[發(fā)明專利]一種基于極限學習機的人體膝部運動姿態(tài)識別方法

在審

• 申請?zhí)枺?/td>: 202011297973.8
• 申請日: 2020-11-18
• 公開（公告）號: CN112294295A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設計）人: 王健;李勇
• 申請（專利權）人: 王健
• 主分類號: A61B5/11
• 分類號: A61B5/11;G06N3/08
• 代理公司: 北京慕達星云知識產(chǎn)權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發(fā)明公開了一種基于極限學習機的人體膝部運動姿態(tài)識別方法，包括：利用慣性傳感器采集人體處于不同姿態(tài)下的輸出數(shù)據(jù)；基于滑動窗口機制對樣本數(shù)據(jù)進行分割，并對每個滑動窗口中的輸出數(shù)據(jù)進行特征提?。焕弥鞒煞址治龇椒▽敵鰯?shù)據(jù)進行降維處理和歸一化處理，得到樣本數(shù)據(jù)；構建極限學習機網(wǎng)絡模型，利用樣本數(shù)據(jù)對極限學習機網(wǎng)絡模型進行訓練，得到最終識別模型；利用最終識別模型對慣性傳感器采集的實時測量數(shù)據(jù)進行在線識別，獲得識別結(jié)果。本發(fā)明利用極限學習機的泛化性能和學習速度快的特點，能夠?qū)崿F(xiàn)對人體運動姿態(tài)的精確、快速識別。

技術領域

本發(fā)明涉及人體運動狀態(tài)識別技術領域，更具體的說是涉及一種基于極限學習機的人體膝部運動姿態(tài)識別方法。

背景技術

對人體運動姿態(tài)的有效監(jiān)測以及量化評估可有效地幫助健身人員合理地進行運動，避免因過度運動出現(xiàn)膝部的勞損，從而發(fā)揮最大的運動健身效果。隨著人口老齡化的日益加劇，對老年人運動狀態(tài)進行監(jiān)測，對老年人在運動過程中出現(xiàn)跌倒危險狀況進行及時地預警也變得十分重要。對于一些進行了下肢尤其是膝部手術的人群，通過對患者膝部運動姿態(tài)的識別可為術后康復提供參考性建議。

通過在膝部安裝慣性傳感器及相應的嵌入式處理電路，獲取人體運動時的輸出數(shù)據(jù)。傳統(tǒng)的閾值法對傳感器數(shù)據(jù)按照數(shù)據(jù)大小的范圍進行運動動作分類，這種方式雖然實現(xiàn)簡單，但魯棒性較差，識別精度不高。BP神經(jīng)網(wǎng)絡可對人體動作進行識別，但需要訓練時間較長。SVM是一種二分類的識別算法能對人體簡單動作進行識別，但計算量較大難以在嵌入式處理器中實時運行。ELM是一種快速的單隱層神經(jīng)網(wǎng)絡訓練算法，較傳統(tǒng)的人工神經(jīng)網(wǎng)絡具有泛化能力好，訓練快速等優(yōu)點，非常適應于人體運動識別的非線性問題。

因此，如何提供一種能夠快速、精準實現(xiàn)人體運動姿態(tài)的識別方法是本領域技術人員亟需解決的問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種基于極限學習機的人體膝部運動姿態(tài)識別方法，通過利用極限學習機的泛化性能和學習速度快的特點，實現(xiàn)對人體運動姿態(tài)的精確、快速識別。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

一種基于極限學習機的人體膝部運動姿態(tài)識別方法，包括：

利用慣性傳感器采集人體處于不同姿態(tài)下的輸出數(shù)據(jù)；

基于滑動窗口機制對所述輸出數(shù)據(jù)進行分割，并對每個滑動窗口中的所述輸出數(shù)據(jù)進行特征提??；

利用主成分分析方法對所述輸出數(shù)據(jù)進行降維處理和歸一化處理，得到樣本數(shù)據(jù)；

構建極限學習機網(wǎng)絡模型，利用所述樣本數(shù)據(jù)對所述極限學習機網(wǎng)絡模型進行訓練，得到最終識別模型；

利用所述最終識別模型對所述慣性傳感器采集的實時測量數(shù)據(jù)進行在線識別，獲得識別結(jié)果。

經(jīng)由上述的技術方案可知，與現(xiàn)有技術相比，本發(fā)明公開提供了一種基于極限學習機的人體膝部運動姿態(tài)識別方法，通過將可穿戴的慣性傳感器及嵌入式處理電路固定于人體膝部，采集人體處于不同姿態(tài)下的輸出數(shù)據(jù)，并依次對輸出數(shù)據(jù)進行特征提取、降維處理和歸一化處理，將處理后的數(shù)據(jù)作為樣本數(shù)據(jù)，保證了樣本數(shù)據(jù)的準確性；通過引入極限學習機網(wǎng)絡模型，并利用處理后的樣本數(shù)據(jù)對其進行訓練，確保訓練精度和訓練速度，并保證最終識別模型的識別精度。

優(yōu)選的，在上述一種基于極限學習機的人體膝部運動姿態(tài)識別方法中，所述利用慣性傳感器采集人體處于不同姿態(tài)下的輸出數(shù)據(jù)中，所述慣性傳感器包括三軸加速度計和三軸陀螺儀；所述不同姿態(tài)下的輸出數(shù)據(jù)包括慣性傳感器在人體處于坐、立、走、跑、跳不同姿態(tài)下的輸出數(shù)據(jù)。