[發(fā)明專利]基于體態(tài)識別和人體生物力學的骨骼肌肉受力估計方法

在審

• 申請?zhí)枺?/td>: 202010848965.1
• 申請日: 2020-08-21
• 公開（公告）號: CN112069933A
• 公開（公告）日: 2020-12-11
• 發(fā)明（設(shè)計）人: 董秀園
• 申請（專利權(quán)）人: 董秀園
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京天瀾智慧知識產(chǎn)權(quán)代理有限公司 11558
• 代理人: 尚繼棟;師琦

本公開內(nèi)容提供一種基于體態(tài)識別和人體生物力學的骨骼肌肉受力估計方法，包括如下步驟：通過圖像數(shù)據(jù)采集裝置獲取至少一個目標用戶的圖像數(shù)據(jù)；通過將目標用戶的圖像數(shù)據(jù)輸入到身體關(guān)鍵特征點監(jiān)測深度學習神經(jīng)網(wǎng)絡，輸出預測的身體關(guān)鍵特征點數(shù)據(jù)，其中預測的身體關(guān)鍵特征點是對目標用戶的感興趣部位進行人體生物力學分析所需要的關(guān)鍵特征點；對目標用戶的圖像數(shù)據(jù)和預測的身體關(guān)鍵特征點數(shù)據(jù)進行處理，得到估計的人體三維姿態(tài)信息；以及通過將人體三維姿態(tài)信息輸入到預先建立的人體受力分析模型，分析出感興趣部位的受力狀態(tài)。

技術(shù)領(lǐng)域

本公開總體上涉及肌肉骨骼生物力學技術(shù)領(lǐng)域，尤其涉及基于體態(tài)識別和人體生物力學的骨骼肌肉受力估計方法。

背景技術(shù)

在日常生活中人們通過協(xié)調(diào)控制肌肉、關(guān)節(jié)、骨骼等運動器官產(chǎn)生各種動作去完成各項任務。人體通過關(guān)節(jié)將骨骼聯(lián)接在一起，通過肌肉的舒張和收縮控制身體的姿勢。為了更好地指導人們有效工作和健康生活，有關(guān)于人體運動生物力學的研究不斷突破。其方向包括，研究人體各部分肌肉和關(guān)節(jié)的力量、負載限度、活動范圍和速度，人體器官和骨骼對于進行不同動作所受到的阻力，以及動作的舒適度等問題。肌肉骨骼受力分析建模已在各行業(yè)得到廣泛應用，特別是與人體生物力學相關(guān)的航空航天、康復醫(yī)療、汽車運輸、動畫建模等領(lǐng)域。

然而，傳統(tǒng)的肌肉骨骼受力分析技術(shù)依賴人為地標記身體關(guān)鍵點并輸入肌肉骨骼生物力學模型中進行受力分析。為了記錄人體動作進行肌骨受力分析，通常人們將空間定位傳感器貼在被監(jiān)測目標身上的感興趣部位，例如四肢、關(guān)節(jié)等。然后實時追蹤這些傳感器傳輸出的數(shù)據(jù)，并輸入生物力學模型中進行分析。這種方法雖然精度高，但是操作復雜且價格昂貴，無法廣泛適用于生活工作中。

隨著人工智能的發(fā)展，基于深度學習的人體體態(tài)關(guān)鍵點識別技術(shù)逐漸被人們認知，并表現(xiàn)出強大的潛力。從人類動作理解、人機互動到增強現(xiàn)實、動畫、健身等方面的應用都表現(xiàn)出人們對精確姿態(tài)識別的需求。

然而，目前市面上對于體態(tài)的識別大多僅局限在二維空間；且識別的點都基于公開的二維圖像視頻數(shù)據(jù)庫所提供的粗略的人體關(guān)節(jié)標記點。僅靠這些二維數(shù)據(jù)無法真實反映人在三維空間的行為，更難以結(jié)合三維空間中的力學測試數(shù)據(jù)開展相應地數(shù)學建模并仿真求解不同姿勢下人體肌肉骨骼的生物力學載荷，從而分析骨骼肌肉受力是否合理。因此，需要尋求一種能解決上述技術(shù)問題的基于體態(tài)識別和人體生物力學的骨骼肌肉受力估計方法。

發(fā)明內(nèi)容

鑒于上述技術(shù)問題，本公開內(nèi)容提出了一種基于深度學習的體態(tài)識別和人體生物力學的骨骼肌肉受力的估計方法，包括：從圖像或視頻數(shù)據(jù)中，通過深度學習方法判定用戶的三維體態(tài)信息，將估計的體態(tài)信息和/或連續(xù)時間內(nèi)運動信息(例如肢體運動軌跡，受到外力大小等)輸入建立的人體力學模型，并準確分析輸出用戶的感興趣身體部位的當前肌肉、骨骼、關(guān)節(jié)狀態(tài)。從而指導用戶科學健康地完成動作，以滿足符合人體工學原理的工作姿態(tài)需求。

通過圖像數(shù)據(jù)采集裝置實時獲取目標用戶的真實圖像數(shù)據(jù)用于分析，免去了傳統(tǒng)人為標記的復雜操作，而且獲取的數(shù)據(jù)能比二維圖像視頻數(shù)據(jù)庫中粗略的人體關(guān)節(jié)標記點更真實地反映人的行為。獲取的圖像數(shù)據(jù)將輸入到身體關(guān)鍵特征點監(jiān)測深度學習神經(jīng)網(wǎng)絡，后者根據(jù)這些數(shù)據(jù)來預測的身體關(guān)鍵特征點數(shù)據(jù)。此過程無需人工識別標記，能夠免除復雜和具有偶然因素的人工操作；并且可以與獲取圖像數(shù)據(jù)幾乎同時進行，可用于實時監(jiān)測和分析目標用戶個體運動時身體各部分的受力，能夠滿足實際應用中對人體受力分析的及時性的需求。對目標用戶的圖像數(shù)據(jù)和預測的身體關(guān)鍵特征點數(shù)據(jù)進行處理得到估計的人體三維姿態(tài)信息，三維姿態(tài)信息能更真實地反映人的行為，與力學測試數(shù)據(jù)結(jié)合用于開展相應的數(shù)學建模。通過數(shù)學建模，可以仿真求解不同姿勢下人體肌肉骨骼的生物力學載荷，從而分析骨骼肌肉受力是否合理。將估計的人體三維姿態(tài)信息輸入到預先建立的人體受力分析模型，可以根據(jù)模型中三維姿態(tài)信息和受力狀態(tài)的對應關(guān)系，得到感興趣部位的受力狀態(tài)分析。