人体下肢运动捕捉及步态识别技术研究

发布时间：2020-11-02 21:43

　　 随着我国人民生活水平的提高,人均寿命的增加,老龄化人口也越来越多,老龄化趋势也越来越重,老年人的健康问题日益成为当下关注的热点。相当数量的一部分老年人,伴随着身体机能的下降,会出现早期的运动功能障碍方面的症状,如阿尔茨海默病、帕金森综合症以及偏瘫等疾病。这些导致运动障碍的疾病在行走过程中具体表现出步态方面的异常。因此,通过对异常步态的识别,可以实现对受试者健康状况的监测和提醒。此外,跌倒行为,在造成65岁以上的老年人伤害死亡的原因中位居首位,很大比例也是由步态异常引起的。故可以通过对异常步态的识别从而及时采取预防措施,指导老年人的步行活动以及注意事项来避免跌倒行为等意外情况的发生。综上所述,通过对老年人异常步态的识别从而实现对其更好的监护和健康管理等具有重大意义。本文具体的研究内容包括以下几个方面:(1)研究步态参数的计算表示方法,基于下肢运动捕捉设备设计步态数据的采集实验,完成数据采集工作。(2)步态数据的预处理和特征降维。数据预处理方面,本文对采集到的数据的给出了缺失值、异常值以及数据标准化等处理方法,并对不同类别的步态进行了统计学上的样本检验,发现不同类别样本数据分布的差异性;在特征降维方面,分别从特征选择和特征提取方面进行。在特征选择方面,结合相关矩阵法和随机森林森林法,取其步态特征向量的交集,从而进行特征的选择;特征提取则是采用主成分分析法,在保留绝大数信息的情况下,并进行降维。达到了去除步态特征中的冗余信息,并提高分类器速度目的。(3)针对单一的分类器分能性能不足的问题,本文采用Stacking集成学习的方法将各个分类器进行融合。由于集成方法有不同的类型,本文首先从理论上分析了各种不同集成方法的特点。为力求融合后的集成模型识别率更高,本文对各个基分类器进行训练的时候反复调参,并给出具体探索过程和实现效果,最后将融合后基于Stacking方法的集成模型与集成前各个单一的基分类器进行对比,发现效果有显著提升。然后又将不同的集成方法所得到的模型进行综合比较,发现Stacking集成学习效果更好,对步态识别的准确率更高。(4)在采集到的数据中,由于偏瘫步态、帕金森步态和单侧髋关节发育不良三种异常步态数据较多,在之前就步态是否异常进行识别的基础上,本文通过设计BP神经网络用于这三种类型的异常步态模式进行了进一步的分类、识别,可以更好的完成相关工作。
【学位单位】：广东工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R496;TP391.41
【部分图文】：

关节僵硬、髋关节内收等行为活动受限也时有发生。.2 穿戴式 RealGait 运动捕捉与步态分析系统.2.1RealGait 运动捕捉系统功能及特点RealGait 运动捕捉与步态分析系统由中美合资的江苏德长医疗有限公司开发，过采集和分析传感器动作捕捉系统传来的反应肢体运动特征的检测数据以及通过布式压力测量系统采集到的足底压力数据。提供受试者精确的三维关节活动测量据和精确的动力学、运动学整合数据，并且能够迅速地将技术性数据编译成简单、读的步态和运动分析表。该系统集测量、评估和数据库管理于一身，并可打印生报告。如图 2-1 所示，用于对步态周期进行客观的定性或定量分析以获取有关步的资料进行步态分析。通过步态分析和检查，也有助于下神经肌肉、关节疾患的断、以及观察医疗康复措施的效果。

图 2-2 实时分析工作界面Fig.2-2 Real-time analysis of the work interfaceealGait 运动捕捉硬件系统压力传感器而研发的分布式硬件测量系统,主要由 7 个尺寸大小为 3cm频率为 100hz 的传感器、一块尺寸为 6cm 8cm 的蓝牙适配器入如下图 1.5m 左右的可移动的滚轮式台车一辆组成，如下图 2-4 所示。其中，ST为其压力传感器单元采集模块的控制核心。在受试者运动过程中，传与传感器之间的压力信号，转化为电信号，并依靠蓝牙将步态运动分之间进行连接，依靠先进的蓝牙无线技术，实现传感器与电脑之间大。

三维步态运动捕捉系统
【相似文献】

相关期刊论文 前10条

1 殷赫;;步态识别：人工智能“慧眼”[J];上海信息化;2019年11期

2 王鹤;石玉;;基于步态识别的人物鉴定系统在犯罪搜查中的应用[J];中国安防;2018年10期

3 陆欣娆;;步态识别特征工程算法研究[J];现代商贸工业;2019年10期

4 金堃;陈少昌;;步态识别现状与发展[J];计算机科学;2019年S1期

5 晨月;钟鑫;;世界首个基于步态识别的嫌疑人鉴定系统[J];中国安防;2018年04期

6 何逸炜;张军平;;步态识别的深度学习:综述[J];模式识别与人工智能;2018年05期

7 李玲玲;;人脸识别和步态识别技术融合的必要性[J];电脑知识与技术;2018年28期

8 ;中科院“步态识别”技术 不看脸50m内完成识别[J];智能建筑与智慧城市;2017年10期

9 雷玉堂;;步态识别技术的工作原理及发展趋势[J];中国公共安全;2015年Z2期

10 ;“步态识别”技术:50米内人群中认出你[J];东西南北;2017年21期

相关博士学位论文 前10条

1 陈欣;多步态识别与合成[D];暨南大学;2018年

2 李超;基于卷积神经网络的人体行为分析与步态识别研究[D];浙江大学;2019年

3 李双群;渐进式行人重识别关键技术研究[D];北京邮电大学;2019年

4 李伟;基于单角色视频的人物运动分析[D];山东大学;2018年

5 苏菡;基于步态分析的身份识别研究[D];哈尔滨工程大学;2006年

6 赵国英;基于视频的步态识别[D];中国科学院研究生院（计算技术研究所）;2005年

7 田光见;步态特征提取与识别技术研究[D];西北工业大学;2006年

8 柴艳妹;基于步态特征的身份识别技术研究[D];西北工业大学;2007年

9 顾磊;基于图像序列的人体步态识别方法研究[D];南京理工大学;2008年

10 张元元;基于序列统计特性的步态识别算法研究[D];山东大学;2010年

相关硕士学位论文 前10条

1 施翼;基于运动感知的帕金森患者冻结步态检测方法研究[D];华中科技大学;2019年

2 吴佳;基于深度学习的衣服不变性步态识别研究[D];华中科技大学;2019年

3 韩璐瑶;基于事件驱动的步态识别方法设计[D];大连理工大学;2019年

4 郑慧平;基于步态特征的身份识别技术研究[D];山东科技大学;2018年

5 吴平平;基于股直肌表面肌电和加速度信息融合的步态识别方法[D];合肥工业大学;2019年

6 张学志;基于智能手机的人体异常步态识别研究[D];电子科技大学;2019年

7 刘珊;基于步态识别的携带物改变检测研究[D];河南大学;2019年

8 施沫寒;面向可解释步态识别的时间序列分类算法研究[D];北京交通大学;2019年

9 王彦蕴;基于深度学习的跨视角步态识别研究[D];华北电力大学(北京);2019年

10 闫李倩;基于卷积神经网络步态识别方法的研究[D];西安科技大学;2019年

本文编号：2867607