预测算法的参数摆动脚趾间隙的阶段

文摘

步态训练机器人的自适应控制是通过协助运动旨在改善步态性能。在传统的机器人,它并没有可以调整机器参数预测脚趾运动,这被认为是跳闸风险指标。期间脚趾间隙的预测步行可以减少绊倒的风险。在本文中,我们提出一个新方法预测脚趾间隙使用径向基函数网络。输入数据的角度、角速度和角加速度的臀部、膝盖和踝关节在矢状平面摆动阶段的开始。在实验中,七个科目为360年代在跑步机上行走。径向基函数网络训练与步态数据从20到200与100年的数据点和测试数据点。的真实值和预测值之间的均方根误差为3.28毫米的最大脚趾间隙在前面的摆动阶段和2.30毫米的最低脚趾间隙后摆动阶段。此外,其他五个科目的使用步态数据的真实值和预测值之间的均方根误差是最大的脚趾间隙4.04毫米和2.88毫米的最低脚趾间隙时,行走速度改变。这提供了与现有的方法相比,预测精度更高。 The proposed algorithm used the information of joint movements at the start of the swing phase and could predict both the future maximum and minimum toe clearances within the same swing phase.

1。介绍

机械物理人机交互技术有潜力改善人类的运动。此外,机器人援助可以指导步态运动和提供直接的躯体感觉信息。机器人指导的影响是有效的,因为培训持续时间更长当人们本能地修改他们的运动,而当他们有意识地修改他们的运动(1]。应提供援助只有当它是必需的,因为人类的运动能力下降时不积极使用2]。因此,需要开发自适应机器人援助技术,鼓励最大活跃的病人参与。

以人为本控制机器人步态训练正在调查试图使机器人系统更具人性化3]。步态训练机器人,亚历克斯和Lokomat等,有一个相互作用力场控制器,病人可以行走在不同于期望的轨迹决定对一个健康的人4- - - - - -6]。LOPES二世,这是一个机器人末端执行器类型,能够在低和高的机械阻抗模式之间切换使用导纳控制(7]。这些机器人适应个体差异和调整他们的参考轨迹运动功能恢复步态轨迹生成。传统算法是自适应人类行为后,和帮助的方法确定之前预测的机器人参数的步态运动尚未建立。

摔倒是运动的一个最严重的问题。下降的风险,鼓励人们呆在室内,导致身体的削弱。此外,绊倒占53%跌倒事件(8]。老年人在绊倒的风险而采取小步骤,因为它是难以评估高度差在地毯或地毯的边缘9]。脚趾间隙必须确保避免和减少分散控制。绊倒的可能性发生如果脚趾方法在步态周期的任意一点的地面。预测的脚趾间隙可以减少绊倒的风险。机器人援助增加脚趾间隙减少步态周期中,预测脚趾间隙的方法是必需的。

计算技术与可穿戴传感器推导脚趾间隙开发主要为动态评估和监测的脚趾间隙没有摄像系统(10- - - - - -14]。的惯性参数的集成惯性测量单元(IMU),它由三轴加速度计和陀螺仪进行了脚趾的参数估计(10- - - - - -12]。dedrifted集成两个无线电设备的艾莫斯附加到脚可以估计脚间隙约20毫米的一个错误(12]。由于这个大误差,积分法有很大的局限性对计算的位置。已研制出的一种机器学习方法来估计学习阶段后的步态参数在每个人13- - - - - -15]。使用机器学习和高斯函数和一个爬坡特征选择方法,均方根误差(RMSE) 6.6毫米估计年轻个体(14]。在先前的研究中,脚趾间隙的参数预测的回归模型(15]。我们最好的知识,应用高斯函数使用加速度特性通过捕获的脚趾位置的双微分动作捕捉系统可以预测的最小脚趾间隙最为准确(3.7毫米)的RMSE一个步态周期。

现有的预测方法有一个限制关于建立机器人援助增加时脚趾间隙减少,因为系统不使用可穿戴传感器可以与机器人控制器通信。估计精度较低时,使用可穿戴的惯性传感器,而当动作捕捉系统是用来提取输入数据。此外,现有的处理方法不够准确脚趾间隙变化之间的步态周期。此外,据报道,四分位范围最小的脚趾间隙约为4.3毫米为年轻的个人和为老年人(约5.3毫米16]。检测一个较低的值最小脚趾间隙的概率超过50%使用这种方法可能会困难。因此,更准确的脚趾间隙预测方法,利用可穿戴传感器来获得所需的输入数据是机器人援助。

我们开发了一个预测算法的最小脚趾间隙使用下肢关节的角度信息[17]。我们的假设是下肢关节的关节运动信息的时候人们开始挥动腿未来脚趾间隙有关,因为脚趾运动是由下肢的摇动。人们控制他们的腿部运动基于interjoint协调,和保持低色散角协调肢体结束点(18]。因此,我们假设角信息之间的差异在一定阶段的差异有关脚趾间隙在步态周期。此外,我们认为增加下肢关节的角速度和加速度都是有益的,因为这些参数包含关于运动的信息。先前的研究已经调查计算技术,如加速度计(19,20.),陀螺仪(21,22),和艾莫斯23),使用可穿戴的足状态检测的传感器和机器学习策略实现支持向量机(SVM) [24),线性判别分析(LDA) (25),高斯混合模型(GMM) (26隐马尔可夫模型(HMM)[和],27,28]。值得注意的是,这些方法可以检测到的特征点相角轨迹的变化。在以前的工作中,我们提取的特征角点与考虑改变臀部之间的协同作用,膝盖和脚踝关节,只有预测精度较高的最低脚趾间隙(17]。然而,可穿戴传感器往往偏离人们走路,感觉值总是包含噪音。补偿需要感知的偏差值。

在这项研究中,我们建立了一个算法来预测特点脚趾间隙参数在摆动阶段使用角度,角速度,角加速度的下肢关节。我们应用机器上优于回归与高斯函数的概率预测脚趾间隙考虑噪声的输入数据。此外,我们研究了训练数据的数量之间的关系和预测精度,我们评估了预测算法来调查我们的方法是否能更准确地预测脚趾间隙和检测的低价值脚趾间隙。

2。材料和方法

提取的方法由输入数据和回归算法使用径向基函数网络(RBFN)的特征参数来预测脚趾间隙如图1。算法设计了自动提取输入数据点在早前摆动阶段和规范化这些输入值以减少传感器的偏差的影响。

特征提取阶段的输入数据与臀部之间的协同作用,考虑膝关节和踝关节。角的角轨迹空间是在飞机上走(29日),而这些角度都不同的阶段的飞机(30.]。检测从摇摆的姿态阶段飞机可以做飞机更清楚,而检测的角度改变,阅读是困难的,由于噪声的存在和波动的角度范围。如图2,控制器探索四架飞机在一个步态周期由于下肢步态运动由摆动腿抬起的脚(摇摆),摆动腿的准备foot-ground接触(摇摆),脚接触的吸收冲击载荷响应(加载响应),和支持身体(的支持)。首先,控制器基向量的飞机通过提取部分角数据在每个阶段(块1的图1)。第二,控制器检测到切换点支持阶段到摆动阶段的一个角的空间,检测时间点摆动阶段开始时(块2图1)。

角的部分数据提取基于推导的髋关节角度推导出飞机飞机的基向量(块1的图1)。最大的角度定义为100%,最低的角度定义为0%。首先,角数据分类属于摇摆起来,提取的运动髋关节运动在10%以上弯曲和膝关节屈曲。接下来,角数据提取相应的摆动的运动下来当膝关节延长和髋关节屈曲角度摆动运动后在30%以内。此外,角数据加载对应的响应(即。,dual-support phase) were extracted when the hip joint was in extension, the knee joint was in flexion, and the dorsiflexion angle of the ankle joint was less than 10% from the second minimum value. Finally, the parts of the angular data corresponding to the motion of supporting the body were extracted when the hip joint was in extension and the ankle joint was in dorsiflexion. The robot extracted the angular data in the middle of the swing or stance phase based on the hip angle readings.

两个基向量构成飞机可以使用主成分分析(PCA)和角的提取的部分数据。控制器计算特征向量的第一和第二部件,飞机的基向量,使用PCA。从preprojection坐标向量postprojection坐标正交基向量的平面。此外,这两个特征向量w₁和w₂是互相垂直。利用这种关系,坐标P在飞机上定义如下: 在哪里和特征向量的系数,表示的意思是角的坐标数据,表示感觉下肢关节角空间的坐标投影。和计算使用特征向量的内积和正交向量。

该算法计算的距离preprojection坐标postprojection坐标每架飞机上获得的切换点飞机(块2的图1)。此外,该算法计算的单位向量之间的内积之前感觉到的角点到当前感觉到角点和单位向量从先前的预计指向当前投影点。感觉到角数据被认为是一个阶段的飞机接近的数据,与其他飞机相比,当距离是局部最小值和内积大于0.9。

摇摆的阶段开始可以通过观察角轨迹是否经过先前的剖面计算飞机结构如图3。计算剖面,因为很难实时检测飞机的切换点由于飞机的转移在散步。首先,切换点的飞机从飞机上支持摇摆是使用获得的数据来自20步态周期。接下来,角轨迹剖面的摆动阶段开始时计算。开关点的平均估计,计算剖面的法向量推导的向量检测开关指向下一个感觉到角点。正交向量的法向量可以计算如下: 在哪里 , ,和表示臀部、膝盖和脚踝关节角,构成了法向量,分别。剖面的基向量的两个正交向量法向量,由推导计算第一个正交向量之间的叉积和法向量。最后,如图4,输入数据提取的角点被发现的时间点的距离感觉角点对点投射到剖面是最低的。

使用RBFN脚趾间隙的参数计算与高斯函数,如图5。RBFN是线性的和径向基函数,如高斯函数为非线性曲线拟合。RBFN由一个输入层、隐藏层与径向基函数和一个输出层。这个网络计算向量之间的距离的输入数据和每个高斯的重心,得到使用 - - - - - -意味着聚类算法数据集分割成预定数量的组根据欧氏距离。RBFN结构表达如下: 在哪里表示输出向量,权向量,是输入向量,是质心向量,是RBF的数量单位,是一个变系数,一个变量相关高斯函数的标准偏差。推导出如下(31日]: 在哪里表示数据和之间的最大距离是数据的维数。

角度的臀部、膝盖和踝关节在矢状面和可穿戴感觉到角度传感器。这些关节的角速度和角加速度被区分的角度推导出伪微分。角度是使用低通滤波器平滑(6赫兹)的截止频率。伪微分方程基于s平面z平面转换表达如下: 在哪里表示时间常数,表示采样时间是8.33毫秒,和和表示^th差值和^th分别输入值。在这项研究中,被认为是167 ms区分数据的频率低于6赫兹。

所有输入值归一化减少附件的位置偏差的影响可穿戴式角度传感器。前一个步态周期的最小值减去从输入值。此外,所有输入值除以他们范围值的步态周期的培训阶段RBFN以减少值的范围的影响。

3所示。人类行走实验

四个年轻健康成人(三个男人和一个女人;岁的 年,体重 ,高度 )和两个健康老年人(两人;岁的 年,体重 ,高度 )在第一个实验中招募。五个健康的年轻成年人(四个男人和一个女人;岁的 年,体重 ,高度 )在第二个实验中招募。他们没有神经损伤或步态障碍。之前的实验中,受试者提供详细叙述我们的实验目标和被告知,他们可以退出实验时,我们获得他们的同意。机构审查委员会批准的这个实验也在早稻田大学(2017 - 085)。

因为最大值的指标人们提高自己的脚和最小值有多高是多高的指标可以保持他们的脚在地面上,最大的脚趾间隙在前面的摆动阶段和后摆动阶段的最低脚趾间隙测量给脚趾间隙数据特征。右脚的脚趾坐标测量动作捕捉系统(Raptor-E;美国运动分析,圣罗莎,CA)。测量的标志是附加到第一跖趾关节的脚。的角度对臀部、膝盖和脚踝关节与测角仪测量(SG110 SG150,生物识别技术有限公司纽波特,英国),可穿戴式角度传感器。受试者在跑步机上走如图6。

6受试者被要求继续走首选恒定的速度从360年代的2.1公里到3.0公里/小时的实验。我们研究了RBFN所需的训练数据点的数量来提高预测精度。我们用20到200步态周期数据点100年培训和步态周期RBFN测试数据点。RBF单位成立的数量从2到20。

5科目在2.0公里/小时,走了600年代2.5公里/小时和3.0 km / h在第二个实验中。步行2.5公里/小时的持续时间是360年代,和步行2.0公里/小时的持续时间和3.0 km / h是120年代。我们研究了RBFN是否可以预测脚趾间隙如果步行速度改变。大约160 2.5公里/小时的步行周期数据被用作训练数据基于第一个实验的结果,和100年的步态周期的数据点2.0公里/小时和3.0 km / h是用作测试数据。RBF单位成立的数量从2到20。此外,我们添加了这个实验的测角仪的左腿。

我们的时间是从系统中输入数据的时间点的时间点最大和最小脚趾间隙。我们计算的平均时间的所有训练数据和标准偏差评估系统是否能先前预测的最大和最小间隙。

我们标准化的最大和最小脚趾间隙值通过定义训练数据的平均值为零,如图7。脚趾间隙值都低于平均-(减号),尽管高于平均的值是积极的(加号)。我们计算了RMSE的真实值和预测值之间的最大和最小脚趾间隙,如下: 在哪里表示真正的价值,表示预测价值,是数据点的数量。

此外,我们估计的准确性预测数据的百分比根据正负信号的准确性和计算预测值的数量相同的信号真值,然后除以总数量的数据点。

4所示。结果与讨论

图8从时间点,系统显示的时间提取输入数据的时间点最大或最小脚趾间隙。输入数据提取0.1秒在脚趾间隙达到最大值之前早些时候摇摆的阶段。

数据9和10显示真正的和预测数据之间的RMSE最大和最小的脚趾间隙对应于训练数据点的数量。RMSE倾向于减少训练数据的数量增加。尤其是RMSE最低当训练数据点的数量是200科目1、3和6。其他科目有最低RMSE当训练数据点的数量在80年和180年之间。最大的脚趾间隙,平均最小均方根误差为2.99毫米,RMSE最低的是2.31毫米。脚趾间隙最小,平均最小均方根误差为2.34毫米,RMSE最低的是1.79毫米。RBF单位的数量最小化RMSE大约是5。

数据11和12显示的预测数据的准确率最大和最小脚趾间隙对应于训练数据点的数量。平均准确率为71%,最大脚趾间隙为68%,最低脚趾间隙。

图8显示的平均时间从系统中提取输入数据的时间点的时间点最大或最小脚趾间隙是积极的。这意味着,该算法能够提取输入数据在脚趾间隙达到最大值之前早些时候摇摆的阶段。然而,时间并不总是不变的。标准差大与步态周期的时间相比,大约1.4年代的这个实验。方差的检测时间扮演一个角色在减少时间。通过改善相位检测的准确性,预测可以提前。

如数据所示9和10,真正的脚趾之间的RMSE间隙测量的动作捕捉系统和预测脚趾间隙是最低的80年和200年之间训练数据点。此外,准确率往往会增加当训练数据点的数量增加。因此,更高数量的训练数据点倾向于提高预测精度,大概是因为很容易提取的特征输入数据空间数据提供更多的培训。RBFN集群输入数据和计算中间值的每个集群训练阶段。输出值是决定根据输入数据的距离值平均每个集群的价值观。如果训练数据点的数量减少,很难精确地确定RBFN参数因为输入数据噪音的影响增加。在这个实验中,训练数据的聚类分和中值的推导过程大约需要100 - 200训练数据点减少方差和噪声的影响,总是出现在数据。

如数据所示9和10,RMSE最大脚趾间隙2.99毫米和2.34毫米的最低脚趾间隙,这是一个更准确的预测与以往方法相比。最大的RMSE脚趾间隙的RMSE高于最低脚趾间隙,因为最大的方差脚趾间隙高于最低脚趾间隙的方差。RMSE之间的个体差异往往是高方差的脚趾间隙周期增加。检测的概率低于中位数的脚趾间隙值高于68%;也就是说,概率的概率高于随机检测。

数据13和14显示RMSE和预测数据的准确率为100年的最大和最小的脚趾间隙测试数据通过使用大约160个训练数据训练RBFN的行走速度。的预测误差最小脚趾间隙较低与先前的研究相比,即使步行速度改变了RBFN后学会了以一个恒定的速度行走。此外,该算法检测的价值低于中位数的脚趾间隙的概率的概率高于随机检测如果步行速度改变。我们假设RBFN参数反映了脚的不同运动学与行走速度的变化,因为输入数据相关的运动学下肢。然而,脚趾间隙最小和最大的RMSE脚趾间隙增大时,行走速度改变。这将是有益的训练输入数据的RMSE几个条件广义回归。此外,所有科目的RMSE标准差下降时左腿关节的信息作为输入值。我们认为它表明更多数量的输入参数与脚运动学提高了预测精度。作为一个未来的工作,我们将专注于两脚,增加两下肢关节的输入参数。

该算法的优势初步推导脚趾间隙实时虽然大多数先前估计的计算方法是脚趾间隙(10- - - - - -14]。此外,该算法的预测精度高于先前的方法(15]。虽然我们脚趾间隙的规范化数据评估算法是否能检测到价值低于中位数的脚趾间隙,脚趾从地面高度可以派生因为减去价值是显而易见的。拟议的系统有一个限制,因为学习是需要每个人,这是类似于以前的矿渣MTC使用可穿戴传感器评估方法。因此,它需要一个学习阶段与摄像系统使用前的算法。

科目的准确性较低的步态运动和飞机在一个角空间往往有所不同。角总是一个步态周期内随时间变化的信息。一个点在一个角的空间周期轨迹提取每个步态周期。如果出现阶段检测错误,很难比较关节角度,角速度,角加速度差异步态周期。我们使用了飞机关节空间的臀部,膝盖和脚踝关节角的检测阶段周期轨迹。由于步态周期之间的轨迹不同,平面向量变化在整个实验过程。该算法考虑飞机通过计算剖面的变化轨迹的切换点,是通过计算发现飞机在每个步态周期。然而,阶段输入数据提取时可能会有所不同。本研究表明,脚趾间隙参数可以预测只使用在矢状面角度信息。步态相位检测和预测的准确性脚趾间隙可以提高通过增加输入参数,如冠状平面的角度或脚的联系信息。

5。结论

本文提出了一种新颖的脚趾间隙预测算法RBFN使用角度,角速度,角加速度的臀部、膝盖和踝关节在矢状面。该算法可以预测的最大脚趾间隙在早些时候摆动阶段的最低脚趾间隙后摆动相同时。误差是最大的脚趾间隙2.99毫米和2.34毫米的最低脚趾间隙。此外,真实和预测之间的均方根误差值最大脚趾间隙是4.04毫米,2.88毫米,最小的脚趾间隙时,行走速度改变。最小的错误脚趾间隙与以往方法相比更小。检测的概率低于中位数的脚趾间隙值高于68%;也就是说,概率的概率高于随机检测。因此,使用这个算法的机器人可能会影响人类的方差脚趾间隙。

在未来的工作中,我们将改善步态相位检测方法。此外,我们将进行实验调查的影响机器人帮助老年人提出的脚趾间隙预测算法。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持领先的研究生院项目的一部分,“体现信息的研究生项目”的教育,文化,体育,科学和技术(下边了)的日本和Tateisi科技基础和科学与工程研究所的支持下,早稻田大学。我们感谢Edanz集团(https://www.edanzediting.com/ac)编辑这个手稿的草案。

引用

1. l·a·马龙和a·j·巴斯蒂安·“思考走:有意识的调整与干扰对运动适应的影响,“神经生理学杂志,卷103,不。4、1954 - 1962年,2010页。视图:出版商的网站|谷歌学术搜索
2. w . m .圆粒金刚石2日“废弃综合症”,西方医学杂志》上,卷141,不。5,691 - 694年,1984页。视图:谷歌学术搜索
3. r . l . Lėunenburger和g·科伦坡,”机器人应用于步态训练和评估,以人为本”康复杂志》上的研究和发展,43卷,不。5,679 - 694年,2006页。视图:出版商的网站|谷歌学术搜索
4. s . k . s . k . Banala s h . Kim Agrawal, j.p.朔尔茨,”机器人辅助步态训练活动腿外骨骼(ALEX)”IEEE神经系统和康复工程,17卷,不。1,2 - 8,2009页。视图:出版商的网站|谷歌学术搜索
5. r .不懂l . Lėunenburger s Jezernik m . Anderschitz g .科伦坡诉迪茨,”Patient-cooperative robot-aided跑步机训练策略:第一次实验结果,“IEEE神经系统和康复工程,13卷,不。3、380 - 394年,2005页。视图:出版商的网站|谷歌学术搜索
6. 侯赛因,s .问:谢,p . k .印度“机械矫正法的自适应阻抗控制步态康复,”IEEE控制论,43卷,不。3、1025 - 1034年,2013页。视图:出版商的网站|谷歌学术搜索
7. j . Meuleman e . van Asseldonk g·范·奥尔特h . Rietman h . van der Kooij设计,”洛佩斯II-design和评估的导纳控制步态训练机器人shadow-leg方法,”IEEE神经系统和康复工程,24卷,不。3、352 - 363年,2016页。视图:出版商的网站|谷歌学术搜索
8. k·摩根,m . j . Bendall h . Dallosso et al .,“降低老年人在家:患病率及相关因素,”年龄和衰老,17卷,不。6,365 - 372年,1988页。视图:出版商的网站|谷歌学术搜索
9. t·罗森k·a·麦克和r·k·努南”下滑和跳闸:摔伤在成人与地毯和地毯,”伤害和暴力研究杂志》上,5卷,不。1,第65 - 61页,2013。视图:出版商的网站|谷歌学术搜索
10. n北川和n .——”,估计脚轨迹在人类行走的可穿戴的惯性测量单元安装在脚上,“步态和姿势,45卷,第114 - 110页,2016年。视图:出版商的网站|谷歌学术搜索
11. b·马里安尼c . Hoskovec装置,c·布拉j .潘德和k . Aminian”三维步态评估在年轻人和老年人使用foot-worn惯性传感器,”生物力学杂志,43卷,不。15日,第3006 - 2999页,2010年。视图:出版商的网站|谷歌学术搜索
12. b·马里安尼装置,c·j·布拉和k . Aminian“脚跟和脚趾间隙为步态分析估计使用无线惯性传感器,”IEEE生物医学工程卷,59号11日,第3168 - 3162页,2012年。视图:出版商的网站|谷歌学术搜索
13. d·麦格拉思b·r·格林c·沃尔什和b·考尔菲德,“估计最小离地间隙(MGC)使用穿在身上的惯性传感器,”生物力学杂志,44卷,不。6,1083 - 1088年,2011页。视图:出版商的网站|谷歌学术搜索
14. b . k . Santhiranayagam d·t·赖w·A .麻雀和r·k·贝格”机器学习的方法来估计最低脚趾间隙利用惯性测量单元,“生物力学杂志,48卷,不。16,4309 - 4316年,2015页。视图:出版商的网站|谷歌学术搜索
15. d·t·赖,s . b .泰勒和r·k·贝格”预测脚间隙参数作为一个前兆预测绊倒和跌倒的风险,”人体运动科学没有,卷。31日。2、271 - 283年,2012页。视图:出版商的网站|谷歌学术搜索
16. 下午米尔斯,r·s·巴雷特和美国莫里森,“脚趾间隙变化在年轻人和老年人行走期间,“步态和姿势,28卷,不。1,第107 - 101页,2008。视图:出版商的网站|谷歌学术搜索
17. t .宅一生,m . g .不借,s . Sugano”预测最小脚趾间隙与径向基函数网络在摇摆的开始阶段,”IEEE 2018年第40届国际会议在医学和生物工程协会(EMBC)火奴鲁鲁,页1664 - 1667年,美国,2018年7月,你好。视图:出版商的网站|谷歌学术搜索
18. j·p·舒尔茨和g·舍恩”,不受控制的多种概念:确定控制变量的功能任务,”大脑研究实验,卷126,不。3、289 - 306年,1999页。视图:出版商的网站|谷歌学术搜索
19. a·曼斯菲尔德和通用里昂使用个加速器检测鞋跟接触事件作为一个传感器在FES辅助行走,“医学工程与物理,25卷,不。10日,879 - 885年,2003页。视图:出版商的网站|谷歌学术搜索
20. n . Mijailovi m . Gavrilovi s Rafajlovi, d . b . Popovi”步态识别阶段的加速度和地面反作用力:应用神经网络,”信号处理,卷1,34-36,2009页。视图:谷歌学术搜索
21. i . p .帕帕斯,m·r·瑞尔t·凯勒诉迪茨,m·莫拉里,“可靠的步态检测系统阶段,”IEEE神经系统和康复工程,9卷,不。2、113 - 125年,2001页。视图:出版商的网站|谷歌学术搜索
22. a . Mannini和a . m .萨巴蒂”步态相位检测和歧视walking-jogging活动之间使用隐马尔可夫模型应用到脚从一个陀螺仪运动数据,”步态和姿势,36卷,不。4、657 - 661年,2012页。视图:出版商的网站|谷歌学术搜索
23. m·戈里r . Kamnik l . Ambrožičet al .,“在线阶段使用可穿戴传感器检测机器人假肢行走,“传感器,14卷,不。2、2776 - 2794年,2014页。视图:出版商的网站|谷歌学术搜索
24. w . c . Cheng和d . m . Jhan“三轴基于重力感应的跌倒检测方法使用self-constructing cascade-AdaBoost-SVM分类器,”IEEE生物医学和卫生信息学杂志》上,17卷,不。2、411 - 419年,2013页。视图:出版商的网站|谷歌学术搜索
25. j . s . Li王,王x”小说步态识别分析系统根据帕金森病,患者的身体传感器网络”2010年IEEE Globecom研讨会,页256 - 260,迈阿密,佛罗里达,美国,2010年12月。视图:出版商的网站|谷歌学术搜索
26. j·楚,k歌,美国汉et al .,“步态相位检测在功能性电刺激坐骨神经录音系统脚下跌回调,“生理测量,34卷,不。5,541 - 565年,2013页。视图:出版商的网站|谷歌学术搜索
27. A . Kolawole和A . Tavakkoli”,一种新颖的基于隐马尔科夫模型的步态识别系统,”先进的视觉计算。ISVC 2012g . Bebis r·博伊尔,b .帕文et al .,。卷,7432在计算机科学的课堂讲稿施普林格,页125 - 134年,柏林,海德堡,2012年。视图:出版商的网站|谷歌学术搜索
28. j . Taborri罗西,巴勒莫e, f . Patane p .披肩,“小说嗯分布式分类器的步态检测阶段的可穿戴的惯性传感器网络,”传感器,14卷,不。9日,第16234 - 16212页,2014年。视图:出版商的网站|谷歌学术搜索
29. y . p . Ivanenko g .卡佩里尼n . Dominici r . e . Poppele f . Lacquaniti,“模块化控制在人体运动的肢体运动,”《神经科学杂志》上,27卷,不。41岁,11149 - 11161年,2007页。视图:出版商的网站|谷歌学术搜索
30. t . Funato s Aoi、h .大岛渚,k .土屋”变体和不变的模式嵌入在人类运动通过整个身体运动协调,”大脑研究实验,卷205,不。4、497 - 511年,2010页。视图:出版商的网站|谷歌学术搜索
31. h . Nakayama m .荒川,r·佐佐木,“基于仿真的优化利用计算智能,”优化和工程,3卷,不。2、201 - 214年,2002页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Tamon宅一生等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。