一、一种适用于人体运动学数据处理的平滑技术（论文文献综述）
李彦敏[1]（2021）在《可穿戴式多传感器融合动作捕捉系统》文中认为
李煜天[2]（2021）在《基于针织应变传感器的人体运动识别研究》文中进行了进一步梳理随着交叉学科及人工智能的广泛应用,智能可穿戴产品不断涌现,兼顾舒适性与智能性的服装产品备受消费者喜爱,智能传感设备与纺织服装相结合可以极大化的发挥智能传感设备的导电性能及服装穿着的舒适性、质轻性等特点,使智能可穿戴设备成为一种日常化穿戴产品。可穿戴智能产品应用范围较广,适用于人体健康、医疗及运动竞技等领域,例如智能人体监测服装,可用于日常预防偏瘫、帕金森前期诊断,先天性关节步态不稳等,将这种预警或诊断信号传输至医护人员可有效降低患病风险;体育运动员在日常训练时,可以通过肢体运动监测或运动弯曲幅度判断姿态标准性或动作规范程度,从而大幅提高运动成绩或效率。弹性针织物是一种具有大应变和高度拉伸回复性的材料,应用于服装中可随人体肢体运动产生显着变形,加入导电纤维可将织物变形转换成电信号变化,制备集针织应变传感器为一体的弹性服装可以实现人体日常运动检测。因此,寻求一种具有日常良好穿戴体验且识别准确率较高的针织智能服装显得尤为重要。基于针织材料的高性能针织应变传感器有望提供卓越的穿戴舒适性、三维曲面贴合性、高灵敏性及使用稳定性,对实时运动检测具有重要的理论意义和使用价值。本文将不锈钢/涤纶型与镀银锦纶型针织应变传感器作为研究对象,揭示针织物变形、应变传感与人体运动三者之间的内在关系。分析二维及三维曲面应变传感性能,同时建立二维及三维动态等效电阻模型,阐明弹性导电针织物传感机理。实现具有高灵敏度和稳定性的多区域应变传感运动裤设计与制备。采集人体步态信号,提取运动特征,研究识别方式及准确率,最终实现可穿戴识别系统构建。本文的主要工作内容为以下几个部分。（1）制备了不锈钢/涤纶型与镀银锦纶型两种针织应变传感器,对比两种应变传感器组织结构、密度、拉伸速率等参数对传感性能的影响,探索针织应变传感器传感机理包括灵敏度、滞后性、重复性、稳定性等传感性能指标,寻找适合于人体运动检测的针织应变传感器结构。试验结果表明,与不锈钢/涤纶型针织应变传感器相比镀银锦纶型针织应变传感器在纵向拉伸时,应变灵敏度较高,传感器应变感测范围可达140%,并且在应变率0-70%时表现出良好的应变灵敏度和应变-电阻线性关系。纬平组织应变传感器相对1+1罗纹、2+2罗纹组织传感性能更佳;在不同速率下,镀银锦纶型应变传感器仍能保持稳定的传感性能;同时,经过3000次循环重复拉伸回复试验后,应变传感器重现性良好,电阻偏移变化较小,具有一定的长期稳定传感性能。（2）研究针织应变传感器三维曲面传感性能,分析三维曲面测试方法、针织应变传感器受力情况、计算三维曲面应变率,以及三维曲面应变-电阻变化、顶破速率和重复性对三维曲面应变传感性能的影响,对比二维应变拉伸和三维曲面应变传感性能。试验结果表明,三维曲面传感应变感测范围可以达到140%,在感测范围在0-120%应变率内,传感器电阻变化率和应变呈正相关性。对比二维纵向拉伸试验和三维曲面顶破试验,三维曲面应变有效传感范围是二维拉伸试验的两倍,二维纵向拉伸传感灵敏度相对更高,三维传感响应时间更短,两种传感应变方式都具有良好的循环重复性及连续工作稳定性。三维曲面传感对被测物体传感方向及物体表面形状限制较小,适用范围更广,可以满足更多传感场景及被测物体。（3）建立针织应变传感器基于二维应变的宏观-微观和拓扑结构两种等效电阻模型,对比了两种等效电阻模型的优缺点,建立基于三维曲面应变的等效电阻模型,分别将三种等效电阻模型与试验结果对比。试验结果表明,针织应变传感器的电阻变化与传感器织物长度电阻,线圈转移有直接关系。拓扑结构等效电阻模型预测拟合准确率更高,但计算比较复杂,适用于横纵列数较小的针织应变传感器电阻预测。宏观-微观等效电阻模型计算简便快捷,适用于面积较大的针织应变传感器电阻预测。三维曲面等效电阻模型与顶破深度有直接关系,可用于预测针织应变传感器三维曲面应变时的电阻变化。（4）通过3D人体扫描系统测量了人体膝关节皮肤应变量,并制备了集成多区域针织应变传感器的高弹性运动裤,对人体肢体运动的膝关节屈曲角,步态运动进行测试。试验结果表明,膝关节皮肤应变率最大的区域位于前中平分线与膝围线区域,前中平分线区域传感器能较好的反映出跑步、走路、上、下台阶运动姿态,适合作为高弹性运动裤的主要传感区域,集成针织应变传感器的高弹性运动裤具有良好的运动传感性能和灵敏度。通过电阻数值特征、步行周期划分、多区域感测及机器学习等方式对人体步态运动进行识别。建立了可穿戴运动识别系统。试验结果表明,电阻数值特征识别方式是一种计算相对简单的识别方式。步行周期与电阻曲线变化一一对应,利用多区域感测及支持向量机算法可以更好的提高运动识别准确率,四种运动的综合识别准确率为84.38%,其中跑步运动的识别率最高。本研究系统全面地分析针织应变传感器二维及三维应变传感性能及动态等效电阻模型,建立针织物变形、应变传感、人体运动三者之间的关系,制备集多区域应变传感器的高弹性运动裤,实现应变传感器感测的同时输出对应运动状态,构建可穿戴运动识别系统,为智能可穿戴设备和人体运动识别提供参考。
荀小飞[3]（2021）在《基于Kinect的人体步态分析和重心估算方法研究》文中研究指明步态分析和重心估算是以人为对象,通过科学手段获得人在行走时的多个步态参数信息,对动态运动中人体重心进行估算的过程,在康复医学、体育运动等领域具有重要意义。目前高精度的步态分析及重心评估设备价格不菲、不易携带,绝大多数仅限于固定区域的数据采集。Kinect能够提取人体关节位置信息,通过对视场中人物轮廓的提取定位关节点,由此获取人体姿态、位置情况,且有低成本、易携带、无接触等优点。本文通过对步态特征与重心估算基本原理的分析,研究了基于Kinect的步态分析及重心估算的关键技术和实现方法,主要研究工作如下:（1）针对Kinect人体骨架模型存在数据缺失、突变等情况,本文研究基于骨架模型的映射关系处理方法。通过对Vicon人体全身模型进行关节点压缩,建立Vicon-Kinect的骨架映射模型来作为原骨架模型的标准,并利用三次样条插值来实现原模型和映射模型的数据同步,利用Savitzky Golay滤波算法降低原模型数据突变性,并对缺失关节点数据进行补偿,提高实现Kinect人体骨架模型的稳定性、准确性。（2）针对Kinect原始骨架信息难以在步态分析中直接使用,数据信息过于单一的问题,本文研究实现了关节角度、步态相位以及时空参数的计算方法。首先,通过对人体关节运动特征与传感器原理的分析,可直接利用空间中相邻关节点计算关节角度。其次,通过对人体步态周期与足部、膝关节信息的对比分析,实现了基于步态特征阈值和基于机器学习算法的步态相位划分方法,并验证二者的结果与误差情况。最后,结合行走运动学和人体步态特征,实现了步态时空参数的计算。（3）基于Kinect无法直接进行人体重心估算的情况,本文研究了人体重心、重心移动面积的计算方法。首先,通过对人体关节运动特征与传感器原理的分析,基于运动学和分段式人体结构模型,实现了初步的人体重心估算。其次,从Kinect的实际使用出发,考虑到体段近端、远端的偏差情况,建立基于Kinect的人体重心估算修正模型。最后,通过对运动边界点的分析,计算人体重心的包络面积。本论文结合人体运动特征与Kinect传感器,研究实现了人体步态分析和重心估算方法,包括骨架处理、步态算法、重心模型,最后通过实验验证了结果参数有效可用。
刘玉焘[4]（2020）在《基于可穿戴式传感器的人体动作捕获与识别研究》文中研究表明人体动作捕获与识别具有广阔的市场空间和应用前景,广泛应用于影视动画制作、人机交互、虚拟现实、体育训练、医疗康复等交叉性学科领域。相对于光学式人体动作捕获系统,基于可穿戴传感器的人体动作捕获系统具有成本低、操作简单、不存在空间限制和遮挡问题等诸多优点。本文利用可穿戴传感器来搭建一套低成本、高精度、穿戴便捷、操作简单的人体动作捕获系统,并利用动作捕获数据实现对人体动作的识别。本文的主要研究工作及成果如下:人体运动学模型是人体动作捕获、重构和分析的基础。本文将人体简化为由若干个关节和骨骼所组成的骨骼—关节模型,并且将各个关节的旋转自由度约束以及关节转动角范围限制加入到人体模型中,从而建立了基于约束的层次关节链骨骼模型。根据人体层次关节链骨骼模型的结构,将人体骨骼模型分为五条运动支链。结合机器人正向运动学和齐次坐标转换,建立了人体关节旋转运动模型和人体骨骼位置、姿态模型。高精度、低延时的肢体姿态和位置测量是人体动作捕获与重构的关键。对于姿态测量,本文采用“加速度计+陀螺仪+磁罗盘”的九轴MEMS（MicroElectro-Mechanical System）惯性传感器融合方案来进行姿态测量,并提出了四元数间接卡尔曼滤波算法用于融合九轴惯性传感器的测量数据。为了减小惯性传感器测量误差的影响,首先对传感器进行标定和补偿。本文提出的四元数间接卡尔曼滤波算法可以分为内外两层,内层通过对陀螺仪输出的角速度进行积分来计算姿态四元数的先验估计;外层为基于误差四元数的扩展卡尔曼滤波器。结合内层的姿态四元数先验估计和外层的误差四元数后验估计,最终可以得到姿态四元数的后验估计。此外,该算法还引入了自适应协方差算子,通过对加速度计和磁力计的测量幅值进行检测来调节线性加速度的过程噪声协方差和磁力计的量测噪声协方差,从而减小了人体运动线性加速度和磁场干扰对人体姿态测量的干扰。针对惯性传感器位置测量漂移大的问题,本文在九轴惯性传感器的基础上加入了超宽带（Ultra Wide Band,UWB）定位系统,利用UWB定位系统的位置测量对位置估计进行修正。为了减小时钟误差对UWB定位精度的影响,首先通过标定实验对时钟误差进行标定和补偿,然后利用高斯—牛顿迭代法进行位置解算。最后,结合扩展卡尔曼滤波器和Rauch-Tung-Striebel（RTS）平滑算法对惯性传感器和UWB定位系统的测量输出进行位置估计。实验结果表明本文提出的姿态和位置估计算法有较高的精度和稳定性。系统初始化标定是基于可穿戴传感器人体动作捕获系统必不可少的环节。针对传感器测量坐标系和人体坐标系不重合的问题,本文提出了基于手眼标定的传感器—人体坐标系标定算法,该标定算法只需要三个标定姿势就可以完成全身传感器—人体坐标系的标定。为了减小标定姿势保持过程中肢体抖动对姿态测量的影响,利用内蕴平均算法对标定姿势的姿态测量求平均。此外,该标定算法还可以提供标定质量反馈,当标定姿势不标准时可以提醒用户再次标定。针对人体参数估计问题,本文分别提出了基于人体关节约束的关节参数估计算法和基于封闭关节链的肢体长度估计算法。这两种人体参数估计算法都不需要借助外部设备,只需要几个简单的动作或者姿势就可以完成人体参数的估计。本文利用九轴MEMS惯性传感器和UWB模块搭建了可穿戴式人体动作捕获系统软硬件平台用于上述算法验证。实验结果表明本文设计的可穿戴式人体动作捕获系统可以准确、流畅的捕获和重构人体的运动。相对于加速度、角速度等运动信息,基于多传感器数据融合的姿态测量误差和噪声小,包含信息丰富,可以更加精确地描述人体的动作过程,因此本文采用肢体的相对姿态运动序列或者关节的关节角运动序列来描述人体的动作过程。针对人体动作序列在时间、空间和完整性上的差异性,本文提出了基于动态时间规整（Dynamic Time Warping,DTW）模板匹配的人体动作识别算法。结合相似度阈值,利用DTW算法和姿态度量来计算测试动作序列和各个动作模板序列之间的相似百分比,选择相似度百分比最大动作模板对应的类为测试动作的分类。考虑到DTW模板匹配识别算法的识别率主要取决于模板的质量,本文提出了基于DTW的自适应全局时间序列平均算法用于动作的模板创建。该时间序列平均算法以DTW距离作为相似度度量,可以同时在幅值空间和时间空间上对时间序列进行平均。通过对训练动作序列集求平均,可以得到一个执行速度和幅度适中的动作序列,以此平均动作序列作为动作模板序列可以减小了动作的执行速度和幅度对动作识别的影响。此外,本文还提出了模板预筛选和排序以及非最优匹配提前截止来对识别算法进行优化和加速。最后,本文以手势识别为例来验证识别算法。实验结果表明,以手势训练样本的平均序列作为手势模板,可以显着提高手势的识别率。
杨磊[5]（2020）在《基于人体动平衡感知的行走稳定判据研究》文中研究表明人体作为典型的双足系统具有稳定高效的行走能力。随着科技的发展,基于人体双足模式开发的仿人机器人虽然实现了部分类人功能,但在稳定、柔顺的行走功能方面仍处于研发瓶颈。如何开发稳定、高效、实用的行走算法,是现阶段仿人机器人研发的关键问题。同时我国人口老龄化日益严重,存在着大量的平衡失调患者,通过对人体行走稳定性评判方法的研究,将有助于预防老年人摔倒以及患者康复治疗。然而现有的评判标准不能对人体行走稳定性进行准确评估,因此,如何对人体行走平衡能力进行准确评估是目前亟待解决的关键问题。为此,本文以人体多种行走运动捕获数据为基础,借鉴人体行走平衡感知系统工作原理与运动学姿态特征,建立人体行走运动学简化模型,提取人体行走平衡感知参数,提出并建立一种人体行走平衡判别方法,实现人体行走平衡能力的准确评估。本课题将为探索人体行走平衡感知机理奠定基础,在人体行走平衡评估、患者行走康复治疗、仿人双足机器人研制等方面提供新思路。本文具体工作如下:（1）鉴于人体复杂生理结构,参考成年人人体惯性参数国家标准建立人体运动学简化模型、体段质量分布以及体段质心分布模型,依据人体运动学姿态对运动捕获实验数据格式进行解析,利用D-H运动学正解算法,实现被试行走关节轨迹可视化分析。（2）基于人体行走动平衡感知,引入质心角动量以及地面参考点,实现对人体行走受力情况进行解析,完成人体行走合力矩与人体平衡关系的解析;参考前庭系统的工作原理,结合人体稳定行走的特征,完成质心加速度、前向偏移角加速度与行走平衡稳定性关系的解析;基于倒立摆与运动捕获点理论,完成稳定裕度与人体动态平衡之间关系的解析。（3）基于人体各组织间的协调运动规律,分析人体步行姿态实时动态不平衡稳定性与人体行走平衡感知参数间的内在关系,提出并建立人体稳定行走、受扰行走、变姿态行走的平衡稳定判据,实现对人体行走过程中稳定与受扰的准确判别、多姿态行走平衡程度的有效区分;鉴于人体多种行走步态的平衡稳定判据的差异,利用PSO-SVM分类机制,实现基于人体动平衡感知的人体多种行走步态的稳定判别。（4）为验证本文提出的基于人体动平衡感知行走稳定判据的准确性与有效性,基于人体多种运动的捕获数据与对应的行走稳定判据,对人体正常行走、不同姿态行走以及受扰行走进行了实验对比分析,成功实现了人体不同行走姿态的定性刻画与步态稳定程度的准确判别。
王正安[6]（2020）在《基于人体姿态识别技术的多任务人机交互系统设计与实现》文中提出近年来,传统工业机器人的技术发展进入了瓶颈期,为了进一步提高产能,人与机器人共同协作的灵活生产模式逐渐受到了更多的关注。本文基于多相机下的人体姿态识别技术研究,结合多任务的人机交互需求,设计并实现了一种人机交互系统,具体的研究工作包括以下几个方面:（1）针对单一传感器在信息检测维度上的缺陷以及对噪声数据敏感的问题,提出了多传感器融合的人体姿态估计方法。基于相机、惯性测量单元等不同传感器的数据特征,分别建立了相应的目标函数,通过求解上述目标函数加权后得到的优化问题,融合了相机检测所得的2D姿态信息与可穿戴式IMU检测所得的肢体旋转信息,得出最优的人体姿态估计结果。（2）针对使用多相机进行多人姿态重建的场景,提出一种基于匹配度的迭代匹配法来确定各个相机视角下姿态之间的匹配关系,并针对相机视野下人群较为密集时容易出现的错误匹配情况,设计了迭代检查环节,通过调整迭代优先度,延后匹配的方式,避免错误匹配的发生。此外,为了使多人姿态编号能够在时间序列上保持连续,设计了基于前向搜索的姿态的跟踪算法,利用该算法对短时间内不连续出现的姿态进行跟踪。（3）针对人机交互工作中,机器人需要面对多种任务需求的情况,设计了基于目标点生成的机器人行为模式,将不同的机器人任务转化为相应的目标点生成方法,通过目标点生成方法的切换,使得机器人能够平滑地在不同的任务间过渡。进一步的,针对多任务的工作模式设计了基于模型预测的机器人控制方法,使得机器人能够根据不同的控制需求动态调整参数,以适应不同的人机交互任务。基于上述的研究内容,设计了人体姿态识别实验、多人姿态匹配实验与机器人目标跟踪实验,分别验证了:基于多传感器融合的姿态识别方法的识别精确度以及在噪声数据下的识别鲁棒性;基于匹配度的迭代匹配方法的匹配准确性与姿态跟踪算法的稳定性;基于模型预测的机器人控制方法在不同参数下的柔顺性。并通过多人人机安全实验与目标跟踪、物品传递、动态避障等人机交互实验,验证了系统在多种交互任务和交互场景下的可行性。实验结果表明了本系统能够适应多任务场景的人机交互工作,为业界提供了可靠的人机协作解决方案。
周恩雯[7]（2020）在《基于人因工程学的厨房智能操作台设计研究》文中提出厨房作为每个家庭必备的生活空间,其舒适性直接决定着家庭的幸福指数。据统计,现代家庭结构中,由于女性工作者的增加,烹饪人群已从家庭主妇转变为夫妻双方交替烹饪,目前市面上的厨房操作台设计均以单一烹饪者身体尺度及习惯进行设计。据研究表明,因厨房操作台设计不合理而导致的长期保持不舒适的烹饪姿势会诱发烹饪者的肩周、颈椎、腰椎等肌肉骨骼疾病。针对上述问题,本文采用Kano模型分析、人机实验以及运动学分析仿真对厨房智能操作台进行设计研究。本文在收集资料和进行市场调研的基础上,运用Kano模型对用户进行了问卷调查,得到了用户对厨房操作台设计要素的隐形心理需求;运用Kano模型评价参数表,进行了用户功能属性模型分析,并计算了Better-Worse对应属性,优化了问卷结果,进行了产品功能设计要素的优先级排序,同时进行了用户需求满意指标的分类,最终定位了可升降台面功能的实现为主要研究内容,确定了厨房智能操作台设计研究方向。针对厨房操作台高度对烹饪者烹饪过程舒适性的影响,采用了肌电方法,进行了烹饪动作的肌电实验,分析了时域和频域肌电图,确定了不同人体身高的最小肌肉活动度相对应的厨房操作台高度;根据动作捕捉实验得到了烹饪过程中各关节运动范围,建立了人体烹饪动作运动学模型,利用人体运动学方程正解,证明了人体尺度于厨房最舒适台面高度呈正相关,采用人体运动学仿真方法,验证了身体尺度与厨房台面高度的线性关系。根据上述身体尺度对厨房操作台高度影响的理论研究,本文设计了厨房智能升降系统,完成了智能升降结构的设计,实现了厨房升降台升降的智能控制。并针对Kano模型调查中得到的其他功能设计要素,完善了厨房智能操作台的设计布局,定位了厨房智能操作台的尺寸、CMF及细节处理。基于身体尺度及烹饪动作对厨房操作台高度影响的研究,最终实现了厨房操作台升降过程的智能化,完善了厨房智能操作台的产品设计,使厨房操作台在使用舒适的同时具有良好的视觉感受,为市面上的厨房橱柜尺寸设计提供了理论依据,为缓解长期烹饪导致的骨骼肌肉疾病提供了新的方法。
金琦[8]（2020）在《基于IMU的人体姿态实时跟踪与可穿戴式设备研究》文中进行了进一步梳理运动捕捉技术通过一些方法将人体运动过程中的姿态数字化,转化为运动分析中的物理量。该技术广泛应用于影视游戏、康复医疗、体能训练、机器人等人机交互领域。本课题针对运动捕捉系统展开研究,设计了一种基于惯性传感单元的可穿戴式人体姿态实时跟踪设备,并对其姿态解算与动作再现算法进行讨论。本文研制的人体姿态跟踪设备采用星型+总线的混合拓扑结构,由多个采集单元和一个数据汇聚单元组成,其中采集单元佩戴在人体全身各关键部位,负责这些关节点的姿态跟踪和数字化,数据汇聚单元是整个设备的核心控制器,它采用RS485三总线并行传输的方式获取系统中各个采集单元的运动传感数据,并通过WIFI无线发送给PC终端。同时,采用时分多址的通信调度策略控制整个系统数据采集的有序性和同步性。本文设计了针对该系统的通用软件接口,将数据导入应用层程序进行姿态的分析和再现。针对惯性传感器的自身特性进行误差补偿,并优化了基于互补滤波的姿态融合算法。采用人体运动学自上而下的分析方法将姿态再现在虚拟人体模型上。本系统经实验测试,在60Hz和120Hz的数据更新率下可支持20个采集单元,系统延时为10ms;在180Hz时可支持15个采集单元,系统延时为7ms。并且该穿戴式实验装置已通过功能验证,可实际应用于人体运动姿态的捕捉。
曾岩[9]（2019）在《基于高斯过程自回归学习的人体运动意图理解及下肢外骨骼主动柔顺性研究》文中认为针对人体运动功能增强和重建的各类助力/助行外骨骼机器人已经应用于助老助残、康复医疗和国防军事等领域。该类人机系统通过生物、计算、控制、机械等技术的有机融合与深度协作、人机物理接触实现人体和可穿戴设备的有机协作,达到实时感知、动态控制、人机共融和信息服务等目的。然而其与人体运动的自然和谐仍不可能,并一直是该领域公认的热点和难点。因此,本文以高斯过程自回归模型为基础,探究人体连续运动在时间序列上的内在关联特性;集成演进系统理论,应对人体运动的不规则性,从而实现人体运动意图自然、快速和准确的理解,在此基础上提升人体-外骨骼系统主动柔顺性。具体地,本文从肌电信号（EMG信号）特征提取出发,通过应用Hill骨骼肌模型和半唯象模型,建立人体-外骨骼耦合动力学模型,进而构建了可以用于人体运动意图理解的状态空间模型;基于人机力交互接口,利用高斯过程自回归模型实现多源信息融合;通过应用演进系统理论,针对系统输入中生理信号的不稳定性和人体运动的不规则性,增强系统的适应性,实现了对人体运动意图的精确识别和理解;开发了用于EMG特征提取的卷积神经网络,提出了基于混合深度学习的外骨骼智能控制策略,并完成了初步的主动柔顺性控制实验。本文的主要研究工作和成果可以归纳为以下几个方面:一、EMG信号特征提取算法研究。针对人体-外骨骼系统对EMG信号特征提取实时性的需求,为提高特征提取算法的计算效率,从信号相图入手,分析椭圆特征中长轴与坐标轴夹角的变化规律,将相对复杂的椭圆面积的计算转化为较为简单的椭圆外接矩形面积的计算。在保证提取精度的前提下,大幅提升了算法的计算效率。并借助深度学习方法,以EMG信号经过短时傅里叶变换的结果为输入,利用卷积神经网络,实现了对信号特征提取算法效果的进一步提升,二、人机力交互接口与人体-外骨骼系统状态空间模型的建立。针对现有人体-外骨骼系统模型中忽略了交互力对系统影响的不足,基于包括Hill模型和半唯象模型在内的骨骼肌生物力学模型,构建了基于关节前向动力学模型及人机交互力产生模型的系统状态空间模型。进一步,针对生物力学模型本身参数数量过多、获取困难且对人体状态变化十分敏感的不足,分别对状态方程和测量方程应用高斯自回归过程和神经网络方法,增加系统的灵活性和自适应性;并在此基础上利用无迹卡尔曼滤波实现系统闭环预测,最终完成对人体关节运动角度和角速度的学习和预测。三、基于演进系统和高斯自回归过程的人体运动意图理解。针对以肌电信号为基础的人体运动意图理解系统中EMG信号的不稳定性和人体运动的不规则性,借助演进系统理论,利用高斯过程非线性自回归模型揭示人体连续运动的内在关联特性,并通过检测预测结果中误差和置信区间的大小,在系统动态特征发生变化时通过对信息数据集中元素的更新,实现模型对系统概念漂移的有效抑制,完成系统动态特征的实时自适应。在此基础上,针对人体运动意图研究中关节角度和关节力估计等重点难点环节,构建了从EMG信号到关节力/力矩,以及从EMG信号、交互力信号到关节角度的自回归模型,实现其在不规则运动模式下的学习和预测。四、基于混合深度学习的外骨骼柔顺性研究。针对人体-外骨骼系统难以实现自然交互的问题,首先基于建立的人体-外骨骼耦合动力学模型,确立人机交互阻尼为判断人机系统柔顺性水平的另一个评价标准;进而借助深度学习算法,利用卷积神经网络,从EMG信号的短时傅里叶变换结果中提取得到肌肉的激活水平,结合人机交互力,运用基于演进系统理论的高斯过程自回归模型,通过结合参数模型和非参数模型的优势,实现对人体运动意图的精确预测;并在此基础上,构建基于混合深度学习的外骨骼主动柔顺性控制策略。通过自制的信号采集系统与下肢外骨骼机器人,完成对提出方法有效性的初步验证。
白敬[10]（2019）在《上肢康复机器人关键技术及康复评定的研究》文中研究指明我国社会老龄化程度不断加剧,上肢瘫痪人口数量较多,但是康复医师相对较少,机器人辅助康复治疗方式的研究还不成熟,康复评估方法还是以传统的费时费力的人工评估方法为主,居家康复的研究迫在眉睫。因此,康复机器人及康复评估技术的研究意义重大。康复机器人控制方法的研究、居家康复训练机器人的设计、居家康复训练虚拟场景的搭建以及康复评估方法的研究是目前医工交叉学科领域亟待解决的关键问题。为实现残疾人“人人享有康复服务”的目标,本文针对上述相关问题,开展了康复机器人关键技术及康复评估技术的研究,以解决肢体运动障碍患者康复训练困难的问题,旨在构建一个良好的康复训练与评估环境。首先,研究了康复训练与康复评估相关理论知识,分析了人体运动学和上肢运动空间相关理论基础,探索了康复治疗和康复评定的相关方法,为康复机器人关键技术及康复评定的研究奠定了坚实的基础。由于机器人辅助患肢进行单次康复训练的时间相对较长,在该时段内病人的姿态调整存在不确定性,影响康复训练效果,因此提出了一种基于人体姿态的康复训练方法,搭建基于四自由度WAM机器人的人机合作上肢康复训练机器人系统,基于视觉信息跟踪病人水平方向上的姿态位置变化,并予以补偿;提出一种分层模糊控制策略,主要包括外层模糊插补策略和内层模糊PD位置控制器,确保了康复训练的平稳性、舒适性及人机友好性。实验结果表明,人机合作上肢康复训练方法能够成功地实现自然舒适的上肢康复训练,同时可以提高患者参与康复训练的积极性。针对现阶段康复机器人价格昂贵、体型笨重、不方便搬运等问题,研制了一套结构紧凑、无自重、低功耗的三自由度居家康复训练机器人。该机器人的机械结构基于三轴相交于一点的原理进行设计,机构简单且方便移动。在机械手的末端装有三维力传感器,用于测量患肢与机器人在运动过程中的相互作用力。为提高患者康复训练的积极性,设计了虚拟康复训练环境。提出了一种基于自适应模糊反演的阻抗控制方法,以防止患肢受到二次损伤,并改善系统的柔顺性。通过实验验证了该控制方法的有效性。上肢工作空间的大小反映上肢的运动功能,脑卒中病人肌张力降低、关节肿胀和僵硬导致上肢主动活动能力下降,运动空间缺失,病人日常生活活动能力降低,提出了运用上肢可达工作空间包络面相对表面积（Relative Surface Area,RSA）评估脑卒中病人上肢运动功能的方法,根据患者需求设计了改良版的运动协议,构建了虚拟交互环境,研究了RSA与Fugl-Meyer评定（Fugl-Meyer Assessment,FMA）量表之间的关系,运用动态时间规整算法计算患者和健康人上肢运动角度的差异,设计了基于自适应神经模糊系统的上肢评估模型对受试者上肢运动功能进行评估。针对居家康复训练与评估的需求,搭建了一种适用于居家患者的多场景上肢康复训练与评估系统。采用多传感器融合方法对患者的运动进行跟踪,设计多个虚拟场景,鼓励患者进行上肢和躯干的康复训练,提出了一种融合FMA和RSA的康复评估方法,建立了一个评估上肢运动功能的FMA-RSA评估模型。采用基于相关动态时间规整的方法,解决了不同患者上肢运动路径不一致的问题。相关临床试验结果表明,该系统可提高患者参加训练的积极性,改善患者的病情,模型评估与治疗师的评估结果相关,长期康复训练对改善居家患者上肢运动功能有统计学意义。该系统可指导家庭康复训练,有潜力成为一个有效、低成本、合理的家庭康复训练和评估体系。为减轻患者家庭经济压力,提出了一种偏瘫患者上肢康复云端系统,通过网络连接居家患者和医院医生,设计了一种简单的基于上肢运动的康复评估方法,筛选了五种与肩、肘、腕关节相关的动作,运用速度、加加速度对数和曲率对数评估患肢手部运动路径的平滑性、稳定性。建立了双端卷积神经网络评定模型以评估五个选定动作的水平。该系统可使患者在家中进行康复训练和评估,治疗师可以通过网络远程指导患者康复训练。
二、一种适用于人体运动学数据处理的平滑技术（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种适用于人体运动学数据处理的平滑技术（论文提纲范文）
（2）基于针织应变传感器的人体运动识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.3 研究现状 |
| 1.3.1 针织应变传感器制备研究 |
| 1.3.2 电力学传感性能研究 |
| 1.3.3 等效电阻模型研究 |
| 1.3.4 人体运动识别研究 |
| 1.4 研究意义与内容 |
| 1.4.1 研究意义 |
| 1.4.2 研究内容 |
| 1.4.3 创新点 |
| 第二章 针织应变传感器的制备与性能 |
| 2.1 引言 |
| 2.1.1 针织应变传感器设计原理 |
| 2.1.2 针织应变传感器结构设计 |
| 2.2 针织应变传感器的制备 |
| 2.2.1 原料与机型选择 |
| 2.2.2 不锈钢/涤纶型应变传感器样品制备 |
| 2.2.3 镀银锦纶型应变传感器样品制备 |
| 2.3 表征与测试 |
| 2.3.1 动态电阻采集系统 |
| 2.3.2 测试方法与实验设备 |
| 2.4 结果讨论 |
| 2.4.1 组织结构对应变传感器传感性能影响 |
| 2.4.2 密度对应变传感器传感性能影响 |
| 2.4.3 针织应变传感器灵敏度与线性度 |
| 2.4.4 拉伸速率对应变传感器传感性能影响 |
| 2.4.5 重复性对应变传感器传感性能影响 |
| 2.4.6 滞后性对应变传感器传感性能影响 |
| 2.5 不锈钢/涤纶型与镀银锦纶型针织应变传感器性能对比 |
| 2.6 本章小结 |
| 第三章 针织应变传感器三维曲面传感性能 |
| 3.1 引言 |
| 3.2 三维曲面测试环境及原理 |
| 3.2.1 测试方法 |
| 3.2.2 受力分析 |
| 3.3 表征与测试 |
| 3.3.1 三维曲面应变率计算 |
| 3.3.2 三维曲面传感性能测试 |
| 3.4 结果讨论 |
| 3.4.1 三维曲面应变-电阻 |
| 3.4.2 三维曲面应变传感灵敏度与线性度 |
| 3.4.3 顶破速率对三维曲面应变传感性能的影响 |
| 3.4.4 重复性对三维曲面应变传感性能的影响 |
| 3.4.5 滞后性对三维曲面应变传感性能的影响 |
| 3.5 二维拉伸应变与三维曲面传感性能比较 |
| 3.6 本章小结 |
| 第四章 针织应变传感器等效电阻模型 |
| 4.1 引言 |
| 4.1.2 针织应变传感器传感机理 |
| 4.2 基于二维应变的等效电阻模型基本假设 |
| 4.2.1 宏观-微观等效电阻模型 |
| 4.2.2 拓扑结构等效电阻模型 |
| 4.3 基于三维曲面应变的等效电阻模型基本假设 |
| 4.4 基于二维应变的宏观-微观模型等效电阻计算 |
| 4.4.1 宏观模型等效电阻计算 |
| 4.4.2 微观模型等效电阻计算 |
| 4.5 基于二维应变的拓扑结构模型等效电阻计算 |
| 4.5.1 纵行方向等效电阻计算 |
| 4.5.2 横列方向等效电阻计算 |
| 4.6 基于三维曲面应变的等效电阻模型计算 |
| 4.7 结果与讨论 |
| 4.7.1 宏观-微观等效电阻理论模型与试验结果比较 |
| 4.7.2 拓扑结构等效电阻理论模型与试验结果比较 |
| 4.7.3 三维曲面应变的等效电阻理论模型与试验结果比较 |
| 4.8 本章小结 |
| 第五章 集成多区域针织应变传感器的高弹性运动裤制备与肢体运动测试 |
| 5.1 引言 |
| 5.2 集成多区域针织应变传感器的高弹性运动裤制备 |
| 5.2.1 人体测量试验 |
| 5.2.2 针织应变传感器位置设计 |
| 5.2.3 集成针织应变传感器的高弹性运动裤制备 |
| 5.3 肢体运动测试 |
| 5.3.1 膝关节屈曲角测试 |
| 5.3.2 步态下四种运动测试 |
| 5.4 结果与讨论 |
| 5.4.1 膝关节屈曲角测试结果 |
| 5.4.2 步态下四种运动测试结果 |
| 5.5 本章小结 |
| 第六章 集成多区域针织应变传感器运动裤的人体运动识别 |
| 6.1 引言 |
| 6.2 电阻数值特征识别方式 |
| 6.2.1 跑步及走路运动状态识别 |
| 6.2.2 上、下台阶运动状态识别 |
| 6.3 步行周期识别方式 |
| 6.3.1 人体步行周期与电阻变化关系 |
| 6.3.2 人体步态运动与细分阶段电阻变化关系 |
| 6.3.3 人体步态电阻特征值及运动识别 |
| 6.3.4 人体运动识别系统 |
| 6.4 多区域感测及机器学习识别方式 |
| 6.5 三种运动识别方式比较及可穿戴运动识别系统构建 |
| 6.6 本章小结 |
| 第七章 主要结论与展望 |
| 7.1 主要结论 |
| 7.2 研究不足与展望 |
| 致谢 |
| 参考文献 |
| 附录一:作者在攻读博士学位期间发表的论文 |
（3）基于Kinect的人体步态分析和重心估算方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究的背景与意义 |
| 1.2 步态分析国内外研究现状 |
| 1.2.1 定性分析法 |
| 1.2.2 基于足底压力的步态分析系统 |
| 1.2.3 基于肌电信号的步态分析系统 |
| 1.2.4 基于惯性传感器的步态分析系统 |
| 1.2.5 基于图片与视频的步态分析系统 |
| 1.3 人体重心国内外研究现状 |
| 1.3.1 基于动力学的人体重心研究 |
| 1.3.2 基于人体模型的重心运动学研究 |
| 1.4 论文研究目标及内容 |
| 1.5 本论文章节安排 |
| 第二章 理论基础 |
| 2.1 引言 |
| 2.2 人体骨架模型构建 |
| 2.2.1 基于Kinect的人体骨架模型 |
| 2.2.2 基于Vicon的人体骨架模型 |
| 2.2.3 人体关节点的线性映射模型 |
| 2.2.4 模型同步处理及滞后性消除 |
| 2.3 步态分析理论基础 |
| 2.3.1 步行理论基础 |
| 2.3.2 关节点信息选取原则 |
| 2.3.3 关节点信息缺失处理原理 |
| 2.4 重心相关理论 |
| 2.4.1 人体平衡理论基础 |
| 2.4.2 重心估算原理 |
| 2.5 本章小结 |
| 第三章 基于关节点位置信息的步态分析 |
| 3.1 引言 |
| 3.2 关节点位置信息预处理及特征参数计算 |
| 3.2.1 关节点位置信息预处理 |
| 3.2.2 关节角度计算 |
| 3.3 步态相位划分分析 |
| 3.3.1 基于阈值的步态相位划分方法 |
| 3.3.2 基于随机森林的步态相位划分算法 |
| 3.4 步态时空参数提取 |
| 3.5 本章小结 |
| 第四章 人体重心估算模型 |
| 4.1 引言 |
| 4.2 重心估算运动学方法 |
| 4.2.1 基于分段式的人体结构模型 |
| 4.2.2 运动学重心方法 |
| 4.2.3 基于Kinect的重心估算修正模型 |
| 4.3 重心包络面积算法 |
| 4.3.1 初始重心凸包的选取与分区 |
| 4.3.2 包外凸点选取及凸包扩展 |
| 4.4 本章小结 |
| 第五章 基于Kinect的步态分析及重心估算实验验证 |
| 5.1 引言 |
| 5.2 实验对象与实验平台 |
| 5.2.1 实验对象 |
| 5.2.2 实验平台 |
| 5.3 步态分析方法实验验证 |
| 5.3.1 实验过程 |
| 5.3.2 关节角度结果分析 |
| 5.3.3 步态相位划分及时空参数计算结果分析 |
| 5.4 重心估算模型实验验证 |
| 5.4.1 实验过程 |
| 5.4.2 重心估算结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（4）基于可穿戴式传感器的人体动作捕获与识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 人体动作捕获技术发展现状 |
| 1.2.1 人体动作捕获技术分类 |
| 1.2.2 惯性动作捕获系统发展现状 |
| 1.3 论文研究的关键技术及研究现状 |
| 1.3.1 基于多传感器融合的姿态和位置测量 |
| 1.3.2 人体动作捕获系统初始化标定 |
| 1.3.3 基于可穿戴传感器的人体动作识别 |
| 1.4 研究内容及章节安排 |
| 第2章 人体运动学建模与分析 |
| 2.1 引言 |
| 2.2 人体骨骼模型 |
| 2.3 人体姿态运动学 |
| 2.3.1 坐标系定义 |
| 2.3.2 单肢体的姿态描述 |
| 2.3.3 人体的关节约束 |
| 2.4 人体运动学 |
| 2.4.1 齐次坐标变换 |
| 2.4.2 基于根骨骼的人体正向运动学 |
| 2.5 本章小结 |
| 第3章 单肢体的姿态和位置测量 |
| 3.1 引言 |
| 3.2 MEMS惯性传感器的标定与补偿 |
| 3.2.1 MEMS惯性传感器测量误差模型 |
| 3.2.2 MEMS惯性传感器的标定 |
| 3.3 基于自适应四元数间接卡尔曼滤波器的姿态融合算法 |
| 3.3.1 MEMS惯性传感器测量模型 |
| 3.3.2 间接卡尔曼滤波器过程模型 |
| 3.3.3 间接尔曼滤波量测模型 |
| 3.3.4 自适应间接卡尔曼滤波器更新方程 |
| 3.3.5 姿态四元数估计 |
| 3.4 基于惯性传感器和UWB传感器的位置测量 |
| 3.4.1 UWB测量模型 |
| 3.4.2 UWB测量误差分析与补偿 |
| 3.4.3 UWB定位解算 |
| 3.4.4 基于惯性传感器和UWB传感器的位置融合算法 |
| 3.5 实验结果与分析 |
| 3.5.1 MEMS惯性传感器标定实验 |
| 3.5.2 姿态测量实验 |
| 3.5.3 基于惯性传感器和UWB传感器的位置测量实验 |
| 3.6 本章小结 |
| 第4章 基于可穿戴传感器的人体运动捕获系统设计 |
| 4.1 引言 |
| 4.2 姿态的度量与平均 |
| 4.2.1 姿态的度量定义 |
| 4.2.2 姿态的内蕴平均计算 |
| 4.3 基于手眼标定的传感器—人体坐标系标定 |
| 4.3.1 标定姿势定义 |
| 4.3.2 标定姿势数据采集和分割 |
| 4.3.3 传感器—人体坐标转换矩阵计算 |
| 4.4 人体参数估计 |
| 4.4.1 基于关节约束的关节参数估计 |
| 4.4.2 基于封闭关节链的肢体长度估计 |
| 4.5 基于可穿戴传感器的人体动作捕获系统软硬件设计 |
| 4.5.1 基于可穿戴传感器的人体动作捕获系统硬件设计 |
| 4.5.2 数据传输协议设计 |
| 4.5.3 上位机软件设计 |
| 4.6 实验结果与分析 |
| 4.6.1 传感器—人体坐标系标定实验 |
| 4.6.2 人体参数估计实验 |
| 4.6.3 人体动作捕获实验 |
| 4.7 本章小结 |
| 第5章 基于DTW模板匹配的人体动作识别 |
| 5.1 引言 |
| 5.2 人体动作描述 |
| 5.3 基于DTW模板匹配的人体动作识别算法 |
| 5.3.1 人体动作信号预处理 |
| 5.3.2 基于DTW和姿态度量的人体动作相似度计算 |
| 5.3.3 基于DTW模板匹配的人体动作识别 |
| 5.4 基于时间序列平均的人体动作模板创建 |
| 5.4.1 基于DTW的时间序列平均问题 |
| 5.4.2 基于DTW的自适应全局时间序列平均 |
| 5.4.3 人体动作模板创建 |
| 5.5 实验结果与分析 |
| 5.5.1 时间序列平均实验结果与分析 |
| 5.5.2 手势实验结果与分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录 ADBA算法的收敛性证明 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（5）基于人体动平衡感知的行走稳定判据研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 双足系统研究现状 |
| 1.2.1 仿人机器人研究现状 |
| 1.2.2 人体平衡系统研究现状 |
| 1.3 人体平衡判别研究现状 |
| 1.3.1 基于人体平衡理论的判别研究现状 |
| 1.3.2 基于智能算法的人体平衡判别研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 人体行走平衡分析与运动简化模型建立 |
| 2.1 引言 |
| 2.2 人体行走动平衡原理 |
| 2.2.1 人体平衡系统工作原理 |
| 2.2.2 人体运动学姿态解析 |
| 2.3 基于人体运动学姿态捕获的运动数据库建立与解析 |
| 2.4 基于人体生理结构的人体运动学模型建立 |
| 2.4.1 人体运动学简化模型建立 |
| 2.4.2 基于D-H算法的人体运动学姿态仿真 |
| 2.5 本章小结 |
| 第3章 基于人体动平衡感知的平衡参数选取 |
| 3.1 引言 |
| 3.2 基于人体行走受力分析的平衡感知参数选取 |
| 3.2.1 质心角动量与人体行走动平衡分析 |
| 3.2.2 地面参考点与人体行走受力分析 |
| 3.3 基于人体前庭系统原理的行走平衡感知参数选取 |
| 3.3.1 前庭系统工作原理与质心加速度关系 |
| 3.3.2 前向偏移角加速度与人体行走稳定性关系 |
| 3.4 基于人体行走稳定裕度的平衡感知参数选取 |
| 3.4.1 点足模型建立 |
| 3.4.2 人体行走稳定裕度分析 |
| 3.5 本章小结 |
| 第4章 人体行走稳定判据建立及行走受扰预测模型设计 |
| 4.1 引言 |
| 4.2 人体稳定行走与受扰行走判别方法建立 |
| 4.2.1 人体行走受扰判据建立 |
| 4.2.2 基于粒子群算法的人体行走受扰判据权重参数优化 |
| 4.2.3 基于人体行走受扰判据的行走稳定与行走受扰判别 |
| 4.3 人体不同行走姿态稳定判据建立 |
| 4.3.1 人体不同摆臂姿态稳定判据建立 |
| 4.3.2 人体弯腰行走姿态稳定判据建立 |
| 4.4 基于SVM的行走受扰判据扰动分类模型建立 |
| 4.4.1 SVM分类方法设计 |
| 4.4.2 基于PSO-SVM的扰动分类结果分析 |
| 4.5 本章小结 |
| 第5章 人体行走稳定判据的实验研究及验证 |
| 5.1 引言 |
| 5.2 基于腾挪运动捕获设备的实验设计与数据预处理 |
| 5.2.1 运动捕获实验设计 |
| 5.2.2 运动捕获数据预处理 |
| 5.3 人体不同行走姿态判据及行走受扰判据的验证 |
| 5.3.1 人体正常行走步态下人体平衡感知参数实验分析 |
| 5.3.2 手臂僵硬行走对人体平衡感知参数的影响实验分析 |
| 5.3.3 大摆臂行走对人体平衡感知参数的影响实验分析 |
| 5.3.4 不同摆臂幅度对人体平衡感知参数的影响实验分析 |
| 5.3.5 弯腰行走对人体平衡感知参数的影响实验分析 |
| 5.3.6 外界推力对行走步态稳定的实验分析 |
| 5.4 基于不同神经网络算法与支持向量机算法的扰动分类对比 |
| 5.4.1 基于BP神经网络的扰动类型判别 |
| 5.4.2 基于RBF神经网络的扰动类型判别 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）基于人体姿态识别技术的多任务人机交互系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于视觉系统的人机交互研究现状 |
| 1.2.2 人体姿态估计技术的发展现状 |
| 1.2.3 研究现状分析 |
| 1.3 论文内容与结构 |
| 1.3.1 论文内容 |
| 1.3.2 组织结构 |
| 第二章 预备知识 |
| 2.1 相机成像原理 |
| 2.2 基于图像的人体2D姿态检测 |
| 2.3 三维空间的旋转表示 |
| 2.3.1 欧拉角 |
| 2.3.2 旋转矩阵 |
| 2.3.3 四元数 |
| 第三章 融合视觉与IMU的人体姿态重建方法 |
| 3.1 引言 |
| 3.2 人体运动学模型与传感器配置 |
| 3.2.1 基于轴与连杆的人体上肢运动学模型 |
| 3.2.2 穿戴式IMU配置与相机配置 |
| 3.3 基于目标函数优化的姿态估计 |
| 3.3.1 目标函数构造 |
| 3.3.2 目标函数的最小化 |
| 3.4 针对重建目标的跟踪方法 |
| 3.4.1 相邻帧间的2D姿态跟踪算法 |
| 3.4.2 重建目标的初始化与丢失寻回策略 |
| 3.5 基于多相机和IMU的人体姿态估计实验 |
| 3.5.1 硬件环境 |
| 3.5.2 多相机环境下的2D关节点识别 |
| 3.5.3 重建目标跟踪实验 |
| 3.5.4 人体动作估计稳定性实验 |
| 3.6 本章小结 |
| 第四章 多相机环境下基于迭代匹配的多人人体姿态重建 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于匹配度的迭代姿态匹配与3D姿态重建 |
| 4.3.1 不同空间尺度下的匹配度计算方法 |
| 4.3.2 匹配算法 |
| 4.4 基于3D骨架的姿态跟踪 |
| 4.5 多人环境下的3D姿态重建实验 |
| 4.5.1 实验数据集配置 |
| 4.5.2 姿态匹配准确度 |
| 4.5.3 姿态跟踪稳定性 |
| 4.6 本章小结 |
| 第五章 满足多任务需求的人机交互系统设计与实现 |
| 5.1 引言 |
| 5.2 人机交互系统框架 |
| 5.2.1 人机交互系统设计 |
| 5.2.2 基于树状坐标系系统的交互要素表示 |
| 5.3 基于视觉的机器人坐标系标定 |
| 5.4 多任务下的机器人控制 |
| 5.4.1 机器人目标点生成方法 |
| 5.4.2 机器人任务目标修正 |
| 5.4.3 基于模型预测的机器人灵活控制 |
| 5.5 人机交互环境下的机器人实验 |
| 5.5.1 目标跟踪实验 |
| 5.5.2 多人人机安全实验 |
| 5.5.3 人机交互实验 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读硕士学位期间发表的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 4 发明专利 |
| 学位论文数据集 |
（7）基于人因工程学的厨房智能操作台设计研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源及研究的背景意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 厨房设计发展现状 |
| 1.2.2 用户工作姿态研究现状 |
| 1.3 主要研究内容 |
| 第2章 厨房智能操作台用户研究 |
| 2.1 KANO模型理论基础 |
| 2.2 厨房操作台设计KANO问卷调查 |
| 2.2.1 目标用户人群定位 |
| 2.2.2 问卷的设计与收集整理 |
| 2.3 厨房操作台设计KANO问卷调查结果分析 |
| 2.3.1 问卷结果优化 |
| 2.3.2 问卷结果分析 |
| 2.4 本章小结 |
| 第3章 厨房智能操作台人因实验研究 |
| 3.1 人因实验相关验证指标 |
| 3.1.1 表面肌电EMG概述 |
| 3.1.2 运动捕捉概述 |
| 3.2 烹饪过程中人因工程学实验 |
| 3.2.1 实验方法 |
| 3.2.2 实验设计 |
| 3.2.3 数据记录与实验指标 |
| 3.3 烹饪过程中人因工程学实验结果及分析 |
| 3.3.1 EMG时域结果 |
| 3.3.2 EMG频域结果 |
| 3.3.3 运动捕捉实验结果 |
| 3.3.4 实验结果讨论 |
| 3.4 本章小结 |
| 第4章 人体烹饪动作模型建立与仿真 |
| 4.1 烹饪动作运动模型的建立 |
| 4.1.1 烹饪动作位姿和坐标系的描述 |
| 4.1.2 烹饪动作齐次坐标变换 |
| 4.2 人体运动学正解分析 |
| 4.2.1 人体烹饪动作模型建立 |
| 4.2.2 人体运动学正解方程 |
| 4.3 人体烹饪动作运动学仿真 |
| 4.3.1 烹饪动作仿真模型建立及数据拟合 |
| 4.3.2 人体烹饪动作运动学正解仿真结果分析 |
| 4.4 本章小结 |
| 第5章 厨房智能操作台设计 |
| 5.1 厨房设计基本原则 |
| 5.1.1 厨房功能分区 |
| 5.1.2 厨房中橱柜布局的基本形式 |
| 5.2 厨房智能操作台人因工程学要素设计 |
| 5.2.1 厨房智能操作台整体尺寸设计 |
| 5.2.2 厨房智能操作台使用方式设计 |
| 5.3 厨房智能操作台升降系统设计 |
| 5.3.1 厨房智能操作台升降结构设计 |
| 5.3.2 厨房智能操作台升降控制系统设计 |
| 5.4 基于人因工程学的厨房智能操作台整体方案设计 |
| 5.4.1 厨房智能操作台的布局设计 |
| 5.4.2 厨房智能操作台的CMF设计 |
| 5.4.3 人因工程学整体方案设计 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 附录1 厨房智能操作台设计基于Kano问卷调查 |
| 附录2 人机实验被试者身体尺度数据 |
| 攻读学位期间发表的学术成果 |
| 致谢 |
（8）基于IMU的人体姿态实时跟踪与可穿戴式设备研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 可穿戴微传感器式系统的研究现状 |
| 1.2.2 IMU惯性单元与算法的研究现状 |
| 1.3 本文研究内容以及章节安排 |
| 2 系统框架设计 |
| 2.1 系统总体结构 |
| 2.2 可穿戴式设备设计 |
| 2.2.1 数据采集单元设计 |
| 2.2.2 数据汇聚单元 |
| 2.3 数据通信设计 |
| 2.3.1 通信协议 |
| 2.3.2 同步机制 |
| 2.3.3 WIFI通信协议 |
| 2.4 PC终端接口软件设计 |
| 2.4.1 功能设计 |
| 2.4.2 实现方案 |
| 2.5 本章小结 |
| 3 多传感器的姿态解算 |
| 3.1 旋转矩阵 |
| 3.2 四元数旋转 |
| 3.3 传感数据预处理 |
| 3.3.1 加速度计与陀螺仪 |
| 3.3.2 磁力计 |
| 3.4 姿态融合算法 |
| 3.4.1 基于加速度计和磁力计的姿态解算原理 |
| 3.4.2 基于陀螺仪的姿态解算原理 |
| 3.4.3 互补滤波算法 |
| 3.5 本章小结 |
| 4 人体运动姿态再现 |
| 4.1 人体关键骨骼 |
| 4.2 骨骼关节的运动特性 |
| 4.3 姿态角到骨骼坐标系的重定向 |
| 4.3.1 骨骼坐标系 |
| 4.3.2 旋转运动的左右手坐标系变换 |
| 4.3.3 载体坐标系初始姿态标定 |
| 4.4 人体运动学中的骨骼转动方法 |
| 4.5 本章小结 |
| 5 实验验证与分析 |
| 5.1 数据通信测试 |
| 5.1.1 数据更新率测试 |
| 5.1.2 延时测试 |
| 5.2 姿态分析与再现测试 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及在学期间所取得的科研成果 |
（9）基于高斯过程自回归学习的人体运动意图理解及下肢外骨骼主动柔顺性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 下肢柔顺性外骨骼及其控制策略的国内外研究现状 |
| 1.3.1 基于模型的外骨骼控制策略 |
| 1.3.2 基于人体测量信息的控制策略 |
| 1.4 人体运动意图理解国内外研究现状 |
| 1.4.1 人体运动意图的定义 |
| 1.4.2 新型人机交互接口 |
| 1.4.3 人机互感互知的意图理解 |
| 1.5 基于骨骼肌生物力学模型的人体运动意图理解技术 |
| 1.6 基于高斯过程的人体运动意图理解 |
| 1.7 系统自适应算法与演进系统理论 |
| 1.8 研究内容与论文章节安排 |
| 第二章 基于高斯过程的动态系统建模与演进系统 |
| 2.1 引言 |
| 2.2 高斯过程的基本原理与模型优化 |
| 2.2.1 高斯过程的基本原理 |
| 2.2.2 高斯过程中超参数的学习优化 |
| 2.3 高斯过程中核函数的选取 |
| 2.3.1 静态协方差核函数 |
| 2.3.2 非静态协方差核函数 |
| 2.4 基于高斯过程的时间序列建模 |
| 2.4.1 高斯非线性自回归模型 |
| 2.4.2 基于状态方程高斯过程的状态空间模型 |
| 2.5 演进系统方法 |
| 2.5.1 HPS模型 |
| 2.5.2 PLP模型 |
| 2.6 本章小结 |
| 第三章 人机耦合动力学与状态空间模型 |
| 3.1 引言 |
| 3.2 基于Hill骨骼肌模型的膝关节前向动力学 |
| 3.2.1 肌肉收缩动力学 |
| 3.2.2 肌肉-肌腱模型几何学 |
| 3.2.3 关节角度运动模型 |
| 3.3 基于半唯象模型的人体-外骨骼交互机理 |
| 3.3.1 主动元AE与肌肉主动力 |
| 3.3.2 被动元PE与肌肉被动力 |
| 3.3.3 人体-外骨骼耦合系统中的关节运动模型 |
| 3.4 基于状态空间模型的关节角度预测 |
| 3.5 实验与结果讨论 |
| 3.5.1 实验设备与数据处理 |
| 3.5.2 模型的训练与学习 |
| 3.5.3 实验结果 |
| 3.5.4 结果讨论 |
| 3.6 本章小结 |
| 第四章 基于演进系统高斯回归模型的人体运动意图理解 |
| 4.1 引言 |
| 4.2 EMG信号处理方法与改进的能量核算法 |
| 4.2.1 传统EMG信号的处理方法 |
| 4.2.2 EMG能量核算法的基本概念 |
| 4.2.3 EMG能量核算法计算效率的改进 |
| 4.3 基于高斯演进算法的人体时变特征学习 |
| 4.4 实验验证 |
| 4.4.1 能量核外接矩形法有效性与计算效率验证 |
| 4.4.2 基于EMG信号的关节力/力矩学习与预测 |
| 4.4.3 基于EMG和交互力信号的关节角度学习与预测 |
| 4.5 实验结果讨论 |
| 4.5.1 三种基于能量核思想的EMG提取算法比较 |
| 4.5.2 GP算法的计算效率问题 |
| 4.5.3 核函数的选取 |
| 4.6 本章小结 |
| 第五章 基于混合深度学习的外骨骼柔顺性研究 |
| 5.1 引言 |
| 5.2 基于卷积神经网络的EMG信号特征提取 |
| 5.2.1 EMG信号特征提取网络的构建 |
| 5.2.2 网络信号提取效果评估 |
| 5.3 基于混合深度学习的外骨骼主动柔顺控制策略 |
| 5.3.1 人体-外骨骼交互模型 |
| 5.3.2 基于混合深度学习的控制策略 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 论文的主要贡献与创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 攻读博士学位期间的学术成果 |
| 致谢 |
（10）上肢康复机器人关键技术及康复评定的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 上肢康复机器人研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 康复评定研究现状 |
| 1.4 康复理论 |
| 1.4.1 脑卒中 |
| 1.4.2 神经的功能重塑 |
| 1.4.3 运动再学习理论 |
| 1.4.4 康复工程基础 |
| 1.4.5 康复机器人技术 |
| 1.5 人体生理学基础 |
| 1.5.1 人体运动学 |
| 1.5.2 上肢运动分析 |
| 1.6 现存问题 |
| 1.7 论文主要研究内容 |
| 第二章 一种基于人体姿态的人机合作上肢康复训练方法 |
| 2.1 引言 |
| 2.2 上肢康复系统 |
| 2.2.1 人机合作上肢康复机器人系统 |
| 2.2.2 康复运动坐标系 |
| 2.3 人机合作康复训练方法 |
| 2.3.1 姿态跟踪模块 |
| 2.3.2 卡尔曼滤波 |
| 2.4 双层模糊控制策略 |
| 2.4.1 模糊动态插值控制器 |
| 2.4.2 模糊PD位置控制器 |
| 2.5 人机合作康复训练实验与结果 |
| 2.5.1 实验设计 |
| 2.5.2 实验结果与分析 |
| 2.6 本章小结 |
| 第三章 三自由度居家上肢康复机器人的研制 |
| 3.1 引言 |
| 3.2 三自由度居家康复机器人机械结构设计 |
| 3.3 康复训练机器人运动学分析 |
| 3.4 三自由度居家康复机器人电路部分设计 |
| 3.4.1 位置采集模块 |
| 3.4.2 电机驱动模块 |
| 3.4.3 串口通信模块 |
| 3.4.4 主控制器与电路 |
| 3.4.5 三自由度上肢康复机器人人机交互系统 |
| 3.5 康复训练虚拟场景的设计 |
| 3.5.1 虚拟现实技术 |
| 3.5.2 康复训练虚拟场景 |
| 3.6 基于自适应模糊反演的阻抗控制方法 |
| 3.6.1 阻抗控制 |
| 3.6.2 基于自适应模糊反演的阻抗控制设计 |
| 3.7 三自由度居家康复训练机器人实验 |
| 3.7.1 仿真实验 |
| 3.7.2 实验 |
| 3.8 本章小结 |
| 第四章 基于工作空间测量的脑卒中患者上肢康复训练评估方法 |
| 4.1 引言 |
| 4.2 脑卒中康复评定 |
| 4.3 脑卒中患者上肢康复训练评估系统设计原理 |
| 4.3.1 康复训练运动协议 |
| 4.3.2 交互式虚拟场景 |
| 4.3.3 遮挡处理方法 |
| 4.3.4 工作空间测量分析 |
| 4.3.5 动态时间规整算法 |
| 4.3.6 自适应网络模糊推理系统 |
| 4.4 上肢工作空间实验 |
| 4.4.1 实验平台 |
| 4.4.2 实验方法 |
| 4.4.3 数据分析 |
| 4.5 上肢工作空间实验结果与分析 |
| 4.5.1 受试者信息 |
| 4.5.2 工作空间测量分析结果 |
| 4.5.3 动态时间规整算法分析结果 |
| 4.5.4 自适应网络模糊评估 |
| 4.6 讨论 |
| 4.7 本章小结 |
| 第五章 多场景上肢康复训练与评定系统 |
| 5.1 引言 |
| 5.2 多场景上肢康复训练评估系统 |
| 5.2.1 康复训练场景 |
| 5.2.2 康复评估场景 |
| 5.3 数据处理方法 |
| 5.3.1 数据预处理 |
| 5.3.2 特征提取 |
| 5.3.3 相关动态时间规整方法 |
| 5.3.4 权重分析方法 |
| 5.3.5 FMA-RSA评估模型 |
| 5.3.6 统计分析 |
| 5.3.7 问卷调查 |
| 5.4 多场景上肢康复训练与评定的实验设计 |
| 5.5 实验结果与分析 |
| 5.5.1 受试者和问卷调查结果 |
| 5.5.2 数据分析结果 |
| 5.5.3 康复训练结果 |
| 5.6 讨论 |
| 5.7 本章小结 |
| 第六章 偏瘫患者上肢康复云端系统的设计 |
| 6.1 引言 |
| 6.2 方法 |
| 6.3 评估动作选取 |
| 6.4 数据处理方法 |
| 6.4.1 数据预处理 |
| 6.4.2 运动轨迹平稳性分析 |
| 6.4.3 卷积神经网络评定模型 |
| 6.5 实验结果与分析 |
| 6.5.1 运动轨迹平稳性分析结果 |
| 6.5.2 卷积神经网络评定结果 |
| 6.6 讨论 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文研究工作总结 |
| 7.2 主要创新点 |
| 7.3 未来研究展望 |
| 致谢 |
| 参考文献 |
| 博士期间发表论文清单 |
四、一种适用于人体运动学数据处理的平滑技术（论文参考文献）
- [1]可穿戴式多传感器融合动作捕捉系统[D]. 李彦敏. 哈尔滨工业大学, 2021
- [2]基于针织应变传感器的人体运动识别研究[D]. 李煜天. 江南大学, 2021(01)
- [3]基于Kinect的人体步态分析和重心估算方法研究[D]. 荀小飞. 电子科技大学, 2021(01)
- [4]基于可穿戴式传感器的人体动作捕获与识别研究[D]. 刘玉焘. 哈尔滨工业大学, 2020(01)
- [5]基于人体动平衡感知的行走稳定判据研究[D]. 杨磊. 燕山大学, 2020(01)
- [6]基于人体姿态识别技术的多任务人机交互系统设计与实现[D]. 王正安. 浙江工业大学, 2020
- [7]基于人因工程学的厨房智能操作台设计研究[D]. 周恩雯. 哈尔滨理工大学, 2020(02)
- [8]基于IMU的人体姿态实时跟踪与可穿戴式设备研究[D]. 金琦. 浙江大学, 2020(02)
- [9]基于高斯过程自回归学习的人体运动意图理解及下肢外骨骼主动柔顺性研究[D]. 曾岩. 上海交通大学, 2019(06)
- [10]上肢康复机器人关键技术及康复评定的研究[D]. 白敬. 东南大学, 2019(01)