System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人体动作识别,尤其涉及一种基于多区域足底压力与足部姿态的人体下肢动作识别方法。
技术介绍
1、随着人们的生活水平逐渐提高,生活标准也随之从基本生活需求过渡到健康生活需求,人们对于生活的质量以及身体的健康情况也越来越重视。在这样的时代背景下,步态识别技术逐渐进入研究者们的视野,并融入到生活中的各个领域中。根据2023年的人口普查结果表明,全国60岁及以上人口为29697万人,占21.1%,其中65岁及以上人口为21676万人,占15.4%,可以看出人口老龄化的速率逐渐增快。这就需要有一种医疗监护机制,通过给老人佩戴便携式的智能设备对他们的运动行为进行监护,利用采集到的运动数据实时分析老人的步态参数,为医疗护理提供准确的数据支持和个性化服务。
2、在现有技术中,常见的人体动作识别方法通常基于单一传感器数据,如加速度传感器或摄像头。基于单一传感器数据的方法虽然能够实现一定程度的动作识别,但往往无法充分捕捉到人体运动的多维度信息,特别是在复杂环境下容易受到干扰,识别准确度有限。
技术实现思路
1、本专利技术主要解决传统人体下肢动作识别方法在捕捉信息方面存在的采用单一传感器进行数据采集、无法充分捕捉到人体运动的多维度信息等问题,提出一种基于多区域足底压力与足部姿态的人体下肢动作识别方法,以提高人体动作识别的准确性和鲁棒性。
2、本专利技术提供了一种基于多区域足底压力与足部姿态的人体下肢动作识别方法,包括以下过程:
3、步骤1,利用足底压力鞋垫
4、步骤2,对采集到的足底压力数据和人体下肢动作数据,滤除高频噪声;
5、步骤3,采用四元数变换的方式,将人体下肢动作数据转换为姿态数据;
6、步骤4,对姿态数据提取时域特征和频域特征;
7、步骤5,对足底压力数据和姿态数据进行归一化处理;
8、步骤6,将足底压力数据和姿态数据进行融合,并使用自动编码器算法对融合后的数据进行降维处理;
9、步骤7,利用基于自注意力机制的时间卷积网络,对输入的足底压力数据和人体下肢动作数据进行训练,保存训练好的人体下肢动作识别模型;
10、步骤8,利用训练好的人体下肢动作识别模型,来识别人体下肢当前的动作状态。
11、进一步的,所述人体下肢动作包括但不限于上楼、下楼、上坡、下坡、下蹲以及行走动作。
12、进一步的,在步骤2中,通过db4小波变换来滤除高频噪声。
13、进一步的,在步骤3中,利用以下公式将人体下肢动作数据转换为姿态数据:
14、pitch=arcsin(2(q0·q2-q1q3))
15、
16、
17、其中,pitch表示俯仰角,roll表示翻滚角,yaw表示偏航角。
18、进一步的,在步骤4中,所述时域特征包括:最大值、最小值、均值、峰峰值、均方根值、方根幅值、方差、标准差、峭度、偏度、裕度指标、波形指标、脉冲指标以及峰值指标;
19、所述频域特征包括:平均频率、谱心频率、均方根频率以及根方差频率。
20、进一步的,在步骤4中,使用滑动窗口算法提取时域特征和频域特征;
21、滑动窗口算法由两个关键变量构成,分别窗口大小和滑动步长;
22、其中,窗口的大小指的是一次处理的数据量,滑动步长为窗口的移动距离或间隔大小;
23、假设传感器的采样频率为fhz,那么一般选择的窗口大小为2的指数次,即
24、
25、进一步的,步骤5中,通过以下公式分别对足底压力数据和姿态数据进行归一化处理:
26、
27、其中,xi表示每一个输入的数据,ximin表示输入数据的最小值,ximax表示输入数据的最大值。
28、进一步的,在步骤7中,采用的自注意力机制,如下:
29、首先,对于输入序列中的每个元素,都会计算一个查询向量、一个键向量和一个值向量;假设的输入序列为x=[x1,x2,…,xn],权重矩阵为wq,wk,wv,那么对于每个元素xi有:
30、其中,qi,ki,vi分别表示第i个元素的查询、键和值向量;
31、第二步,计算注意力分数,对于每一个元素xi和xj,计算一个注意力分数,表示xi对xj的注意力程度;注意力分数是通过查询向量和键向量的点积,然后再除以一个缩放因子得到的:
32、其中dk是键向量的维度;
33、第三步,计算注意力权重,通过softmax函数使注意力分数值变为0~1之间且和为1,从而得到注意力权重,wij=softmax(score(qi,kj));
34、最后,将每个元素的值向量与其对应的注意力权重相乘,然后求和,得到最终的输出:这些权重会被用来组合输入的词向量,生成一个新的上下文相关的词向量。
35、进一步的,在步骤7中,所述时间卷积网络采用了1d fcn架构,每个隐藏层的长度与输入层长度相同,并使用零填充以确保后续具有相同的长度;
36、将kernel size设定为6,即每一层的输入是上一层六个时刻的输出;将dilations设定为[1,4,8,16,32,64,128,256],即每一层的输入的时间间隔大小。
37、本专利技术提供的一种基于多区域足底压力与足部姿态的人体下肢动作识别方法,通过融合足底压力数据与足部姿态数据,再经过一系列的数据处理后,将结果送入self-attention tcn(temporal convolutional network)模型中完成识别。相比之下,本申请提出的技术通过融合足底压力数据与足部姿态数据,充分利用多维度信息,能够更全面地捕捉到人体运动的特征。而且,采用self-attention tcn模型能够有效处理时间序列数据,进一步提高了识别准确性。这种综合利用多种数据源和高效处理时间序列数据的方法,能够弥补现有技术在动作识别准确性和鲁棒性方面的不足,为人体下肢动作识别提供了一种全新的解决方案。
38、本专利技术利用足底压力鞋垫和足部姿态传感器获取丰富的多维度数据,包括压力分布情况和加速度、陀螺仪的变化情况。其中,足底压力分布通过热力图展示。本专利技术能够实现多维度数据采集。本专利技术的姿态数据转换与特征提取,利用四元数变换将惯性数据转换为姿态角,更好地描述物体的旋转姿态。同时,在时域和频域上对姿态数据进行特征提取,进一步丰富了数据,有利于后续动作识别的准确性。本专利技术进行数据归一化与降维处理,对提取的特征数据进行归一化处理,使不同特征的数值范围一致,有利于机器学习算法的稳定性和准确性。同时,采用自动编码器算法对整合后的数据进行降维处理,减少了数据的维度,降低了算法复杂性,避免了过拟合问题。本专利技术采用基于自注意力机制的时间卷积网络(self-attention tcn)进行动作识别,能够更好地捕本文档来自技高网...
【技术保护点】
1.一种基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,包括以下过程:
2.根据权利要求1所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,所述人体下肢动作包括但不限于上楼、下楼、上坡、下坡、下蹲以及行走动作。
3.根据权利要求1所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤2中,通过DB4小波变换来滤除高频噪声。
4.根据权利要求1所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤3中,利用以下公式将人体下肢动作数据转换为姿态数据:
5.根据权利要求4所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤4中,所述时域特征包括:最大值、最小值、均值、峰峰值、均方根值、方根幅值、方差、标准差、峭度、偏度、裕度指标、波形指标、脉冲指标以及峰值指标;
6.根据权利要求5所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤4中,使用滑动窗口算法提取时域特征和频域特征;
7.根据权
8.根据权利要求7所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤7中,采用的自注意力机制,如下:
9.根据权利要求8所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤7中,所述时间卷积网络采用了1D FCN架构,每个隐藏层的长度与输入层长度相同,并使用零填充以确保后续具有相同的长度;
...【技术特征摘要】
1.一种基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,包括以下过程:
2.根据权利要求1所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,所述人体下肢动作包括但不限于上楼、下楼、上坡、下坡、下蹲以及行走动作。
3.根据权利要求1所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤2中,通过db4小波变换来滤除高频噪声。
4.根据权利要求1所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤3中,利用以下公式将人体下肢动作数据转换为姿态数据:
5.根据权利要求4所述的基于多区域足底压力与足部姿态的人体下肢动作识别方法,其特征在于,在步骤4中,所述时域特征包括:最大值、最小值、均值、峰峰值、均方根值、方根幅值、方差、...
【专利技术属性】
技术研发人员:赵红宇,岳东阳,王哲龙,仇森,曹隽喆,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。