面向人机协调的人体步态模式识别研究

发布时间：2022-10-21 19:32

　　最近,由于社会老龄化加剧,为老年人开展日常生活活动提供援助的新方案开始受到社会的关注,这种帮助老年人保持独立的辅助技术需求也越来越迫切。在这种情况下,助力外骨骼机器人就可以提供相应的帮助,提高老年人的行动能力,支持老年人完成基本的日常生活活动,在一定程度上缓解人口老龄化问题。而准确的步态模式识别是下肢外骨骼机器人人体协调控制策略制定的前提与基础。在本研究中,我们开发出了一套可穿戴的基于多传感器的人体步态信息采集系统,来自左右腿四个惯性传感器（IMU）的信号通过CAN-bus被采集,并通过上位机显示和存储。对采集到的下肢各关节加速度和角速度信号采用滑动窗口的方式提取信号段,从单个时间窗提取时域特征以及频域特征。为了提高算法的鲁棒性和准确性,构建了6人的步态数据集。最后采用不同的分类器进行分类识别,在SVM、kNN、DTs三种算法的基础上,提出了一套kNN和DTW结合的步态特征提取和机器学习算法,实验结果表明,采用时域和频域相结合的特征提取方式能够有效区分站立、水平行走、上楼梯、下楼梯这4种不同的步态模式,当窗口大小为300ms时,kNN＆DTW分类器的平均识别率达到了 98.23%。 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 可穿戴外骨骼机器人的研究背景
    1.2 人体步态模式识别的意义
    1.3 人体步态识别的国内外研究现状
        1.3.1 信号采集系统
        1.3.2 识别算法
    1.4 人体步态识别的关键问题
    1.5 本文的结构安排
2 步态识别系统总体设计
    2.1 数据采集系统设计
    2.2 步态识别系统设计
    2.3 本章小结
3 步态信息采集系统
    3.1 传感器的放置
    3.2 下肢步态信息的获取
        3.2.1 传感器选型
        3.2.2 微控制器选型
        3.2.3 无线通信模块
        3.2.4 信息采集电路原理图设计
        3.2.5 信号采集电路板焊接
    3.3 软件程序开发环境
    3.4 数据通信格式
    3.5 CAN总线
    3.6 上位机界面设计
    3.7 本章小结
4 数据采集与处理
    4.1 实验步骤
    4.2 数据处理
        4.2.1 数据预处理
        4.2.2 特征选择
    4.3 本章小结
5 步态识别算法
    5.1 步态识别算法及其识别结果
        5.1.1 支持向量机
        5.1.2 kNN算法
        5.1.3 决策树
        5.1.4 kNN&DTW
    5.2 识别结果对比分析
    5.3 本章小结
6 总结与展望
    6.1 工作总结
    6.2 展望
参考文献
个人简介
导师简介
获得成果目录
致谢



本文编号：3696247