CN206950149U - 一种基于机器学习的膝盖受力检测装置 - Google Patents
一种基于机器学习的膝盖受力检测装置 Download PDFInfo
- Publication number
- CN206950149U CN206950149U CN201621333462.6U CN201621333462U CN206950149U CN 206950149 U CN206950149 U CN 206950149U CN 201621333462 U CN201621333462 U CN 201621333462U CN 206950149 U CN206950149 U CN 206950149U
- Authority
- CN
- China
- Prior art keywords
- knee
- module
- data
- machine learning
- detection device
- 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.)
- Expired - Fee Related
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本实用新型公开了一种基于机器学习的膝盖受力检测装置,包括应用终端和两侧设有绑缚带的监测装置,绑缚带内设有与监测装置连接的电源模块;监测装置包括分别与压力传感器、加速度传感器、冲击力传感器连接的控制模块,控制模块通过数据缓存模块连接数据传输模块;数据传输模块将数据传输给应用终端。本实用新型的检测装置能够自动地采集运动员的膝盖受力信息,实现对膝盖受力的实时远程监控,不需要人工检测并记录结果,节省人力,检测结果更加准确;采用基于机器学习的膝盖受力状态识别,能够排除运动员的项目类型、年龄、运动员和运动状态等差异,真正为每个被监测对象量身定做,达到精准有效的膝盖受力检测目的。
Description
技术领域
本实用新型涉及一种受力检测装置,具体涉及一种基于机器学习的膝盖受力检测装置。
背景技术
膝盖是否健康是运动员重要的健康指标,膝盖监测是评价运动员健康状态的重要方式之一,膝盖监测的及时性、准确性、可靠性直接影响关节疾病的预防、诊断、治疗以及术后恢复效果。
传统膝盖受力检测采取单个运动员膝盖样点,非常不便于跟踪膝盖受力状态变化,而且目前对膝盖受力的测量主要靠手工来完成,需要每天手工测量膝盖受力大小,记录受力数值,绘制膝盖受力曲线,这是一个很大的工作量。
此外,不同类型的运动、不同年龄段、不同运动员运动员、不同运动状态,往往具有不同的膝盖受力状况。如:在相同的一段时间内,竞走运动员的膝盖受力肯定比短跑运动员的膝盖受力要小;又如:篮球运动员中,体重大的运动员膝盖受力程度肯定比体重轻的运动员膝盖受力程度要小。因而,膝盖受力的监测应考虑运动员的项目类型、年龄、运动员、运动状态等差异,而传统方式很难全面做到。
实用新型内容
为解决现有技术的不足,本实用新型的目的在于提供一种基于机器学习的膝盖受力状态识别,能够排除运动员的项目类型、年龄、运动员和运动状态等差异,真正为每个被监测对象量身定做,达到精准有效的膝盖受力的检测装置。
为了实现上述目标,本实用新型采用如下的技术方案:
一种基于机器学习的膝盖受力检测装置,包括应用终端和两侧设有绑缚带的监测装置,通过绑缚带将监测装置穿戴在膝盖上,用于采集运动数据;绑缚带内设有与监测装置连接的电源模块。
电源模块优选为电池组,可根据需求扩大电池容量,实现长时间的受力监测。
所述监测装置包括分别与压力传感器、加速度传感器、冲击力传感器连接的控制模块,所述控制模块通过数据缓存模块连接数据传输模块;所述数据传输模块将数据传输给应用终端。
压力传感器和冲击力传感器紧贴运动员膝盖设置。
压力传感器、冲击力传感器和加速度传感器分别用于采集膝盖的接触压力、膝盖受力和加速度信息。
上述应用终端包括采集数据传输模块、采集数据缓存模块、状态识别模块、状态数据缓存模块、人机交互模块;
所述采集数据传输模块用于接收数据传输模块的数据,并存入采集数据缓存模块;
所述状态识别模块读取并识别采集数据缓存模块中的数据后,将状态数据存入状态数据缓存模块。
所述人机交互模块用于读取和显示采集数据缓存模块和状态数据缓存模块中的数据和状态数据。
进一步的,上述状态数据缓存模块通过状态数据传输模块,将状态数据传输给数据监控装置,数据监控装置对状态数据作进一步的匹配与分析。
上述控制模块用于设置压力传感器、加速度传感器和冲击力传感器的数据采集频率等工作参数,接收并判断接触压力、膝盖受力和加速度信息。
上述监测装置设有受力正常确认键。
进一步的,上述受力正常确认键为薄膜按键,用于在学习过程中确认在一定时间内的膝盖受力是否正常。
上述压力传感器为半导体压电阻型传感器或静电容量型传感器。
上述冲击力传感器为基于弹性体和电阻应变片的冲击力传感器。
上述加速度传感器为压电式、压阻式、或电容式加速度传感器的其中一种。
上述绑缚带的长度可调节。
上述数据采集的步骤包括:
A1、通过控制模块设置的压力传感器、加速度传感器和冲击力传感器的数据采集频率;
A2、压力传感器检测与运动员膝盖的接触压力信息、加速度传感器检测运动员加速度信息、冲击力传感器检测膝盖受力信息,并传输给控制模块;
A3、控制模块根据接触压力信息判断采集装置是否与运动员膝盖接触:如果没有接触,则抛弃所有同时刻采集的信息;如果有效接触,则将数据存入数据缓存模块;
A4、应用终端通过采集数据传输模块接收监测装置的数据,并将数据处理后传输给采集数据缓存模块;
A5、基于机器学习后的膝盖受力状态识别规则集,状态识别模块根据加速度信息、膝盖受力信息识别出膝盖受力状态。
本实用新型提供一种基于机器学习的膝盖受力检测装置,能够针对特定的被监测运动员进行机器学习,得出该运动员处于各类膝盖受力状态的规则,然后基于这些规则进行膝盖受力状态识别,达到运动健康监测的目标。
机器学习的过程包括以下步骤:
B1、对于特定某类运动员,在不同的膝盖受力状态(如正常膝盖受力、膝盖受力较小、膝盖过重受力)下,针对不同运动状态(如慢跑、冲刺、跳跃) 采集加速度a和膝盖受力t;
B2、用一定长度的时间去采样加速度a及膝盖受力t信息,如果运动员认为该段时间内膝盖属于正常受力则按下受力正常确认键,开始计算该段时间内加速度平均值和膝盖受力平均值保存为训练样例,如:
→正常膝盖受力;
B3、读取训练样例集,对同种膝盖受力状态的样例按加速度平均值大小对样例进行排序;
B4、对排序后的训练样例集,对同种膝盖受力状态按连续样例膝盖受力均值变化值大小分为几类,最后得到学习的结果,保存为规则集,如:
膝盖受力状态识别的过程包括以下步骤:
C1、对于被检测运动员,采集加速度a和膝盖受力t;
C2、用一定长度的时间去采样加速度a及膝盖受力t信息,计算时间内加速度平均值和膝盖受力平均值
C3、从规则集中查询同时匹配加速度和膝盖受力的规则,即加速度平均值处于规则条件的范围内,且膝盖受力平均值处于规则条件的范围内;
C4、如果步骤C3找到了匹配规则,则根据规则识别出运动员的膝盖受力状态,并结束识别过程;
C5、如果步骤C3找不到匹配规则,则从膝盖受力状态为“正常膝盖受力”的规则集中查询匹配加速度的规则,即加速度平均值处于规则条件的范围内,然后,找出同条规则的规则条件中的膝盖受力范围
C6、如果比小,则膝盖受力状态为“膝盖受力较小”,如果比大,则膝盖受力状态为“膝盖过重受力”。
本实用新型的有益之处在于:
1、本实用新型的膝盖受力检测装置可以实现对膝盖受力的自动检测以及远程实时监测,不需要人工记录被检测运动员的膝盖受力状况,节省大量的人力,节省时间,提高效率;
2、本实用新型的膝盖受力检测装置设置有加速度传感器以及压力传感器,可以检测监测装置是否与运动员膝盖有效接触,以及运动员在不同运动状态下的膝盖受力,检测结果更准确;
3、本实用新型的膝盖受力检测装置设有应用终端,可以基于运动员的加速度信息、压力信息和膝盖受力信息进行学习并进行智能识别,机器学习特性使得本系统可以适用于几乎所有项目的运动员的膝盖受力识别,且能兼顾被测运动员的运动员膝盖受力特性,真正实现私人定制,识别结果也更加精准;
4、本实用新型还可以通过与远程网络上的数据监控装置连接,将膝盖受力状态信息上传到远程系统中,相关人员可以通过网络随时了解被监测运动员的膝盖受力状况,并能通过专家系统来分析被监测对象不同的膝盖受力变化,实现更加精准的健康监测;
5、本实用新型的监测装置采用电池组来提供能源,能够实现更长时间的供电需求,减少设备充电的次数,提高设备使用的效率。
附图说明
图1是本实用新型的基于机器学习的膝盖受力检测装置的示意图;
图2是本实用新型的监测装置的结构示意图;
附图中标记的含义如下:1、监测装置,2、绑缚带,3、电池组,4、受力正常确认键。
具体实施方式
以下结合附图和具体实施例对本实用新型作具体的介绍。
实施例一
本实施例中的膝盖受力检测装置包括穿戴在运动员膝盖上、用于膝盖受力信息采集的监测装置和应用终端。
如图2所示,监测装置的两侧均固定连接长度可调的绑缚带,用于将监测装置与运动员膝盖固定,绑缚带内置电池组,
如图1所示,监测装置包括分别与压力传感器、加速度传感器、冲击力传感器连接的控制模块,控制模块通过数据缓存模块连接数据传输模块;数据传输模块将数据传输给应用终端;外嵌装有薄膜受力正常确认键;压力传感器和冲击力传感器紧贴运动员膝盖设置。
如图1所示,应用终端包括采集数据传输模块、采集数据缓存模块、状态识别模块、状态数据缓存模块、人机交互模块;
采集数据传输模块与采集数据缓存模块连接,采集数据缓存模块与状态识别模块连接,状态识别模块与状态数据缓存模块连接;人机交互模块同时连接采集数据缓存模块和状态数据缓存模块连接。
人机交互模块用于接收用户通过触屏、键盘和语音等交互方式提供的指令,并从采集数据缓存模块和状态数据缓存模块中按指令读取数据,然后将数据展示给用户,用屏幕或语音等方式。
膝盖受力检测装置的膝盖受力信息采集流程包括如下步骤:
A1、用户通过控制模块设置压力传感器、加速度传感器、冲击力传感器的信息采集频率,对于体重较轻的运动员,可以设置较高的采集频率,对于体重较重的运动员,则应设置较轻的采集频率;
A2、压力传感器检测与运动员膝盖的接触压力信息、加速度传感器检测运动员加速度信息、冲击力传感器检测膝盖受力信息,并传输给控制模块;
A3、控制模块根据接触压力信息判断采集装置是否与运动员膝盖接触,如果接触压力值大于阈值,则判定为监测装置与运动员膝盖发生了有效接触,所有信息有效,将数据存入数据缓存模块;如果接触压力值小于阈值,则判定为监测装置与运动员膝盖没有发生有效接触,所有信息无效,即抛弃无效的采集信息,且结束采集流程;
A4、应用终端通过采集数据传输模块接收监测装置的数据,并将数据处理后传输给采集数据缓存模块;
A5、基于机器学习后的膝盖受力状态识别规则集,状态识别模块根据加速度信息、膝盖受力信息识别出膝盖受力状态。
本实用新型提供一种基于机器学习的膝盖受力检测装置,能够针对特定的被监测运动员进行机器学习,得出该运动员处于各类膝盖受力状态的规则,然后基于这些规则进行膝盖受力状态识别,达到运动健康监测的目标。
机器学习的过程包括以下步骤:
B1、对于特定某类运动员,在不同的膝盖受力状态(如正常膝盖受力、膝盖受力较小、膝盖过重受力)下,针对不同运动状态(如慢跑、冲刺、跳跃) 采集加速度a和膝盖受力t;
B2、用一定长度的时间去采样加速度a及膝盖受力t信息,如果运动员认为该段时间内膝盖属于正常受力则按下受力正常确认键,开始计算该段时间内加速度平均值和膝盖受力平均值保存为训练样例,如:
→正常膝盖受力;
B3、读取训练样例集,对同种膝盖受力状态的样例按加速度平均值大小对样例进行排序;
B4、对排序后的训练样例集,对同种膝盖受力状态按连续样例膝盖受力均值变化值大小分为几类,最后得到学习的结果,保存为规则集,如:
膝盖受力状态识别的过程包括以下步骤:
C1、对于被检测运动员,采集加速度a和膝盖受力t;
C2、用一定长度的时间去采样加速度a及膝盖受力t信息,计算时间内加速度平均值和膝盖受力平均值
C3、从规则集中查询同时匹配加速度和膝盖受力的规则,即加速度平均值处于规则条件的范围内,且膝盖受力平均值处于规则条件的范围内;
C4、如果步骤C3找到了匹配规则,则根据规则识别出运动员的膝盖受力状态,并结束识别过程;
C5、如果步骤C3找不到匹配规则,则从膝盖受力状态为“正常膝盖受力”的规则集中查询匹配加速度的规则,即加速度平均值处于规则条件的范围内,然后,找出同条规则的规则条件中的膝盖受力范围
C6、如果比小,则膝盖受力状态为“膝盖受力较小”,如果比大,则膝盖受力状态为“膝盖过重受力”。
实施例二
本实施例在实施例二的基础上,应用终端还设置有状态数据传输模块。
状态数据传输模块将状态数据缓存模块中的状态数据通过Internet、 TD-SCDMA或WCDMA等远程通信网传输给数据监测装置,作为历史数据以备查询或进行更深入的分析。
以上显示和描述了本实用新型的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本实用新型,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本实用新型的保护范围内。
Claims (9)
1.一种基于机器学习的膝盖受力检测装置,其特征在于,包括应用终端和两侧设有绑缚带的监测装置,所述绑缚带内设有与监测装置连接的电源模块;
所述监测装置包括分别与压力传感器、加速度传感器、冲击力传感器连接的控制模块,所述控制模块通过数据缓存模块连接数据传输模块;所述数据传输模块将数据传输给应用终端。
2.根据权利要求1所述的一种基于机器学习的膝盖受力检测装置,其特征在于,所述应用终端包括采集数据传输模块、采集数据缓存模块、状态识别模块、状态数据缓存模块、人机交互模块;
所述采集数据传输模块用于接收数据传输模块的数据,并存入采集数据缓存模块;
所述状态识别模块读取并识别采集数据缓存模块中的数据后,将状态数据存入状态数据缓存模块;
所述人机交互模块用于读取和显示采集数据缓存模块和状态数据缓存模块中的数据和状态数据。
3.根据权利要求2所述的一种基于机器学习的膝盖受力检测装置,其特征在于,所述状态数据缓存模块通过状态数据传输模块,将状态数据传输给数据监控装置。
4.根据权利要求1所述的一种基于机器学习的膝盖受力检测装置,其特征在于,所述监测装置设有受力正常确认键。
5.根据权利要求4所述的一种基于机器学习的膝盖受力检测装置,其特征在于,所述受力正常确认键为薄膜按键。
6.根据权利要求1所述的一种基于机器学习的膝盖受力检测装置,其特征在于,所述压力传感器为半导体压电阻型传感器或静电容量型传感器。
7.根据权利要求1所述的一种基于机器学习的膝盖受力检测装置,其特征在于,所述冲击力传感器为基于弹性体和电阻应变片的冲击力传感器。
8.根据权利要求1所述的一种基于机器学习的膝盖受力检测装置,其特征在于,所述加速度传感器为压电式、压阻式、或电容式的其中一种。
9.根据权利要求1所述的一种基于机器学习的膝盖受力检测装置,其特征在于,所述绑缚带的长度可调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201621333462.6U CN206950149U (zh) | 2016-12-07 | 2016-12-07 | 一种基于机器学习的膝盖受力检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201621333462.6U CN206950149U (zh) | 2016-12-07 | 2016-12-07 | 一种基于机器学习的膝盖受力检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN206950149U true CN206950149U (zh) | 2018-02-02 |
Family
ID=61376706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201621333462.6U Expired - Fee Related CN206950149U (zh) | 2016-12-07 | 2016-12-07 | 一种基于机器学习的膝盖受力检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN206950149U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109431510A (zh) * | 2018-11-08 | 2019-03-08 | 华东师范大学 | 一种基于人工智能计算的柔性步态监测装置 |
-
2016
- 2016-12-07 CN CN201621333462.6U patent/CN206950149U/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109431510A (zh) * | 2018-11-08 | 2019-03-08 | 华东师范大学 | 一种基于人工智能计算的柔性步态监测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104398263B (zh) | 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法 | |
CN105590409B (zh) | 一种基于大数据的人体跌倒检测方法及系统 | |
CN105943206A (zh) | 一种基于myo臂环的假肢手控制方法 | |
CN105561567A (zh) | 一种计步及运动状态评估装置 | |
CN103054585B (zh) | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 | |
CN105797350A (zh) | 健身姿势识别、评估、预警和强度估算的智能方法及系统 | |
CN104888444A (zh) | 一种卡路里消耗和手部姿势识别的智慧手套、方法及系统 | |
CN102622605A (zh) | 一种表面肌电信号的特征提取及动作模式识别方法 | |
CN101953682A (zh) | 基于袖带装置的心率检测方法 | |
CN107041732A (zh) | 动物体温监测系统以及基于机器学习的体温状态识别方法 | |
CN108021888A (zh) | 一种跌倒检测方法 | |
CN104269025A (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
CN106901689B (zh) | 基于实物交互的认知和运动功能检测系统及数据处理方法 | |
CN106890038A (zh) | 基于myo臂环的假肢手控制系统及其控制方法 | |
CN206950149U (zh) | 一种基于机器学习的膝盖受力检测装置 | |
CN107688827A (zh) | 一种基于用户日常行为特征的用户身份属性预测方法 | |
CN108064746A (zh) | 动物饮水监测系统以及基于神经网络的饮水状态识别方法 | |
CN103785157A (zh) | 人体运动类型识别准确度提高方法 | |
CN108064745A (zh) | 动物嚎叫监测系统以及基于机器学习的嚎叫状态识别方法 | |
CN114795137A (zh) | 一种基于神经网络的患者脉象诊断系统 | |
CN201683882U (zh) | 人体体质健康检测及体适能测试仪 | |
CN114881079A (zh) | 面向穿戴式传感器的人体运动意图异常检测方法及系统 | |
CN114550299A (zh) | 基于视频的老年人日常生活活动能力评估系统和方法 | |
CN106799039A (zh) | 一种体育活动监测方法及系统 | |
CN105550502B (zh) | 一种基于健康监控的数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180202 Termination date: 20191207 |