基于MEMS惯性传感器的步态时相识别方法研究
发布时间：2021-10-11 17:53
人的步行过程具有周期性和规律性的特征,而步态时相是指步行过程中典型姿态变换的时刻,是反映步态习惯、年龄、健康状况等影响身体协调性因素的重要指标。步态时相分析是结合运动学、生理学等多领域学科对人体的骨骼肌肉和神经系统做出评估的一项重要指标。随着模式识别和人工智能研究的不断深入,步态时相识别（也称作步态识别）逐渐应用于社会生活的各个领域,如运动检测、医疗康复、身份识别、仿生机器人等。针对目前步态识别系统的识别方法中采集信号单一、便携性和实时性差等问题,本课题设计了一套嵌入式可穿戴且实时计算的步态识别系统。该系统基于MEMS（Micro Electro Mechanical Systems,MEMS）惯性传感器进行步态信息获取与分析,实现步态时间参数及位置参数的计算和步态时相的识别,并进行运动可视化展示。主要研究内容如下:1)针对传统的基于视频图像、肌电信号、单一传感器的测量局限性和实时性差,本课题设计并实现了多传感器、可穿戴、便携式的步态数据采集平台,用于实时同步采集步态信息。该采集平台基于MEMS惯性信号采集模块实现加速度、角速度等多信号的同步采集;其次,为了提高识别的实时性,本课题选用...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
组织结构与章节关系图
哈尔滨工业大学硕士学位论文-10-第2章步态时相识别方法设计本章主要分析在人体运动过程的一个步态周期中对步态时相识别目标的设定，然后分析了步态时相识别中参考坐标系及坐标转换的方法的设计，最后完成了对位置信息进行校正的零速度更新技术的设计。2.1步态时相识别目标的分析与设定人的步行过程是一个持续且规律性的模式，一般来说，在人体步行过程中任意时刻都可以作为步态周期的起始点。在对步态进行分析时，一个步态周期定义为一侧足完全站立在地面上到这侧足再一次完全站立在地面上所经历的时间。一个完整的步态周期根据关键的步态事件可以划分出两大时相：摆动相和支撑相。在支撑相中根据脚的运动状态又细分出四个时相：脚跟着地（HeelStrike，HS）、脚尖着地（ToeStrike，TS）、脚跟离地（HeelOff，HO）、脚尖离地（ToeOff，TO）。支撑相：指的是脚尖离开地面到该侧足脚跟碰击地面期间的时间。在支撑相中脚尖碰击地面到脚跟离开地面这段时间被定义为完全站立。摆动相：指的是脚跟碰击地面到脚尖离开地面期间的时间。一般来说正常人的步态周期约为1.3s，支撑相约占0.83s，摆动相约占0.47s[38]。其中各个时相都存在着先后顺序，例如脚跟着地--脚尖着地--脚跟离地--脚尖离地--摆动相，并且按着这个顺序依次周期循环，如图2-1所示。但是对于患者来说，其一个步态周期内的某些步态时相比例会与正常比例产生差异，变小或者消失[39]。例如，脑卒中后足下垂患者由于踝背屈肌无力无法通过踝关节控制做出趾屈动作，就会导致脚跟着地时间急速变短甚至缺失，迅速进入脚尖着地阶段。图2-1步态时相循环图
哈尔滨工业大学硕士学位论文-11-脚尖离地TO是摆动阶段的起点，脚跟着地HS是摆动阶段终点，也是站立阶段起始的标志[40]。通过某些外界的刺激，我们可以在某种程度上人为的改变某些步态时相的比例。例如，脑卒中后足下垂患者便是通过功能性电刺激系统，在行走步态的摆动阶段刺激胫骨前肌从而使踝关节做出趾屈动作[41]，也就是需要在TO时刻开启电刺激，在HS时刻停止电刺激，如图2-2，使脚跟着地相的比例趋于正常，达到治疗的效果。图2-2功能性电刺激系统控制时相比例过程图2.2步态时相识别中参考坐标系及坐标转换的方法的设计当研究物体的运动状态时，要首先选择一个假定不动的参考坐标系，观察研究对象相对于参考坐标系的运动状态，通过参考坐标系的选择我们可以定性的表述研究物体的运动。笛卡尔坐标系通过三条相互正交的坐标轴来确定三维空间，在空间中任意位置的坐标都可以在参考坐标系中确定唯一的位置坐标。在人体正常行走过程中，使用惯性传感器对步态进行测量分析时，人体的行进加速度、行进速度等空间信息都是在固定坐标系下完成表述，所以解决步态信息在任意坐标系下的测量值到参考坐标系下的转换是研究人体步长信息的第一步。2.2.1参考坐标系的确定1）惯性坐标系惯性坐标系是描述惯性空间的一种坐标系，在惯性坐标系中，牛顿运动定律所描述的运动与力两者的关系完全成立。在这个坐标系中，可以定性描述步态的各种空间信息，如跨步的长度、高度、速度等。在测试中，选择人体在运动之前保持静止状态时惯性传感器的坐标系作为参考坐标系。2）载体坐标系
【参考文献】：
期刊论文
[1]OpenGL中三维图形的显示过程[J]. 徐凤雪. 电子技术与软件工程. 2020(02)
[2]基于隐马尔可夫模型的步态识别算法[J]. 刘畅,魏忠诚,张春华,王巍,赵继军. 计算机工程与设计. 2019(12)
[3]基于传感器融合的步态识别方法[J]. 陶加贝,邹雅淇,步子豪,李志俊. 中国科技信息. 2019(21)
[4]基于加速度传感器和神经网络的人体活动行为识别[J]. 张烈平,匡贞伍,李昆键,韦克莹,王政忠,张声岚,王瑞. 现代电子技术. 2019(16)
[5]偏瘫步态障碍的自动识别和分析[J]. 朱业安,徐唯祎,王睿,童杨,卢巍,王浩伦. 生物医学工程学杂志. 2019(02)
[6]基于MEMS惯性传感器时域特征的人体行为识别[J]. 谢国亚,刘宇,路永乐,邸克,郭俊启,余跃. 压电与声光. 2019(02)
[7]下肢假肢穿戴者跑动步态识别与膝关节控制策略研究[J]. 刘作军,高新智,赵晓东,陈玲玲. 仪器仪表学报. 2018(07)
[8]角速度信号在功能性电刺激系统步态分段算法中的应用[J]. 陈建国,杨徐,李玉榕. 福州大学学报(自然科学版). 2018(02)
[9]基于MEMS加速度传感器的步态识别[J]. 涂斌斌,谷丽华,揣荣岩,许会. 中国惯性技术学报. 2017(03)
[10]基于sEMG与足底压力信号融合的跌倒检测研究[J]. 席旭刚,武昊,左静,罗志增. 仪器仪表学报. 2015(09)
博士论文
[1]基于多源信息的步态识别算法研究[D]. 刘磊.河北工业大学 2015
[2]步态失稳行为机理及其综合评价性态指标研究[D]. 苏海龙.天津大学 2013
[3]基于单个加速度传感器的人体运动模式识别[D]. 薛洋.华南理工大学 2011
[4]基于压力感知步态的运动人体行为识别研究[D]. 石欣.重庆大学 2010
硕士论文
[1]基于足底压力与姿态信号的步态识别系统设计[D]. 胡慧莲.哈尔滨工业大学 2019
[2]基于惯性传感器的身份识别的研究[D]. 袁培培.电子科技大学 2019
[3]基于多MEMS惯性传感器的步态分析与研究[D]. 高成龙.浙江工业大学 2018
[4]基于足底加速度传感器的人体行为识别[D]. 严金戈.合肥工业大学 2018
[5]智能仿生腿运动状态识别与控制研究[D]. 徐凯.电子科技大学 2018
[6]基于支持向量机的下肢外骨骼机器人步态识别研究[D]. 张福伟.华南理工大学 2017
[7]基于多特征融合的人体行为识别技术研究[D]. 董广宇.天津理工大学 2017
[8]步态分析及在功能性电刺激中的应用[D]. 黄金兰.福州大学 2016
[9]基于步态的身份识别算法研究与实现[D]. 范媛媛.合肥工业大学 2016
[10]基于可穿戴式传感器的多特征步态分析系统设计与研究[D]. 腾珂.合肥工业大学 2016
本文编号：3430989
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
组织结构与章节关系图
哈尔滨工业大学硕士学位论文-10-第2章步态时相识别方法设计本章主要分析在人体运动过程的一个步态周期中对步态时相识别目标的设定，然后分析了步态时相识别中参考坐标系及坐标转换的方法的设计，最后完成了对位置信息进行校正的零速度更新技术的设计。2.1步态时相识别目标的分析与设定人的步行过程是一个持续且规律性的模式，一般来说，在人体步行过程中任意时刻都可以作为步态周期的起始点。在对步态进行分析时，一个步态周期定义为一侧足完全站立在地面上到这侧足再一次完全站立在地面上所经历的时间。一个完整的步态周期根据关键的步态事件可以划分出两大时相：摆动相和支撑相。在支撑相中根据脚的运动状态又细分出四个时相：脚跟着地（HeelStrike，HS）、脚尖着地（ToeStrike，TS）、脚跟离地（HeelOff，HO）、脚尖离地（ToeOff，TO）。支撑相：指的是脚尖离开地面到该侧足脚跟碰击地面期间的时间。在支撑相中脚尖碰击地面到脚跟离开地面这段时间被定义为完全站立。摆动相：指的是脚跟碰击地面到脚尖离开地面期间的时间。一般来说正常人的步态周期约为1.3s，支撑相约占0.83s，摆动相约占0.47s[38]。其中各个时相都存在着先后顺序，例如脚跟着地--脚尖着地--脚跟离地--脚尖离地--摆动相，并且按着这个顺序依次周期循环，如图2-1所示。但是对于患者来说，其一个步态周期内的某些步态时相比例会与正常比例产生差异，变小或者消失[39]。例如，脑卒中后足下垂患者由于踝背屈肌无力无法通过踝关节控制做出趾屈动作，就会导致脚跟着地时间急速变短甚至缺失，迅速进入脚尖着地阶段。图2-1步态时相循环图
哈尔滨工业大学硕士学位论文-11-脚尖离地TO是摆动阶段的起点，脚跟着地HS是摆动阶段终点，也是站立阶段起始的标志[40]。通过某些外界的刺激，我们可以在某种程度上人为的改变某些步态时相的比例。例如，脑卒中后足下垂患者便是通过功能性电刺激系统，在行走步态的摆动阶段刺激胫骨前肌从而使踝关节做出趾屈动作[41]，也就是需要在TO时刻开启电刺激，在HS时刻停止电刺激，如图2-2，使脚跟着地相的比例趋于正常，达到治疗的效果。图2-2功能性电刺激系统控制时相比例过程图2.2步态时相识别中参考坐标系及坐标转换的方法的设计当研究物体的运动状态时，要首先选择一个假定不动的参考坐标系，观察研究对象相对于参考坐标系的运动状态，通过参考坐标系的选择我们可以定性的表述研究物体的运动。笛卡尔坐标系通过三条相互正交的坐标轴来确定三维空间，在空间中任意位置的坐标都可以在参考坐标系中确定唯一的位置坐标。在人体正常行走过程中，使用惯性传感器对步态进行测量分析时，人体的行进加速度、行进速度等空间信息都是在固定坐标系下完成表述，所以解决步态信息在任意坐标系下的测量值到参考坐标系下的转换是研究人体步长信息的第一步。2.2.1参考坐标系的确定1）惯性坐标系惯性坐标系是描述惯性空间的一种坐标系，在惯性坐标系中，牛顿运动定律所描述的运动与力两者的关系完全成立。在这个坐标系中，可以定性描述步态的各种空间信息，如跨步的长度、高度、速度等。在测试中，选择人体在运动之前保持静止状态时惯性传感器的坐标系作为参考坐标系。2）载体坐标系
【参考文献】：
期刊论文
[1]OpenGL中三维图形的显示过程[J]. 徐凤雪. 电子技术与软件工程. 2020(02)
[2]基于隐马尔可夫模型的步态识别算法[J]. 刘畅,魏忠诚,张春华,王巍,赵继军. 计算机工程与设计. 2019(12)
[3]基于传感器融合的步态识别方法[J]. 陶加贝,邹雅淇,步子豪,李志俊. 中国科技信息. 2019(21)
[4]基于加速度传感器和神经网络的人体活动行为识别[J]. 张烈平,匡贞伍,李昆键,韦克莹,王政忠,张声岚,王瑞. 现代电子技术. 2019(16)
[5]偏瘫步态障碍的自动识别和分析[J]. 朱业安,徐唯祎,王睿,童杨,卢巍,王浩伦. 生物医学工程学杂志. 2019(02)
[6]基于MEMS惯性传感器时域特征的人体行为识别[J]. 谢国亚,刘宇,路永乐,邸克,郭俊启,余跃. 压电与声光. 2019(02)
[7]下肢假肢穿戴者跑动步态识别与膝关节控制策略研究[J]. 刘作军,高新智,赵晓东,陈玲玲. 仪器仪表学报. 2018(07)
[8]角速度信号在功能性电刺激系统步态分段算法中的应用[J]. 陈建国,杨徐,李玉榕. 福州大学学报(自然科学版). 2018(02)
[9]基于MEMS加速度传感器的步态识别[J]. 涂斌斌,谷丽华,揣荣岩,许会. 中国惯性技术学报. 2017(03)
[10]基于sEMG与足底压力信号融合的跌倒检测研究[J]. 席旭刚,武昊,左静,罗志增. 仪器仪表学报. 2015(09)
博士论文
[1]基于多源信息的步态识别算法研究[D]. 刘磊.河北工业大学 2015
[2]步态失稳行为机理及其综合评价性态指标研究[D]. 苏海龙.天津大学 2013
[3]基于单个加速度传感器的人体运动模式识别[D]. 薛洋.华南理工大学 2011
[4]基于压力感知步态的运动人体行为识别研究[D]. 石欣.重庆大学 2010
硕士论文
[1]基于足底压力与姿态信号的步态识别系统设计[D]. 胡慧莲.哈尔滨工业大学 2019
[2]基于惯性传感器的身份识别的研究[D]. 袁培培.电子科技大学 2019
[3]基于多MEMS惯性传感器的步态分析与研究[D]. 高成龙.浙江工业大学 2018
[4]基于足底加速度传感器的人体行为识别[D]. 严金戈.合肥工业大学 2018
[5]智能仿生腿运动状态识别与控制研究[D]. 徐凯.电子科技大学 2018
[6]基于支持向量机的下肢外骨骼机器人步态识别研究[D]. 张福伟.华南理工大学 2017
[7]基于多特征融合的人体行为识别技术研究[D]. 董广宇.天津理工大学 2017
[8]步态分析及在功能性电刺激中的应用[D]. 黄金兰.福州大学 2016
[9]基于步态的身份识别算法研究与实现[D]. 范媛媛.合肥工业大学 2016
[10]基于可穿戴式传感器的多特征步态分析系统设计与研究[D]. 腾珂.合肥工业大学 2016
本文编号：3430989
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3430989.html
