基于多模态信息融合的可穿戴人体步态分析技术研究与应用

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61803072
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    26.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0306.自动化检测技术与装置
  • 结题年份:
    2021
  • 批准年份:
    2018
  • 项目状态:
    已结题
  • 起止时间:
    2019-01-01 至2021-12-31

项目摘要

Health promotion is an important driving factor of sensor technology application. By means of sensor fusion of wearable sensor data and accurate estimation of human gait parameters, the doctor is able to provide more accurate clinical diagnosis for patients with abnormal gait. However, there still exist a number of problems in sensor data error and algorithm adaptability. This project intends to integrate accelerometer, gyroscope, magnetometer and pressure sensor to build a low-cost, intelligent and lightweight wearable human gait analysis platform. On account of the complexity and diversity of walking motion characteristics, the key is to solve the existing robustness and adaptability problems of current gait analysis algorithm. This project is starting from the sensor physical properties and human physiology structure, aiming to establish lower limb kinematics model constraint using Denavit-Hartenberg method, and solving the applicability problem of the traditional zero velocity update algorithm with Euler-Lagrange equation. Using adaptive threshold algorithm to obtain non-conservative criterion of "zero speed", on the basis of the criterion, digital filter and error correction of gait parameters could be done with multi-level data fusion algorithm, then an identification and parameter estimation method with robust stability characteristics is designed for abnormal gait analysis. The above theory and method could be validated through clinical gait experiments, and the ultimate target is to realize auxiliary diagnosis and exercise rehabilitation plan formulation for patients with abnormal gait. The implementation of this research will provide technical basis for realizing intelligent medical treatment and has clinical practical application value.
人们保持健康是传感器技术利用的重要驱动因素,通过融合多种穿戴式传感器数据并估算人体步态参数,医生就能够为步态异常患者提供更精准的临床诊断。但是目前普遍存在传感器数据误差较大以及算法适应性不足等问题。本项目拟集成加速度计、陀螺仪、磁力计和压敏传感器搭建可穿戴步态分析平台。针对病人步行的复杂性和多变特点,重点解决现有算法的鲁棒性和适应性难题。利用迪纳维特-哈坦伯格参数建立矢状面内的人体下肢运动学模型约束,通过求解欧拉-拉格朗日方程改善传统零速更新算法的适用性;利用自适应多阈值算法得到“零速”的非保守性判据,以该判据为基础,通过构建多模态信息融合算法进行滤波计算和误差修正,提出对异常步态具有鲁棒性的步态参数解算方法,进而达到步态异常患者的辅助智能诊断的目标。该项目的研究结果将为探究人体步态异常机制提供理论依据,对实现智慧医疗提供技术基础,具有显著的实际应用价值。

结项摘要

本项目主要研究内容涵盖人体传感器网络技术、数据融合技术和人工智能算法。主要研究任务包括两部分:融合多模态信息的穿戴式人体步态分析系统研制和基于人工智能的步态异常诊断算法的设计与实现。该项目执行期间,项目负责人深入研究了医学领域的步态特征分类机制和评价模型;跟踪相关领域国内外最新科研动态。为了对本课题所提出的算法进行验证,在理论分析、数值模拟和实验验证的基础上,在大连医科大学附属第二医院进行了初步的临床应用,以对系统进行实验验证和实际应用验证,主要测试项目有两类,一、运动迟缓评估、姿势异常评估:要求患者完成指定的动作,通过与正常人完成动作时的响应时间和姿态情况进行对比,对患者的运动迟缓进行评估定级。二、步态分析:患者按照的规定的路线和距离行走,计算患者行走时步态参数如:步频、步长、廓清、支撑相、摆动相等。根据患者的步态参数来进行定制化分析。该项目取得的创新性成果总结如下:.(1)本项目研究的智能人体下肢运动异常辅助诊断系统,能够基于多层数据融合技术对病患进行康复进程评估,辅助医生进行病情诊断,从运动测试到打印出诊断报告只要五分钟,不需要专人操作,经过示范后,每个医生都能会操作。项目的实施也将建立了面向康复医学领域的临床下肢运动信息数据库。.(2)本项目创新性地将多源异构传感器提供的局部信息加以互补利用,消除数据的冗余和冲突,获得步态参数的一致性描述。解决了传统算法的适用性难题,扩大了步态检测方法可行的参数空间;提高了步态检测的精确性和可靠性。.(3)针对下肢运动异常诊断,在现有的基于时间和空间参数统计量的方法基础上进行拓展,引入相图分析和频域分析,结合数据层融合和决策层融合选取临床可用的显著性特征,能够更有效地评价双侧下肢运动对称性和稳定性;并为运动参数可视化提供了新思路。

项目成果

期刊论文数量(21)
专著数量(0)
科研奖励数量(1)
会议论文数量(5)
专利数量(3)
Driving Behavior Tracking and Recognition Based on Multisensors Data Fusion
基于多传感器数据融合的驾驶行为跟踪与识别
  • DOI:
    10.1109/jsen.2020.2995401
  • 发表时间:
    2020-09-15
  • 期刊:
    IEEE SENSORS JOURNAL
  • 影响因子:
    4.3
  • 作者:
    Liu, Long;Wang, Zhelong;Qiu, Sen
  • 通讯作者:
    Qiu, Sen
Using Body Sensor Network to Measure the Effect of Rehabilitation Therapy on Improvement of Lower Limb Motor Function in Children With Spastic Diplegia
利用身体传感器网络测量康复治疗对痉挛性截瘫儿童下肢运动功能改善的效果
  • DOI:
    10.1109/tim.2020.2997545
  • 发表时间:
    2020-11-01
  • 期刊:
    IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT
  • 影响因子:
    5.6
  • 作者:
    Li, Jie;Wang, Zhelong;Shi, Xin
  • 通讯作者:
    Shi, Xin
Paddle Stroke Analysis for Kayakers Using Wearable Technologies.
使用可穿戴技术对皮划艇运动员的桨行程进行分析
  • DOI:
    10.3390/s21030914
  • 发表时间:
    2021-01-29
  • 期刊:
    Sensors (Basel, Switzerland)
  • 影响因子:
    --
  • 作者:
    Liu L;Wang HH;Qiu S;Zhang YC;Hao ZD
  • 通讯作者:
    Hao ZD
Sensor Combination Selection Strategy for Kayak Cycle Phase Segmentation Based on Body Sensor Network
基于人体传感器网络的皮划艇周期阶段分割传感器组合选择策略
  • DOI:
    --
  • 发表时间:
    2021
  • 期刊:
    IEEE Internet of Things Journal
  • 影响因子:
    10.6
  • 作者:
    Sen Qiu;Zhengdong Hao;Zhelong Wang;Long Liu;Jiayi Liu;Hongyu Zhao
  • 通讯作者:
    Hongyu Zhao
Motion Analysis of Deadlift for Trainers With Different Levels Based on Body Sensor Network
基于身体传感器网络的不同级别训练者硬拉运动分析
  • DOI:
    10.1109/tim.2021.3062162
  • 发表时间:
    2021
  • 期刊:
    IEEE Transactions on Instrumentation and Measurement
  • 影响因子:
    5.6
  • 作者:
    Zhelong Wang;Ruichen Liu;Hongyu Zhao;Sen Qiu;Xin Shi;Jiaxin Wang;Jie Li
  • 通讯作者:
    Jie Li

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

低成本MEMS磁力计校正方法研究
  • DOI:
    --
  • 发表时间:
    2018
  • 期刊:
    大连理工大学学报
  • 影响因子:
    --
  • 作者:
    Choe Namchol;赵红宇;仇森;SO Yongguk
  • 通讯作者:
    SO Yongguk
Physical Fitness Assessment for Cancer Patients Using Multi-Model Decision Fusion Based on Multi-Source Data
基于多源数据的多模型决策融合的癌症患者体质评估
  • DOI:
    10.1109/tetci.2022.3221129
  • 发表时间:
    2023-08
  • 期刊:
    IEEE Transactions on Emerging Topics in Computational Intelligence
  • 影响因子:
    5.3
  • 作者:
    李佳禧;王哲龙;赵红宇;仇森;张珂;石鑫;屈欢;姜桂春
  • 通讯作者:
    姜桂春
Quantitative Analysis of Lower Limb Motion in Parkinson’s Disease Based on Inertial Sensors
基于惯性传感器的帕金森病下肢运动定量分析
  • DOI:
    10.1109/jsen.2022.3208734
  • 发表时间:
    2022-11
  • 期刊:
    IEEE SENSORS JOURNAL
  • 影响因子:
    4.3
  • 作者:
    刘芮辰;王哲龙;赵红宇;仇森;王翠;石鑫;林芳
  • 通讯作者:
    林芳
Heterogeneousdata fusion for gait posture estimation using wearable MARG sensors.
使用可穿戴 MARG 传感器进行步态姿势估计的异构数据融合。
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    International Journal of Computational Science and Engineering
  • 影响因子:
    2
  • 作者:
    仇森;王哲龙
  • 通讯作者:
    王哲龙

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

仇森的其他基金

面向复杂战场环境的单兵应激状态感知与评估机制研究
  • 批准号:
  • 批准年份:
    2022
  • 资助金额:
    55 万元
  • 项目类别:
    面上项目
面向复杂战场环境的单兵应激状态感知与评估机制研究
  • 批准号:
    62272081
  • 批准年份:
    2022
  • 资助金额:
    55.00 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码