的压力评估系统，其特征在于，所述处理器模块包括：
骨骼坐标处理单元，用于处理Kinect传感器采集的骨骼关节点的坐标信息，筛选与薄膜压力传感器匹配所需的骨骼坐标点信息；
数据预处理单元，通过所述骨骼坐标点信息得到姿势识别所需要的特征，同时对薄膜压力传感器采集的压力数据进行均值滤波；
训练模型建立单元，将所采集的所有人体不同姿势的骨骼信息处理得到的余弦特征作为训练的样本；
姿势识别单元，将所有的样本输入至MLP神经网络中进行分类识别，分离出人体的姿势类别。
10.如权利要求9所述的一种基于人体姿势识别的压力评估系统，其特征在于，所述压力匹配模块将人体各部位的骨骼关节点坐标与处于相应坐标点的薄膜压力传感器相匹配，得出各部位的压力。
CN202111208556.6A 2021-10-18 2021-10-18 一种基于人体姿势识别的压力评估方法及压力评估系统 Active CN113749651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111208556.6A CN113749651B (zh) 2021-10-18 2021-10-18 一种基于人体姿势识别的压力评估方法及压力评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111208556.6A CN113749651B (zh) 2021-10-18 2021-10-18 一种基于人体姿势识别的压力评估方法及压力评估系统

Publications (2)

Publication Number Publication Date
CN113749651A true CN113749651A (zh) 2021-12-07
CN113749651B CN113749651B (zh) 2023-05-26

Family

ID=78799591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111208556.6A Active CN113749651B (zh) 2021-10-18 2021-10-18 一种基于人体姿势识别的压力评估方法及压力评估系统

Country Status (1)

Country Link
CN (1) CN113749651B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114601454A (zh) * 2022-03-11 2022-06-10 上海太翼健康科技有限公司 一种病人卧床姿势的监控方法

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5806518A (en) * 1995-09-11 1998-09-15 Integrated Surgical Systems Method and system for positioning surgical robot
CN101396268A (zh) * 2008-11-07 2009-04-01 清华大学 基于虚拟标志点的关节面运动跟踪测量方法
CN101998136A (zh) * 2009-08-18 2011-03-30 华为技术有限公司 单应矩阵的获取方法、摄像设备的标定方法及装置
JP2012048362A (ja) * 2010-08-25 2012-03-08 Kddi Corp 人体姿勢推定装置、人体姿勢推定方法およびコンピュータプログラム
WO2014150961A1 (en) * 2013-03-15 2014-09-25 Jointvue, Llc Motion tracking system with inertial-based sensing units
CN105488491A (zh) * 2015-12-23 2016-04-13 西安电子科技大学 基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法
CN105551182A (zh) * 2015-11-26 2016-05-04 吉林大学 基于Kinect人体姿势识别的驾驶状态监测系统
CN107247945A (zh) * 2017-07-04 2017-10-13 刘艺晴 一种基于Kinect设备的病房病患监护系统及监护方法
CN109544606A (zh) * 2018-11-02 2019-03-29 山东大学 基于多个Kinect的快速自动配准方法及系统
CN109741371A (zh) * 2019-01-07 2019-05-10 西安理工大学 一种基于惯性传感器的人体动作描述方法
CN110222665A (zh) * 2019-06-14 2019-09-10 电子科技大学 一种基于深度学习和姿态估计的监控中人体动作识别方法
CN110245623A (zh) * 2019-06-18 2019-09-17 重庆大学 一种实时人体运动姿势矫正方法及系统
CN110292386A (zh) * 2019-06-24 2019-10-01 中国地质大学（武汉） 一种基于视频信息和压电信息的人体坐姿检测系统及方法
CN110334609A (zh) * 2019-06-14 2019-10-15 斯坦福启天联合(广州)研究院有限公司 一种智能实时体感捕捉方法
CN110584911A (zh) * 2019-09-20 2019-12-20 长春理工大学 基于卧姿识别的智能护理床
CN112199846A (zh) * 2020-10-14 2021-01-08 广东珞珈睡眠科技有限公司 基于三维人体重建技术分析和定制床垫的系统
CN112270807A (zh) * 2020-10-29 2021-01-26 怀化学院 一种老人跌倒预警系统
CN112486331A (zh) * 2020-12-18 2021-03-12 清华大学 基于imu的三维空间手写输入方法和装置
CN112488000A (zh) * 2020-12-02 2021-03-12 河北工业大学 一种视触融合的全身步态运动模型的建模方法及应用
CN113435236A (zh) * 2021-02-20 2021-09-24 哈尔滨工业大学（威海） 居家老人姿态检测方法、系统、存储介质、设备及应用

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5806518A (en) * 1995-09-11 1998-09-15 Integrated Surgical Systems Method and system for positioning surgical robot
CN101396268A (zh) * 2008-11-07 2009-04-01 清华大学 基于虚拟标志点的关节面运动跟踪测量方法
CN101998136A (zh) * 2009-08-18 2011-03-30 华为技术有限公司 单应矩阵的获取方法、摄像设备的标定方法及装置
JP2012048362A (ja) * 2010-08-25 2012-03-08 Kddi Corp 人体姿勢推定装置、人体姿勢推定方法およびコンピュータプログラム
WO2014150961A1 (en) * 2013-03-15 2014-09-25 Jointvue, Llc Motion tracking system with inertial-based sensing units
CN105551182A (zh) * 2015-11-26 2016-05-04 吉林大学 基于Kinect人体姿势识别的驾驶状态监测系统
CN105488491A (zh) * 2015-12-23 2016-04-13 西安电子科技大学 基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法
CN107247945A (zh) * 2017-07-04 2017-10-13 刘艺晴 一种基于Kinect设备的病房病患监护系统及监护方法
CN109544606A (zh) * 2018-11-02 2019-03-29 山东大学 基于多个Kinect的快速自动配准方法及系统
CN109741371A (zh) * 2019-01-07 2019-05-10 西安理工大学 一种基于惯性传感器的人体动作描述方法
CN110222665A (zh) * 2019-06-14 2019-09-10 电子科技大学 一种基于深度学习和姿态估计的监控中人体动作识别方法
CN110334609A (zh) * 2019-06-14 2019-10-15 斯坦福启天联合(广州)研究院有限公司 一种智能实时体感捕捉方法
CN110245623A (zh) * 2019-06-18 2019-09-17 重庆大学 一种实时人体运动姿势矫正方法及系统
CN110292386A (zh) * 2019-06-24 2019-10-01 中国地质大学（武汉） 一种基于视频信息和压电信息的人体坐姿检测系统及方法
CN110584911A (zh) * 2019-09-20 2019-12-20 长春理工大学 基于卧姿识别的智能护理床
CN112199846A (zh) * 2020-10-14 2021-01-08 广东珞珈睡眠科技有限公司 基于三维人体重建技术分析和定制床垫的系统
CN112270807A (zh) * 2020-10-29 2021-01-26 怀化学院 一种老人跌倒预警系统
CN112488000A (zh) * 2020-12-02 2021-03-12 河北工业大学 一种视触融合的全身步态运动模型的建模方法及应用
CN112486331A (zh) * 2020-12-18 2021-03-12 清华大学 基于imu的三维空间手写输入方法和装置
CN113435236A (zh) * 2021-02-20 2021-09-24 哈尔滨工业大学（威海） 居家老人姿态检测方法、系统、存储介质、设备及应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙国燕等: "三维姿态角高精度测量装置", 《光学精密工程》 *
李红波;李双生;孙舶源;: "基于Kinect骨骼数据的人体动作姿势识别方法", 计算机工程与设计 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114601454A (zh) * 2022-03-11 2022-06-10 上海太翼健康科技有限公司 一种病人卧床姿势的监控方法

Also Published As

Publication number Publication date
CN113749651B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Ostadabbas et al. In-bed posture classification and limb identification
CN111368810A (zh) 基于人体及骨骼关键点识别的仰卧起坐检测系统及方法
US9125594B2 (en) Method and system for contour fitting and posture identification, and method for contour model adaptation
CN110472481B (zh) 一种睡姿检测方法、装置及设备
CN104274191B (zh) 一种心理测评方法及其系统
CN104361321A (zh) 一种判断老年人摔倒行为及身体平衡能力的方法
CN113139962B (zh) 用于脊柱侧凸概率评估的系统和方法
CN116563887B (zh) 一种基于轻量化卷积神经网络的睡姿监测方法
CN113749651B (zh) 一种基于人体姿势识别的压力评估方法及压力评估系统
Hsiao et al. Body posture recognition and turning recording system for the care of bed bound patients
Cai et al. Automatic detection of compensatory movement patterns by a pressure distribution mattress using machine learning methods: a pilot study
Delay et al. Non invasive wearable device for fetal movement detection
CN109833045B (zh) 一种智能护理床用起身意图监测方法
Liu et al. A method to recognize sleeping position using an CNN model based on human body pressure image
CN111695520A (zh) 一种高精度的儿童坐姿检测与矫正方法及装置
CN111639533A (zh) 基于步态特征的体态检测方法、装置、设备及存储介质
Adami et al. A method for classification of movements in bed
CN114550299A (zh) 基于视频的老年人日常生活活动能力评估系统和方法
CN110693510A (zh) 一种注意力缺陷多动障碍辅助诊断装置及其使用方法
Kau et al. Pressure-sensor-based sleep status and quality evaluation system
Jung et al. Walking-in-place characteristics-based geriatric assessment using deep convolutional neural networks
Howedi et al. Accelerometer-based human fall detection using fuzzy entropy
CN114403858B (zh) 一种人体运动功能评估方法、设备及系统
CN115775413A (zh) 一种基于深度神经网络的睡姿识别方法及系统
Hai et al. PCA-SVM algorithm for classification of skeletal data-based eigen postures

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