CN113967010A - 一种基于可穿戴式传感器的人体关节中心确定方法 - Google Patents
一种基于可穿戴式传感器的人体关节中心确定方法 Download PDFInfo
- Publication number
- CN113967010A CN113967010A CN202111203131.6A CN202111203131A CN113967010A CN 113967010 A CN113967010 A CN 113967010A CN 202111203131 A CN202111203131 A CN 202111203131A CN 113967010 A CN113967010 A CN 113967010A
- Authority
- CN
- China
- Prior art keywords
- joint
- imu
- acceleration
- angular velocity
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims abstract description 64
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 210000000689 upper leg Anatomy 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000003205 muscle Anatomy 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 210000002414 leg Anatomy 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 210000004394 hip joint Anatomy 0.000 description 5
- 210000001503 joint Anatomy 0.000 description 5
- 210000003141 lower extremity Anatomy 0.000 description 4
- 210000001624 hip Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 101000911772 Homo sapiens Hsc70-interacting protein Proteins 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 210000000629 knee joint Anatomy 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000001981 hip bone Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000020431 spinal cord injury Diseases 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
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
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
-
- 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
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Dentistry (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (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可穿戴式传感器的人体关节中心确定方法,涉及机器人技术领域,具体包括:选取若干惯性测量单元IMU,按需分别绑缚在人体腰部、大腿和小腿的关节位置,同时连接控制器读取各IMU的三轴角速度值和三轴加速度值;通过等时间间隔采样,将三轴加速度值和三轴角速度值分别各自绘制一张图像;通过对图像中的锯齿波纹进行过滤,直至得到平滑图像,进一步利用数据融合算法对平滑图像中的数据集计算关节梯度和损失函数,并利用Levenberg‑Marquart最优方法进行优化,当损失函数的误差最小时得到最优的关节中心位置。本发明能精确测量关节中心位置,不需要精确的测量仪器,惯性测量单元的标定不需要特定的转台,也不需要特定的标定动作,算法效率高且误差小。
Description
技术领域
本发明涉及机器人领域,具体是一种基于可穿戴式传感器的人体关节中心确定方法。
背景技术
近年来随着中国社会老龄化的加剧和各类事故的日益高发,由脑卒中、脊髓损伤和脑外伤等原因造成的肢体运动障碍的人口迅速增长。有效的康复手段是术后恢复行走功能的重要途径,对于提高生活质量,减轻社会负担具有重要的实际意义。
在医护人员的辅助下进行康复训练的传统康复方式,训练强度大、持续性难以保证,同时,受治疗师数量以及水平影响,训练效果难以精确观察,因此无法做到对患者的治疗需求精确辅助。下肢康复机器人应运而生,成为了恢复患者下肢运动功能的有效手段。
下肢康复机器人主要由机械部分和控制系统组成,机械部分是控制系统的控制对象和研究基础,通过机械部分的设计,在保证机器人与穿戴者(患者)的结构匹配和运动匹配后,机器人的控制性能主要由控制系统决定;控制系统是整个机器人的大脑,起着至关重要的作用。
在控制系统的设计和动力学建模过程中,人体关节中心位置的确定对于整体的建模有着重要的意义。由于人体髋关节和膝关节生理结构的复杂性,导致其运动中心不能通过简单的测量精确确定,所以如何精确确定关节中心成为了一个难点。
目前关节中心位置的确定方法主要有两种:一是基于人体特征数据库中的身高和体重等参数,利用二元回归模型的方法来确定;二是基于惯性测量单元(InertialMeasurement Unit,简称IMU),利用东北天坐标系和T型标定动作来保证IMU的测量精度和关节中心位置;
上述方法一定程度上可以大致确定关节中心的位置,然而由于人体结构的复杂性和每个人身体情况的不同,并不能精准的确定关节中心位置。
发明内容
针对现有技术中无法对关节中心进行精确确定的问题,本发明提供了一种基于可穿戴式传感器的下肢关节中心位置的确定方法,仅通过惯性测量单元的安装位置来确定关节中心的位置,不需要精密的测量仪器,操作简便,能更精准的对关节中心进行定位。
所述的基于可穿戴式传感器的人体关节中心确定方法,具体步骤如下:
步骤一、选取m个惯性测量单元IMU,将各IMU按需分别绑缚在人体腰部的胯骨上、大腿和小腿右侧肌肉活动薄弱的位置,各IMU均连接到控制器上,按RS232的通讯协议读取数据。
每个IMU均包括一个三轴陀螺仪和一个三轴加速度计,读取的数据包括:三轴陀螺仪测量的三轴角速度值;三轴加速度计测量的三轴加速度值;
第一个IMU的三轴角速度值用g1,t表示:g1,t={g1,t,x,g1,t,y,g1,t,z};第一个IMU的三轴加速度值用a1,t表示:a1,t={a1,t,x,a1,t,y,a1,t,z};同理,第二个IMU的三轴角速度值用g2,t表示:g2,t={g2,t,x,g2,t,y,g2,t,z},第二个IMU的三轴加速度值用a2,t表示:a2,t={a2,t,x,a2,t,y,a2,t,z},以此类推;
m为大于等于1的正整数;IMU的数量选取根据身体各部位的关节数量和运动状态设定。
步骤二、针对每个关节位置放置的IMU,等时间间隔进行数据采样,将该IMU采样的三轴加速度值和三轴角速度值分别各自绘制一张图像;
步骤三、判断每个IMU的三轴角速度值绘制的图像是否符合预期的平滑程度,如果是,进入步骤四,否则,对图像中的锯齿波纹进行过滤,得到平滑图像后进入步骤四。
IMU的加速度数据没有明显的加速度波动,不做处理;预期的平滑程度根据实际需求人为设定。
过滤是利用多项式插值算法,将角速度数据图像中的锯齿点平滑,具体为:
首先,计算三轴角速度值绘制的图像中每两个相邻采样点的斜率et:
et=||(gl,t+1-gl,t)/dt||,t=1,2,3,…,Ndata
gl,t+1表示的是第l个IMU在第t+1个采样点采集的三轴角速度;l={1,2,...,m};Ndata表示采样总时刻。
然后,判断斜率et是否大于人体运动的极限加速度,如果是,则第t+1个采样点对应的三轴角速度gl,t+1被判定为误差点,删除该点,否则,该点作为锯齿点保留并存入数据集中;
极限加速度为人体的最大加速度值,为国际通用标准值。
最后,采用cubic插值的方法对保留到数据集中的各锯齿点进行平滑;
步骤四、采用数据融合算法结合平滑图像中保留的角速度,以及各IMU采样的加速度数据,计算各IMU对应的关节的梯度;
首先,针对每个放置IMU的关节,分别给定各关节实际中心位置与对应的IMU的中心位置之间的偏移向量的初始值;
初始值集合为{o1,o2,...,ol,...om};
ol为第l个关节的实际中心位置到放置的IMU中心位置之间的偏移向量;
然后,利用各初始值计算各关节中心旋转产生的径向加速度和切向加速度之和;
步骤五、利用各IMU对应的关节的位置偏移向量的初始值,和各关节的梯度计算损失函数;
针对采样时刻k的损失函数δk,表达式如下:
步骤六、计算所有采样时刻的损失函数之和的模型,并利用Levenberg-Marquart最优方法优化该模型使得误差最小,从而得到各关节中心位置的最优估计。
损失函数之和模型的目标函数为:
优化过程为:
首先,对损失函数和模型的变量偏导数计算雅克比矩阵;
然后,通过海塞矩阵更新变量值{o1,o2,...,ol,...om},并代入目标函数得到新的结果;通过对新的损失结果与上一次的损失结果对比,当损失结果达到最小值,即可得到各关节中心位置的最优值{o1,o2,...,ol,...om}。
本发明的优点在于:
1.一种基于可穿戴式传感器的人体关节中心确定方法,可以精确测量关节中心位置,不需要精确的测量仪器;
2.一种基于可穿戴式传感器的人体关节中心确定方法,惯性测量单元的标定不需要特定的转台,也不需要特定的标定动作;
3.一种基于可穿戴式传感器的人体关节中心确定方法,算法效率很高,可以快速收敛;
4.本发明的IMU只用到了三轴陀螺仪和三轴加速度计,并没有用到常规的三轴磁力计,简化了数据和算法,避免了磁场干扰;而且算法误差很小,关节中心估计较为准确。
附图说明
图1为本发明一种基于可穿戴式传感器的人体关节中心确定方法的流程图;
图2为本发明按需将IMU绑定在人体关节的示意图;
图3为本发明所示将IMU和人体绑缚在一起然后自由行走得到的一组数据图;
图4为本发明实施例选100个初始点迭代得到损失函数最小时的优化结果图;
图5为本发明实施例将100个点的迭代误差情况表示图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明一种基于可穿戴式传感器的人体关节中心确定方法,基于IMU传感器中的加速度计和陀螺仪,在人体行走的时候测量其加速度和角速度,然后通过数据融合的方法来确定关节的中心位置。如图1所示,具体步骤如下:
步骤一、选取m个惯性测量单元(Inertial measurement unit,简称IMU),将各IMU按需分别绑缚在人体腰部的胯骨上、大腿和小腿右侧肌肉活动薄弱的位置,各IMU均连接到控制器上,按RS232的通讯协议读取数据。
如图2所示,各IMU按需分别绑缚在人体腰部的胯骨上、大腿和小腿右侧肌肉活动薄弱的位置;然后自由行走,得到一组数据传回电脑。肌肉在运动中形变量较小,可以减小误差。
每个IMU均包括一个三轴陀螺仪和一个三轴加速度计,读取的数据包括:三轴陀螺仪测量的三轴角速度值;三轴加速度计测量的三轴加速度值;
将人体髋关节近似为一个球副,第一个IMU中陀螺仪的三轴角速度值用g1,t表示:第一个IMU的三轴加速度值用a1,t表示:a1,t={a1,t,x,a1,t,y,a1,t,z};同理,第二个IMU的三轴角速度值用g2,t表示:g2,t={g2,t,x,g2,t,y,g2,t,z},第二个IMU的三轴加速度值用a2,t表示:a2,t={a2,t,x,a2,t,y,a2,t,z},以此类推;
m为大于等于1的正整数;IMU的数量选取根据身体各部位的关节数量和运动状态设定。
步骤二、针对每个关节位置放置的IMU,等时间间隔进行数据采样,将该IMU采样的三轴加速度值和三轴角速度值分别各自绘制一张图像;
步骤三、判断每个IMU的三轴角速度值绘制的图像是否符合预期的平滑程度,如果是,进入步骤四,否则,对图像中的锯齿波纹进行过滤,得到平滑图像后进入步骤四。
如图3所示,为绑缚在右腿关节上的IMU测量的三轴加速度图像和三轴角速度图像;三条不同的曲线分别代表xyz三轴。由图3可知,IMU的加速度数据没有明显的加速度波动,不做处理;由于加速度计和陀螺仪存在装配误差和自身精度不够的误差,所以需要对得到的数据进行处理。角速度数据的锯齿较多,锯齿的角速度代表了突变,不符合人体只能做连续运动的事实。所以需要滤掉锯齿的波纹,得到新的数据集。
预期的平滑程度根据实际需求人为设定。过滤是利用多项式插值算法,将角速度数据图像中的锯齿点平滑,具体为:
首先,计算三轴角速度值绘制的图像中每两个相邻采样点的斜率et(速度的导数是加速度):
et=||(gl,t+1-gl,t)/dt||,t=1,2,3,…,Ndata (1)
gl,t+1表示的是第l个IMU在第t+1个采样点采集的三轴角速度;l={1,2,...,m};Ndata表示采样总时刻。
然后,判断斜率et是否大于人体运动的极限加速度,如果是,则第t+1个采样点对应的三轴角速度gl,t+1被判定为误差点,删除该点,否则,该点作为锯齿点保留并存入数据集中;
极限加速度为人体的最大加速度值,为国际通用标准值。
最后,采用cubic插值的方法对保留到数据集中的各锯齿点进行平滑;
插值公式如下:
v=((v3-v2)-(v0-v1))t3+(2(v0-v1)-(v3-v2))t2+(v2-v0)t+v1 (2)
v0 v1 v2 v3为MATLAB算法中涉及到的固定参数。
步骤四、采用数据融合算法结合平滑图像中保留的角速度,以及各IMU采样的加速度数据,计算各IMU对应的关节的梯度;
首先,针对每个放置IMU的关节,分别给定各关节实际中心位置与对应的IMU的中心位置之间的偏移向量的初始值;
初始值集合为{o1,o2,...,ol,...om};
ol为第l个关节的实际中心位置到放置的IMU中心位置之间的偏移向量;
然后,利用各初始值计算各关节中心旋转产生的径向加速度和切向加速度之和;
步骤五、利用各IMU对应的关节的位置偏移向量的初始值,和各关节的梯度计算损失函数;
针对采用时刻k的损失函数δk,表达式如下:
步骤六、计算所有采样时刻的损失函数和模型,并利用Levenberg-Marquart最优方法优化该模型使得误差最小,从而得到各关节中心位置的最优估计。
损失函数和模型的目标函数为:
优化过程为:
首先,计算损失函数和模型的变量偏导数得到雅克比矩阵;
然后,通过海塞矩阵更新变量值{o1,o2,...,ol,...om},并代入目标函数得到新的结果;通过对新的损失结果与上一次的损失结果对比,当损失结果达到最小值,即可得到各关节中心位置的最优值{o1,o2,...,ol,...om}。
实施例:
本实施例将髋关节和小腿上分别各绑缚一个IMU,通过对这两个IMU采样,绘制了两个三轴角速度图像,通过对图像的锯齿波纹进行过滤,得到新的平滑数据集。
由于两个刚性杆是由一个球面关节连接的,根据几何知识可知,两个关节中心的加速度投影应该是相等的,可以得到:
如果小腿是静止的,(1)也可以写成
根据梯度公式
计算梯度完成之后可以计算损失函数,损失函数的表达式如(7)所示
使用Levenberg-Marquart方法对损失函数优化,使得损失函数最小;如图4所示,针对写入100个随机的初始点,经过计算和迭代得到最优化的标定结果,从图中可以看出,算法得到的结果不受初始点影响。且如图5所示,为100个点的迭代误差情况表示图,从图中可以看出,在4次迭代中就趋于收敛,且最小误差小于0.05,则可以验证算法的鲁棒性。
Claims (6)
1.一种基于可穿戴式传感器的人体关节中心确定方法,其特征在于,具体步骤如下:
首先,选取m个惯性测量单元IMU,按需分别绑缚在人体腰部和腿部各部位的关节位置,同时连接控制器读取各IMU的三轴角速度值和三轴加速度值;m为大于等于1的正整数;
针对每个关节位置放置的IMU,等时间间隔进行数据采样,将该IMU采样的三轴加速度值和三轴角速度值分别各自绘制一张图像;并判断每个IMU的三轴角速度值绘制的图像是否符合预期的平滑程度,当不符合时,对图像中的锯齿波纹进行过滤,直至得到平滑图像;
然后,采用数据融合算法结合平滑图像中保留的角速度,以及各IMU采样的加速度数据,计算各IMU对应的关节的梯度,进一步计算每个采样时刻下的损失函数;
针对采样时刻k的损失函数δk,表达式如下:
构建各IMU所有采样时刻的损失函数之和的模型,并利用Levenberg-Marquart最优方法优化该模型使得误差最小,从而得到各关节中心位置的最优估计;
损失函数之和模型的目标函数为:
Ndata表示采样总时刻。
2.如权利要求1所述的一种基于可穿戴式传感器的人体关节中心确定方法,其特征在于,所述腰部和腿部各部位的关节具体包括:腰部的胯骨、大腿和小腿右侧肌肉活动薄弱的位置。
3.如权利要求1所述的一种基于可穿戴式传感器的人体关节中心确定方法,其特征在于,所述每个IMU均包括一个三轴陀螺仪和一个三轴加速度计,读取的数据包括:三轴陀螺仪测量的三轴角速度值;三轴加速度计测量的三轴加速度值;
第一个IMU的三轴角速度值用g1,t表示:g1,t={g1,t,x,g1,t,y,g1,t,z};第一个IMU的三轴加速度值用a1,t表示:a1,t={a1,t,x,a1,t,y,a1,t,z};同理,第二个IMU的三轴角速度值用g2,t表示:g2,t={g2,t,x,g2,t,y,g2,t,z},第二个IMU的三轴加速度值用a2,t表示:a2,t={a2,t,x,a2,t,y,a2,t,z},以此类推;IMU的数量选取根据身体各部位的关节数量和运动状态设定。
4.如权利要求1所述的一种基于可穿戴式传感器的人体关节中心确定方法,其特征在于,所述对每个IMU的三轴角速度值绘制的图像中的锯齿波纹进行过滤,是利用多项式插值算法,将角速度数据图像中的锯齿点平滑,具体为:
首先,计算三轴角速度值绘制的图像中每两个相邻采样点的斜率et:
et=||(gl,t+1-gl,t)/dt||,t=1,2,3,…,Ndata
gl,t+1表示的是第l个IMU在第t+1个采样点采集的三轴角速度;
然后,判断斜率et是否大于人体运动的极限加速度,如果是,则第t+1个采样点对应的三轴角速度gl,t+1被判定为误差点,删除该点,否则,该点作为锯齿点保留并存入数据集中;
极限加速度为人体的最大加速度值,为国际通用标准值;
最后,采用cubic插值的方法对保留到数据集中的各锯齿点进行平滑。
6.如权利要求1所述的一种基于可穿戴式传感器的人体关节中心确定方法,其特征在于,所述利用Levenberg-Marquart最优方法的优化过程为:
首先,对损失函数和模型的变量偏导数计算雅克比矩阵;
然后,通过海塞矩阵更新变量值{o1,o2,...,ol,...om},并代入目标函数得到新的结果;通过对新的损失结果与上一次的损失结果对比,当损失结果达到最小值,即可得到各关节中心位置的最优值{o1,o2,...,ol,...om}。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111111936 | 2021-09-18 | ||
CN2021111119368 | 2021-09-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113967010A true CN113967010A (zh) | 2022-01-25 |
Family
ID=79587508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111203131.6A Pending CN113967010A (zh) | 2021-09-18 | 2021-10-15 | 一种基于可穿戴式传感器的人体关节中心确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113967010A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11225967A (ja) * | 1998-02-12 | 1999-08-24 | Morita Mfg Co Ltd | 眼球運動解析方法、眼球運動表示診断装置及び個人診断ファイルを記録した記録媒体 |
US20200401224A1 (en) * | 2019-06-21 | 2020-12-24 | REHABILITATION INSTITUTE OF CHICAGO d/b/a Shirley Ryan AbilityLab | Wearable joint tracking device with muscle activity and methods thereof |
-
2021
- 2021-10-15 CN CN202111203131.6A patent/CN113967010A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11225967A (ja) * | 1998-02-12 | 1999-08-24 | Morita Mfg Co Ltd | 眼球運動解析方法、眼球運動表示診断装置及び個人診断ファイルを記録した記録媒体 |
US20200401224A1 (en) * | 2019-06-21 | 2020-12-24 | REHABILITATION INSTITUTE OF CHICAGO d/b/a Shirley Ryan AbilityLab | Wearable joint tracking device with muscle activity and methods thereof |
Non-Patent Citations (4)
Title |
---|
THOMAS SEEL ET.AL.: "IMU-Based Joint Angle Measurement for Gait Analysis", 《SENSORS》 * |
THOMAS SEEL ET.AL.: "Joint Axis and Position Estimation from Inertial Measurement Data by Exploiting Kinematic Constraints", 《2012 IEEE INTERNATIONAL CONFERENCE ON CONTROL APPLICATIONS》 * |
李光毅: "面向临床步态分析的足部姿态与多轴地面反作用力测量方法研究", 《中国博士学位论文全文数据库 工程科技I辑》 * |
程文涛: "关节式坐标测量机标定技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Slade et al. | An open-source and wearable system for measuring 3D human motion in real-time | |
KR102503910B1 (ko) | 기립 보조 방법 및 장치 | |
CN108720841A (zh) | 基于云检测的可穿戴下肢运动矫正系统 | |
US20090204031A1 (en) | Joint angle tracking with inertial sensors | |
CN110916679A (zh) | 一种人体下肢位姿步态检测装置及方法 | |
CN107616898B (zh) | 基于日常动作的上肢穿戴式康复机器人及康复评价方法 | |
CN108338791A (zh) | 失稳运动数据的检测装置及检测方法 | |
US11185736B2 (en) | Systems and methods for wearable devices that determine balance indices | |
CN111895997B (zh) | 一种无需标准矫正姿势的基于惯性传感器的人体动作采集方法 | |
JP6785917B2 (ja) | 走行又は歩行している個人の実時間の歩長と速度を計算する方法 | |
JPWO2019008689A1 (ja) | 情報処理装置、情報処理システム、および情報処理方法 | |
CN114287890A (zh) | 基于mems传感器的帕金森患者的运动功能评估方法 | |
WO2023169465A1 (zh) | 基于多源信息融合的人体运动监测方法、装置 | |
CN113967010A (zh) | 一种基于可穿戴式传感器的人体关节中心确定方法 | |
WO2024124638A1 (zh) | 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 | |
CN208876547U (zh) | 一种基于imu惯性传感器的步态分析装置 | |
CN109887570A (zh) | 一种基于rgb-d相机与imu传感器的机器人辅助康复训练方法 | |
CN114748306A (zh) | 一种外骨骼设备穿戴误差校正方法 | |
KR20210040671A (ko) | 동적으로 변화하는 인체 무게 중심 궤적 추정 장치 및 그 방법 | |
KR102351534B1 (ko) | 균형 능력 평가 장치 및 방법 | |
CN116602659A (zh) | 用于关节夹角测量的高精度测量系统、方法及存储介质 | |
Bailly et al. | Recursive estimation of the human body’s center of mass and angular momentum derivative | |
CN105575239B (zh) | 一种骨折复位训练模型角度检测装置及其方法 | |
CN115937255A (zh) | 一种基于反向运动学的人体运动学分析方法及系统 | |
WO2023163104A1 (ja) | 関節角度学習推測システム、関節角度学習システム、関節角度推測装置、関節角度学習方法、およびコンピュータプログラム |
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: 20220125 |