CN114724238B - 一种基于肢体形态学特征的动作意图识别方法及装置 - Google Patents
一种基于肢体形态学特征的动作意图识别方法及装置 Download PDFInfo
- Publication number
- CN114724238B CN114724238B CN202210162895.3A CN202210162895A CN114724238B CN 114724238 B CN114724238 B CN 114724238B CN 202210162895 A CN202210162895 A CN 202210162895A CN 114724238 B CN114724238 B CN 114724238B
- Authority
- CN
- China
- Prior art keywords
- cross
- curvature
- sectional profile
- curve
- fitting
- 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
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000009471 action Effects 0.000 title claims abstract description 60
- 238000005452 bending Methods 0.000 claims description 51
- 230000004323 axial length Effects 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 240000008669 Hedera helix Species 0.000 claims 1
- 230000033001 locomotion Effects 0.000 abstract description 22
- 210000003414 extremity Anatomy 0.000 description 71
- 210000003205 muscle Anatomy 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008602 contraction Effects 0.000 description 7
- 239000004744 fabric Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 210000003857 wrist joint Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- UAJUXJSXCLUTNU-UHFFFAOYSA-N pranlukast Chemical compound C=1C=C(OCCCCC=2C=CC=CC=2)C=CC=1C(=O)NC(C=1)=CC=C(C(C=2)=O)C=1OC=2C=1N=NNN=1 UAJUXJSXCLUTNU-UHFFFAOYSA-N 0.000 description 1
- 229960004583 pranlukast Drugs 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于肢体形态学特征的动作意图识别方法及装置，该方法包括：接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，横截面轮廓在多个方向上的弯曲度是由穿戴在待测肢体上的穿戴式传感装置采集的，穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器；基于横截面轮廓在多个方向上的弯曲度，拟合横截面轮廓的闭合曲线，基于横截面轮廓的闭合曲线的拟合结果，确定横截面轮廓的形态学特征；将横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到待测肢体的动作意图识别结果。本发明能够有效保证得到的动作意图识别结果提前于实际运动，克服了传统动作意图识别方法在时间上的局限性。
Description
技术领域
本发明涉及人机接口技术领域，尤其涉及一种基于肢体形态学特征的动作意图识别方法及装置。
背景技术
穿戴式人机接口是实现人体运动与识别的载体，在人机交互、穿戴式机器人控制中起着重要的作用。人机接口包括穿戴式传感系统与意图识别算法。其中传感系统是提取穿戴者运动特征的第一个关键环节，其性能直接决定了后续识别算法的效果与最终的识别性能。基于领域现有技术，传感系统可提取的信号源包括生物信号、运动学信号与交互力信号。其中生物信号主要包括神经链路中各个环节可提取的信号，例如脑区、外周神经和肌肉，包含了人神经意图的直接或者次级反映。根据测量的安全性与信息的丰富程度，目前最常提取的神经链路信息为肌肉信号，以表面肌电信号为代表。运动学信号包括关节角度、速度和加速度等信号，现有比较常用的传感技术为惯性传感器。交互力信号主要包括交互压力信号以及交互拉力信号，可分别测量人与外界环境之间的交互力，或者人在运动过程中不同肢体之间的交互力信息，现有常用传感技术为基于材料工程的各种应变传感器技术。识别算法则根据信号类型与识别任务确定，现有领域常用算法类型包括数据驱动的算法，例如机器学习算法、模型驱动的识别算法(例如基于肌肉骨骼模型的算法)。
随着领域中技术的发展，针对实际使用环境的穿戴式传感技术发展迅速。在实际环境中，穿戴式传感器需要集成至机器人本体或者穿戴者的衣物，以最小的运动干预提取尽可能丰富的运动信号。可集成至织物的穿戴式传感技术近几年得到了飞速的发展，领域中主流技术主要包括如下三类：1)基于导电纤维的拉伸/压力传感，形式一般为弹性袖套或者手套，当发生外界交互力时产生形变引起纤维发生变化，进而改变电学特性。2)基于材料工程的柔性传感器节点，集成至织物，一般测量关节部位的拉伸变化，得到关节运动信息。3)现有传感器的织物化改装，例如表面肌电信号电极改装为导电织物电极，可集成至衣服。
然而，现有测量拉伸和压力的机械信号类的织物传感，大多测量关节部位的运动或者与外界交互力的信息，从运动特征来说，属于对运动的相应，即先发生运动再产生信号特征变化，采集的信号从时间上滞后于实际运动，因此，在进行动作意图识别的过程中，存在时间上的局限性。
发明内容
针对现有技术存在的问题，本发明提供一种基于肢体形态学特征的动作意图识别方法及装置。
本发明提供一种基于肢体形态学特征的动作意图识别方法，包括：
接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器；
基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征；
将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
根据本发明提供的一种基于肢体形态学特征的动作意图识别方法，所述弯曲度传感器的数量为四个；
所述基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，包括：
基于四个所述弯曲度传感器的初始位置构建随体坐标系；其中，所述随体坐标系的坐标原点是由第一圆心确定的，所述随体坐标系的X轴方向和Y轴方向是由所述第一圆心与四个所述弯曲度传感器的中心的连线确定的；所述第一圆心是由四个所述弯曲度传感器的初始位置所确定的圆的圆心；
在所述随体坐标系中，基于各所述弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各所述弯曲度传感器所确定的圆的轴长；
基于预设的曲线参数的取值空间和各所述轴长，拟合所述横截面轮廓的闭合曲线。
根据本发明提供的一种基于肢体形态学特征的动作意图识别方法，所述基于各所述弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各所述弯曲度传感器所确定的圆的轴长，包括：
基于所述弯曲度传感器对应的弧线长度和弯曲度，计算由所述弯曲度传感器所确定的圆的半径；
基于由所述弯曲度传感器所确定的圆的半径和所述弯曲度传感器采集的弯曲度，采用三角函数的方法计算由所述弯曲度传感器所确定的圆的轴长。
根据本发明提供的一种基于肢体形态学特征的动作意图识别方法，所述基于预设的曲线参数的取值空间和各所述轴长，拟合所述横截面轮廓的闭合曲线，包括：
在所述随体坐标系的四个象限内，分别基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线；
对四个所述局部曲线进行拼接，得到所述横截面轮廓的闭合曲线。
根据本发明提供的一种基于肢体形态学特征的动作意图识别方法，所述基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线，包括：
基于所述取值空间构建所述预设的曲线参数的取值备选集；
基于各所述轴长和所述取值备选集中的各参数值，采用拉梅曲线模型拟合所述横截面轮廓的局部形状，以得到候选曲线；
基于各所述候选曲线的长度与预设长度的差值确定目标曲线，以作为所述横截面轮廓的局部曲线。
根据本发明提供的一种基于肢体形态学特征的动作意图识别方法，所述拉梅曲线模型的变量包括：所述预设的曲线参数、所述随体坐标系的X轴上的截距和Y轴上的截距；
所述基于各所述轴长和所述取值备选集中的各参数值，采用拉梅曲线模型拟合所述横截面轮廓的局部形状，以得到候选曲线，包括：
基于各所述轴长确定所述随体坐标系的X轴上的截距和Y轴上的截距；
分别将所述取值备选集中的各参数值代入到所述拉梅曲线模型，以得到各所述候选曲线。
根据本发明提供的一种基于肢体形态学特征的动作意图识别方法，所述基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征，包括：
基于所述横截面轮廓的闭合曲线的拟合结果，分别确定各所述目标曲线所对应的所述参数值，以作为目标参数值；
将各所述目标参数值和各所述轴长，确定为所述横截面轮廓的形态学特征。
本发明还提供一种基于肢体形态学特征的动作意图识别装置，包括：
数据接收模块，用于接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器；
特征提取模块，用于基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征；
意图识别模块，用于将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于肢体形态学特征的动作意图识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于肢体形态学特征的动作意图识别方法的步骤。
本发明提供的基于肢体形态学特征的动作意图识别方法及装置，通过接收待测肢体的横截面轮廓在多个方向上的弯曲度，并基于横截面轮廓在多个方向上的弯曲度拟合横截面轮廓的闭合曲线，基于闭合曲线的拟合结果确定横截面轮廓的形态学特征，并将横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到待测肢体的动作意图识别结果，能够有效保证得到的动作意图识别结果提前于实际运动，克服了传统动作意图识别方法在时间上的局限性，提升了基于织物的穿戴式传感技术的时域性能。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于肢体形态学特征的动作意图识别方法的流程示意图；
图2是本发明提供的穿戴式传感装置的结构示意图；
图3是本发明穿戴式传感装置中前端、滑轨和弯曲度传感器连接的俯视图；
图4是本发明穿戴式传感装置中前端、滑轨和弯曲度传感器连接的侧视图；
图5是本发明通过直线y＝x和y＝-x对横截面轮廓的边界进行划分的示意图；
图6是本发明由弯曲度传感器所确定的圆的轴长的示意图；
图7是本发明提供的穿戴式人机接口的结构示意图；
图8是本发明提供的基于肢体形态学特征的动作意图识别装置的结构示意图；
图9是本发明提供的电子设备的结构示意图。
附图标记：
210：前端；220：弯曲度传感器；230：滑轨；710：穿戴式传感装置；720：信号采集单元；730：信号预处理单元；740：闭合曲线重构单元；750：形态学特征提取单元；760：意图识别单元；810：数据接收模块；820：特征提取模块；830：意图识别模块；910：处理器；920：通信接口；930：存储器；940：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1-图7描述本发明的基于肢体形态学特征的动作意图识别方法。本发明基于肢体形态学特征的动作意图识别方法由计算机等电子设备或者其中的软件和/或硬件执行，如图1所示，该方法包括：
S110、接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器。
具体地，待测肢体的横截面轮廓的变化由肌肉的收缩形变导致，因此，通过待测肢体的横截面轮廓在多个方向上的弯曲度，能够直接有效地获取到肌肉的收缩形变信息。
横截面轮廓在多个方向上的弯曲度是由穿戴在待测肢体上的穿戴式传感装置采集的，穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器，即，每两个弯曲度传感器之间的距离相同，通过弯曲度传感器采集待测肢体的横截面轮廓在各方向上的弯曲度，即每个弯曲度传感器对应一个弯曲度。在肌肉收缩产生形变时，传导至待测肢体表面的形变被相应的弯曲度传感器记录。其中，弯曲度传感器的数量可以根据实际需求进行设定，该处不做具体限定。
作为一种可选的实施方式，穿戴式传感装置的结构如图2所示，包括：前端210，前端210上均匀分布有四个弯曲度传感器220；其中，前端210为闭合环状，可以由柔性可延展织物制成，在进行信号采集时，可穿戴在待测肢体上；前端210可以根据穿戴部位和待测者的情况设置不同的尺寸。图2中，XoY平面为肢体解剖学横截面。弯曲度传感器220可以采用电阻式应变片，在传感器节点可以连接信号采集电路；可变电阻的电阻值与可变电阻两端的电压相关，因此，信号采集电路可以通过测量电压来确定电阻值，以实现弯曲度的采集。电压测量电路的主控芯片可以选取STM32F103，使用反向比例运算放大电路将可变电阻两端的电压映射到0-3.3v的范围内，且与弯曲度呈现线性关系。STM32芯片集成的模数转换器的分辨率为12位，采样率为1兆赫兹。在信号采集过程中，每通道等间隔采样10个数据，并计算均方根值。4个弯曲度传感器220信号的最终采样频率为100Hz。
另外，弯曲度传感器220与前端210通过滑轨230连接，即，每个弯曲度传感器220对应一个滑轨230；如图3和图4所示，滑轨230固定在前端210上，且弯曲度传感器220的一端与滑轨230连接，其余部分可在滑轨230上自由滑动，一方面能够保证对弯曲度的有效测量，另一方面，能够避免肌肉拉伸对弯曲度传感器220本体的破坏与撕裂。
S120、基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征。
具体地，基于横截面轮廓在多个方向上的弯曲度，能够有效拟合横截面轮廓所形成的闭合曲线，通过横截面轮廓的闭合曲线，能够反映待测肢体的肌肉的收缩形变信息，从而通过收缩形变信息，能够确定横截面轮廓的形态学特征。横截面轮廓的形态学特征可以根据实际需求进行设定，例如，可以是横截面轮廓的形状特征、尺寸特征。
另外，在基于横截面轮廓在多个方向上的弯曲度，拟合横截面轮廓的闭合曲线之前，还可以包括：对待测肢体的横截面轮廓在多个方向上的弯曲度进行信号预处理；该处，可以采用一阶滞后滤波进行信号预处理，以去除弯曲度传感器所采集的原始信号中的毛刺。
S130、将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
具体地，意图识别网络可以基于机器学习的回归或分类算法进行构建，例如基于梯度增强的回归算法；动作意图可以根据识别任务进行设定，例如，通过测量前臂肌肉的弯曲度来估计腕关节的动作角度。通过将横截面轮廓的形态学特征输入至预先训练好的意图识别网络，能够快速准确地对待测肢体的动作意图进行识别，同时，由于横截面轮廓的形态学特征反映的是待测肢体肌肉的收缩形变信息，而肌肉收缩形变的发生时间提前于关节角度变化的发生时间，因此，能够有效保证得到的动作意图识别结果提前于实际运动，克服了传统动作意图识别方法在时间上的局限性，提升了基于织物的穿戴式传感技术的时域性能。另外，现有技术均基于数据驱动方法对传感信号进行后续的分析和识别，鲜有对人体肌肉生物特征进行提取的方法，本发明实施例通过对待测肢体横截面轮廓的形态学特征的提取，相比现有技术，能够提供更多具有生物意义的运动特征，为动作意图识别提供了新的信息源。
由此可见，本发明实施例通过接收待测肢体的横截面轮廓在多个方向上的弯曲度，并基于横截面轮廓在多个方向上的弯曲度拟合横截面轮廓的闭合曲线，基于闭合曲线的拟合结果确定横截面轮廓的形态学特征，并将横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到待测肢体的动作意图识别结果，能够有效保证得到的动作意图识别结果提前于实际运动，克服了传统动作意图识别方法在时间上的局限性，提升了基于织物的穿戴式传感技术的时域性能。
基于上述实施例，所述弯曲度传感器的数量为四个；
所述基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，包括：
基于四个所述弯曲度传感器的初始位置构建随体坐标系；其中，所述随体坐标系的坐标原点是由第一圆心确定的，所述随体坐标系的X轴方向和Y轴方向是由所述第一圆心与四个所述弯曲度传感器的中心的连线确定的；所述第一圆心是由四个所述弯曲度传感器的初始位置所确定的圆的圆心；
在所述随体坐标系中，基于各所述弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各所述弯曲度传感器所确定的圆的轴长；
基于预设的曲线参数的取值空间和各所述轴长，拟合所述横截面轮廓的闭合曲线。
具体地，本发明实施例中，弯曲度传感器的数量为四个，即四个弯曲度传感器均匀分布在圆周方向上。在进行横截面轮廓的闭合曲线拟合的过程中，首先，基于四个弯曲度传感器的初始位置构建随体坐标系。初始位置即穿戴式传感装置的前端未发生形变的情况下，各弯曲度传感器的位置。通过建立随体坐标系，当横截面轮廓发生变形或膨胀时，坐标系不会跟随其变化，从而在该随体坐标系中能够准确拟合横截面轮廓的闭合曲线。在通过穿戴式传感装置采集弯曲度信号的过程中，前端的形状随肢体的横截面的形状而变化，因此，可以假设其初始形状(即未发生形变时的形状)S(0)为圆，S(0)的圆心即第一圆心，作为随体坐标系的坐标原点；随体坐标系的X轴方向和Y轴方向是由第一圆心与四个弯曲度传感器的中心的连线确定的，即，随体坐标系的X轴的正负轴和Y轴的正负轴分别穿过四个弯曲度传感器的中心。从Y轴的正半轴开始，按顺时针方向，设相应的弯曲度传感器依次是S1、S2、S3、S4。
其次，在随体坐标系中，基于各弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各弯曲度传感器所确定的圆的轴长。弯曲度传感器所对应的弧线长度的确定方式可以为：通过直线y＝x和y＝-x将横截面轮廓的边界划分为四条曲线，如图5所示，弯曲度传感器所对应的曲线的长度即为该弯曲度传感器所对应的弧线长度gi(i＝1,2,3,4)。由各弯曲度传感器所确定的圆，即由该弯曲度传感器所对应的弧线确定的圆。根据弯曲度传感器的性质，假设弯曲度传感器为圆弧形状，在其形状发生变化后，对应的圆的圆心设定为O’，该圆心为O’的圆沿相应的坐标轴的轴长ci(i＝1,2,3,4)即该弯曲度传感器所确定的圆的轴长。
再次，基于预设的曲线参数的取值空间和各轴长，拟合横截面轮廓的闭合曲线。曲线参数可以是拟合闭合曲线所需要的参数，如形状相关的参数，取值空间即为预定的取值范围，具体可以根据实际情况进行设定。根据各轴长，可以确定横截面轮廓在不同方向上的变化量，从而根据预设的曲线参数的取值空间和各轴长，能够准确拟合横截面轮廓的闭合曲线，为横截面轮廓的形态学特征的提取提供了数据基础。
基于上述任一实施例，所述基于各所述弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各所述弯曲度传感器所确定的圆的轴长，包括：
基于所述弯曲度传感器对应的弧线长度和弯曲度，计算由所述弯曲度传感器所确定的圆的半径；
基于由所述弯曲度传感器所确定的圆的半径和所述弯曲度传感器采集的弯曲度，采用三角函数的方法计算由所述弯曲度传感器所确定的圆的轴长。
具体地，考虑到肢体横截面形变对周长的改变量相对均匀，因此可以近似地认为各弯曲度传感器对应的弧线长度gi(i＝1,2,3,4)在横截面轮廓发生形变时的增加或减小量是相同的，其大小对横截面轮廓的形状的估计没有影响，因此，可以设定各弯曲度传感器对应的弧线长度为固定数值e。根据该弯曲度传感器采集的弯曲度θi可以确定该弧线对应的圆心角为θi，通过式(1)即可计算得到弯曲度传感器i所确定的圆的半径ri：
在确定半径ri后，可以进一步通过半径ri和弯曲度θi计算该弯曲度传感器所确定的圆的轴长。如图6所示，轴长ci(i＝1,2,3,4)(即线段的长度)被该弯曲度传感器对应的弧线的弦/>分成/>和/>两部分，/>和/>的长度分别记为fi(i＝1,2,3,4)和ni(i＝1,2,3,4)。根据三角函数的计算原理，可以分别通过式(2)和式(3)计算/>的长度fi(i＝1,2,3,4)和/>的长度ωi(i＝1,2,3,4)：
对于的长度ni(i＝1,2,3,4)，可以由式(4)计算得到：
在确定和/>的长度后，即可通过ni+fi＝ci(i＝1,2,3,4)得到各弯曲度传感器所确定的圆的轴长。
由此可见，本发明实施例基于弯曲度传感器对应的弧线长度和弯曲度，计算由弯曲度传感器所确定的圆的半径，并基于确定的半径和弯曲度传感器采集的弯曲度，采用三角函数的方法计算由弯曲度传感器所确定的圆的轴长，一方面，能够有效提高轴长的计算精度和计算效率，另一方面，由于每个轴长均由三个弯曲度传感器采集的弯曲度共同决定，例如，c1由θ1、θ2和θ4共同决定，符合形变的规律，从而为提高横截面轮廓的闭合曲线的拟合精度提供了数据基础。
基于上述任一实施例，所述基于预设的曲线参数的取值空间和各所述轴长，拟合所述横截面轮廓的闭合曲线，包括：
在所述随体坐标系的四个象限内，分别基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线；
对四个所述局部曲线进行拼接，得到所述横截面轮廓的闭合曲线。
具体地，考虑到横截面轮廓的闭合曲线为不规则形状，因此，本发明实施例在随体坐标系的四个象限内分别进行曲线拟合，以得到横截面轮廓的四个局部曲线，再对四个局部曲线进行拼接，能够有效提高所得到的横截面轮廓的闭合曲线的精度。
基于上述任一实施例，所述基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线，包括：
基于所述取值空间构建所述预设的曲线参数的取值备选集；
基于各所述轴长和所述取值备选集中的各参数值，采用拉梅曲线模型拟合所述横截面轮廓的局部形状，以得到候选曲线；
基于各所述候选曲线的长度与预设长度的差值确定目标曲线，以作为所述横截面轮廓的局部曲线。
具体地，本发明实施例通过拉梅曲线模型来拟合横截面轮廓的各局部曲线。拟合过程中，先根据预设的曲线参数的取值空间确定多个参数值，以得到取值备选集，确定多个参数值的方式可以根据实际需求进行设定，例如，在取值空间为[1,4]的情况下，可以每隔0.05取一个参数值，因此，共得到61个参数值，记为mk(k＝1,2,......,61)。
对于每个参数值，均根据各轴长采用拉梅曲线对横截面轮廓的局部形状进行拟合，因此，在每个象限，可以得到61条候选曲线。
在每个象限中，将61条候选曲线的长度分别与预设长度进行比较，并将差值最小的候选曲线作为目标曲线。该处，候选曲线的长度即代表横截面轮廓的闭合曲线在一个象限中的长度，通过X轴和Y轴，将横截面轮廓的边界划分为四条曲线，每条曲线的长度qi(i＝1,2,3,4)与gi(i＝1,2,3,4)相等，为固定数值e，因此，将预设长度设定为e。基于各候选曲线的长度与预设长度的差值确定目标曲线，能够有效保证每个象限中局部曲线的拟合精度，进而提高了整个横截面轮廓的闭合曲线的拟合精度。
基于上述任一实施例，所述拉梅曲线模型的变量包括：所述预设的曲线参数、所述随体坐标系的X轴上的截距和Y轴上的截距；
所述基于各所述轴长和所述取值备选集中的各参数值，采用拉梅曲线模型拟合所述横截面轮廓的局部形状，以得到候选曲线，包括：
基于各所述轴长确定所述随体坐标系的X轴上的截距和Y轴上的截距；
分别将所述取值备选集中的各参数值代入到所述拉梅曲线模型，以得到各所述候选曲线。
具体地，拉梅曲线模型(例如，拉梅曲线的极坐标方程)的变量包括预设的曲线参数、随体坐标系X轴上的截距和Y轴上的截距，如式(5)所示：
式中，(xj,yj)为象限j内局部曲线中的点在随体坐标系中的坐标，aj、bj分别为象限j内X轴上的截距和Y轴上的截距，m为预设的曲线参数，β为极角，β∈[0,2π]。
因此，只要确定aj、bj和m三个变量之后，即可确定横截面轮廓的局部形状。
其中，X轴上的截距aj和Y轴上的截距bj可以通过各轴长来确定，具体如式(6)和式(7)所示：
将取值备选集中的参数值mk代入m，即可确定横截面轮廓的局部形状，因此，61个mk即可得到61条候选曲线。
得到各候选曲线后，象限j中参数值mk对应的候选曲线的长度Ljk如式(8)所示：
式中，(dxjk,dyjk)为象限j中参数值mk对应的候选曲线的点的微分，如式(9)所示：
由此可见，本发明实施例通过拉梅曲线模型能够快速准确地拟合横截面轮廓的局部形状。
基于上述实施例，所述基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征，包括：
基于所述横截面轮廓的闭合曲线的拟合结果，分别确定各所述目标曲线所对应的所述参数值，以作为目标参数值；
将各所述目标参数值和各所述轴长，确定为所述横截面轮廓的形态学特征。
具体地，通过预设的曲线参数、随体坐标系的X轴上的截距和Y轴上的截距三个变量即可确定横截面轮廓的闭合曲线的形状，而随体坐标系的X轴上的截距和Y轴上的截距是根据四个轴长确定的，因此，四个目标曲线对应的参数值以及四个轴长即包含了横截面轮廓的所有信息，可以直接将四个目标曲线对应的参数值以及四个轴长作为横截面轮廓的形态学特征，以将其输入至预先训练好的意图识别网络，得到待测肢体的动作意图识别结果，保证了动作意图识别结果的准确性。
以下通过一种优选的实施方式对本发明基于肢体形态学特征的动作意图识别方法的实现过程进行详细说明。该方法可以通过如图7所示的穿戴式人机接口来实现。该穿戴式人机接口包括依次连接的穿戴式传感装置710、信号采集单元720、信号预处理单元730、闭合曲线重构单元740、形态学特征提取单元750和意图识别单元760。
通过穿戴式传感装置710监测待测肢体的肌肉的收缩形变信息，即待测肢体的横截面轮廓在多个方向上的弯曲度；
通过信号采集单元720进行弯曲度信号的采集；
通过信号预处理单元730对信号采集单元720采集的弯曲度的原始信号进行预处理，以进行毛刺去除；
通过闭合曲线重构单元740拟合横截面轮廓的闭合曲线；
通过形态学特征提取单元750提取横截面轮廓的形态学特征；
将横截面轮廓的形态学特征输入至意图识别单元760，以得到待测肢体的动作意图识别结果。
为进一步验证本发明基于肢体形态学特征的动作意图识别方法的有效性，本发明实施例通过实验对本发明方法进行验证。
本实施例招募3名男性被试进行了运动实验，平均年龄24.2±2.05，平均身高174.2±5.55cm，平均体重70.0±5.92kg。实验中测量了腕关节屈曲/伸展、内旋/外旋的角度。3名被试在前臂上佩戴穿戴式传感装置和IMU(Inertial Measurement Unit，即惯性测量单元)电路。IMU电路通过双面贴固定在掌心背面。被试从中立位开始，手掌与地面平行，并以自己的速度反复进行屈曲/伸展、内旋/外旋动作。对每个动作均测量两个阶段，在每个阶段，被试执行了10个周期，且被试在两次测试之间休息10-20分钟。在运动过程中同步记录IMU信号(倾角)和穿戴式传感装置采集的数据。数据采集结束后，基于穿戴式传感装置采集的数据拟合横截面轮廓的闭合曲线，基于横截面轮廓的闭合曲线的拟合结果，确定横截面轮廓的形态学特征，并将形态学特征输入至梯度增强回归网络，得到腕关节角度预测值，将角度预测值与IMU采集的数据进行对比，并选取回归决定系数R2(R-Square)作为评价指标。对于上肢腕关节内旋外旋，R2的平均结果为0.93±0.074，对于上肢腕关节屈伸动作，R2的平均结果为0.86±0.110。可见，本发明基于肢体形态学特征的动作意图识别方法能够准确地对待测肢体进行动作意图识别。
下面对本发明提供的基于肢体形态学特征的动作意图识别装置进行描述，下文描述的基于肢体形态学特征的动作意图识别装置与上文描述的基于肢体形态学特征的动作意图识别方法可相互对应参照。如图8所示，该装置包括：
数据接收模块810，用于接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器；
特征提取模块820，用于基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征；
意图识别模块830，用于将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
基于上述实施例，所述弯曲度传感器的数量为四个；
特征提取模块820基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，包括：
基于四个所述弯曲度传感器的初始位置构建随体坐标系；其中，所述随体坐标系的坐标原点是由第一圆心确定的，所述随体坐标系的X轴方向和Y轴方向是由所述第一圆心与四个所述弯曲度传感器的中心的连线确定的；所述第一圆心是由四个所述弯曲度传感器的初始位置所确定的圆的圆心；
在所述随体坐标系中，基于各所述弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各所述弯曲度传感器所确定的圆的轴长；
基于预设的曲线参数的取值空间和各所述轴长，拟合所述横截面轮廓的闭合曲线。
基于上述任一实施例，特征提取模块820基于各所述弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各所述弯曲度传感器所确定的圆的轴长，包括：
基于所述弯曲度传感器对应的弧线长度和弯曲度，计算由所述弯曲度传感器所确定的圆的半径；
基于由所述弯曲度传感器所确定的圆的半径和所述弯曲度传感器采集的弯曲度，采用三角函数的方法计算由所述弯曲度传感器所确定的圆的轴长。
基于上述任一实施例，特征提取模块820基于预设的曲线参数的取值空间和各所述轴长，拟合所述横截面轮廓的闭合曲线，包括：
在所述随体坐标系的四个象限内，分别基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线；
对四个所述局部曲线进行拼接，得到所述横截面轮廓的闭合曲线。
基于上述任一实施例，特征提取模块820基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线，包括：
基于所述取值空间构建所述预设的曲线参数的取值备选集；
基于各所述轴长和所述取值备选集中的各参数值，采用拉梅曲线模型拟合所述横截面轮廓的局部形状，以得到候选曲线；
基于各所述候选曲线的长度与预设长度的差值确定目标曲线，以作为所述横截面轮廓的局部曲线。
基于上述任一实施例，拉梅曲线模型的变量包括：所述预设的曲线参数、所述随体坐标系的X轴上的截距和Y轴上的截距；
特征提取模块820基于各所述轴长和所述取值备选集中的各参数值，采用拉梅曲线模型拟合所述横截面轮廓的局部形状，以得到候选曲线，包括：
基于各所述轴长确定所述随体坐标系的X轴上的截距和Y轴上的截距；
分别将所述取值备选集中的各参数值代入到所述拉梅曲线模型，以得到各所述候选曲线。
基于上述任一实施例，特征提取模块820基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征，包括：
基于所述横截面轮廓的闭合曲线的拟合结果，分别确定各所述目标曲线所对应的所述参数值，以作为目标参数值；
将各所述目标参数值和各所述轴长，确定为所述横截面轮廓的形态学特征。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行基于肢体形态学特征的动作意图识别方法，该方法包括：接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器；
基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征；
将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于肢体形态学特征的动作意图识别方法，该方法包括：接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器；
基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征；
将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于肢体形态学特征的动作意图识别方法，该方法包括：接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的多个弯曲度传感器；
基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征；
将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于肢体形态学特征的动作意图识别方法，其特征在于，包括：
接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的四个弯曲度传感器；
基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征；所述基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，包括：基于四个所述弯曲度传感器的初始位置构建随体坐标系；其中，所述随体坐标系的坐标原点是由第一圆心确定的，所述随体坐标系的X轴方向和Y轴方向是由所述第一圆心与四个所述弯曲度传感器的中心的连线确定的；所述第一圆心是由四个所述弯曲度传感器的初始位置所确定的圆的圆心；在所述随体坐标系中，基于各所述弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各所述弯曲度传感器所确定的圆的轴长；其中，基于所述弯曲度传感器对应的弧线长度和弯曲度，计算由所述弯曲度传感器所确定的圆的半径；基于由所述弯曲度传感器所确定的圆的半径和所述弯曲度传感器采集的弯曲度，采用三角函数的方法计算由所述弯曲度传感器所确定的圆的轴长；基于预设的曲线参数的取值空间和各所述轴长，拟合所述横截面轮廓的闭合曲线；其中，在所述随体坐标系的四个象限内，分别基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线；对四个所述局部曲线进行拼接，得到所述横截面轮廓的闭合曲线；
将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
2.根据权利要求1所述的一种基于肢体形态学特征的动作意图识别方法，其特征在于，所述基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线，包括：
基于所述取值空间构建所述预设的曲线参数的取值备选集；
基于各所述轴长和所述取值备选集中的各参数值，采用拉梅曲线模型拟合所述横截面轮廓的局部形状，以得到候选曲线；
基于各所述候选曲线的长度与预设长度的差值确定目标曲线，以作为所述横截面轮廓的局部曲线。
3.根据权利要求2所述的一种基于肢体形态学特征的动作意图识别方法，其特征在于，所述拉梅曲线模型的变量包括：所述预设的曲线参数、所述随体坐标系的X轴上的截距和Y轴上的截距；
所述基于各所述轴长和所述取值备选集中的各参数值，采用拉梅曲线模型拟合所述横截面轮廓的局部形状，以得到候选曲线，包括：
基于各所述轴长确定所述随体坐标系的X轴上的截距和Y轴上的截距；
分别将所述取值备选集中的各参数值代入到所述拉梅曲线模型，以得到各所述候选曲线。
4.根据权利要求2所述的一种基于肢体形态学特征的动作意图识别方法，其特征在于，所述基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征，包括：
基于所述横截面轮廓的闭合曲线的拟合结果，分别确定各所述目标曲线所对应的所述参数值，以作为目标参数值；
将各所述目标参数值和各所述轴长，确定为所述横截面轮廓的形态学特征。
5.一种基于肢体形态学特征的动作意图识别装置，其特征在于，包括：
数据接收模块，用于接收待测肢体的横截面轮廓在多个方向上的弯曲度；其中，所述横截面轮廓在多个方向上的弯曲度是由穿戴在所述待测肢体上的穿戴式传感装置采集的，所述穿戴式传感装置包括在圆周方向上均匀分布的四个弯曲度传感器；
特征提取模块，用于基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，基于所述横截面轮廓的闭合曲线的拟合结果，确定所述横截面轮廓的形态学特征；所述基于所述横截面轮廓在多个方向上的弯曲度，拟合所述横截面轮廓的闭合曲线，包括：基于四个所述弯曲度传感器的初始位置构建随体坐标系；其中，所述随体坐标系的坐标原点是由第一圆心确定的，所述随体坐标系的X轴方向和Y轴方向是由所述第一圆心与四个所述弯曲度传感器的中心的连线确定的；所述第一圆心是由四个所述弯曲度传感器的初始位置所确定的圆的圆心；在所述随体坐标系中，基于各所述弯曲度传感器对应的弧线长度和采集的弯曲度，分别获取由各所述弯曲度传感器所确定的圆的轴长；其中，基于所述弯曲度传感器对应的弧线长度和弯曲度，计算由所述弯曲度传感器所确定的圆的半径；基于由所述弯曲度传感器所确定的圆的半径和所述弯曲度传感器采集的弯曲度，采用三角函数的方法计算由所述弯曲度传感器所确定的圆的轴长；基于预设的曲线参数的取值空间和各所述轴长，拟合所述横截面轮廓的闭合曲线；其中，在所述随体坐标系的四个象限内，分别基于所述取值空间和各所述轴长拟合所述横截面轮廓的局部曲线；对四个所述局部曲线进行拼接，得到所述横截面轮廓的闭合曲线；
意图识别模块，用于将所述横截面轮廓的形态学特征输入至预先训练好的意图识别网络，以得到所述待测肢体的动作意图识别结果。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述基于肢体形态学特征的动作意图识别方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于肢体形态学特征的动作意图识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210162895.3A CN114724238B (zh) | 2022-02-22 | 2022-02-22 | 一种基于肢体形态学特征的动作意图识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210162895.3A CN114724238B (zh) | 2022-02-22 | 2022-02-22 | 一种基于肢体形态学特征的动作意图识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114724238A CN114724238A (zh) | 2022-07-08 |
| CN114724238B true CN114724238B (zh) | 2023-08-18 |
Family
ID=82235530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210162895.3A Active CN114724238B (zh) | 2022-02-22 | 2022-02-22 | 一种基于肢体形态学特征的动作意图识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114724238B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108332681A (zh) * | 2018-01-03 | 2018-07-27 | 东北大学 | 一种薄壁管材大塑性弯曲截面轮廓曲线的确定方法 |
| WO2019119724A1 (zh) * | 2017-12-21 | 2019-06-27 | 东南大学 | 基于力觉信息和姿态信息的肢体运动意图理解与上肢康复训练机器人控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200170547A1 (en) * | 2016-09-14 | 2020-06-04 | Aalborg Universitet | A human intention detection system for motion assistance |
| JP6781091B2 (ja) * | 2017-03-28 | 2020-11-04 | 本田技研工業株式会社 | 肢体動作支援装置 |
-
2022
- 2022-02-22 CN CN202210162895.3A patent/CN114724238B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019119724A1 (zh) * | 2017-12-21 | 2019-06-27 | 东南大学 | 基于力觉信息和姿态信息的肢体运动意图理解与上肢康复训练机器人控制方法 |
| CN108332681A (zh) * | 2018-01-03 | 2018-07-27 | 东北大学 | 一种薄壁管材大塑性弯曲截面轮廓曲线的确定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李丽 ; 刘君义 ; 李学斌 ; .一种新的大型四肢动物体姿态识别方法.电脑知识与技术(学术交流).2007,(05),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114724238A (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3659016B1 (en) | Armband for tracking hand motion using electrical impedance measurement | |
| CN109009586B (zh) | 一种假手腕关节人机自然驱动角度的肌电连续解码方法 | |
| CN109259739A (zh) | 一种手腕关节运动力矩的肌电估计方法 | |
| KR20170137122A (ko) | 뇌 심부 자극술 수술에서의 사용을 위한 손목 경직 평가 장치 | |
| CN106370180A (zh) | 基于动态时间规整算法的惯性传感器初始位置识别方法 | |
| Cengiz et al. | Detection and classification of muscle activation in EMG data acquired by Myo armband | |
| CN114724238B (zh) | 一种基于肢体形态学特征的动作意图识别方法及装置 | |
| Ding et al. | DS evidential theory on sEMG signal recognition | |
| Kato et al. | Estimating a joint angle by means of muscle bulge movement along longitudinal direction of the forearm | |
| WO2017192028A1 (en) | Tremor motion quantifying method and system | |
| CN110801227A (zh) | 基于可穿戴设备的立体色块障碍测试的方法和系统 | |
| Sheng et al. | A hand gesture recognition using single-channel electrodes based on artificial neural network | |
| CN116115239A (zh) | 基于多模态数据融合的建筑工人尴尬工作姿势识别方法 | |
| KR101797287B1 (ko) | 다중센서 융합을 이용한 뇌질환 환자의 상지 운동 능력 평가 방법 및 상지 운동 능력 평가 시스템 | |
| Díaz-Amador et al. | Towards the reduction of the effects of muscle fatigue on myoelectric control of upper limb prostheses | |
| Kim et al. | Thumb joint angle estimation for soft wearable hand robotic devices | |
| KR102705144B1 (ko) | 퍼지 추론 기반의 운동 기능 평가 방법 | |
| CN116522234B (zh) | 一种关节角度预测方法、装置、设备及介质 | |
| Nakaya et al. | A practical approach for recognition of hand gesture and distinction of its singularity | |
| Hasan et al. | Hand Gesture Recognition Based on Surface Electromyogram Signal (sEMG) with Muscular Contraction Level and Real Time Implementation on An Artificial Prosthetic Wrist Using Artificial Neural Network (ANN) | |
| WO2018211713A1 (ja) | 情報処理装置、情報処理システム、および情報処理方法 | |
| CN212415731U (zh) | 一种手部运动功能评估装置 | |
| Ho et al. | Development of Plantar Pressure Measurement System and Personal Classification Study based on Plantar Pressure Image. | |
| CN109635638B (zh) | 用于人体运动的特征提取方法及系统、识别方法及系统 | |
| Yang et al. | Gesture Recognition Method Based on Computer Vision and Surface Electromyography: Implementing Intention Recognition of the Healthy Side in the Hand Assessment Process |
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 |