CN208591046U - 失稳运动数据的检测装置 - Google Patents
失稳运动数据的检测装置 Download PDFInfo
- Publication number
- CN208591046U CN208591046U CN201820233035.3U CN201820233035U CN208591046U CN 208591046 U CN208591046 U CN 208591046U CN 201820233035 U CN201820233035 U CN 201820233035U CN 208591046 U CN208591046 U CN 208591046U
- Authority
- CN
- China
- Prior art keywords
- motion
- human body
- detection device
- unstable
- parameter
- 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
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种失稳运动数据检测装置,该检测装置包括:失稳运动模拟平台和人体运动数据检测装置;失稳运动模拟平台,用于引导人体运动,使人体处于失稳状态;人体运动数据检测装置,用于测量记录人体在失稳运动模拟平台上的运动参数和步态参数。本实用新型还提供一种失稳运动数据检测方法,包括以下步骤:采用失稳运动模拟平台引导人体产生失稳;利用人体运动数据检测装置测量记录人体的运动参数和步态参数。采用本实用新型的失稳运动数据检测装置检测参与者的运动状态。利用失稳运动模拟平台,产生不同失稳运动状态,实时检测和记录参与者的运动参数,为后续准确评估人体的跌倒风险提供参数依据。
Description
技术领域
本申请涉及失稳运动,具体涉及失稳运动数据的检测装置。
背景技术
由于人体失去平衡有可能导致跌倒,跌倒可能是自身原因也可能是外界原因导致的。当人体失去平衡时,在人体本能作用下,会进行一个自我调节过程,自我调节后的结果毫无疑问有两种可能性:一是恢复平衡,二是跌倒在地。跌倒也是人体运动状态中的一种,跌倒通常被定义为:人体由于突然、不自主的姿态变化而跌落在地面或者其他较低的平面上。人体经历跌倒时,会依次经过失稳、撞击地面、平稳三个阶段。因此,人体跌倒风险评估就是要对人体在出现失稳情况时,人体调节能力的一种评估。
传统的跌倒评估通常采用问卷、身体检查、肉眼观察和运动能力测试等方式对人体跌倒的可能性进行评估,采用的工具包括:Morse跌倒量表(Morse Fall Scale,MFS)、托马斯跌倒风险评估工具(St. Thomas's Risk Assessment Tool,STRATIFY)、计时起立-走测试(Timed Up and Go,TUG)、Berg平衡量表(Berg Balance Scale,BBS)、Tinetti 平衡和步态量表等。
传统的风险评估方法在临床应用中主要存在以下不足。①对老年人跌倒风险评估的准确性不足:现有的分析发现,无论是针对社区老人或是住院患者,现有的跌倒风险评估工具均不能够有效预测跌倒者。②这些评估工具通常需要多学科的专业人员,特定的检查场所、设备,评估结果在一定程度上取决于评估医生的经验,因而极大地限制了其应用范围。③对运动能力的评估均在特定的检查室内完成,一方面存在实验者效应(Hawthorneeffect),另一方面,实验环境与老年人的日常生活环境相去甚远,影响跌倒预测的准确性。④使用问卷和功能测试等方法由于存在测试者和被试者的主观判断,因而结果常常缺乏客观性和准确性。
实用新型内容
在下文中给出关于本实用新型的简要概述,以便提供关于本实用新型的某些方面的基本理解。应当理解,这个概述并不是关于本实用新型的穷举性概述。它并不是意图确定本实用新型的关键或重要部分,也不是意图限定本实用新型的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
本实用新型实施例的目的是针对上述现有技术的缺陷,提供一种能够让人体处于不同失稳运动状态,实时检测和记录参与者的运动参数,为准确评估人体的跌倒风险提供参数依据的失稳运动数据的检测装置。
为了实现上述目的,本实用新型采取的技术方案是:
一种失稳运动数据检测装置,包括:失稳运动模拟平台和人体运动数据检测装置;
失稳运动模拟平台,用于引导人体运动,使人体处于失稳状态;
人体运动数据检测装置,用于测量记录人体在失稳运动模拟平台上的运动参数和步态参数。
与现有技术相比,本实用新型的有益效果是:
采用本实用新型的失稳运动数据检测装置检测参与者的运动状态。利用失稳运动模拟平台,产生不同失稳运动状态,实时检测和记录参与者的运动参数,为后续准确评估人体的跌倒风险提供参数依据。
附图说明
参照下面结合附图对本实用新型实施例的说明,会更加容易地理解本实用新型的以上和其它目的、特点和优点。附图中的部件只是为了示出本实用新型的原理。在附图中,相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。
图1为本实用新型实施例提供的九轴数据融合算法结构图。
图2为本实用新型实施例提供的失稳运动模拟平台的运动计算过程的坐标系关系图。
具体实施方式
下面参照附图来说明本实用新型的实施例。在本实用新型的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,附图和说明中省略了与本实用新型无关的、本领域普通技术人员已知的部件和处理的表示和描述。
一种失稳运动数据检测装置,包括:失稳运动模拟平台和人体运动数据检测装置;
失稳运动模拟平台,用于引导人体运动,使人体处于失稳状态;
人体运动数据检测装置,用于测量记录人体在失稳运动模拟平台上的运动参数和步态参数。
利用本实用新型失稳运动模拟平台的特定运动,让人体处于不同失稳运动状态,实时检测和记录参与者的运动参数,为准确评估人体的跌倒风险提供参数依据。
优选地,所述失稳运动模拟平台包括多自由度运动引导装置;
多自由度运动引导装置,用于提供多个运动自由度,引导人体在所述多个运动自由度上运动。
优选地,所述多自由度运动引导装置是多自由度机器人。
优选地,所述多自由度机器人为6个自由度的机器人。
本实用新型的失稳运动模拟平台具有6自由度,能更好的模拟人体失稳运动,让人体产生失稳体感。
本实施例在上述实施例的基础上,还包括一自由度的人体运动位置恢复平台,所述人体运动位置恢复平台安装在所述多自由度运动引导装置的输出端。
本实用新型在失稳运动模拟平台模拟人体失稳状态过程中,被测人体在人体运动位置恢复平台上根据要求,做不同的行走运动,会产生相对失稳运动模拟平台的位置位移。人体运动位置恢复平台产生一个移动,使被测人体恢复到行走前的位置。即通过人体运动位置恢复平台的运动将带动人体被动回到失稳运动模拟平台原来的位置。
利用本实用新型失稳运动模拟平台的特定运动,让人体处于不同失稳运动状态,实时检测和记录参与者的运动参数,为准确评估人体的跌倒风险提供参数依据。
本实施例在上述实施例的基础上,所述人体运动数据检测装置包括固定于人体的至少一个惯性传感器,通过检测惯性传感器固定身体部位的运动加速度参数,从而获得人体的运动参数和步态参数。
具体地,所述运动参数包括人体运动速度和人体运动加速度;
所述步态参数包括步态的动力学参数和步态的运动学参数。
所述步态运动学参数包括:
(1)步态周期;
(2)步长;
(3)跨步长;
(4)步频;
(5)步速;
(6)关节角。
优选地,所述惯性传感器为多个,并通过绑扎带固定在人体上。
优选地,所述惯性传感器为九轴惯性传感器,由三轴加速度计、三轴陀螺仪和三轴磁力计三部分组成。
优选地,所述人体运动位置恢复平台为具有一个或多个自由度的平台。
本实用新型还提供一种失稳运动数据检测方法,包括以下步骤:
采用失稳运动模拟平台引导人体产生失稳;
利用人体运动数据检测装置测量记录人体的运动参数和步态参数。
本实用新型模拟日常失稳运动状态并记录人体运动参数和步态参数,采用失稳模拟平台让人体产生一种失稳体感,当人体基于本能产生平衡动作时候,利用惯性传感器记录人体各个部位的运动状态以及参与者的姿态,为后续准确评估人体的跌倒风险提供参数依据。
本实用新型提供优选的实施例:一种失稳运动数据检测方法,包括以下步骤:
(1)、准备工作:
人体保持平衡在人体运动位置恢复平台上,将人体运动数据检测装置固定在人体上,具体地,将人体运动数据检测装置的测量单元绑缚在四肢和腰上,人体做日常动作,比如双手向前平举、蹲下、起立等动作,标定测量单元的坐标系;
标定测量单元的坐标系的具体方法:人体做标准的日常动作,在某个特定姿态,记录这些特定姿态下人体运动数据检测装置的各个测量单元的参数,作为后续测量数据的基准,从而完成标定测量单元坐标系的操作。
(2)数据的检测:
人体运动位置恢复平台检测人体的位置信息,并启动人体脚下的运动装置,带动人体回到初始位置;同时,失稳运动模拟平台根据日常运动失稳状态的参数,驱动人体运动位置恢复平台发生特定运动,让人体的姿态特征与日常失稳运动特征一致;人体会本能的调整姿态,纠正失稳状态;人体运动数据检测装置的测量单元测量和记录人体的所有运动参数;
(3)数据的处理
将人体运动数据检测装置测试的人体身体部位的加速度数据,转换为人体身体部位的速度、位置运动参数和步态参数。
优选地,人体运动数据检测装置的测量单元采用的是九轴惯性传感器,由三轴加速度计、三轴陀螺仪和三轴磁力计三部分组成;其中,所述三轴加速度计用来测出传感器三个轴向的加速度,所述三轴陀螺仪用来测出传感器三个轴向的角速度,所述三轴磁力计用来给出传感器三个轴向的磁场分量。
具体的,还包括给人体身体部位绑定惯性传感器,所述惯性传感器角度计算采用扩展卡尔曼滤波算法。
具体的算法包括:
(1)角度解算包括:
通过加速度计与磁力计数据的融合或者通过单个陀螺仪均可以计算出物体的姿态角。但是两种方式都有不足之处:加速度计的动态响应特性较差,陀螺仪存在系统漂移和随机漂移,长时间积累会造成较大误差。因此,为获得精度较高的人体姿态角,需要对加速度计、陀螺仪和磁力计的九轴数据进行融合。
融合过程如图1所示,三轴速度计1、陀螺仪2和磁力计3进行数据滤波4,再分别计算姿态角,具体包括以下步骤:
S101:根据陀螺仪计算姿态角:
四元数的旋转矩阵描述形式如下:
其中,表示载体坐标系转换至世界坐标系的转换矩阵, q=[q0,q1,q2,q3]为一组四元数。通过陀螺仪的角加速度计算得到公式:
q0,q1,q2,q3表示上一时刻的传感器四元数,q0′,q1′,q2′,q3′表示经过Δt时刻传感器的四元数值。
其中,是三轴陀螺仪的输出。最终解算出姿态角如下:
其中,θ代表俯仰角,φ代表翻滚角,ψ代表航向角,arctan 为反三角函数中的反正切。
S102:根据加速度计和磁力计计算姿态角:
将三轴加速度的输出带入下面公式可以计算出俯仰角和翻滚角:
其中,表示三轴加速度计的输出,θ代表俯仰角,ψ代表翻滚角。
为了得到精确的航向角,需要对磁力计进行倾斜补偿,将磁力计的输出代入上式,可得:
其中,为补偿之前磁力计的输出,为磁力计补偿后的结果。θ和φ为由加速度计数据计算得到的俯仰角和翻滚角。
最后,通过下式可得磁力计补偿之后的航向角。
S103:通过卡尔曼滤波器进行卡尔曼数据融合:
卡尔曼滤波器是应用于线性系统预测的递归滤波器,其原理是利用已有的上一个状态的参数对下一个状态进行估计,其精度高,在一些实时系统中得到了广泛的应用。卡尔曼滤波器的方程包括时间更新方程和测量更新方程。离散卡尔曼滤波器的时间更新方程如下式所示。
公式表示了从第k-1步到第k步的状态估计和协方差估计,其中 Xk|k-1,是在第k-1步时,根据Xk-1|k-1,进行估计得到的先验状态,uk是离散过程的输入,Ak表示状态转移矩阵,B是控制输入矩阵。Pk|k-1是由 Xk-1|k-1得到的误差协方差矩阵,Qk是离散时间控制过程的协方差矩阵。
离散卡尔曼滤波器的测量更新方程如下面公式所示。
首先,通过上式计算卡尔曼增益Kk,其中Hk是测量矩阵,Rk是测量过程中的协方差矩阵,然后将测量得到的过程增益Zk带入公式得到一个后验状态估计Xk|k,最后得到后验误差协方差估计矩阵Pk|k。通过时间更新和测量更新方程,卡尔曼滤波不断的使用最新的估计值预测下一个状态的估计值。
S104:得到姿态角:
将两种方式得到的姿态角通过卡尔曼滤波器进行融合后,得到了比较精确的姿态角信息ψt,θt,φt。再利用下式将欧拉角转换为四元数。
(2)位置解算包括:
对惯性传感器直接测量的加速度进行二次积分,计算得到传感器的运动位置;
由加速度计算公式:
可求得位移的表达式:
应用于计算机程序离散化表达为:
其中An为积分面积,Sn为采样值,Sn-1为上一时刻采样值,T为采样间隔。
利用上式对所检测的加速度积分两次即可算出传感器的运动位置,对三个方向的加速度分别进行积分解算则可算出传感器在空间中的运动情况。
(3)步态参数的计算包括:
绑缚在脚踝的传感器,会根据行走运动,姿态角发生周期变化。记录绑缚在脚踝的惯性传感器的姿态角周期变化;对每个周期,采用运动距离计算公式,计算每步的脚踝的位移量,速度,频率运动参数。
根据数据处理的方法,利用脚踝的加速度实时数据,计算脚踝的运动速度、运动距离、以及脚踝运动的频率(脚踝传感器重力方向加速度为零的相邻两点之间的时间间隔倒数)。
(1)步态周期的定义是一侧足跟接触地面开始至该侧足跟再次接触地面为止所消耗的时间。步态周期的计算:步态周期的定义是一侧足跟接触地面开始至该侧足跟再次接触地面为止所消耗的时间。因此,步态周期的计算方法是:采集并记录脚踝传感器的重力方向的加速度参数并进行降噪处理,去除重力加速度,提取这些处理后数据的最小值及其对应采集时间Ti,Ti-1表示上一次得到最小值的采集时间;
步态周期=Ti-Ti-1。
(2)从一侧足跟着地处至另一侧足跟着地处之间的直线距离称为步长。该时间段骨盆移动距离就是人体移动的步长,步长的计算方法:
采集并记录左右脚踝和骨盆处的传感器参数并进行降噪处理;提取左右两侧脚踝传感器重力方向的参数及其对应的时间,以左右脚跟依此顺序着地对应的时间点为计算区间,提取该时间段骨盆处的传感器的重力加速度参数,根据上述的位移计算公式,可以获得步长为:
(3)从一侧足跟着地处至该侧足跟再次着地处之间的直线距离称为跨步长。跨步长的计算方法:
采集并记录脚踝传感器的参数并进行降噪处理,提取一侧步态周期内脚踝传感器在步行方向的加速度,根据上述的位移计算公式,可以获得该侧的跨步长为:
(4)步频指单位时间内行走的步数。步频的计算方法:
步频=1/(左侧步态周期)+1/(右侧步态周期)的平均距离;
(5)步速指单位时间行走的平均速度,应该是单位时间内骨盆移动的平均距离。步速的计算方法:
采集并记录骨盆传感器的参数并进行降噪处理,提取单位时间内骨盆传感器在步行方向的加速度,根据速度计算公式,可以获得该侧步速为:
(6)关节角指人体两个相邻骨骼部分的角度。关节角的计算方法:
采集并记录与相邻骨骼绑定的传感器的参数并进行降噪处理,采用角度计算公式,计算每个骨骼的航向角ψ、俯仰角θ、翻滚角φ:
(4)人体姿态的计算包括:
人体动作捕捉系统利用姿态惯性传感器追踪人体关节运动实现实时捕捉,姿态传感器节点设置越多,动作捕捉越精细,但是会造成成本升高和计算速度变慢。因此根据人体关节结构的特点,一般选17 个节点,并分别绑定在手臂、腿部、肩部、头部、背部和臀部位置,具体设置位置为:头部一个传感器,双臂向两侧伸展开后,在双臂和后背依次间隔布置8个传感器,腰部上下各一个传感器,腿部从下向上,每条腿可对称布置3个传感器。
在捕捉动作前,首先要进行传感器和虚拟角色的关节点绑定。用户做出与程序虚拟角色相同的姿势,并记录此时各节点传感器的初始四元数姿态值Q0,此时虚拟角色对应关节点的朝向用四元数表示为O0。当用户表演开始后,在t时刻通过优化算法计算得到表示传感器姿态的四元数Qt,则t时刻虚拟角色对应关节的四元数姿态Ot表达式为:
Ot=Qt*Q0 -1*O0
考虑到九轴传感器只能获取在空间中的朝向信息,所以基于惯性传感器的动作捕捉要求角色模型有至少一只脚保持与地面接触,利用此,可以通过动作重定向算法实现人体行走动作的实现捕捉。
本实用新型的失稳运动模拟平台由6个自由度的机器人平台组成,机器人的运动参数与人体失稳运动参数相关,下面给出本实用新型的失稳运动模拟平台的运动计算过程:
参见图2,1)质心变换
人体对惯性运动的判断是通过耳后部的前庭器官感知头部处的比力和角速度来实现的。比力被定义为线加速度向量与重力负向量的矢量和,即f=a-g,其中f为人体所感受到的比力(m/s2);a为人体的绝对线加速度(m/s2),g为重力加速度(m/s2)。
在通常情况下,描述人感受到的运动参数(速度、加速度)时,都是取人质心作为考虑对象,在人体质心坐标系S-XSYSZS中,首先需要将人的质心加速度变换到上平台质心P点处的加速度然后再转换到动平台坐标系P-XPYPZP下的加速度对人体感受到的角速度只要进行坐标变换就可以转换到坐标系P-XPYPZP下的角速度变换公式如下:
式6中,为原点S到原点P在S-XSYSZS中的矢径。
当点的运动轨迹已知时,采用自然法描述点的运动较为方便。设为人质心S点绝对速度在S-XSYSZS坐标系各轴上的投影; 为人质心S点绝对切向加速度在S-XSYSZS坐标系各轴上的投影;为人质心S点绝对角速度在S-XSYSZS坐标系各轴上的投影。
用矢量表示为:
人质心S点的法向加速度为:
则:
上式8中:
即可求出
因为P、S各轴坐标系互相平行,所以
根据比力的定义:
即为动平台坐标系P-XPYPZP相对于大地坐标系O-XYZ的旋转矩阵。
其中,θ=[γ β α]为P坐标系相对于大地坐标系的欧拉角。
将式16代入15得:
又有:
即为运动控制算法的输入。
3)滤波器阶数的确定
高通滤波器:
为了滤掉车辆驾驶运动平台不能模拟的低频加速度和角速度,且使动平台返回中立位置,在平移方向采用三阶高通滤波器,旋转方向采用二阶高通滤波器。由于加速度和角速度在仿真器坐标系S-XSYSZS下滤波,动平台最终不会返回初始位置,决定在大地坐标系中进行高通滤波。
滤波前将比力f1、角速度w1转化为大地坐标系下的加速度a2和欧拉角速度θ2。
θ2=Tpw1 (25)
三阶高通滤波器的传递函数为:
输出aPH为动平台质心P点处的加速度。经过二次积分后得P点的位移 SPH:
SPH=∫∫aPHdt (27)
二阶高通滤波器的传递函数为:
输出为其积分θPH为:
θPH为仿真器欧拉角的高频部分。
低通滤波器:
由于平台的工作空间有限,无法模拟长时间持续加速的位移。但是对人体而言,所能感受到的只有开始加速时身体受到惯性而向后倾,与加速结束时身体向前倾,这两种属于高频部分的受力,而中间等加速度运动的这段时间大多是没有感觉的。体感模拟算法就是利用重力加速度在X-Y平面上的分量,来模拟持续加速(受力)的部分,其方向称为“倾斜坐标系法”。
首先将比力f1通过二阶低通滤波器,消除平移运动所能模拟的高频部分,而保留不能实现、会造成大动作位移的低频部分,其传递函数为:
上式中,wn同二阶高通滤波器参数,其输出为fL。接着利用重力加速度来产生X-Y平面上的分量,这时就需要调用“倾斜协调模块”来计算驾驶舱倾斜的角度,而且要保证角速率限制在驾驶员的感觉阈值内。显然,低通倾斜将引起Z轴方向加速度的减少,但由于倾斜角较小,影响不大。
“倾斜协调”原理如下:
将fL考虑为通过汽车驾驶舱倾斜来模拟S-XSYSZS坐标系中表示的比力。在没有舱体其他的平动和转动的情况下,有:
的模为:因此,一般用倾斜协调准确模拟fL是不可能的。尽管fL的幅值不能模拟,但是靠倾斜舱体模拟它的作用方向是可能的。假设:
则两边同时取模有:k=g/|fL|
同时根据比例关系,可得下到式:
由以上式子可得到需要倾斜的欧拉角为:
γSL=tan-1(fSL_y/fSL_z) (35)
βSL=-tan-1{(fSL_x/fSL_z)cosγs} (36)
αSL=0 (37)
因为上平台坐标系P-XPYPZP与驾驶舱坐标系S-XSYSZS始终平行,所以:
θPL=θSL=[γSL,βSL,αSL]T (38)
最终动平台的欧拉角为:
θP=θPH+θPL (39)
本实用新型在分析跌倒特征的过程中,利用失稳数据,模拟失稳的运动,测量运动参数,为建立跌倒的评估提供依据。
本实用新型的失稳是指:人类的直立行走由于仅仅利用双足着地作为支撑点,使人类的直立行走变为一个连续多变且又需时刻保持瞬时动态平衡的复杂行为过程。当人体行走的内外部因素发生变化时,行走的瞬时动态平衡被打破,便产生了行走运动的失稳。
最后应说明的是:以上实施例仅用以说明本实用新型的技术方案,而非对其限制;尽管参照前述实施例对本实用新型进行了详细的说明,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实用新型各实施例技术方案的精神和范围。
Claims (11)
1.一种失稳运动数据的检测装置,其特征在于,包括:失稳运动模拟平台和人体运动数据检测装置;
失稳运动模拟平台,用于引导人体运动,使人体处于失稳状态;
人体运动数据检测装置,用于测量并记录人体在失稳运动模拟平台上的运动参数和步态参数。
2.根据权利要求1所述的失稳运动数据的检测装置,其特征在于,所述失稳运动模拟平台包括多自由度运动引导装置;
多自由度运动引导装置,用于提供多个运动自由度,引导人体在所述多个运动自由度上运动。
3.根据权利要求2所述的失稳运动数据的检测装置,其特征在于,所述多自由度运动引导装置是多自由度机器人。
4.根据权利要求3所述的失稳运动数据的检测装置,其特征在于,所述多自由度机器人为6个自由度的机器人。
5.根据权利要求2-4任一项所述的失稳运动数据的检测装置,其特征在于,还包括一自由度的人体运动位置恢复平台,所述人体运动位置恢复平台安装在所述多自由度运动引导装置的输出端。
6.根据权利要求5所述的失稳运动数据的检测装置,其特征在于,所述人体运动数据检测装置包括固定于人体的至少一个惯性传感器,通过检测惯性传感器固定身体部位的运动加速度参数,从而获得人体的运动参数和步态参数。
7.根据权利要求6所述的失稳运动数据的检测装置,其特征在于,
所述运动参数包括人体运动速度和人体运动加速度;
所述步态参数包括步态的动力学参数和步态的运动学参数。
8.根据权利要求7所述的失稳运动数据的检测装置,其特征在于,所述步态运动学参数包括:
(1)步态周期;
(2)步长;
(3)跨步长;
(4)步频;
(5)步速;
(6)关节角。
9.根据权利要求6所述的失稳运动数据的检测装置,其特征在于,所述惯性传感器为多个,并通过绑扎带固定在人体上。
10.根据权利要求8所述的失稳运动数据的检测装置,其特征在于,所述惯性传感器为九轴惯性传感器,由三轴加速度计、三轴陀螺仪和三轴磁力计三部分组成。
11.根据权利要求5所述的失稳运动数据的检测装置,其特征在于,所述人体运动位置恢复平台为具有一个或多个自由度的平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201820233035.3U CN208591046U (zh) | 2018-02-09 | 2018-02-09 | 失稳运动数据的检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201820233035.3U CN208591046U (zh) | 2018-02-09 | 2018-02-09 | 失稳运动数据的检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN208591046U true CN208591046U (zh) | 2019-03-12 |
Family
ID=65599586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201820233035.3U Active CN208591046U (zh) | 2018-02-09 | 2018-02-09 | 失稳运动数据的检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN208591046U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108338791A (zh) * | 2018-02-09 | 2018-07-31 | 张立海 | 失稳运动数据的检测装置及检测方法 |
CN111345783A (zh) * | 2020-03-26 | 2020-06-30 | 山东大学 | 基于惯性传感器的前庭功能紊乱检测系统 |
-
2018
- 2018-02-09 CN CN201820233035.3U patent/CN208591046U/zh active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108338791A (zh) * | 2018-02-09 | 2018-07-31 | 张立海 | 失稳运动数据的检测装置及检测方法 |
CN111345783A (zh) * | 2020-03-26 | 2020-06-30 | 山东大学 | 基于惯性传感器的前庭功能紊乱检测系统 |
CN111345783B (zh) * | 2020-03-26 | 2021-02-23 | 山东大学 | 基于惯性传感器的前庭功能紊乱检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108338791A (zh) | 失稳运动数据的检测装置及检测方法 | |
Dorschky et al. | Estimation of gait kinematics and kinetics from inertial sensor data using optimal control of musculoskeletal models | |
CN104757976B (zh) | 一种基于多传感器融合的人体步态分析方法和系统 | |
CN108939512B (zh) | 一种基于穿戴式传感器的游泳姿态测量方法 | |
Liu et al. | A mobile force plate and three-dimensional motion analysis system for three-dimensional gait assessment | |
Robertson et al. | Research methods in biomechanics | |
Yun et al. | Design, implementation, and experimental results of a quaternion-based Kalman filter for human body motion tracking | |
JP5388473B2 (ja) | 較正ユニットを使った動作追跡のためのシステムと方法 | |
Roetenberg | Inertial and magnetic sensing of human motion | |
Ahmadi et al. | 3D human gait reconstruction and monitoring using body-worn inertial sensors and kinematic modeling | |
CN101579238A (zh) | 人体运动捕获三维再现系统及其方法 | |
CN109284006B (zh) | 一种人体运动捕获装置和方法 | |
Surer et al. | Methods and technologies for gait analysis | |
CN109846487A (zh) | 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 | |
CN208591046U (zh) | 失稳运动数据的检测装置 | |
CN116027905A (zh) | 基于惯性传感器的双人皮划艇上肢动作捕捉方法 | |
Qiu et al. | Ambulatory estimation of 3D walking trajectory and knee joint angle using MARG Sensors | |
Scapellato et al. | In-use calibration of body-mounted gyroscopes for applications in gait analysis | |
Abbate et al. | Development of a MEMS based wearable motion capture system | |
CN113229806A (zh) | 可穿戴人体步态检测及导航系统及其运行方法 | |
CN208876547U (zh) | 一种基于imu惯性传感器的步态分析装置 | |
CN116206358A (zh) | 一种基于vio系统的下肢外骨骼运动模式预测方法及系统 | |
Zhang et al. | 3D upper limb motion modeling and estimation using wearable micro-sensors | |
Tao et al. | Biomechanical model-based multi-sensor motion estimation | |
Joukov et al. | Closed-chain pose estimation from wearable sensors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |