CN114176576B - 基于加速度识别人体运动状态的方法 - Google Patents

基于加速度识别人体运动状态的方法 Download PDF

Info

Publication number
CN114176576B
CN114176576B CN202111514015.6A CN202111514015A CN114176576B CN 114176576 B CN114176576 B CN 114176576B CN 202111514015 A CN202111514015 A CN 202111514015A CN 114176576 B CN114176576 B CN 114176576B
Authority
CN
China
Prior art keywords
acceleration
module
data
acceleration data
human
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
CN202111514015.6A
Other languages
English (en)
Other versions
CN114176576A (zh
Inventor
张奕超
杨成
刘均东
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.)
Jiangsu Zhiheng Culture Technology Co ltd
Original Assignee
Jiangsu Zhiheng Culture Technology Co ltd
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 Jiangsu Zhiheng Culture Technology Co ltd filed Critical Jiangsu Zhiheng Culture Technology Co ltd
Priority to CN202111514015.6A priority Critical patent/CN114176576B/zh
Publication of CN114176576A publication Critical patent/CN114176576A/zh
Application granted granted Critical
Publication of CN114176576B publication Critical patent/CN114176576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • 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
    • A61B5/103—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
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/0255—Filters based on statistics
    • H03H17/0257—KALMAN filters

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了基于加速度识别人体运动状态的方法，具体涉及运动健康技术领域，具体包括采集模块，过滤模块，识别模块，输出模块。本发明通将收集的加速度数据，经过卡尔曼波算法对数据中的噪波进行过滤，使数据曲线更平滑，再经过重力分量算法过滤，去掉重力对加速度的影响，然后通过加速度的四元数，经过一定的数值自定义的拓扑成统一的运动数值，并在二维监视图上，绘制成人体跑步运动的行为曲线，进一步将该曲线，结合大量人体跑步运动的数据样本来适配成人体跑步姿态的信号，是基础原理、大量人体运动数据和程序代码的集合，可以直接给出人体跑步姿态的结果。

Description

基于加速度识别人体运动状态的方法
技术领域
本发明涉及运动健康技术领域，更具体地说，本发明涉及基于加速度识别人体运动状态的方法。
背景技术
随着全民运动健康的趋势不断加强，居家运动成为了一种非常优质的运动方式，目前越来越多的人们选择居家运动，并且现在人们的健康意识愈发提高，人们对于运动时的动作姿态注重程度越发提高，在很多时候，人们会采用检测系统来识别人们的跑步姿态。
现有技术中，有通过实时监控飞行中加速度数据来识别飞控中姿态问题的方法，此方法只能识别加速度数据，另一种方式是应用于无线飞鼠的数码设备，但是并不对人体跑步姿态识别做算法匹配，此外，还有用来检测走路步数的应用，但是这种方式不能非常灵敏的识别实时走路、慢跑和快跑姿态的区别，为此，我们提出了基于加速度识别人体运动状态的方法来解决上述问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于加速度识别人体运动状态的方法，可以高精度的实时识别人体跑步运动姿态，为相关类型的居家运动应用提供技术基础，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于加速度识别人体运动状态的方法，具体包括
采集模块，包括安装在人体上的采集芯片，用以采集加速度数据，并将加速度数据输送给下一模块；
过滤模块，所述过滤模块包括卡尔曼波过滤子模块、重力分量过滤子模块、拓扑子模块和数据绘制子模块，所述过滤模块用以接收采集模块生成的加速度数据，并使用卡尔曼波算法过滤加速度数据中的噪波、重力分量算法去除重力对加速度的影响，并将加速度的四元数拓扑成统一的运动数值，进一步输送给下一模块；
识别模块，接收过滤模块输送来的运动数值，并在二维视图上，绘制成人体跑步运动的行为曲线，然后通过采集的大量人体跑步运动数据来适配生成人体跑步姿态的信号，并将信号输送至下一模块；
输出模块，用以接收识别模块输送来的信号，并通过蓝牙协议发送给蓝牙接收端。
在一个优选地实施方式中，所述采集芯片包括加速度计和陀螺仪，可以得到加速度和角速度，角速度可以用来计算实时姿态，其中，加速度数据分别为X轴方向上的加速度数据ax、Y轴方向上的加速度数据ay和Z轴上的加速度az，角速度数据分别为X轴方向上的角速度数据gx、Y轴方向上的加速度数据gy和Z轴上的加速度gz。
在一个优选地实施方式中，所述卡尔曼过滤子模块建立卡尔曼滤波模型，并将采集模块输送来的加速度数据输入至卡尔曼滤波模型进行处理，去除加速度中的数据噪波，减少多余的变量，并将处理后的加速度数据输送至至重力分量子模块中。
在一个优选地实施方式中，所述重力分量过滤子模块接收卡尔曼过滤模型输送来的数据，并建立重力分量过滤模型，在XYZ三个轴上建立两个坐标系，并将坐标矢量进行矢量求和，从而消除重力加速度，将生成的数据输送至拓扑子模块中。
在一个优选地实施方式中，所述拓扑子模块，用以接收重力分量模块中输送来的数据，并将去除重力分量的加速度数据转换成四元数，生成的四元数进一步构建四元数微分方程，根据四元数方向余弦阵和欧拉角的转换关系，把四元数转换成欧拉角，最后通过用前后欧拉角的比较值与采集的人体运动数据做配对，利用高斯分布做积乘的方法，生成最终加速度数据。
在一个优选地实施方式中，所述绘制子模块用以接收拓扑子模块生成的最终加速度数据，并将最终加速度数据输送至二维监视软件中，生成人体跑步行为的运动曲线。
在一个优选地实施方式中，所述蓝牙接收端可以为数码设备、移动终端和智能运动设备。
在一个优选地实施方式中，所述拓扑子模块中人体运动数据采用抽样的方法抽取不同年龄短的志愿者若干，并将采集到的人体跑步运动数据进行汇总，进一步便于拓扑子模块中人体跑步姿态的信号的生成。
在一个优选地实施方式中，还包括一种存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行基于加速度识别人体运动状态的方法。
在一个优选地实施方式中，还包括一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行基于加速度识别人体运动状态的方法。
本发明的技术效果和优点：
通过本发明设计的基于加速度识别人体运动状态的方法，与现有技术对比，将收集的加速度数据，经过卡尔曼波算法对数据中的噪波进行过滤，使数据曲线更平滑，再经过重力分量算法过滤，去掉重力对加速度的影响，然后通过加速度的四元数，经过一定的数值自定义的拓扑成统一的运动数值，并在二维监视图上，绘制成人体跑步运动的行为曲线，进一步将该曲线，结合大量人体跑步运动的数据样本来适配成人体跑步姿态的信号，是基础原理、大量人体运动数据和程序代码的集合，可以直接给出人体跑步姿态的结果。
附图说明
图1为本发明的流程示意图。
图2为本发明的拓扑图。
图3为本发明的模块框图。
图4为本发明图1中过滤模块的结构示意图。
附图标记为：1、采集模块；2、过滤模块；3、识别模块；4、输出模块；101、加速度计；102、陀螺仪；201、卡尔曼过滤子模块；202、重力分量过滤子模块；203、拓扑子模块；204、绘制子模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例提供一种基于加速度识别人体运动状态的方法，具体包括
采集模块1，包括安装在人体上的采集芯片，用以采集加速度数据，并将加速度数据输送给下一模块；
过滤模块2，过滤模块2包括卡尔曼波过滤子模块、重力分量过滤子模块202、拓扑子模块203和数据绘制子模块204，过滤模块2用以接收采集模块1生成的加速度数据，并使用卡尔曼波算法过滤加速度数据中的噪波、重力分量算法去除重力对加速度的影响，并将加速度的四元数拓扑成统一的运动数值，进一步输送给下一模块；
识别模块3，接收过滤模块2输送来的运动数值，并在二维视图上，绘制成人体跑步运动的行为曲线，然后通过采集的大量人体跑步运动数据来适配生成人体跑步姿态的信号，并将信号输送至下一模块；
输出模块4，用以接收识别模块3输送来的信号，并通过蓝牙协议发送给蓝牙接收端。
具体的，采集芯片包括加速度计101和陀螺仪102，可以得到加速度和角速度，角速度可以用来计算实时姿态，其中，加速度数据分别为X轴方向上的加速度数据ax、Y轴方向上的加速度数据ay和Z轴上的加速度az，角速度数据分别为X轴方向上的角速度数据gx、Y轴方向上的加速度数据gy和Z轴上的加速度gz。
进一步的，卡尔曼过滤子模块201建立卡尔曼滤波模型，并将采集模块1输送来的加速度数据输入至卡尔曼滤波模型进行处理，去除加速度中的数据噪波，减少多余的变量，并将处理后的加速度数据输送至至重力分量子模块中。
值得说明的是，重力分量过滤子模块202接收卡尔曼过滤模型输送来的数据，并建立重力分量过滤模型，在XYZ三个轴上建立两个坐标系，并将坐标矢量进行矢量求和，从而消除重力加速度，将生成的数据输送至拓扑子模块203中。
值得注意的是，拓扑子模块203，用以接收重力分量模块中输送来的数据，并将去除重力分量的加速度数据转换成四元数，生成的四元数进一步构建四元数微分方程，根据四元数方向余弦阵和欧拉角的转换关系，把四元数转换成欧拉角，最后通过用前后欧拉角的比较值与采集的人体运动数据做配对，利用高斯分布做积乘的方法，生成最终加速度数据。
除此之外，绘制子模块204用以接收拓扑子模块203生成的最终加速度数据，并将最终加速度数据输送至二维监视软件中，生成人体跑步行为的运动曲线。
不得不说的是，蓝牙接收端可以为数码设备、移动终端和智能运动设备。
更进一步的，拓扑子模块203中人体运动数据采用抽样的方法抽取不同年龄短的志愿者若干，并将采集到的人体跑步运动数据进行汇总，进一步便于拓扑子模块203中人体跑步姿态的信号的生成。
实施例2
本实施例提供了一种存储介质，存储介质存储有计算机可执行指令，其包含用于执行上述基于加速度识别人体运动状态的方法的程序，该计算机可执行指令可执行实施例1中的方法。
其中，存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
实施例3
本实施例提供实施例1中最终加速度数据生成的方法，具体如下：
首先，考虑到加速度计101的采样速率，震动噪声以及加速度计101二次积分的误差，需要增加一个启动阈值判断和终值零速判断，从而提高精度减小误差。
然后，经过去除重力分量的加速度数据转换成四元数，具体实施代码如下：
{ax，ay，az是加速度，
一般的计算是a=acc/AcceRatio；
gx，gy，gz 是角速度，单位是弧度/秒，这个一定要注意。
g=gyro/GyroRatio；此时单位为度/秒。
g=g/180*3.14；这样才能带入函数进行计算；
在应用时有时候会考虑静态漂移的误差，所以在程序初始一般会取n个角速度gyro求和再做平均，得到平均数 g0。
所以g就是这样计算的
g=(gyro-g0)/GyroRatio；此时单位为度/秒。
g=g/180*3.14；这样才能带入函数进行计算
应该注意a的计算和g的计算不能混淆，加速度a不能与平均值做差。
调节的参数有halfT Kp Ki
#define Kp 2.0f // proportional gain governs rate of convergence toaccelerometer/magnetometer
#define Ki 0.2f // integral gain governs rate of convergence ofgyroscope biases
#define halfT 0.05f // half the sample period
halfT 应该根据实际采样花费的时间作调整，是半个周期的时间值
定义一个timer记录时间
在loop可计算每次执行时的时间间隔dt
dt = (micros() - timer) / 1000000； // Calculate delta time
timer = micros()；
其中取值halfT = dt / 2.0；}
下面把四元数换算成方向余弦中的第三行的三个元素。刚好vx、vy、vz 。其实就是上一次的欧拉角（四元数）的机体坐标参考系换算出来的重力的单位向量。
estimated direction of gravity vx = 2*(q1*q3 - q0*q2)；
vy = 2*(q0*q1 + q2*q3)；
vz = q0*q0 - q1*q1 - q2*q2 + q3*q3；
axyz是机体坐标参照系上，加速度计（101）测出来的重力向量，也就是实际测出来的重力向量。
axyz是测量得到的重力向量，vxyz是陀螺积分后的姿态来推算出的重力向量，它们都是机体坐标参照系上的重力向量。
那它们之间的误差向量，就是陀螺积分后的姿态和加计测出来的姿态之间的误差。
向量间的误差，可以用向量叉积（也叫向量外积、叉乘）来表示，exyz就是两个重力向量的叉积。
这个叉积向量仍旧是位于机体坐标系上的，而陀螺积分误差也是在机体坐标系，而且叉积的大小与陀螺积分误差成正比，正好拿来纠正陀螺。由于陀螺是对机体直接积分，所以对陀螺的纠正量会直接体现在对机体坐标系的纠正。
integral error scaled integral gain exInt = exInt + ex*Ki；
eyInt = eyInt + ey*Ki；
ezInt = ezInt + ez*Ki；
用叉积误差来做PI修正陀螺零偏
integral error scaled integral gain exInt = exInt + ex*Ki；
eyInt = eyInt + ey*Ki；
ezInt = ezInt + ez*Ki；// adjusted gyroscope measurements
gx = gx + Kp*ex + exInt；
gy = gy + Kp*ey + eyInt；
gz = gz + Kp*ez + ezInt；
四元数微分方程，其中T为测量周期，为陀螺仪（102）角速度，以下都是已知量，这里使用了一阶龙格库塔求解四元数微分方程：
integrate quaternion rate and normalise
q0 = q0 + (-q1*gx - q2*gy - q3*gz)*halfT；
q1 = q1 + (q0*gx + q2*gz - q3*gy)*halfT；
q2 = q2 + (q0*gy - q1*gz + q3*gx)*halfT；
q3 = q3 + (q0*gz + q1*gy - q2*gx)*halfT；
最后根据四元数方向余弦阵和欧拉角的转换关系，把四元数转换成欧拉角；最后通过用前后欧拉角的比较值与我们采集的人体运动数据做配对，利用高斯分布做积乘的方法，生成最终加速度数据。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于加速度识别人体运动状态的方法，其特征在于：具体包括采集模块、过滤模块、识别模块和输出模块；
采集模块，包括安装在人体上的采集芯片，用以采集加速度数据，并将加速度数据输送给下一模块；
所述采集芯片包括加速度计和陀螺仪，其中，采集到的加速度数据包括加速度和角速度，角速度用来计算实时姿态，其中，加速度分别为X轴方向上的加速度ax、Y轴方向上的加速度数据ay和Z轴方向上的加速度az，角速度分别为X轴方向上的角速度gx、Y轴方向上的角速度gy和Z轴方向上的角速度gz；
过滤模块，所述过滤模块包括卡尔曼过滤子模块、重力分量过滤子模块，所述过滤模块用以接收采集模块生成的加速度数据，并使用卡尔曼滤波算法过滤加速度数据中的噪波、重力分量算法去除重力对加速度数据的影响；
识别模块，所述识别模块包括拓扑子模块和数据绘制子模块，所述识别模块接收过滤模块输送来的运动数值，并在二维视图上，绘制成人体跑步运动的行为曲线，然后通过采集的大量人体跑步运动数据来适配生成人体跑步姿态的信号，并将信号输送至下一模块；
输出模块，用以接收识别模块输送来的信号，并通过蓝牙协议发送给蓝牙接收端；
其中，所述卡尔曼过滤子模块建立卡尔曼滤波模型，并将采集模块输送来的加速度数据输入至卡尔曼滤波模型进行处理，去除加速度数据中的噪波，减少多余的变量，并将处理后的加速度数据输送至重力分量过滤子模块中；
所述重力分量过滤子模块接收卡尔曼过滤子模块输送来的数据，并建立重力分量过滤模型，在XYZ三个轴上建立两个坐标系，并将坐标矢量进行矢量求和，从而消除重力加速度，将生成的数据输送至拓扑子模块中；
所述拓扑子模块，用以接收重力分量过滤子模块输送来的数据，并将去除重力分量的加速度数据转换成四元数，生成的四元数进一步构建四元数微分方程，根据四元数方向余弦阵和欧拉角的转换关系，把四元数转换成欧拉角，最后通过用前后欧拉角的比较值与采集的人体运动数据做配对，利用高斯分布做积乘的方法，生成最终加速度数据；
所述绘制子模块用以接收拓扑子模块生成的最终加速度数据，并将最终加速度数据输送至二维监视软件中，生成人体跑步行为的运动曲线；
所述拓扑子模块中人体运动数据采用抽样的方法抽取不同年龄段的志愿者若干，并将采集到的人体跑步运动数据进行汇总，进一步便于生成人体跑步姿态的信号。
2.根据权利要求1所述的基于加速度识别人体运动状态的方法，其特征在于：所述蓝牙接收端为数码设备。
3.一种存储介质，其特征在于：所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-2任意一项所述的基于加速度识别人体运动状态的方法。
4.一种电子设备，其特征在于：
包括：至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-2任意一项所述的基于加速度识别人体运动状态的方法。
CN202111514015.6A 2021-12-11 2021-12-11 基于加速度识别人体运动状态的方法 Active CN114176576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111514015.6A CN114176576B (zh) 2021-12-11 2021-12-11 基于加速度识别人体运动状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111514015.6A CN114176576B (zh) 2021-12-11 2021-12-11 基于加速度识别人体运动状态的方法

Publications (2)

Publication Number Publication Date
CN114176576A CN114176576A (zh) 2022-03-15
CN114176576B true CN114176576B (zh) 2024-05-24

Family

ID=80543317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111514015.6A Active CN114176576B (zh) 2021-12-11 2021-12-11 基于加速度识别人体运动状态的方法

Country Status (1)

Country Link
CN (1) CN114176576B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184549A (zh) * 2011-04-29 2011-09-14 韩铮 一种运动参数确定方法、装置和运动辅助设备
CN102667672A (zh) * 2009-07-07 2012-09-12 韩铮 一种加速度动作识别系统及其方法
JP5061264B1 (ja) * 2012-03-23 2012-10-31 国立大学法人 千葉大学 小型姿勢センサ
CN106500695A (zh) * 2017-01-05 2017-03-15 大连理工大学 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法
CN107343789A (zh) * 2017-05-17 2017-11-14 浙江利尔达物联网技术有限公司 一种基于三轴加速度传感器的脚步运动识别方法
CN107976559A (zh) * 2017-10-11 2018-05-01 常州信息职业技术学院 基于静止点检测的滤除重力加速度方法
CN108225370A (zh) * 2017-12-15 2018-06-29 路军 一种运动姿态传感器的数据融合与解算方法
CN108534772A (zh) * 2018-06-24 2018-09-14 西宁泰里霍利智能科技有限公司 姿态角获取方法及装置
CN108827301A (zh) * 2018-04-16 2018-11-16 南京航空航天大学 一种改进误差四元数卡尔曼滤波机器人姿态解算方法
CN109827577A (zh) * 2019-03-26 2019-05-31 电子科技大学 基于运动状态检测的高精度惯性导航定位算法
CN110876613A (zh) * 2019-09-27 2020-03-13 深圳先进技术研究院 一种人体运动状态识别方法、系统及电子设备
CN111435083A (zh) * 2019-01-11 2020-07-21 阿里巴巴集团控股有限公司 行人航迹推算方法、导航方法及装置、手持终端及介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102667672A (zh) * 2009-07-07 2012-09-12 韩铮 一种加速度动作识别系统及其方法
CN102184549A (zh) * 2011-04-29 2011-09-14 韩铮 一种运动参数确定方法、装置和运动辅助设备
JP5061264B1 (ja) * 2012-03-23 2012-10-31 国立大学法人 千葉大学 小型姿勢センサ
CN106500695A (zh) * 2017-01-05 2017-03-15 大连理工大学 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法
CN107343789A (zh) * 2017-05-17 2017-11-14 浙江利尔达物联网技术有限公司 一种基于三轴加速度传感器的脚步运动识别方法
CN107976559A (zh) * 2017-10-11 2018-05-01 常州信息职业技术学院 基于静止点检测的滤除重力加速度方法
CN108225370A (zh) * 2017-12-15 2018-06-29 路军 一种运动姿态传感器的数据融合与解算方法
CN108827301A (zh) * 2018-04-16 2018-11-16 南京航空航天大学 一种改进误差四元数卡尔曼滤波机器人姿态解算方法
CN108534772A (zh) * 2018-06-24 2018-09-14 西宁泰里霍利智能科技有限公司 姿态角获取方法及装置
CN111435083A (zh) * 2019-01-11 2020-07-21 阿里巴巴集团控股有限公司 行人航迹推算方法、导航方法及装置、手持终端及介质
CN109827577A (zh) * 2019-03-26 2019-05-31 电子科技大学 基于运动状态检测的高精度惯性导航定位算法
CN110876613A (zh) * 2019-09-27 2020-03-13 深圳先进技术研究院 一种人体运动状态识别方法、系统及电子设备

Also Published As

Publication number Publication date
CN114176576A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
WO2018184423A1 (zh) 一种全景视频防抖的方法、系统及便携式终端
CN109631888B (zh) 动作轨迹识别方法、装置、可穿戴设备及存储介质
Gośliński et al. Performance comparison of EKF-based algorithms for orientation estimation on Android platform
EP2967446A2 (en) Determining activities from sensed motion signals
CN106643715A (zh) 一种基于bp神经网络改善的室内惯性导航方法
CN105865448A (zh) 一种基于imu的室内定位方法
CN113514064B (zh) 一种鲁棒因子图多源容错导航方法
CN111736190B (zh) 一种无人机机载目标检测系统及方法
CN116381753A (zh) Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法
CN113378762A (zh) 坐姿智能监测方法、装置、设备及存储介质
CN114593735B (zh) 一种位姿预测方法及装置
CN110598647B (zh) 一种基于图像识别的头部姿态识别方法
CN113303777A (zh) 心率值确定方法、装置、电子设备及介质
CN114176576B (zh) 基于加速度识别人体运动状态的方法
CN117523659A (zh) 基于骨架的多特征多流实时动作识别方法、装置和介质
CN115155044A (zh) 一种确定游泳转身时间的方法、装置、设备及介质
CN111803902B (zh) 泳姿识别方法、装置、可穿戴设备及存储介质
CN114739412B (zh) 一种基于智能手机的行人步态实时检测方法及设备
CN111767932B (zh) 动作判定方法及装置、计算机设备及计算机可读存储介质
WO2018014432A1 (zh) 语音应用触发控制方法、装置及终端
CN115127581B (zh) 跑步数据监测方法、装置、终端设备及存储介质
CN109793497B (zh) 一种睡眠状态识别方法及装置
Chandel et al. Airite: Towards accurate & infrastructure-free 3-d tracking of smart devices
CN113936044B (zh) 激光设备运动状态的检测方法、装置、计算机设备及介质
CN115727871A (zh) 一种轨迹质量检测方法、装置、电子设备和存储介质

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