CN117281667B - 运动模式识别方法、装置、智能假肢、终端及存储介质 - Google Patents
运动模式识别方法、装置、智能假肢、终端及存储介质 Download PDFInfo
- Publication number
- CN117281667B CN117281667B CN202311484362.8A CN202311484362A CN117281667B CN 117281667 B CN117281667 B CN 117281667B CN 202311484362 A CN202311484362 A CN 202311484362A CN 117281667 B CN117281667 B CN 117281667B
- Authority
- CN
- China
- Prior art keywords
- data
- rule information
- distribution rule
- determining
- motion
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 218
- 238000012567 pattern recognition method Methods 0.000 title abstract description 13
- 230000000737 periodic effect Effects 0.000 claims abstract description 116
- 210000003414 extremity Anatomy 0.000 claims abstract description 61
- 238000003909 pattern recognition Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 42
- 210000000629 knee joint Anatomy 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 49
- 230000011218 segmentation Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013016 damping Methods 0.000 description 3
- 230000005021 gait Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010024500 Limb malformation Diseases 0.000 description 1
- 238000002266 amputation Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003767 neural control Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/68—Operating or control means
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4851—Prosthesis assessment or monitoring
-
- 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
- A61B5/6802—Sensor mounted on worn items
- A61B5/6811—External prosthesis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/60—Artificial legs or feet or parts thereof
- A61F2/64—Knee joints
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/68—Operating or control means
- A61F2/70—Operating or control means electrical
- A61F2/72—Bioelectric control, e.g. myoelectric
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2002/5003—Prostheses not implantable in the body having damping means, e.g. shock absorbers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2002/5003—Prostheses not implantable in the body having damping means, e.g. shock absorbers
- A61F2002/5004—Prostheses not implantable in the body having damping means, e.g. shock absorbers operated by electro- or magnetorheological fluids
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2002/5016—Prostheses not implantable in the body adjustable
- A61F2002/5033—Prostheses not implantable in the body adjustable for adjusting damping
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/60—Artificial legs or feet or parts thereof
- A61F2002/607—Lower legs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/68—Operating or control means
- A61F2/70—Operating or control means electrical
- A61F2002/701—Operating or control means electrical operated by electrically controlled means, e.g. solenoids or torque motors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/68—Operating or control means
- A61F2/70—Operating or control means electrical
- A61F2002/704—Operating or control means electrical computer-controlled, e.g. robotic control
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Transplantation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Dentistry (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Physiology (AREA)
- Prostheses (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了运动模式识别方法、装置、智能假肢、终端及存储介质。本发明通过获取智能膝关节的多种检测数据,分析这些检测数据各自的周期性分布规律和联合分布规律,从而准确识别出智能假肢的穿戴者当前所处的运动模式。解决了现有技术中通过肌电信号匹配方法识别出智能假肢穿戴者所处的运动模式,由于仅采用一种数据源进行模式识别,导致模式识别结果的可靠性低的问题。
Description
技术领域
本发明涉及智能假肢控制领域,尤其涉及的是运动模式识别方法、装置、智能假肢、终端及存储介质。
背景技术
有数百万人由于后天截肢或先天性肢体缺陷失去了下肢。为了提高他们的生活质量,可采用智能假肢实现原有肢体功能,辅助进行日常行为活动。运动模式是对日常生活中人行为的分类,例如行走、奔跑、上下楼梯等行为属于不同的运动模式。智能假肢穿戴者在不同运动模式下的步态周期不同,使得其所需要的支撑阻力也会随之变化,因此智能假肢需要及时判断识别人体当前所处的运动模式。目前运动模式的识别方式通常采用肌电信号匹配方法,通过建立肌电信号与单一动作之间的映射关系识别穿戴者的动作,进而识别出穿戴者所处的运动模式。肌电信号匹配方法仅采用一种数据源进行模式识别,导致模式识别结果的可靠性较低。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供运动模式识别方法、装置、智能假肢、终端及存储介质,旨在解决现有技术中通过肌电信号匹配方法识别出智能假肢穿戴者所处的运动模式,由于仅采用一种数据源进行模式识别,导致模式识别结果的可靠性低的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种运动模式识别方法,所述方法包括:
获取智能膝关节的角度数据和运动数据,根据所述角度数据和所述运动数据分别确定各自对应的周期性分布规律信息;
获取所述角度数据和所述运动数据分别对应的特征点集合,根据各所述特征点集合确定联合分布规律信息,其中,所述联合分布规律信息用于反映两个所述特征点集合之间的特征点分布的关联性;
根据各所述周期性分布规律信息和所述联合分布规律信息,确定智能假肢当前的运动模式。
在一种实施方式中,所述方法还包括:
获取所述智能膝关节的肌电数据,并确定所述肌电数据对应的所述周期性分布规律信息;
获取所述肌电数据对应的所述特征点集合,根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述特征点集合确定更新联合分布规律信息,其中,所述更新联合分布规律信息用于反映至少两个所述特征点集合之间的特征点分布的关联性;
根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述周期性分布规律信息和所述更新联合分布规律信息,确定所述智能假肢当前的运动模式。
在一种实施方式中,所述周期性分布规律信息的确定方法包括:
针对所述肌电数据、所述角度数据以及所述运动数据中的一种采集数据,将该采集数据切分为若干数据段,其中,各所述数据段的长度相同,且各所述数据段之间的相似度大于相似阈值;
根据一个所述数据段确定周期性特征,并根据各所述数据段的数量和数据长度确定周期分布特征;
根据所述周期性特征和所述周期分布特征,确定该采集数据对应的所述周期性分布规律信息。
在一种实施方式中,所述特征点集合的生成方法包括:
针对所述肌电数据、所述角度数据以及所述运动数据中的一种采集数据,根据该采集数据确定若干局部极值点;
根据各所述局部极值点生成该采集数据对应的所述特征点集合。
在一种实施方式中,所述根据各所述特征点集合确定联合分布规律信息,包括:
根据各所述特征点集合,确定若干特征点组,其中,每一所述特征点组中各特征点分别来自不同的所述特征点集合,且各特征点之间的采集时间间隔小于预设值;
根据各所述特征点组确定所述联合分布规律信息。
在一种实施方式中,所述根据各所述特征点组确定所述联合分布规律信息,包括:
根据各所述特征点组中重复出现的所述特征点组,确定若干类目标特征点组;
根据各类所述目标特征点组分别生成各自对应的特征点对应关系数据;
根据各所述特征点对应关系数据生成所述联合分布规律信息。
在一种实施方式中,所述智能假肢当前的运动模式的确定方法包括:
将两个所述周期性分布规律信息和所述联合分布规律信息输入第一运动模式识别模型;或者将三个所述周期性分布规律信息和所述更新联合分布规律信息输入第二运动模式识别模型;
通过所述第一运动模式识别模型或者所述第二运动模式识别模型确定所述智能假肢当前的运动模式。
在一种实施方式中,所述第二运动模式识别模型用于:
根据所述肌电数据的所述周期性分布规律信息,确定若干候选运动模式;
根据所述角度数据的所述周期性分布规律信息、所述运动数据的所述周期性分布规律信息以及所述更新联合分布规律信息,从各所述候选运动模式中确定所述智能假肢当前的运动模式。
第二方面,本发明实施例还提供一种运动模式识别装置,所述装置包括:
独立分析模块,用于获取智能膝关节的角度数据和运动数据,根据所述角度数据和所述运动数据分别确定各自对应的周期性分布规律信息;
联合分析模块,用于获取所述角度数据和所述运动数据分别对应的特征点集合,根据各所述特征点集合确定联合分布规律信息,其中,所述联合分布规律信息用于反映两个所述特征点集合之间的特征点分布的关联性;
模式识别模块,用于根据各所述周期性分布规律信息和所述联合分布规律信息,确定智能假肢当前的运动模式。
在一种实施方式中,所述独立分析模块,还用于获取所述智能膝关节的肌电数据,并确定所述肌电数据对应的所述周期性分布规律信息;
所述联合分析模块,还用于获取所述肌电数据对应的所述特征点集合,根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述特征点集合确定更新联合分布规律信息,其中,所述更新联合分布规律信息用于反映至少两个所述特征点集合之间的特征点分布的关联性;
所述模式识别模块,还用于根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述周期性分布规律信息和所述更新联合分布规律信息,确定所述智能假肢当前的运动模式。
在一种实施方式中,所述模式识别模块包括:
模型处理单元,用于将两个所述周期性分布规律信息和所述联合分布规律信息输入第一运动模式识别模型;或者将三个所述周期性分布规律信息和所述更新联合分布规律信息输入第二运动模式识别模型;
模式确定单元,用于通过所述第一运动模式识别模型或者所述第二运动模式识别模型确定所述智能假肢当前的运动模式。
在一种实施方式中,所述第二运动模式识别模型用于:
根据所述肌电数据的所述周期性分布规律信息,确定若干候选运动模式;
根据所述角度数据的所述周期性分布规律信息、所述运动数据的所述周期性分布规律信息以及所述更新联合分布规律信息,从各所述候选运动模式中确定所述智能假肢当前的运动模式。
第三方面,本发明实施例还提供一种智能假肢,所述智能假肢包括智能膝关节和如上述任一所述的运动模式识别装置;所述智能膝关节包括角度传感器和惯性传感器。
第四方面,本发明实施例还提供一种终端,所述终端包括有存储器和一个以上处理器;所述存储器存储有一个以上的程序;所述程序包含用于执行如上述任一所述的运动模式识别方法的指令;所述处理器用于执行所述程序。
第五方面,本发明实施例还提供一种计算机可读存储介质,其上存储有多条指令,所述指令适用于由处理器加载并执行,以实现上述任一所述的运动模式识别方法的步骤。
本发明的有益效果:本发明实施例通过获取智能假肢膝关节的多种检测数据,分析这些检测数据各自的周期性分布规律和联合分布规律,从而准确识别出智能假肢的穿戴者当前所处的运动模式。解决了现有技术中通过肌电信号匹配方法识别出智能假肢穿戴者所处的运动模式,由于仅采用一种数据源进行模式识别,导致模式识别结果的可靠性低的问题。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,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是本发明实施例提供的运动模式识别方法的流程示意图。
图2是本发明实施例提供的运动模式识别装置的模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了运动模式识别方法、装置、智能假肢、终端及存储介质,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
针对现有技术的上述缺陷,本发明提供一种运动模式识别方法,如图1所示,所述方法包括:
步骤S100、获取智能膝关节的角度数据和运动数据,根据所述角度数据和所述运动数据分别确定各自对应的周期性分布规律信息。
具体地,本实施例预先在智能假肢的智能膝关节设置有多种传感器,这些传感器分别用于采集与穿戴者的动作相关的数据,传感器包括用于检测智能膝关节的角度变化的角度传感器;用于检测穿戴者的运动特征,即智能膝关节的运动变化的传感器,比如速度变化/加速度变化的惯性传感器。针对每一采集数据而言,其在不同运动模式下会呈现不同的周期性分布规律。因此本实施例会对每一采集数据进行单独分析,提取出该采集数据自身的周期性分布规律,用于后续的运动模式识别。本发明通过分析与穿戴者的动作相关的多种采集数据,可以有效提高运动模式识别结果的可靠性和准确性。
步骤S200、获取所述角度数据和所述运动数据分别对应的特征点集合,根据各所述特征点集合确定联合分布规律信息,其中,所述联合分布规律信息用于反映两个所述特征点集合之间的特征点分布的关联性。
具体地,在同一运动模式下,各类采集数据的波动存在一定的关联性,例如在跑步模式中,最大弯曲角度时有最小加速度(对应跑步时的抬腿动作)。因此为了充分挖掘各类采集数据中的信息,本实施例除了对各类采集数据进行单独分析之外,还会将各类采集数据汇总进行联合分析。为了减少数据分析的时间成本,本实施例会先对各类采集数据分别进行特征点提取,得到各类采集数据的特征点集合。每一类采集数据的特征点集合包括若干特征点和各特征点分别对应的时间点、属性类别等信息,特征点集合可以反映出采集数据的波动情况。然后通过对比分析不同的特征点集合,总结出特征点集合两两之间的关联性(即不同特征点集合之间的特征点分布规律的关联性),从而生成联合分布规律信息。
步骤S300、根据各所述周期性分布规律信息和所述联合分布规律信息,确定智能假肢当前的运动模式。
具体地,周期性分布规律可以反映不同采集数据各自的数据特征,联合分布规律可以反映不同采集数据之间的关联特征,这些特征之间可以相互印证,因此这些特征可以协同地进行运动模式识别。本实施例通过分析不同采集数据各自的周期性分布规律和联合分布规律来进行运动模式识别,可以获得更准确、可靠的模式识别结果。
在一种实现方式中,所述方法还包括:
获取所述智能膝关节的肌电数据,并确定所述肌电数据对应的所述周期性分布规律信息;
获取所述肌电数据对应的所述特征点集合,根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述特征点集合确定更新联合分布规律信息,其中,所述更新联合分布规律信息用于反映至少两个所述特征点集合之间的特征点分布的关联性;
根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述周期性分布规律信息和所述更新联合分布规律信息,确定所述智能假肢当前的运动模式。
具体地,由于肌电数据是更为直接的神经控制信号,为了提高运动模式识别的准确性,本实施例可通过设置在大腿部接受腔内壁的肌电传感器采集用户大腿部的肌电数据,将肌电数据、角度数据以及运动数据三者分别进行单独分析,再进行联合分析。最后根据三者各自的周期性分布规律信息和基于三者生成的更新联合分布规律信息,综合识别出智能假肢当前的运动模式。
在一种实现方式中,所述周期性分布规律信息的确定方法包括:
针对所述肌电数据、所述角度数据以及所述运动数据中的一种采集数据,将该采集数据切分为若干数据段,其中,各所述数据段的长度相同,且各所述数据段之间的相似度大于相似阈值;
根据一个所述数据段确定周期性特征,并根据各所述数据段的数量和数据长度确定周期分布特征;
根据所述周期性特征和所述周期分布特征,确定该采集数据对应的所述周期性分布规律信息。
三种采集数据的周期性分布规律信息的提取原理是相同,因此本实施例以一种采集数据为例对周期性分布规律信息的获取过程进行说明。具体地,三种采集数据均为时间序列数据,针对任意一种采集数据,首先对该采集数据进行周期分割,将其切分为多个长度相同且数据内容相似的数据段,每一数据段即代表一个完整周期。抽取一个数据段来分析一个周期内的数据特征,即得到周期性特征。并综合各数据段来分析所有周期的排布特征,例如周期数量和周期长度(即一个数据段的数据长度),即得到周期分布特征。通过这两种特征组成该采集数据的周期性分布规律信息。本实施例通过分析每一采集数据的周期内特征和周期排布特征,可以充分挖掘每一采集数据的信息,得到准确的周期性分布规律信息。
在一种实现方式中,所述将该采集数据切分为若干数据段,包括:
将该采集数据转化为波形数据,对所述波形数据的波峰和波谷进行标注;
将标注后的所述波形数据输入预设的周期分割模型,得到该采集数据对应的若干所述数据段。
具体地,为了快速地对采集数据进行周期分割,本实施例预先基于深度学习技术构建了一个周期分割模型。为了便于周期分割模型识别采集数据的正确周期,本实施例首先根据采集数据绘制对应的波形数据,然后对波形数据的波峰和波谷进行标注,再将已标注的波形数据输入周期分割模型。由于周期分割点通常是波峰或者波谷,并且周期分割模型预先经过训练数据训练也已经学习了数据周期的特征,因此周期分割模型可以根据输入数据准确地输出对应的周期分割结果,从而将采集数据分为若干数据段,每一数据段代表一个数据周期。
在一种实现方式中,所述特征点集合的生成方法包括:
针对所述肌电数据、所述角度数据以及所述运动数据中的一种采集数据,根据该采集数据确定若干局部极值点;
根据各所述局部极值点生成该采集数据对应的所述特征点集合。
简单来说,由于局部极值点为数据波动的拐点,即数据波动趋势开始改变的位置,因此本实施例将局部极值点作为特征点。具体地,针对每一种采集数据,将该采集数据转化为波形数据,波形数据的横坐标对应时间轴,纵坐标对应具体数值。然后对波形数据进行平滑,根据平滑后的波形数据提取出若干局部极值点,将各局部极值点和其对应的时间点、属性类别进行关联存储,即得到该采集数据的特征点集合。本实施例通过提取局部极值点的方式,将采集数据的波动情况采用特征点集合进行表征,可以有效地提高后续的数据分析效率。
在一种实现方式中,所述根据各所述特征点集合确定联合分布规律信息,包括:
根据各所述特征点集合,确定若干特征点组,其中,每一所述特征点组中各特征点分别来自不同的所述特征点集合,且各特征点之间的采集时间间隔小于预设值;
根据各所述特征点组确定所述联合分布规律信息。
简单来说,本实施例主要关注不同特征点集合中差不多同一时间点出现的特征点,这些特征点具有时间关联性,可以用于生成联合分布规律信息。具体地,针对每一特征点集合中的特征点,查询其他两个特征点集合中是否存在与该特征点的采集时间间隔小于预设值的特征点,若存在,则将查询出来的特征点与该特征点组成一个特征点组;若不存在,则剔除该特征点,选择该特征点集合中的下一个特征点重复上述步骤,直至遍历所有特征点。通过生成的所有特征点组分析不同数据源的特征点分布的关联性,即得到联合分布规律信息。
在一种实现方式中,所述根据各所述特征点组确定所述联合分布规律信息,包括:
根据各所述特征点组中重复出现的所述特征点组,确定若干类目标特征点组;
根据各类所述目标特征点组分别生成各自对应的特征点对应关系数据;
根据各所述特征点对应关系数据生成所述联合分布规律信息。
具体地,若多个特征点组中包含的特征点的属性类别和来源均相同,则定义这些特征点组为重复出现的特征点组,例如特征点组A包括来自运动数据的特征点A1和来自角度数据的特征点A2,特征点组B包括来自运动数据的特征点B1和来自角度数据的特征点B2,并且特征点A1、B1的属性类别均为最小值,特征点B1、B2的属性类别均为最大值,则特征点组A、B为重复出现的特征点组。这些重复出现的特征点组可以反映不同数据源之间更为可靠的关联性,因此本实施例将这类特征点组作为目标特征点组进行重点分析。针对每一目标特征点组,根据该目标特征点组中特征点的属性类别和来源构建特征点对应关系数据。通过各目标特征点组的特征点对应关系数据汇集成联合分布规律信息。本实施例通过对特征点组进行筛选,可以提高联合分布规律信息的准确性和可靠性。
可以理解的是,更新联合分布规律信息的生成方法原理相同,区别仅在于特征点集合的数量从两个变为三个,在此不再累述。
在一种实现方式中,所述智能假肢当前的运动模式的确定方法包括:
将两个所述周期性分布规律信息和所述联合分布规律信息输入第一运动模式识别模型;或者将三个所述周期性分布规律信息和所述更新联合分布规律信息输入第二运动模式识别模型;
通过所述第一运动模式识别模型或者所述第二运动模式识别模型确定所述智能假肢当前的运动模式。
具体地,本实施例可以预先使穿戴者佩戴智能假肢进行不同运动模式的训练,从而获得海量的不同运动模式下的角度数据和运动数据,并根据这些历史数据生成训练数据集,用于对第一运动模式识别模型进行训练。第一运动模式识别模型的输入数据为两类数据各自的周期性分布规律信息和联合分布规律信息,输出数据为智能假肢当前的运动模式。通过训练数据集训练完毕后的第一运动模式识别模型已学习了输入输出之间的复杂映射关系,因此在实际应用时可以基于输入的两个周期性分布规律信息和联合分布规律信息准确地输出对应的运动模式。
或者预先使穿戴者佩戴智能假肢进行不同运动模式的训练,从而获得海量的不同运动模式下的肌电数据、角度数据以及运动数据,并根据这些历史数据生成训练数据集,用于对第二运动模式识别模型进行训练。第二运动模式识别模型的输入数据为三类数据各自的周期性分布规律信息和更新联合分布规律信息,输出数据为智能假肢当前的运动模式。通过训练数据集训练完毕后的第二运动模式识别模型已学习了输入输出之间的复杂映射关系,因此在实际应用时可以基于输入的三个周期性分布规律信息和更新联合分布规律信息准确地输出对应的运动模式。
本实施例采用深度学习方式构建了两个模型,通过当前待处理的数据类型选择对应的模型进行运动模式识别,可以有效地提高模式识别速度。
在一种实现方式中,所述第二运动模式识别模型用于:
根据所述肌电数据的所述周期性分布规律信息,确定若干候选运动模式;
根据所述角度数据的所述周期性分布规律信息、所述运动数据的所述周期性分布规律信息以及所述更新联合分布规律信息,从各所述候选运动模式中确定所述智能假肢当前的运动模式。
具体地,肌电数据代表的是更为直接的神经控制信号,比智能膝关节运动时的角度数据和运动数据更快、更先产生。因此第二运动模式识别模型在接收到肌电数据的周期性分布规律信息后,可以先从预先构建的模式数据库中调取与该周期性分布规律信息最为匹配关联的几个运动模式作为候选运动模式。其中,模式数据库中包含有多种标准化的运动模式,每一运动模式关联存储有自身的模式参数,模式参数包括该运动模式下的肌电数据、角度数据、运动数据的周期性分布规律信息,以及三者的更新联合分布规律信息。后续再将各候选运动模式的模式参数与当前获得的角度数据、运动数据的周期性分布规律信息以及更新联合分布规律信息进行匹配,筛选出最终的运动模式,从而提升模式识别的效率和可靠性。
在一种实现方式中,第二运动模式识别模型包括第一匹配模块和第二匹配模块。第一匹配模块的输入数据为肌电数据的周期性分布规律信息,输出数据为若干候选运动模式;第二匹配模块的输入数据为角度数据的周期性分布规律信息、运动数据的周期性分布规律信息、更新联合分布规律信息以及第一匹配模块输出的所有候选运动模式,输出数据为从各候选运动模式中筛选出的运动模式。
具体地,本实施例通过第一匹配模块和第二匹配模块构建第二运动模式识别模型。两个模块的输入数据不同,第一匹配模块的输入数据只有肌电数据的周期性分布规律信息,因此一旦获取到肌电数据的分析数据以后,无需等待其他数据处理完毕,即可通过第一匹配模块筛选出若干候选运动模式。后续获取到其他数据的周期性分布规律信息和更新联合分布规律信息以后,再通过第二匹配模块从多个候选运动模式中筛选出最匹配的运动模式,即得到智能假肢当前的运动模式。本实施例通过设定两个模块,将采集速度最快的肌电数据和其他数据分开处理,可以提升数据处理效率。
在一种实现方式中,所述方法还包括:
根据所述智能假肢当前的运动模式,调节所述智能假肢的阻尼,其中,所述阻尼用于控制所述智能假肢的智能膝关节摆动。
智能膝关节是通过智能膝关节阻尼器控制摆动相的速度和支撑相的稳定性,使得智能假肢的穿戴者行走时更接近健康人的步态。具体地,不同运动模式下穿戴者所需要的支撑力大小不同,因此本实施例通过识别出的运动模式动态地调节智能假肢的阻尼,从而给予穿戴者更适合当前运动模式的支撑力。
基于上述实施例,本发明还提供了一种运动模式识别装置,如图2所示,所述装置包括:
独立分析模块01,用于获取智能膝关节的角度数据和运动数据,根据所述角度数据和所述运动数据分别确定各自对应的周期性分布规律信息;
联合分析模块02,用于获取所述角度数据和所述运动数据分别对应的特征点集合,根据各所述特征点集合确定联合分布规律信息,其中,所述联合分布规律信息用于反映两个所述特征点集合之间的特征点分布的关联性;
模式识别模块03,用于根据各所述周期性分布规律信息和所述联合分布规律信息,确定智能假肢当前的运动模式。
在一种实现方式中,所述独立分析模块01,还用于获取所述智能膝关节的肌电数据,并确定所述肌电数据对应的所述周期性分布规律信息;
所述联合分析模块02,还用于获取所述肌电数据对应的所述特征点集合,根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述特征点集合确定更新联合分布规律信息,其中,所述更新联合分布规律信息用于反映至少两个所述特征点集合之间的特征点分布的关联性;
所述模式识别模块03,还用于根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述周期性分布规律信息和所述更新联合分布规律信息,确定所述智能假肢当前的运动模式。
在一种实现方式中,所述独立分析模块01包括:
数据切分单元,用于针对所述肌电数据、所述角度数据以及所述运动数据中的一种采集数据,将该采集数据切分为若干数据段,其中,各所述数据段的长度相同,且各所述数据段之间的相似度大于相似阈值;
特征确定单元,用于根据一个所述数据段确定周期性特征,并根据各所述数据段的数量和数据长度确定周期分布特征;
规律确定单元,用于根据所述周期性特征和所述周期分布特征,确定该采集数据对应的所述周期性分布规律信息。
在一种实现方式中,所述联合分析模块02包括:
点确定单元,用于针对所述肌电数据、所述角度数据以及所述运动数据中的一种采集数据,根据该采集数据确定若干局部极值点;
点汇总单元,用于根据各所述局部极值点生成该采集数据对应的所述特征点集合。
在一种实现方式中,所述联合分析模块02还包括:
点分组单元,用于根据各所述特征点集合,确定若干特征点组,其中,每一所述特征点组中各特征点分别来自不同的所述特征点集合,且各特征点之间的采集时间间隔小于预设值;
点分析单元,用于根据各所述特征点组确定所述联合分布规律信息。
在一种实现方式中,所述点分析单元包括:
目标检测单元,用于根据各所述特征点组中重复出现的所述特征点组,确定若干类目标特征点组;
关系生成单元,用于根据各类所述目标特征点组分别生成各自对应的特征点对应关系数据;
关系分析单元,用于根据各所述特征点对应关系数据生成所述联合分布规律信息。
在一种实现方式中,所述模式识别模块03包括:
模型处理单元,用于将两个所述周期性分布规律信息和所述联合分布规律信息输入第一运动模式识别模型;或者将三个所述周期性分布规律信息和所述更新联合分布规律信息输入第二运动模式识别模型;
模式确定单元,用于通过所述第一运动模式识别模型或者所述第二运动模式识别模型确定所述智能假肢当前的运动模式。
在一种实现方式中,所述第二运动模式识别模型用于:
根据所述肌电数据的所述周期性分布规律信息,确定若干候选运动模式;
根据所述角度数据的所述周期性分布规律信息、所述运动数据的所述周期性分布规律信息以及所述更新联合分布规律信息,从各所述候选运动模式中确定所述智能假肢当前的运动模式。
基于上述实施例,本发明还提供了一种智能假肢,所述智能假肢包括智能膝关节和如上述任一所述的运动模式识别装置;所述智能膝关节包括角度传感器和惯性传感器。
基于上述实施例,本发明还提供了一种终端,其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中,该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现运动模式识别方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一种实现方式中,所述终端的存储器中存储有一个以上的程序,且经配置以由一个以上处理器执行所述一个以上程序包含用于进行运动模式识别方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了运动模式识别方法、装置、智能假肢、终端及存储介质,所述方法通过获取智能膝关节的角度数据和运动数据,根据所述角度数据和所述运动数据分别确定各自对应的周期性分布规律信息;获取所述角度数据和所述运动数据分别对应的特征点集合,根据各所述特征点集合确定联合分布规律信息,其中,所述联合分布规律信息用于反映两个所述特征点集合之间的特征点分布的关联性;根据各所述周期性分布规律信息和所述联合分布规律信息,确定智能假肢当前的运动模式。本发明通过获取智能假肢膝关节的多种检测数据,分析这些检测数据各自的周期性分布规律和联合分布规律,从而准确识别出智能假肢的穿戴者当前所处的运动模式。解决了现有技术中通过肌电信号匹配方法识别出智能假肢穿戴者所处的运动模式,由于仅采用一种数据源进行模式识别,导致模式识别结果的可靠性低的问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (12)
1.一种智能假肢的运动模式识别方法,其特征在于,所述方法包括:
获取智能膝关节的角度数据和运动数据,根据所述角度数据和所述运动数据分别确定各自对应的周期性分布规律信息;
获取所述角度数据和所述运动数据分别对应的特征点集合,根据各所述特征点集合确定联合分布规律信息,其中,所述联合分布规律信息用于反映两个所述特征点集合之间的特征点分布的关联性;
根据各所述周期性分布规律信息和所述联合分布规律信息,确定所述智能假肢当前的运动模式;
所述周期性分布规律信息的确定方法包括:针对一种采集数据,将该采集数据切分为若干数据段,其中,各所述数据段的长度相同,且相似度大于相似阈值;根据一个所述数据段确定周期性特征,根据各所述数据段的数量和数据长度确定周期分布特征;根据所述周期性特征和所述周期分布特征,确定该采集数据对应的所述周期性分布规律信息;
所述联合分布规律信息的生成方法包括:针对一种采集数据,根据该采集数据确定若干局部极值点;根据各所述局部极值点生成该采集数据对应的所述特征点集合;根据各所述特征点集合,确定若干特征点组,其中,每一所述特征点组中各特征点分别来自不同的所述特征点集合,且各特征点之间的采集时间间隔小于预设值;根据各所述特征点组确定所述联合分布规律信息。
2.根据权利要求1所述的智能假肢的运动模式识别方法,其特征在于,所述方法还包括:
获取所述智能膝关节的肌电数据,并确定所述肌电数据对应的所述周期性分布规律信息;
获取所述肌电数据对应的所述特征点集合,根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述特征点集合确定更新联合分布规律信息,其中,所述更新联合分布规律信息用于反映至少两个所述特征点集合之间的特征点分布的关联性;
根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述周期性分布规律信息和所述更新联合分布规律信息,确定所述智能假肢当前的运动模式。
3.根据权利要求1所述的智能假肢的运动模式识别方法,其特征在于,所述根据各所述特征点组确定所述联合分布规律信息,包括:
根据各所述特征点组中重复出现的所述特征点组,确定若干类目标特征点组;
根据各类所述目标特征点组分别生成各自对应的特征点对应关系数据;
根据各所述特征点对应关系数据生成所述联合分布规律信息。
4.根据权利要求2所述的智能假肢的运动模式识别方法,其特征在于,所述智能假肢当前的运动模式的确定方法包括:
将两个所述周期性分布规律信息和所述联合分布规律信息输入第一运动模式识别模型;或者将三个所述周期性分布规律信息和所述更新联合分布规律信息输入第二运动模式识别模型;
通过所述第一运动模式识别模型或者所述第二运动模式识别模型确定所述智能假肢当前的运动模式。
5.根据权利要求4所述的智能假肢的运动模式识别方法,其特征在于,所述第二运动模式识别模型用于:
根据所述肌电数据的所述周期性分布规律信息,确定若干候选运动模式;
根据所述角度数据的所述周期性分布规律信息、所述运动数据的所述周期性分布规律信息以及所述更新联合分布规律信息,从各所述候选运动模式中确定所述智能假肢当前的运动模式。
6.一种智能假肢的运动模式识别装置,其特征在于,所述装置包括:
独立分析模块,用于获取智能膝关节的角度数据和运动数据,根据所述角度数据和所述运动数据分别确定各自对应的周期性分布规律信息;
联合分析模块,用于获取所述角度数据和所述运动数据分别对应的特征点集合,根据各所述特征点集合确定联合分布规律信息,其中,所述联合分布规律信息用于反映两个所述特征点集合之间的特征点分布的关联性;
模式识别模块,用于根据各所述周期性分布规律信息和所述联合分布规律信息,确定所述智能假肢当前的运动模式;
所述独立分析模块具体用于:针对一种采集数据,将该采集数据切分为若干数据段,其中,各所述数据段的长度相同,且相似度大于相似阈值;根据一个所述数据段确定周期性特征,根据各所述数据段的数量和数据长度确定周期分布特征;根据所述周期性特征和所述周期分布特征,确定该采集数据对应的所述周期性分布规律信息;
所述联合分析模块具体用于:针对一种采集数据,根据该采集数据确定若干局部极值点;根据各所述局部极值点生成该采集数据对应的所述特征点集合;根据各所述特征点集合,确定若干特征点组,其中,每一所述特征点组中各特征点分别来自不同的所述特征点集合,且各特征点之间的采集时间间隔小于预设值;根据各所述特征点组确定所述联合分布规律信息。
7.根据权利要求6所述的智能假肢的运动模式识别装置,其特征在于,所述独立分析模块,还用于获取所述智能膝关节的肌电数据,并确定所述肌电数据对应的所述周期性分布规律信息;
所述联合分析模块,还用于获取所述肌电数据对应的所述特征点集合,根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述特征点集合确定更新联合分布规律信息,其中,所述更新联合分布规律信息用于反映至少两个所述特征点集合之间的特征点分布的关联性;
所述模式识别模块,还用于根据所述肌电数据、所述角度数据以及所述运动数据分别对应的所述周期性分布规律信息和所述更新联合分布规律信息,确定所述智能假肢当前的运动模式。
8.根据权利要求7所述的智能假肢的运动模式识别装置,其特征在于,所述模式识别模块包括:
模型处理单元,用于将两个所述周期性分布规律信息和所述联合分布规律信息输入第一运动模式识别模型;或者将三个所述周期性分布规律信息和所述更新联合分布规律信息输入第二运动模式识别模型;
模式确定单元,用于通过所述第一运动模式识别模型或者所述第二运动模式识别模型确定所述智能假肢当前的运动模式。
9.根据权利要求8所述的智能假肢的运动模式识别方法,其特征在于,所述第二运动模式识别模型用于:
根据所述肌电数据的所述周期性分布规律信息,确定若干候选运动模式;
根据所述角度数据的所述周期性分布规律信息、所述运动数据的所述周期性分布规律信息以及所述更新联合分布规律信息,从各所述候选运动模式中确定所述智能假肢当前的运动模式。
10.一种智能假肢,其特征在于,所述智能假肢包括智能膝关节和如权利要求6-9任一所述的智能假肢的运动模式识别装置;所述智能膝关节包括角度传感器和惯性传感器。
11.一种终端,其特征在于,所述终端包括有存储器和一个以上处理器;所述存储器存储有一个以上的程序;所述程序包含用于执行如权利要求1-5中任一所述的智能假肢的运动模式识别方法的指令;所述处理器用于执行所述程序。
12.一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述权利要求1-5任一所述的智能假肢的运动模式识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311484362.8A CN117281667B (zh) | 2023-11-09 | 2023-11-09 | 运动模式识别方法、装置、智能假肢、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311484362.8A CN117281667B (zh) | 2023-11-09 | 2023-11-09 | 运动模式识别方法、装置、智能假肢、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117281667A CN117281667A (zh) | 2023-12-26 |
CN117281667B true CN117281667B (zh) | 2024-04-09 |
Family
ID=89258781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311484362.8A Active CN117281667B (zh) | 2023-11-09 | 2023-11-09 | 运动模式识别方法、装置、智能假肢、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117281667B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05111881A (ja) * | 1991-10-22 | 1993-05-07 | Nippon Telegr & Teleph Corp <Ntt> | 学習型筋電パターン認識ロボツトハンド制御装置 |
CN102799937A (zh) * | 2012-06-26 | 2012-11-28 | 天津大学 | 肌电信号与关节角度信息融合的下肢运动轨迹预测方法 |
KR20150000237A (ko) * | 2013-06-24 | 2015-01-02 | 인하대학교 산학협력단 | 퓨전 센서를 이용한 보행 패턴 인식 시스템 |
CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划系统及方法 |
CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
KR20190041239A (ko) * | 2017-10-12 | 2019-04-22 | 한국과학기술연구원 | 생체 운동 신호 기반의 하지 운동 평가 및 맞춤형 전기 자극 시스템 |
CN110755070A (zh) * | 2019-08-28 | 2020-02-07 | 北京精密机电控制设备研究所 | 基于多传感器融合的下肢运动位姿快速预测系统及方法 |
CN110900638A (zh) * | 2019-10-31 | 2020-03-24 | 东北大学 | 基于多信号融合的上肢可穿戴式搬运机器人运动识别系统 |
CN110974497A (zh) * | 2019-12-30 | 2020-04-10 | 南方科技大学 | 电动假肢控制系统及控制方法 |
CN111631727A (zh) * | 2020-06-11 | 2020-09-08 | 国家康复辅具研究中心 | 一种假肢适配效果的评估方法及评估装置 |
CN112137779A (zh) * | 2020-09-30 | 2020-12-29 | 哈工大机器人湖州国际创新研究院 | 智能假肢及智能假肢的模式判断方法 |
CN112535474A (zh) * | 2020-11-11 | 2021-03-23 | 西安交通大学 | 一种基于相似规律搜索的下肢运动关节角度实时预测方法 |
CN112807001A (zh) * | 2019-11-15 | 2021-05-18 | 上海中研久弋科技有限公司 | 多步态意图识别和运动预测方法、系统、终端以及介质 |
CN114897012A (zh) * | 2022-04-29 | 2022-08-12 | 中国科学院沈阳自动化研究所 | 一种基于生机接口的智能假肢手臂控制方法 |
CN115501015A (zh) * | 2022-10-08 | 2022-12-23 | 中国人民解放军总医院第四医学中心 | 一种基于强化学习算法的智能假肢 |
CN115969590A (zh) * | 2023-03-16 | 2023-04-18 | 深圳市心流科技有限公司 | 膝关节假肢及控制方法、系统、智能终端及存储介质 |
CN116369863A (zh) * | 2023-05-08 | 2023-07-04 | 首都医科大学附属北京天坛医院 | 一种基于下肢多种信号信息采集系统 |
-
2023
- 2023-11-09 CN CN202311484362.8A patent/CN117281667B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05111881A (ja) * | 1991-10-22 | 1993-05-07 | Nippon Telegr & Teleph Corp <Ntt> | 学習型筋電パターン認識ロボツトハンド制御装置 |
CN102799937A (zh) * | 2012-06-26 | 2012-11-28 | 天津大学 | 肌电信号与关节角度信息融合的下肢运动轨迹预测方法 |
KR20150000237A (ko) * | 2013-06-24 | 2015-01-02 | 인하대학교 산학협력단 | 퓨전 센서를 이용한 보행 패턴 인식 시스템 |
CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划系统及方法 |
KR20190041239A (ko) * | 2017-10-12 | 2019-04-22 | 한국과학기술연구원 | 생체 운동 신호 기반의 하지 운동 평가 및 맞춤형 전기 자극 시스템 |
CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
CN110755070A (zh) * | 2019-08-28 | 2020-02-07 | 北京精密机电控制设备研究所 | 基于多传感器融合的下肢运动位姿快速预测系统及方法 |
CN110900638A (zh) * | 2019-10-31 | 2020-03-24 | 东北大学 | 基于多信号融合的上肢可穿戴式搬运机器人运动识别系统 |
CN112807001A (zh) * | 2019-11-15 | 2021-05-18 | 上海中研久弋科技有限公司 | 多步态意图识别和运动预测方法、系统、终端以及介质 |
CN110974497A (zh) * | 2019-12-30 | 2020-04-10 | 南方科技大学 | 电动假肢控制系统及控制方法 |
CN111631727A (zh) * | 2020-06-11 | 2020-09-08 | 国家康复辅具研究中心 | 一种假肢适配效果的评估方法及评估装置 |
CN112137779A (zh) * | 2020-09-30 | 2020-12-29 | 哈工大机器人湖州国际创新研究院 | 智能假肢及智能假肢的模式判断方法 |
CN112535474A (zh) * | 2020-11-11 | 2021-03-23 | 西安交通大学 | 一种基于相似规律搜索的下肢运动关节角度实时预测方法 |
CN114897012A (zh) * | 2022-04-29 | 2022-08-12 | 中国科学院沈阳自动化研究所 | 一种基于生机接口的智能假肢手臂控制方法 |
CN115501015A (zh) * | 2022-10-08 | 2022-12-23 | 中国人民解放军总医院第四医学中心 | 一种基于强化学习算法的智能假肢 |
CN115969590A (zh) * | 2023-03-16 | 2023-04-18 | 深圳市心流科技有限公司 | 膝关节假肢及控制方法、系统、智能终端及存储介质 |
CN116369863A (zh) * | 2023-05-08 | 2023-07-04 | 首都医科大学附属北京天坛医院 | 一种基于下肢多种信号信息采集系统 |
Non-Patent Citations (1)
Title |
---|
动力踝关节假肢的运动意图识别与控制策略研究;姜恺宁;优秀硕士论文;11-21、35-52 * |
Also Published As
Publication number | Publication date |
---|---|
CN117281667A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320939B (zh) | 虹膜活体检测的方法和装置 | |
CN110309706A (zh) | 人脸关键点检测方法、装置、计算机设备及存储介质 | |
CN106874874A (zh) | 一种运动状态的识别方法及装置 | |
CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
CN105989266A (zh) | 基于心电信号的认证方法、装置及系统 | |
CN109726662A (zh) | 基于卷积和循环组合神经网络的多类别人体姿态识别方法 | |
CN112182384A (zh) | 基于对抗学习的内容推荐方法、装置和计算机设备 | |
CN117281667B (zh) | 运动模式识别方法、装置、智能假肢、终端及存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN107045624A (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN117037427B (zh) | 一种地质灾害联网监测预警系统 | |
CN109743200B (zh) | 基于资源特征的云计算平台计算任务成本预测方法及系统 | |
CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
CN105046193B (zh) | 一种基于融合稀疏表示矩阵的人体动作识别方法 | |
Sarakon et al. | Robust noise for human activity recognition using convolutional neural network | |
Takeishi et al. | Variational autoencoder with differentiable physics engine for human gait analysis and synthesis | |
CN117462314B (zh) | 阻尼调整方法、装置、智能假肢、终端及存储介质 | |
CN114913158A (zh) | 一种水文地质岩体裂隙及裂隙渗水检测方法及系统 | |
CN110705509A (zh) | 人脸方向识别方法、装置、计算机设备和存储介质 | |
US20230368571A1 (en) | Training Method of Facial Expression Embedding Model, Facial Expression Embedding Method and Facial Expression Embedding Device | |
CN115578753B (zh) | 人体关键点检测方法、装置、电子设备及存储介质 | |
CN117668604A (zh) | 一种自适应特征融合的生理信号识别方法及相关设备 | |
CN114999649B (zh) | 一种基于深度学习的老人体征数据监控预警方法和系统 | |
CN112801372B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
Wei et al. | Hierarchical feature reduction with max relevance and low dimensional embedding strategy and its application in activity recognition with multi-sensors |
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 |