基于惯性测量器件的无线步态分析平台

步态定量测量方法应用于许多领域,如临床医学、双足机器人控制等.采用惯性测量单元结合无线传感器网络建立了一个步态分析平台,将两个无线惯性测量单元传感器节点分别绑定在左右双侧脚踝,以同时采集双脚运动过程中的加速度和角速度信号,并将其通过无线方式发送到远程终端.通过模式识别、时间序列分析、阈值检测和零速修正等多种数据融合方法计算步态参数,并通过融合双足传感器数据得到双支撑相、双脚步行周期等重要的双足步态参数,其中双支撑相参数对人体日常动作的识别有重要意义.实验结果显示该研究具有较高的计算精度.     

基于融合注意力机制与CNN-LSTM的人体行为识别算法

为解决单一的卷积神经网络（CNN）缺乏利用时序信息与单一循环神经网络（RNN）对局部信息把握不全问题,提出了融合注意力机制与时空网络的深度学习模型（CLA-net）的人体行为识别方法。首先,通过CNN的强学习能力提取局部特征;其次,利用长短时记忆网络（LSTM）提取时序信息;再次,运用注意力机制获取并优化最重要的特征;最后使用softmax分类器对识别结果进行分类。仿真实验结果表明,CLA-net模型在UCI HAR和DaLiAc数据集上的准确率分别达到95.35%、99.43%,F1值分别达到95.35%、99.43%,均优于对比实验模型,有效提高了识别精度。     

低成本MEMS磁力计校正方法研究

基于MIMU(magnetic and inertial measurement unit)的人体动作捕捉技术,每个测量单元在使用前,均需要对其磁力计进行校正.然而,一套人体动作捕捉系统具有7至十几个MIMU,因此缩短MIMU中磁力计校正的总时间是亟需解决的关键问题.磁力计校正可采用的旋转形式主要有两种,分别为八字旋转的校正方法和绕着各单轴旋转的校正方法.为了节省磁力计的校正时间并保证磁力计的校正精度,提出了一种优化的校正方法.即采用最小二乘法的椭球拟合方法,根据求得的椭球模型原点和半径均方根误差,确定最佳的旋转形式和旋转次数,以较快、较准确地校正磁力计.实验结果表明,绕各单轴各旋转1次的校正方法效果最佳.