摘要：针对智能家居环境下隐私友好的步态数据,提出一种数据采集与情绪识别方法,通过电容传感器地板采集用户行走数据,形成家居环境下的用户步态数据集;根据采集的数据集提取18维步态特征进行用户情绪识别实验;在GRU_FCN模型基础上,对卷积层和输出层进行修改优化,并提出GRU_FCNPlus模型;对比7种常用模型算法,研究结果表明,GRU_FCNPlus模型在4分类情绪识别任务中准确率比现有方法提高约5%.该方法可采集分析用户的情绪状态、身体状况、行为习惯等,在智能家居环境下的智能感知、人屋交互、用户体验等方面均有非常广阔的应用前景.

摘要：针对因脑卒中等中枢神经系统疾病而导致运动障碍的患者,在康复训练初期,应用下肢康复机器人提供被动康复训练过程中的控制问题,提出了一种基于健康人体步态数据的下肢外骨骼机器人的鲁棒自适应PD控制。在误差扰动有界的情况下,设计鲁棒自适应PD控制策略,不仅能够使下肢外骨骼机器人快速跟踪通过动作捕捉系统获得的人体步态轨迹,并且能够避免初始输出力矩过大。通过MATLAB仿真验证了在保证全局稳定的情况下,所提方法具有良好的跟踪性能和抗干扰能力。最后,通过角度相似度函数客观评价在所提控制方法下人体运动的舒适性。

摘要：为了使下肢康复机器人的辅助康复训练更加符合人体运动特性,为下肢运动功能障碍的患者提供更加安全、有效的康复训练,提出一种基于人体步态数据和径向基函数(RBF)神经网络的下肢康复机器人控制策略。首先,以三维动作捕捉系统获取的健康人体步态数据为系统的期望输入;其次,通过RBF神经网络自适应控制器产生驱动机器人关节运动的力矩,使机器人的运动轨迹跟踪期望轨迹;然后,采用基于前馈控制的校正模型对机器人的输入力矩进行补偿校正,达到实时校正的目的,从而实现更好的跟踪效果;最后,通过基于实验数据的仿真结果,验证了该方法的可行性和有效性。

摘要：为了便于获取步态数据,采用μPD78F0547微控制器、LIS3LV02DQ微加速度计、nRF2401无线收发芯片等主要器件,设计了步态加速度信号无线采集装置。将该装置的一端固定于人体腰或腿等部位,按设定的采样率连续输出运动时的三维加速度数据;另一端接收数据并通过串行接口实时地传送到计算机中,从而实现大量步态数据的采集和存储。

摘要：针对物联网终端身份识别过程易受干扰的问题,设计了基于一维卷积神经网络的物联网终端非干扰身份识别方法.通过物联网终端内置的加速度传感器收集不同步态的加速度数据,并采用平滑与分窗处理进行预处理.利用步态数据融合模型分析用户在不同行为位置组合下的数据,再利用随机森林模型预测物联网终端的位置与用户行为.将行为与位置数据融合,得到步态融合数据,再将融合数据输入至构建的一维卷积神经网络模型中,经过迭代训练后输出用户的身份识别结果.实验结果显示,基于一维卷积神经网络的物联网终端非干扰身份识别方法在合适的模型参数条件下能够准确识别物联网终端用户身份.