【技术实现步骤摘要】
本专利技术涉及人体姿态重构技术，尤其涉及一种基于压力和惯性传感器的全身姿态估计方法及系统。
技术介绍
1、在数字健康和互动娱乐领域，尤其是康复、健身应用和虚拟现实(vr)游戏等快速发展的领域中，三维(3d)空间中人体姿态重构的精度已成为提升感知准确性和用户体验的关键。通过为用户的动作和姿势提供详细、实时的反馈，不仅显著增强了体能训练和康复计划的效果，还使数字环境中的交互更加自然、直观。同时，在虚拟现实游戏中，精确的姿态重构能带来更具沉浸感和互动性的体验，弥合虚拟与现实之间的差距。随着这些应用的普及，对先进的3d人体姿态重构技术的需求日益增加，这一领域的研究前景广阔，对健康、运动和娱乐行业都有深远影响。为了满足这一需求，亟需开发能够有效捕捉和分析人体运动的创新技术，在提升重构精度的同时尽量减少对用户舒适性的影响。近年来，人体姿态重构领域已取得重要进展，特别是基于深度学习的机器视觉解决方案的出现。然而，这些方法依然面临诸多挑战，如遮挡问题、视角限制及对光照条件的敏感性等。
2、惯性测量单元(imu)，通常包括加速度计、陀螺仪，有时还配备磁力计，在捕捉人体运动和姿态重构中发挥着关键作用。通过提供加速度和角速度数据，imu传感器在估算关节位置和身体整体方向方面至关重要。为了抵消传感器漂移和优化多传感器数据融合，传统上使用卡尔曼滤波和传感器融合算法，这些方法显著提升了姿态重构的精度。近年来，深度学习模型的引入为解释imu数据提供了强大的工具，促进了传感器输出与实际人体运动间的非线性关系处理。深度学习的发展使得能够有效从大量im
3、然而，基于imu的姿态重构在实际应用中面临诸多挑战，如传感器校准不准确、外部信号干扰等问题，这些都可能影响系统的稳定性和准确性。同时，在设计可穿戴设备时，如何在传感器数量与用户舒适性之间找到平衡仍是一个亟待解决的关键问题。当前一些基于imu的可穿戴运动解决方案使用少量传感器(如六个imu)来估算全身姿态，虽然有效，但通常需要安装在膝盖或大腿等部位，可能不方便运动员或康复患者使用。此外，这些方案通常不适用于复杂运动场景，因此在运动科学等领域仍需进一步探索和验证。
4、另一方面，压力传感器以其高灵敏度和高精度能够捕捉到压力的细微变化，为姿态重构提供了更高的数据粒度。将压力传感器集成至可穿戴设备和环境设置中(如垫子和椅子)已被证明对人体姿势重构非常有价值。这些传感器通过检测身体对不同表面的作用力分布，识别体重分布以及身体各部位的接触点。然而，基于压力的姿态重构系统也存在一定限制，尤其是在检测不直接接触传感器表面的姿势(如空中运动)时会面临困难。在跑步和步行过程中，脚与地面的触觉交互能够生动呈现不同活动下的2d压力图，为地面动态提供独特的见解，这是惯性单元和视觉传感器所无法实现的。通过记录人在表面移动时的压力分布，这类传感器不仅揭示了运动模式的细节，还增强了对人类与环境交互方式的理解。
5、人体姿态重构技术目前主要分为三类，每类技术均存在固有缺陷：(1)基于视觉的姿态重构：在遮挡或低光环境中识别准确性较低，可能带来隐私问题，模型可解释性差，且对视觉设备的位置有严格要求，不适合大规模日常应用。(2)基于压力的姿态重构：通常识别准确度较低，受限较多。(3)基于可穿戴设备的姿态重构：数据采集成本较高且标注复杂，设备可能影响用户体验(如舒适性欠佳)。
6、此外，大多数现有技术未能有效整合多传感器数据，导致信息利用效率低下，多模态数据融合的潜力尚未得到充分发挥。有些方法采用复杂的机器学习或深度学习算法，虽能提高姿态重构精度，但计算成本较高，难以在移动设备上实时运行。这些因素限制了其在日常生活中的广泛应用。
技术实现思路
1、本专利技术目的在于提供一种基于压力和惯性传感器的全身姿态估计方法及系统，以解决上述现有技术存在的问题。
2、本专利技术中所述一种基于压力和惯性传感器的全身姿态估计系统，包括：压力传感器、姿态重构模型，以及三个惯性传感器；
3、所述压力传感器布置在鞋垫，用于生成足底压力数据；所述三个惯性传感器用于生成真实imu数据，其中一个惯性传感器布置在手腕，另外两个惯性传感器分别一一对应布置在双脚；
4、人体姿态重构算法通过以下步骤将真实imu数据和虚拟imu数据融合，进行全身姿态估计：
5、s1.基于压力的生物学估计：通过压力传感器获得压力分布，以估计地面反作用力grf和压力中心cop；
6、s2.结合地面反作用力grf和压力中心cop估计身体姿势。
7、本专利技术中所述一种基于压力和惯性传感器的全身姿态估计方法利用所述系统进行全身姿态估计。
8、本专利技术中所述一种基于压力和惯性传感器的全身姿态估计方法及系统，其优点在于，仅使用3个惯性传感器与足底压力数据的结合，实现对复杂人体运动的精准捕捉。针对在可穿戴设备中采集人体姿态数据的困难，还设计一种虚拟imu数据生成方法，通过将虚拟imu数据与实际采集的imu数据相结合，构建了更大规模的数据集。该数据集配合足底压力数据，用于人体运动姿态的重构，可应用于运动科学、步态分析、虚拟现实交互和人体工学等多个领域的研究，以进一步深入理解人类运动机制，并在多个日常动作场景(如跑步、步行、篮球、羽毛球、拳击、跳舞)中验证了其效。
本文档来自技高网...【技术保护点】
1.一种基于压力和惯性传感器的全身姿态估计系统，其特征在于，包括：压力传感器、姿态重构模型，以及三个惯性传感器；
2.根据权利要求1所述一种基于压力和惯性传感器的全身姿态估计系统，其特征在于，所述步骤S1具体为：
3.根据权利要求2所述一种基于压力和惯性传感器的全身姿态估计系统，其特征在于所述步骤S2具体为：
4.根据权利要求3所述一种基于压力和惯性传感器的全身姿态估计系统，其特征在于，在所述步骤S2中关节位置损失函数通过减少预测关节位置和实际关节位置之间的差异来提升精度，其均方差公式为：式中pi代表第i个关节的实际位置，分别代表第i个关节的预测位置，N是关节总数；
5.根据权利要求4所述一种基于压力和惯性传感器的全身姿态估计系统，其特征在于，所述姿态重构模型的学习建模具体如下：
6.根据权利要求5所述一种基于压力和惯性传感器的全身姿态估计系统，其特征在于，所述虚拟IMU数据基于大语言模型生成，具体如下：
7.根据权利要求1所述一种基于压力和惯性传感器的全身姿态估计方法，其特征在于，利用权利要求1-6任一项所
...【技术特征摘要】
1.一种基于压力和惯性传感器的全身姿态估计系统，其特征在于，包括：压力传感器、姿态重构模型，以及三个惯性传感器；
2.根据权利要求1所述一种基于压力和惯性传感器的全身姿态估计系统，其特征在于，所述步骤s1具体为：
3.根据权利要求2所述一种基于压力和惯性传感器的全身姿态估计系统，其特征在于所述步骤s2具体为：
4.根据权利要求3所述一种基于压力和惯性传感器的全身姿态估计系统，其特征在于，在所述步骤s2中关节位置损失函数通过减少预测关节位置和实际关节位置之间的差异来提升精...
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。