CN115607146B - 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 - Google Patents

一种用于腿部姿态估计的可穿戴单节点设备及测量方法 Download PDF

Info

Publication number
CN115607146B
CN115607146B CN202211620807.6A CN202211620807A CN115607146B CN 115607146 B CN115607146 B CN 115607146B CN 202211620807 A CN202211620807 A CN 202211620807A CN 115607146 B CN115607146 B CN 115607146B
Authority
CN
China
Prior art keywords
angle
hydrogel
leg
information
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.)
Active
Application number
CN202211620807.6A
Other languages
English (en)
Other versions
CN115607146A (zh
Inventor
阳媛
杨浩然
王慧青
朱利丰
王海宁
况余进
伊洋
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202211620807.6A priority Critical patent/CN115607146B/zh
Priority to PCT/CN2022/144033 priority patent/WO2024124638A1/zh
Publication of CN115607146A publication Critical patent/CN115607146A/zh
Application granted granted Critical
Publication of CN115607146B publication Critical patent/CN115607146B/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
    • A61B5/103—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
    • A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
    • 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
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

一种用于腿部姿态估计的可穿戴单节点设备及测量方法，设备由一个微惯性传感器以及多块水凝胶集成，置于膝盖处，能够测量人体运动时的大腿、小腿姿态以及膝关节的角度。首先利用大腿姿态、水凝胶测量数据估计人体运动状态，而后根据运动约束条件，预测小腿姿态；微惯性测量膝关节角度采用互补滤波融合，再与水凝胶的角度测量值利用Kalman滤波器进行融合，获得准确关节角度。本发明仅采用一个微惯性传感器，有效避免了多传感器的对齐问题，同时水凝胶的辅助测量有助于减少惯性解算的累计误差，提高测量结果的准确性和稳定性。

Description

一种用于腿部姿态估计的可穿戴单节点设备及测量方法
技术领域
本发明属于人体运动监测领域，特别涉及一种用于腿部姿态估计的可穿戴单节点设备及测量方法。
背景技术
人体下肢承担着人体移动的重要功能，包括走、跑、跳跃等，在复健过程中，监测下肢在运动过程中的姿态变化能为提供个性化理疗方案提供助力。基于光学的姿态跟踪，能够精准评估患者姿态，但使得患者活动空间受限，不仅如此，穿戴多个标记点也增加了评估过程的复杂性。因此，具有便携、可持续监测等特点的可穿戴传感器方案得到了市场青睐。目前主流穿戴方案是双惯性传感器。然而，多传感器的对齐误差、解算的累计误差、传感器位移、以及初始状态识别等诸多因素均会导致不可靠的测量结果。因此，引入其他测量手段进行多源信息融合是必要的。水凝胶材料表现出良好的导电性和机械性能，其弯曲-伸展的电特性变化利于感知下肢的角度变化。利用水凝胶材料制成的角度感知传感器，利用辅助测量人体下肢运动姿态，能够减少惯性测量的误差，提升测量结果的可靠性与稳定性。
发明内容
本发明旨在解决人体运动时腿部姿态监测问题，包括大腿和小腿倾角以及膝关节外展角度问题，提出一种用于腿部姿态估计的可穿戴单节点设备及测量方法，该设备集成一个惯性传感器以及多块水凝胶，置于人体膝关节处。该设备利用水凝胶的稳定测量值，修正惯性测量结果，能够缓解惯性测量的累计误差，避免传感器对齐误差。
为实现上述目的，本发明采取的技术方案是：
本发明提供一种用于腿部姿态估计的可穿戴单节点设备，包括一个微惯性模块，水凝胶感知模块，无线信号传输模块以及中央信号处理模块；所述微惯性传感器采集腿部运动时的加速度和角速度信息；所述水凝胶感知模块为水凝胶阵列，感知运动时肢体的弯曲变化；所述无线信号传输模块包括信号接收模块和信号发送模块；所述中央信号处理模块用于初步信号处理，解算出欧拉角、四元数以及粗略膝关节角度。
作为本发明设备进一步改进，所述水凝胶感知模块包括A/D数模转换电路，将水凝胶形变的模拟信号转换为数字信号。
作为本发明设备进一步改进，所述中央信号处理模块的主控开发板为ArduinoNano 33 BLE，且搭载有微惯性芯片LSM9DS1和蓝牙5.0。
作为本发明设备进一步改进，所述中央信号处理模块的主控芯片为nRF52840。
本发明提供一种用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，该方法包含以下步骤：
步骤1：获取微惯性测量值以及粗略关节角度值；
步骤2：估计人体运动模式以及腿部运动姿态；
所述估计人体运动模式方法为：
（1）水凝胶感知信息和微惯性加速度信息以m长度的滑动窗口截取，形成动作信号，第k时刻的动作信号长度从第（k-m+1）时刻开始，记为：
Figure 820706DEST_PATH_IMAGE001
其中是
Figure 144371DEST_PATH_IMAGE002
三轴加速度，
Figure 861791DEST_PATH_IMAGE003
是三轴角速度，
Figure 725842DEST_PATH_IMAGE004
是四元数，
Figure 681159DEST_PATH_IMAGE005
是俯仰角，
Figure 378988DEST_PATH_IMAGE006
是横滚 角，
Figure 114863DEST_PATH_IMAGE007
是粗略的膝关节角度，进一步计算每列的特征信号，最终形成动作的特征集合，用于 识别动作类型；
（2）利用机器学习方法训练动作模型，进行分类；
所述腿部运动姿态的估计方法为：
（1）将设备穿戴完毕后，进行腿部关节轴识别，最小化方程：
Figure 782605DEST_PATH_IMAGE008
求解出关节轴参数，
式中j为关节轴，其表达式为：
Figure 185904DEST_PATH_IMAGE009
，
Figure 320213DEST_PATH_IMAGE005
为俯仰角，
Figure 277805DEST_PATH_IMAGE010
为横滚 角；
Figure 952500DEST_PATH_IMAGE011
为k时刻角速度值；
（2）利用Elman神经网络对另一肢体的姿态进行测量，输入为：
Figure 944727DEST_PATH_IMAGE012
输出为：
Figure 46675DEST_PATH_IMAGE013
式中，
Figure 491563DEST_PATH_IMAGE014
为小腿的横滚角和俯仰角，表征小腿姿态；
步骤（3）步骤（2）中所述神经网络模型根据运动模式的不同，共训练4个，训练时的损失函数设定为：
Figure 235528DEST_PATH_IMAGE015
式中,K为比例参数，
Figure 551103DEST_PATH_IMAGE016
为第k时刻大腿的偏航角，
Figure 355111DEST_PATH_IMAGE017
为小腿的姿态估计值；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值；
步骤3中，惯性信息一次融合，与水凝胶信息进行二次融合，具体为：
（1）通过陀螺仪积分，计算膝关节角度
Figure 552874DEST_PATH_IMAGE018
其中
Figure 100530DEST_PATH_IMAGE019
为k-1时刻解算值，当足部着地时，该值替换为水凝胶测量值
Figure 67349DEST_PATH_IMAGE020
，以消除 累计误差；
Figure 776679DEST_PATH_IMAGE021
为陀螺仪测得三轴角速度,j为估计的关节轴，
Figure 461738DEST_PATH_IMAGE022
为小腿的俯仰角的估算值，
Figure 813085DEST_PATH_IMAGE023
为采样的间隔时间；
（2）利用加速度计计算角度值：
Figure 634411DEST_PATH_IMAGE024
（3）加速度计信息与陀螺仪信息基于互补滤波器进行融合：
Figure 45800DEST_PATH_IMAGE025
式中，
Figure 952576DEST_PATH_IMAGE026
为k刻，惯性传感器的数据融合结果，
Figure 842035DEST_PATH_IMAGE027
为权值，取值范围为(0,1)；
（4）IMU解算角度和水凝胶估算角度利用Kalman滤波器进行融合，状态方程为：
Figure 998427DEST_PATH_IMAGE028
其中，
Figure 846298DEST_PATH_IMAGE029
为高斯白噪声，观测方程设定为：
Figure 443632DEST_PATH_IMAGE030
其中
Figure 933519DEST_PATH_IMAGE031
为高斯白噪声；
步骤4：输出人体运动状态下的姿态测量信息。
作为本发明测量方法进一步改进，步骤1中所述微惯性测量值包括加速度、角速度以及由其解算得到的四元数和欧拉角。
作为本发明测量方法进一步改进，步骤1中粗略关节角度值的测量方法为，首先测 定多角度下n块水凝胶阵列的电信号值，然后采用双层前馈网络进行拟合，得到角度-电信 号模型，用于获取角度信息，角度信息记为
Figure 667120DEST_PATH_IMAGE032
。
作为本发明测量方法进一步改进，步骤2中所述人体运动模式分为行走、跑步、上下楼以及下蹲。
作为本发明测量方法进一步改进，步骤2中每列的特征信号包括均值、极值、标准差和频率。
作为本发明测量方法进一步改进，所述腿部运动姿态的估计方法中腿部摆动时间为5-10s。
与现有技术相比，本发明的有益效果为：
本发明提出的一种用于腿部姿态估计的可穿戴节点设备中，采用单惯性传感器及水凝胶组合测量，能避免多惯性的对齐问题。所述姿态估计方法中，利用大腿姿态、运动模式及运动约束估计小腿姿态，在减少传感器数量的同时，保证了姿态估计的精度与稳定性。同时，将水凝胶测量值周期性作为惯性解算初值，并将测量值和惯性解算值进行数据融合，有效减少了累计误差的影响。该方法引入了水凝胶传感器测量作为补充，减少了惯性传感器数量，提供了腿部姿态的稳定测量值。
附图说明
图1是一种用于腿部姿态估计的可穿戴单节点及估计方法基本原理框架图；
图2是腿部姿态估计方法的总体流程图；
图3是利用大腿姿态估计小腿姿态方法框架；
图4是水凝胶传感器测量值与惯性传感器解算值的数据融合方法框架。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
以下结合实施例和说明书附图，详细说明本发明的实施过程。
实施例1：
如图1所示，一种用于关节角度测量的单节点可穿戴设备，包括一个微惯性模块，水凝胶感知模块，无线信号传输模块以及中央信号处理模块；其特征在于，所述微惯性传感器采集腿部运动时的加速度和角速度信息；所述水凝胶感知模块为水凝胶阵列，可以感知运动时肢体的弯曲变化；所述无线信号传输模块包括信号接收模块和信号发送模块；所述中央信号处理模块用于初步信号处理，解算出欧拉角、四元数以及粗略膝关节角度。
其中，水凝胶感知模块包括A/D数模转换电路，将水凝胶形变的模拟信号转换为数字信号。
如图2所示，一种用于腿部姿态测量的方法，其特征在于，该方法包含以下步骤：
步骤1：获取微惯性测量值以及粗略关节角度值；
步骤2：估计人体运动模式以及腿部运动姿态；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值；
步骤4：输出人体运动状态下的姿态测量信息。
进一步地，步骤1中所述微惯性测量值包括加速度、角速度以及由其解算得到的四 元数和欧拉角；所述粗略关节角度测量方法为，首先测定多角度下n块水凝胶阵列的电信号 值，然后采用双层前馈网络进行拟合，得到角度-电信号模型，用于获取角度信息，角度信息 记为
Figure 685892DEST_PATH_IMAGE032
；
其中，步骤2中所述人体运动模式分为行走、跑步、上下楼以及下蹲；
所述估计方法流程如图3所示，
其中，运动模式的估计方法为：
（1）水凝胶感知信息和微惯性加速度信息以m长度的滑动窗口截取，形成动作信号，第k时刻的动作信号长度从第（k-m+1）时刻开始，记为：
Figure 770522DEST_PATH_IMAGE001
其中是
Figure 532942DEST_PATH_IMAGE002
三轴加速度，
Figure 386629DEST_PATH_IMAGE003
是三轴角速度，
Figure 45143DEST_PATH_IMAGE004
是四元数，
Figure 413807DEST_PATH_IMAGE005
是俯仰角，
Figure 245497DEST_PATH_IMAGE006
是横滚 角，
Figure 219269DEST_PATH_IMAGE007
是粗略的膝关节角度，进一步计算每列的特征信号，如均值、极值、标准差、频率等， 最终形成动作的特征集合，用于识别动作类型。
（2）利用机器学习方法训练动作模型，进行分类；
其中，腿部运动姿态的估计方法为：
（1）将设备穿戴完毕后，进行腿部关节轴识别，将腿部进行摆动5-10s，最小化方程：
Figure 517527DEST_PATH_IMAGE008
求解出关节轴参数。
式中j为关节轴，其表达式为：
Figure 639067DEST_PATH_IMAGE009
，
Figure 477710DEST_PATH_IMAGE005
为俯仰角，
Figure 837147DEST_PATH_IMAGE010
为横滚 角；
Figure 103043DEST_PATH_IMAGE011
为k时刻角速度值。
（2）利用Elman神经网络对另一肢体的姿态进行测量，输入为：
Figure 180720DEST_PATH_IMAGE012
输出为：
Figure 823054DEST_PATH_IMAGE013
式中，
Figure 771419DEST_PATH_IMAGE014
为小腿的横滚角和俯仰角，表征小腿姿态；
（3）（2）中所述神经网络模型根据运动模式的不同，共训练4个，训练时的损失函数设定为：
Figure 677058DEST_PATH_IMAGE015
式中,K为比例参数，
Figure 445294DEST_PATH_IMAGE016
为第k时刻大腿的偏航角，
Figure 625739DEST_PATH_IMAGE017
为小腿的姿态估计值；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值。
如图4所示，步骤3中，惯性信息一次融合，与水凝胶信息进行二次融合，具体为：
（（1）通过陀螺仪积分，计算膝关节角度
Figure 225348DEST_PATH_IMAGE018
其中
Figure 301888DEST_PATH_IMAGE019
为k-1时刻解算值，当足部着地时，该值替换为水凝胶测量值
Figure 823000DEST_PATH_IMAGE020
，以消 除累计误差；
Figure 744819DEST_PATH_IMAGE021
为陀螺仪测得三轴角速度,j为估计的关节轴，
Figure 464513DEST_PATH_IMAGE022
为小腿的俯仰角的估算 值，
Figure 243114DEST_PATH_IMAGE023
为采样的间隔时间。
（2）利用加速度计计算角度值：
Figure 985942DEST_PATH_IMAGE024
（3）加速度计信息与陀螺仪信息基于互补滤波器进行融合：
Figure 242611DEST_PATH_IMAGE025
式中，
Figure 754495DEST_PATH_IMAGE026
为k刻，惯性传感器的数据融合结果，
Figure 969575DEST_PATH_IMAGE027
为权值，取值范围为(0,1)；
（4）IMU解算角度和水凝胶估算角度利用Kalman滤波器进行融合，状态方程为：
Figure 934120DEST_PATH_IMAGE028
其中，
Figure 260059DEST_PATH_IMAGE029
为高斯白噪声，观测方程设定为：
Figure 157608DEST_PATH_IMAGE030
其中
Figure 746853DEST_PATH_IMAGE031
为高斯白噪声；
步骤4：输出人体运动状态下的姿态测量信息。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (9)

1.一种用于腿部姿态估计的可穿戴单节点设备，包括一个微惯性模块，水凝胶感知模块，无线信号传输模块以及中央信号处理模块；其特征在于，用于腿部姿态估计的可穿戴单节点设备的测量方法，包含以下步骤：
步骤1：获取微惯性测量值以及粗略关节角度值；
粗略关节角度值的测量方法为，首先测定多角度下n块水凝胶阵列的电信号值，然后采用双层前馈网络进行拟合，得到角度-电信号模型，用于获取角度信息，角度信息记为
Figure QLYQS_1
；
步骤2：估计人体运动模式以及腿部运动姿态；
所述估计人体运动模式方法为：
（1）水凝胶感知信息和微惯性加速度信息以m长度的滑动窗口截取，形成动作信号，第k时刻的动作信号长度从第（k-m+1）时刻开始，记为：
Figure QLYQS_2
；
其中是
Figure QLYQS_3
三轴加速度，
Figure QLYQS_4
是三轴角速度，
Figure QLYQS_5
是四元数，
Figure QLYQS_6
是俯仰角，
Figure QLYQS_7
是横滚角，
Figure QLYQS_8
是粗略的膝关节角度，进一步计算每列的特征信号，最终形成动作的特征集合，用于识别动作类型；
（2）利用机器学习方法训练动作模型，进行分类；
所述腿部运动姿态的估计方法为：
1）将设备穿戴完毕后，进行腿部关节轴识别，最小化方程：
Figure QLYQS_9
；
求解出关节轴参数，
式中j为关节轴，其表达式为：
Figure QLYQS_10
，
Figure QLYQS_11
为俯仰角，
Figure QLYQS_12
为横滚角；
Figure QLYQS_13
为k时刻角速度值；
2）利用Elman神经网络对另一肢体的姿态进行测量，输入为：
Figure QLYQS_14
；
输出为：
Figure QLYQS_15
；
式中，
Figure QLYQS_16
为小腿的横滚角和俯仰角，表征小腿姿态；
3）步骤2）中所述神经网络模型根据运动模式的不同，共训练4个，训练时的损失函数设定为：
Figure QLYQS_17
；
式中,K为比例参数，
Figure QLYQS_18
为第k时刻大腿的偏航角，
Figure QLYQS_19
为小腿的姿态估计值；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值；
步骤3中，对惯性信息进行一次融合，与水凝胶信息进行二次融合，具体为：
（1）通过陀螺仪积分，计算膝关节角度
Figure QLYQS_20
；
其中
Figure QLYQS_21
为k-1时刻解算值，当足部着地时，该值替换为水凝胶测量值
Figure QLYQS_22
，以消除累计误差；
Figure QLYQS_23
为陀螺仪测得三轴角速度,j为估计的关节轴，
Figure QLYQS_24
为小腿的俯仰角的估算值，
Figure QLYQS_25
为采样的间隔时间；
（2）利用加速度计计算角度值：
Figure QLYQS_26
；
（3）加速度计信息与陀螺仪信息基于互补滤波器进行融合：
Figure QLYQS_27
；
式中，
Figure QLYQS_28
为k时刻，惯性传感器的数据融合结果，
Figure QLYQS_29
为权值，取值范围为(0,1)；
（4）IMU解算角度和水凝胶估算角度利用Kalman滤波器进行融合，状态方程为：
Figure QLYQS_30
；
其中
Figure QLYQS_31
为高斯白噪声，观测方程设定为：
Figure QLYQS_32
；
其中
Figure QLYQS_33
为高斯白噪声；
步骤4：输出人体运动状态下的姿态测量信息；
所述微惯性模块采集腿部运动时的加速度和角速度信息；所述水凝胶感知模块为水凝胶阵列，感知运动时肢体的弯曲变化；所述无线信号传输模块包括信号接收模块和信号发送模块；所述中央信号处理模块用于初步信号处理，解算出欧拉角、四元数以及粗略膝关节角度。
2.根据权利要求1所述的一种用于腿部姿态估计的可穿戴单节点设备，其特征在于，所述水凝胶感知模块包括A/D数模转换电路，将水凝胶形变的模拟信号转换为数字信号。
3.根据权利要求1所述的一种用于腿部姿态估计的可穿戴单节点设备，其特征在于，所述中央信号处理模块的主控开发板为Arduino Nano 33 BLE，且搭载有微惯性芯片LSM9DS1和蓝牙5.0。
4.根据权利要求1所述的一种用于腿部姿态估计的可穿戴单节点设备，其特征在于，所述中央信号处理模块的主控芯片为nRF52840。
5.根据权利要求1-4任意一项所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，该方法包含以下步骤：
步骤1：获取微惯性测量值以及粗略关节角度值；
粗略关节角度值的测量方法为，首先测定多角度下n块水凝胶阵列的电信号值，然后采用双层前馈网络进行拟合，得到角度-电信号模型，用于获取角度信息，角度信息记为
Figure QLYQS_34
；
步骤2：估计人体运动模式以及腿部运动姿态；
所述估计人体运动模式方法为：
（1）水凝胶感知信息和微惯性加速度信息以m长度的滑动窗口截取，形成动作信号，第k时刻的动作信号长度从第（k-m+1）时刻开始，记为：
Figure QLYQS_35
；
其中是
Figure QLYQS_36
三轴加速度，
Figure QLYQS_37
是三轴角速度，
Figure QLYQS_38
是四元数，
Figure QLYQS_39
是俯仰角，
Figure QLYQS_40
是横滚角，
Figure QLYQS_41
是粗略的膝关节角度，进一步计算每列的特征信号，最终形成动作的特征集合，用于识别动作类型；
（2）利用机器学习方法训练动作模型，进行分类；
所述腿部运动姿态的估计方法为：
1）将设备穿戴完毕后，进行腿部关节轴识别，最小化方程：
Figure QLYQS_42
；
求解出关节轴参数，
式中j为关节轴，其表达式为：
Figure QLYQS_43
，
Figure QLYQS_44
为俯仰角，
Figure QLYQS_45
为横滚角；
Figure QLYQS_46
为k时刻角速度值；
2）利用Elman神经网络对另一肢体的姿态进行测量，输入为：
Figure QLYQS_47
；
输出为：
Figure QLYQS_48
；
式中，
Figure QLYQS_49
为小腿的横滚角和俯仰角，表征小腿姿态；
3）步骤2）中所述神经网络模型根据运动模式的不同，共训练4个，训练时的损失函数设定为：
Figure QLYQS_50
；
式中,K为比例参数，
Figure QLYQS_51
为第k时刻大腿的偏航角，
Figure QLYQS_52
为小腿的姿态估计值；
步骤3：融合惯性信息和水凝胶感知信息，解算精确关节角度值；
步骤3中，对惯性信息进行一次融合，与水凝胶信息进行二次融合，具体为：
（1）通过陀螺仪积分，计算膝关节角度
Figure QLYQS_53
；
其中
Figure QLYQS_54
为k-1时刻解算值，当足部着地时，该值替换为水凝胶测量值
Figure QLYQS_55
，以消除累计误差；
Figure QLYQS_56
为陀螺仪测得三轴角速度,j为估计的关节轴，
Figure QLYQS_57
为小腿的俯仰角的估算值，
Figure QLYQS_58
为采样的间隔时间；
（2）利用加速度计计算角度值：
Figure QLYQS_59
；
（3）加速度计信息与陀螺仪信息基于互补滤波器进行融合：
Figure QLYQS_60
；
式中，
Figure QLYQS_61
为k时刻，惯性传感器的数据融合结果，
Figure QLYQS_62
为权值，取值范围为(0,1)；
（4）IMU解算角度和水凝胶估算角度利用Kalman滤波器进行融合，状态方程为：
Figure QLYQS_63
；
其中
Figure QLYQS_64
为高斯白噪声，观测方程设定为：
Figure QLYQS_65
；
其中
Figure QLYQS_66
为高斯白噪声；
步骤4：输出人体运动状态下的姿态测量信息。
6.根据权利要求5所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，步骤1中所述微惯性测量值包括加速度、角速度以及由其解算得到的四元数和欧拉角。
7.根据权利要求5所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，步骤2中所述人体运动模式分为行走、跑步、上下楼以及下蹲。
8.根据权利要求5所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，步骤2中每列的特征信号包括均值、极值、标准差和频率。
9.根据权利要求5所述的用于腿部姿态估计的可穿戴单节点设备的测量方法，其特征在于，所述腿部运动姿态的估计方法中腿部摆动时间为5-10s。
CN202211620807.6A 2022-12-16 2022-12-16 一种用于腿部姿态估计的可穿戴单节点设备及测量方法 Active CN115607146B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211620807.6A CN115607146B (zh) 2022-12-16 2022-12-16 一种用于腿部姿态估计的可穿戴单节点设备及测量方法
PCT/CN2022/144033 WO2024124638A1 (zh) 2022-12-16 2022-12-30 一种用于腿部姿态估计的可穿戴单节点设备及测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211620807.6A CN115607146B (zh) 2022-12-16 2022-12-16 一种用于腿部姿态估计的可穿戴单节点设备及测量方法

Publications (2)

Publication Number Publication Date
CN115607146A CN115607146A (zh) 2023-01-17
CN115607146B true CN115607146B (zh) 2023-03-14

Family

ID=84880733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211620807.6A Active CN115607146B (zh) 2022-12-16 2022-12-16 一种用于腿部姿态估计的可穿戴单节点设备及测量方法

Country Status (2)

Country Link
CN (1) CN115607146B (zh)
WO (1) WO2024124638A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116442202B (zh) * 2023-06-19 2023-08-18 贵州航天控制技术有限公司 一种基于背部姿态信息的腰部助力设备控制方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105797350A (zh) * 2016-03-18 2016-07-27 深圳大学 健身姿势识别、评估、预警和强度估算的智能方法及系统
CN107242920A (zh) * 2017-07-26 2017-10-13 北京易迈医疗科技有限公司 膝关节单髁姿态测量装置及系统
CN107788991A (zh) * 2017-10-26 2018-03-13 复旦大学 可穿戴式下肢康复评估系统
CN108403122A (zh) * 2018-02-12 2018-08-17 中国科学院宁波材料技术与工程研究所 一种人体关节运动的测量系统及其测量方法
CN108874146B (zh) * 2018-07-09 2021-11-26 北京掌中飞天科技股份有限公司 一种应用于虚拟现实系统中的运动人体质心位移计算方法
KR20200008973A (ko) * 2018-07-17 2020-01-29 주식회사 엔젤로보틱스 착용형 하체 동작정보 수집장치
JP2020178730A (ja) * 2019-04-23 2020-11-05 サンコール株式会社 歩行動作補助装置
CN111659006B (zh) * 2020-06-11 2021-11-19 浙江大学 一种基于多传感融合的步态采集及神经肌肉电刺激系统
CN112762934B (zh) * 2020-12-14 2023-12-22 浙江理工大学 下肢运动方向预测装置和方法
CN112603295B (zh) * 2020-12-15 2022-11-08 深圳先进技术研究院 一种基于可穿戴传感器的康复评估方法和系统
CN112617811A (zh) * 2021-01-04 2021-04-09 杭州风行医疗器械有限公司 一种关节生物力学测量评估装置及其方法
CN114041782A (zh) * 2021-07-26 2022-02-15 南宁师范大学 一种多通道人体下肢运动信息采集系统及方法
CN113892942B (zh) * 2021-08-24 2023-09-19 重庆大学 一种实时追踪人体下肢运动的穿戴设备
CN115290076A (zh) * 2022-06-17 2022-11-04 南京大学 一种基于多传感器融合的人体关节角数据处理方法

Also Published As

Publication number Publication date
CN115607146A (zh) 2023-01-17
WO2024124638A1 (zh) 2024-06-20

Similar Documents

Publication Publication Date Title
KR101751760B1 (ko) 하지 관절 각도를 이용한 보행 인자 추정 방법
CN104757976B (zh) 一种基于多传感器融合的人体步态分析方法和系统
CN106821391B (zh) 基于惯性传感器信息融合的人体步态采集分析系统及方法
CN110303471B (zh) 助力外骨骼控制系统及控制方法
Watanabe et al. A preliminary test of measurement of joint angles and stride length with wireless inertial sensors for wearable gait evaluation system
CA3023844C (en) Dead-reckoning drift compensation using personal gait
Li et al. Wearable sensor system for detecting gait parameters of abnormal gaits: A feasibility study
CN108836346A (zh) 一种基于惯性传感器的人体步态分析方法和系统
CN103417217B (zh) 关节活动度量测装置及其量测方法
Liu et al. A wearable human motion tracking device using micro flow sensor incorporating a micro accelerometer
Li et al. The lower limbs kinematics analysis by wearable sensor shoes
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
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
CN115607146B (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
Ding et al. Control of walking assist exoskeleton with time-delay based on the prediction of plantar force
Li et al. Real-time gait event detection for a lower extremity exoskeleton robot by infrared distance sensors
CN114224325A (zh) 利用惯性传感器计算关节力矩和角度的步态分析系统及方法
Akhavanhezaveh et al. Diagnosing gait disorders based on angular variations of knee and ankle joints utilizing a developed wearable motion sensor
Cotton et al. Wearable monitoring of joint angle and muscle activity
CN113229806A (zh) 可穿戴人体步态检测及导航系统及其运行方法
CN114287890A (zh) 基于mems传感器的帕金森患者的运动功能评估方法
Qiu et al. Heterogeneous data fusion for three-dimensional gait analysis using wearable MARG sensors
CN112762934A (zh) 下肢运动方向预测装置和方法
Asif et al. Analysis of Human Gait Cycle With Body Equilibrium Based on Leg Orientation
US20240023833A1 (en) Sensor-based walking aid adjustment system

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