获取关节角度的方法、装置、存储介质及电子设备与流程 专利技术说明

医药医疗技术的改进;医疗器械制造及应用技术1.本发明涉及角度获取技术领域，具体而言，涉及一种获取关节角度的方法、装置、存储介质及电子设备。背景技术：2.近年来，外骨骼机器人作为具有强大功能的可穿戴机械设备，越来越受到国内外众多学者和科研人员的重视，成为新的研究热点。行走是外骨骼机器人系统的核心任务之一，而外骨骼机器人助行步态效果直接决定于步态模型的建立与控制；在使用中，外骨骼系统需要足够快速准确地预判人体运动意图(如：步行，站立，坐下或上下楼梯)，并判断步态周期阶段；而在预判人体运动意图的过程中，人体的关节角度识别是必不可少的一环。3.但是，现有技术中，大多数方案都是通过角度传感器或者外骨骼关节模组的编码器来识别关节角度，而角度传感器存在使用不便、安装麻烦、结果复杂、易损坏等不足；关节模组编码器存在使用条件要求高、通用性差、成本高等缺点。4.针对上述的问题，目前尚未提出有效的解决方案。技术实现要素：5.本发明实施例提供了一种获取关节角度的方法、装置、存储介质及电子设备，以至少解决现有技术中关节角度的获取方法存在使用不便、通用性差的技术问题。6.根据本发明实施例的一个方面，提供了一种获取关节角度的方法，包括：获取角度采集设备采集到的目标对象的多个运动信号数据，其中，上述运动信号数据包括：空间位置、速度与加速度；采用自适应时间窗口切割算法和角度特征提取算法处理多个上述运动信号数据，以将多个上述运动信号数据转化为上述目标对象的关节角度。7.可选的，采用自适应时间窗口切割算法处理多个上述运动信号数据，包括：对多个上述运动信号数据进行预分类处理，得到周期性活动信号数据和非周期性活动信号数据；采用上述自适应时间窗口切割算法从上述周期性活动信号数据中提取时间窗口，其中，上述自适应时间窗口切割算法的归一化自相关函数与上述运动信号数据的初始信号具有相同周期。8.可选的，对多个上述运动信号数据进行预分类处理，得到周期性活动信号数据和非周期性活动信号数据，包括：对多个上述运动信号数据进行去除平均值处理，得到处理后的活动信号数据，其中，上述去除平均值处理用于去除多个上述运动信号数据中的非零平均值；对上述处理后的活动信号数据进行预分类处理，得到上述周期性活动信号数据和上述非周期性活动信号数据。9.可选的，上述方法还包括：采用数据滤波处理算法对上述运动信号数据中的噪声信号进行滤除处理，得到过滤结果；采用最小均方估计算法对上述过滤结果进行最优估计处理，得到上述运动信号数据的最优估计。10.可选的，在上述角度采集设备包括设置在第一关节的第一传感器和设置在第二关节的第二传感器时，采用上述角度特征提取算法处理多个上述运动信号数据，包括：分别计算第一传感器坐标系、第二传感器坐标系相对于关节坐标系的相对方向，其中，上述第一传感器坐标系为基于上述第一传感器建立的坐标系，第二传感器坐标系为基于上述第二传感器建立的坐标系，上述第一传感器坐标系和上述第二传感器坐标系为动态坐标系，上述关节坐标系为初始的基准坐标系；基于上述相对方向控制上述第一传感器坐标系、上述第二传感器坐标系在垂直方向和水平方向上与上述关节坐标系进行方向对齐处理，得到对齐处理后的相对方向；基于上述对齐处理后的相对方向，估算上述第一关节和第二关节在矢状平面中的关节屈伸角，其中，上述关节屈伸角为上述第一传感器坐标系和上述第二传感器坐标系的垂直分量的夹角；将估算得到的上述关节屈伸角作为上述关节角度。11.可选的，在分别计算第一传感器坐标系、第二传感器坐标系相对于关节坐标系的相对方向之前，上述方法还包括：确定上述第一传感器的第一传感器坐标系和上述第二传感器的第二传感器坐标系；确定基于上述第一关节和上述第二关节构建的上述关节坐标系。12.可选的，上述方法还包括：在上述垂直方向上进行方向对齐处理时，获取在静止状态下上述采集设备的加速度惯性数据；基于上述加速度惯性数据计算得到上述采集设备对应的传感器坐标系对应的平均重力矢量。13.可选的，上述方法还包括：在上述水平方向上进行方向对齐处理时，在检测到未对准角度时，采用该未对准角度计算得到绕上述关节坐标系的x轴和y轴的旋转矩阵，并基于上述旋转矩阵控制上述第二传感器坐标系围绕上述关节坐标系的z轴旋转，以与上述第一传感器坐标系对齐。14.可选的，在基于上述旋转矩阵控制上述第二传感器坐标系围绕上述关节坐标系的z轴旋转，以与上述第一传感器坐标系对齐之后，上述方法还包括：通过分别比较上述第一关节、上述第二关节与上述关节坐标系的角速度矢量差值，确定上述第一传感器和上述第二传感器的空间位置；对上述第一关节和上述第二关节的方向差异性进行动态测量和对齐处理，得到预定时间内的上述第一关节和上述第二关节的精准运动数据。15.根据本发明实施例的另一方面，还提供了一种获取关节角度的装置，包括：获取模块，用于获取角度采集设备采集到的目标对象的多个运动信号数据，其中，上述运动信号数据包括：空间位置、速度与加速度；处理模块，用于采用自适应时间窗口切割算法和角度特征提取算法处理多个上述运动信号数据，以将多个上述运动信号数据转化为上述目标对象的关节角度。16.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，上述计算机可读存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的获取关节角度的方法。17.根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，其特征在于，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的获取关节角度的方法。18.在本发明实施例中，通过获取角度采集设备采集到的目标对象的多个运动信号数据，其中，上述运动信号数据包括：空间位置、速度与加速度；采用自适应时间窗口切割算法和角度特征提取算法处理多个上述运动信号数据，以将多个上述运动信号数据转化为上述目标对象的关节角度，达到了通过角度采集设备获取精确运动数据的目的，从而实现了准确识别人体关节角度的技术效果，进而解决了现有技术中关节角度的获取方法存在使用不便、通用性差的技术问题。附图说明19.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：20.图1是根据本发明实施例的一种获取关节角度方法的流程图；21.图2是根据本发明实施例的一种可选的具有准周期性的固定时间窗口示意图；22.图3是根据本发明实施例的一种可选的关节坐标系的结构示意图；23.图4是根据本发明实施例的一种获取关节角度装置的结构示意图。具体实施方式24.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。25.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。26.实施例127.根据本发明实施例，提供了一种获取关节角度的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。28.图1是根据本发明实施例的一种获取关节角度方法的流程图，如图1所示，该方法包括如下步骤：29.步骤s102，获取角度采集设备采集到的目标对象的多个运动信号数据，其中，上述运动信号数据包括：空间位置、速度与加速度；30.步骤s104，采用自适应时间窗口切割算法和角度特征提取算法处理多个上述运动信号数据，以将多个上述运动信号数据转化为上述目标对象的关节角度。31.在本发明实施例中，通过角度采集设备采集目标对象的多个上述运动信号数据，并对上述运动信号数据进行时间窗口数据切割、数据滤波与特征处理，实现对目标对象的关节角度的准确识别。32.需要说明的是，上述角度采集设备可以是陀螺仪(imu)传感器，上述目标对象可以是外骨骼的关节，例如：腿部关节、上肢关节等；上述运动信号数据包括：空间位置、速度与加速度等。33.作为一种可选的实施例，外骨骼机器人和穿戴者需要融为一体，利用外骨骼进行辅助工作，提供防护和支撑的功能；理想状态下，外骨骼机器人就像是穿戴者身体内的骨骼一样提供支撑及力量。通过穿戴合适的外骨骼可以帮助穿戴者正常站立行走或者提高上肢运动性能，大大地提升穿戴者的肢体机能力量。34.需要说明的是，机械外骨骼系统是一种穿戴在操作者身体外部的，为操作者提供了诸如保护、身体支撑等功能的基础上，还为穿戴者提供了额外的动力或能力，增强了人体机能，能够在操作者的控制下完成一定的功能和任务。外骨骼的步态控制需要具有高度的稳定性与鲁棒性，还需要具有“自然性”与“适应性”；“自然性”是指步态模型必须是基于人类正常行走模式建立的，使得步态无论在肌肉的运用方面还是步行过程的主观感受方面都接近正常人类的行走模式；“适应性”是指步态模型需要能够根据不同使用者的身体状况与步行习惯，自动完成步态匹配与调整。35.而现有技术中，大多数获取关节角度的方法是通过角度传感器或者外骨骼关节模组的编码器来识别关节角度，而角度传感器存在使用不便、安装麻烦、结果复杂、易损坏等不足，关节模组编码器存在使用条件要求高、通用性差、成本高等缺点。36.通过本发明实施例，基于陀螺仪(imu)传感器的外骨骼关节角度获取方法，通过对imu传感器数据的时间窗口数据切割、数据滤波与特征处理，达到了通过角度采集设备获取精确运动数据的目的，从而实现了准确识别人体关节角度的技术效果，进而解决了现有技术中关节角度的获取方法存在使用不便、通用性差的技术问题。37.在一种可选的实施例中，采用自适应时间窗口切割算法处理多个上述运动信号数据，包括：38.步骤s202，对多个上述运动信号数据进行预分类处理，得到周期性活动信号数据和非周期性活动信号数据；39.步骤s204，采用上述自适应时间窗口切割算法从上述周期性活动信号数据中提取时间窗口，其中，上述自适应时间窗口切割算法的归一化自相关函数与上述运动信号数据的初始信号具有相同周期。40.在本发明实施例中，首先对获取到的多个上述运动信号数据进行预分类处理，得到周期性活动信号数据和非周期性活动信号数据；采用上述自适应时间窗口切割算法从上述周期性活动信号数据中提取时间窗口。41.需要说明的是，人体的大部分活动，例如：走路、慢跑、上下楼梯、上下斜坡等，都具有准周期性，而另外的一些活动，例如：如坐、站等，是非周期性的，因此，将得到的上述运动信号数据分为周期性活动信号数据和非周期性活动信号数据。42.还需要说明的是，由于收集的imu传感器数据是离散型时间序列，完成一次周期活动需要不定的时间，所以无法在采样点直接计算出活动类型。常用的方法是利用时间窗口将序列划分为若干段，并将每段作为人体活动识别的实例。时间窗口的划分方法主要有滑动窗口、事件定义窗口与活动定义窗口三种，其中滑动窗口法将信号划分成固定长度段，为最常用的窗口法，但具有准确率低与通用性差的问题。事件定义窗口与活动定义窗口在得到窗口长度之前需对信号进行预处理，而由于算法的复杂性，因此常用于离线识别。43.作为一种可选的实施例，可以使用重叠滑窗方法来优化改进滑动窗口，提高分类精度。在选择滑动时间窗口时应遵循某些基本原则，例如：时间窗口的长度应适当，防止两个或多个活动落入一个时间窗口，或时间窗口中的数据太短而无法描述该活动。通过使用固定长度的时间窗口，并对时间窗口进行移动来获取实例，移动步骤中的移动长度决定了相邻窗口之间重叠的百分比。如图2所示的具有准周期性的固定时间窗口示意图，如跑步和走路这样的活动是准周期性的，若使用固定时间窗口来获取实例，数据的截断位置将出现在一个周期的随机位置，一个时间窗口中的周期数将是不可预测的。为了解决这一问题，可以采用自适应时间窗口的方法对具有准周期性的数据进行处理。44.需要说明的是，上述数据的截断位置为图2所示的竖直虚线处的位置。45.在一种可选的实施例中，对多个上述运动信号数据进行预分类处理，得到周期性活动信号数据和非周期性活动信号数据，包括：46.步骤s302，对多个上述运动信号数据进行去除平均值处理，得到处理后的活动信号数据，其中，47.步骤s304，对上述处理后的活动信号数据进行预分类处理，得到上述周期性活动信号数据和上述非周期性活动信号数据。48.在本发明实施例中，通过对多个上述运动信号数据进行去除平均值处理，得到处理后的活动信号数据，对上述处理后的活动信号数据进行预分类处理，得到上述周期性活动信号数据和上述非周期性活动信号数据。49.作为一种可选的实施例，上述自适应时间窗口的方法使用自相关方法从运动数据中获取周期，因为非0的平均值会导致高相关性，因此，在提取周期之前需要从运动数据中去除平均值，去除平均值后将周期性活动信号与非周期性活动信号分开，然后采用自适应滑动窗口从周期性活动中提取周期信号。50.在本技术实施例中，自相关信号提取方法的归一化自相关函数与原始信号具有相同的周期，使用自相关方法提取时间窗口时，可以将创建的时间窗口长度设定为可以容纳两到三个周期的数据的长度。51.需要说明的是，上述去除平均值处理用于去除多个上述运动信号数据中的非零平均值；自相关方法的基本原理是信号的归一化，自相关函数具有与原始信号相同的周期，与周期信号类似，自相关方法两最大值之间的长度，即为周期的长度，从0到第1个最大值之间的长度是第1个周期的长度，从第1个最大值到第2个最大值之间的长度是第2个周期的长度，依次类推，可得到第3个、第4个，直到全部周期的长度。52.在一种可选的实施例中，假设长度为n的时间窗口内的运动信号数据为ac[n]，长度为i的时间窗口内的非零平均值为av[i]，则上述处理后的活动信号数据a[n]为：[0053]需要说明的是，用于提取周期的归一化自相关函数为：[0054]在一种可选的实施例中，上述方法还包括：[0055]步骤s402，采用数据滤波处理算法对上述运动信号数据中的噪声信号进行滤除处理，得到过滤结果；[0056]步骤s404，采用最小均方估计算法对上述过滤结果进行最优估计处理，得到上述运动信号数据的最优估计。[0057]在本发明实施例中，外骨骼imu传感器采集到的上述运动数据信号通常存在一定的误差，需要进行预处理后，才能为后续关节识别效果提供有力保障。因此，采用上述数据滤波处理算法对上述运动信号数据中的噪声信号进行滤除处理，得到过滤结果；在采用上述数据滤波处理算法处理多个上述运动信号数据之后，采用最小均方估计算法对上述过滤结果进行最优估计处理，得到上述运动信号数据的最优估计。[0058]作为一种可选的实施例，步态信号中混杂的噪声信号通常都满足高斯分布，因此，采用最小均方估计算法对噪声信号进行最优估计处理，并进行滤波处理。若采用s表示步态信号，x表示实际的信号，w表示噪声，则：s＝x+w；并且在一个约束条件下，估计x，使得||w||2最小。即x∈span{eikt:k＝1,...,n}，得到的即为对信号s的最优估计。[0059]在一种可选的实施例中，在上述角度采集设备包括设置在第一关节的第一传感器和设置在第二关节的第二传感器时，采用上述角度特征提取算法处理多个上述运动信号数据，包括：[0060]步骤s502，分别计算第一传感器坐标系、第二传感器坐标系相对于关节坐标系的相对方向，其中，上述第一传感器坐标系为基于上述第一传感器建立的坐标系，第二传感器坐标系为基于上述第二传感器建立的坐标系，上述第一传感器坐标系和上述第二传感器坐标系为动态坐标系，上述关节坐标系为初始的基准坐标系；[0061]步骤s504，基于上述相对方向控制上述第一传感器坐标系、上述第二传感器坐标系在垂直方向和水平方向上与上述关节坐标系进行方向对齐处理，得到对齐处理后的相对方向；[0062]步骤s506，基于上述对齐处理后的相对方向，估算上述第一关节和第二关节在矢状平面中的关节屈伸角，其中，上述关节屈伸角为上述第一传感器坐标系和上述第二传感器坐标系的垂直分量的夹角；[0063]步骤s508，将估算得到的上述关节屈伸角作为上述关节角度。[0064]在本发明实施例中，由于各imu传感器的输出数据为当前测试点的空间位置、速度与加速度等，需要采用如下步骤来实现角度特征的提取：腿部imu传感器坐标系的对齐、各imu坐标系的相对方向计算以及关节屈伸角度的估算。如图3所示的关节坐标系结构示意图，采用上述角度特征提取算法处理多个上述运动信号数据的过程中，首先分别计算第一传感器坐标系、第二传感器坐标系相对于关节坐标系的相对方向，基于上述相对方向控制上述第一传感器坐标系、上述第二传感器坐标系在垂直方向和水平方向上与上述关节坐标系进行方向对齐处理，得到对齐处理后的相对方向；基于上述对齐处理后的相对方向，估算上述第一关节和第二关节在矢状平面中的关节屈伸角，将估算得到的上述关节屈伸角作为上述关节角度。[0065]需要说明的是，上述第一传感器坐标系为基于上述第一传感器建立的坐标系，第二传感器坐标系为基于上述第二传感器建立的坐标系，上述第一传感器坐标系和上述第二传感器坐标系为动态坐标系，上述关节坐标系为初始的基准坐标系；上述关节屈伸角为上述第一传感器坐标系和上述第二传感器坐标系的垂直分量的夹角。[0066]在一种可选的实施例中，在分别计算第一传感器坐标系、第二传感器坐标系相对于关节坐标系的相对方向之前，上述方法还包括：[0067]步骤s602，确定上述第一传感器的第一传感器坐标系和上述第二传感器的第二传感器坐标系；[0068]步骤s604，确定基于上述第一关节和上述第二关节构建的上述关节坐标系。[0069]作为一种可选的实施例，仍如图3所示，基于大腿处的第一传感器ijk与小腿处的第二传感器ijk，确定上述关节坐标系jcs。[0070]需要说明的是，仍如图3所示，广义关节坐标e1、e2、e3分别表示人体下肢的三个旋转系统，e1表示腿部膝关节的屈曲与伸展旋转，e2表示大腿的内收与外摆旋转，e3表示腿部的内旋与外旋。设定附着在大腿与小腿上的imu传感器所形成的两个传感器坐标系分别为第一传感器坐标系uvw和第二传感器坐标系uvw；第一传感器坐标系和第二传感器坐标系在基础坐标系xyz上的方向可用两个四维向量qa和qb来表示。[0071]在一种可选的实施例中，上述方法还包括：[0072]步骤s702，在上述垂直方向上进行方向对齐处理时，获取在静止状态下上述采集设备的加速度惯性数据；[0073]步骤s704，基于上述加速度惯性数据计算得到上述采集设备对应的传感器坐标系对应的平均重力矢量。[0074]作为一种可选的实施例，仍如图3所示，采用跟踪算法计算传感器坐标系uwv与uwv相对于jcs的方向，算法融合了陀螺仪和加速度计信号来计算每次采样时的优化方向。并计算大腿和小腿的传感器坐标系相对于基坐标系xyz的方向与位置值，用两个四维向量q′a和q′b表示。[0075]需要说明的是，相比于现有技术中其他方案提出的大腿与小腿的jcs模型，在本技术实施例中，传感器坐标系在垂直与水平方向对齐；在垂直方向上，为了与jcs的方向对齐，需测试出静止时imu加速度的惯性数据；在静止状态下，imu重力加速度信号非常突出，因此可计算出大腿和小腿传感器坐标系的平均重力矢量。[0076]在一种可选的实施例中，上述方法还包括：[0077]步骤s802，在上述水平方向上进行方向对齐处理时，在检测到未对准角度时，采用该未对准角度计算得到绕上述关节坐标系的x轴和y轴的旋转矩阵，并基于上述旋转矩阵控制上述第二传感器坐标系围绕上述关节坐标系的z轴旋转，以与上述第一传感器坐标系对齐。[0078]作为一种可选的实施例，在上述水平方向上进行方向对齐处理时，通过伸直腿并从侧面向上和向下抬起大约30秒钟来实现，对于计算大腿与小腿传感器坐标系的角速度矢量作用显著；按照上述步骤可以很容易地检测到未对准角度，通过使用未对准角度，可以计算得出绕x轴和y轴的旋转矩阵，该旋转矩阵可使小腿imu处的第二传感器坐标系围绕已对齐的z轴旋转，以与大腿imu处的第一传感器坐标系对齐。[0079]在一种可选的实施例中，在基于上述旋转矩阵控制上述第二传感器坐标系围绕上述关节坐标系的z轴旋转，以与上述第一传感器坐标系对齐之后，上述方法还包括：[0080]步骤s902，通过分别比较上述第一关节、上述第二关节与上述关节坐标系的角速度矢量差值，确定上述第一传感器和上述第二传感器的空间位置；[0081]步骤s904，对上述第一关节和上述第二关节的方向差异性进行动态测量和对齐处理，得到预定时间内的上述第一关节和上述第二关节的精准运动数据。[0082]作为一种可选的实施例，通过比较髋关节单独运动中上述第一关节大腿与上述第二关节小腿基于关节坐标系jcs的角速度矢量差值，得出各imu传感器的空间位置。跟踪算法与功能对齐程序结合使用可以在一段时间内，得到大腿与小腿的精确运动数据。[0083]需要说明的是，跟踪系统可以对大腿与小腿处imu的方向差异性进行动态测量，通过功能对齐程序，实现在三种旋转系统上的方向描述。[0084]在本发明实施例中，关节的运动方向可以根据第一关节坐标系和第二关节坐标系的方向确定，并基于基础坐标系xyz的欧拉角进行关节运动方向的描述。可以将任意时刻的imu传感器坐标系转换为初始坐标系的旋转矩阵，则围绕每个轴的旋转矩阵可定义为：[0085][0086]其中θ与ψ分别是围绕各自传感器坐标系中u轴、v轴与w轴的旋转角度。[0087]作为一种可选的实施例，可以采用扩展卡尔曼滤波器(ekf)描述两个传感器坐标系的滚动和俯仰方向，在本技术实施例中，使用的ekf具有八行状态分量的矢量：[0088][0089]其中，包括imu传感器的三维加速度与三维角速度两者均以传感器坐标系的三个轴以及旋转角和倾斜角θ表示。传感器的动态坐标系与初始坐标系之间在时间步长为k的旋转由三个欧拉角θ和ψ来表示，因此，计算关节的屈伸角时，只需要计算坐标系的旋转角和倾斜角θ。[0090]作为一种可选的实施例，可以将动态系统f线性建模为：[0091][0092]其中，k表示时间步长，δt表示每个时间步长之间的时间间隔，和是加速度上的噪声矢量和角速度，和表示和θ的时间导数。使用欧拉公式以imu角速度计算膝关节角度的过程中，imu角速度矢量会有偏离分量，主要原因是ekf的输出出现了漂移。因此，在计算方位角时，假设imu偏离分量的偏航轴为零，设置ωψ＝0，则f7和f8估计为：[0093]f7：[0094]f8：[0095]作为一种可选的实施例，动态系统的测量结果是大腿与小腿处imu测试点的三维加速度与三维角速度，上述测试点都在大腿和小腿的传感器坐标系中测量。测量值描述为：[0096][0097]其中，是测量噪声，imu传感器的输出由角速度矢量和偏离分量b表示；在运动数据是周期性数据的前提下，设定b在每次测试中为常数，设定为角速度平均值。测量并处理噪声的协方差矩阵可表示为：[0098][0099]r＝rid6×6[0100]其中，id3表示单位矩阵，r是总体旋转矩阵，和r是算法中的参数。[0101]作为一种可选的实施例，关节的屈伸角是在大腿和小腿的矢状平面中进行定义的，用于表示大腿处的第一传感器和小腿处的第二传感器的坐标系中垂直分量的夹角。坐标系随时间的相对方向由扩展卡尔曼滤波器ekf进行估计，其中方向以初始坐标系为基准。[0102]需要说明的是，任意时间步长的传感器动态坐标系相对于初始坐标系的转换矩阵为ri。使用ekf估算滚动和俯仰分量，基于初始坐标系计算时间步长为k的传感器坐标系的垂直分量，其中大腿与小腿的垂直分量分别为：[0103][0104][0105]可选的，使用垂直与水平对齐矩阵rz1、rz2和rxy在关节坐标系jcs上进一步转换用初始坐标系表示的传感器垂直分量，如下所示：[0106][0107][0108]其中，通过将腿部垂直分量r1和r2投影到基础坐标系xy的平面上，可计算得出时间步长为k的关节屈伸角：[0109][0110]其中，旋转符号函数[0111]通过上述步骤，基于外骨骼传感器的关节运动信号数据的获取，并采用自适应时间窗口切割算法和角度特征提取算法等处理，将imu采集的运动数据实时的转化为腿部关节角度；该方法耗费算法小、实时性高、稳定性好、输出数据可靠，具有高通用性和高可扩展性、延时小、数据量大、准确率高等特点；并且不需要在关节处进行结构改进与处理，具有实现简单、成本低、维护保养方便、场景适用性好等特点。[0112]需要说明的是，本技术实施例提出的基于imu的外骨骼关节角度获取方法，不仅可以用于腿部关节角度的探测识别，还可以用于上肢关节角度的识别，通用性好，可以满足大多数外骨骼关节角度的识别要求，适用范围广。[0113]实施例2[0114]根据本发明实施例，还提供了一种用于实施上述获取关节角度方法的装置实施例，图4是根据本发明实施例的一种获取关节角度装置的结构示意图，如图4所示，上述获取关节角度装置，包括：获取模块40和处理模块42，其中：[0115]获取模块40，用于获取角度采集设备采集到的目标对象的多个运动信号数据，其中，上述运动信号数据包括：空间位置、速度与加速度；[0116]处理模块42，用于采用自适应时间窗口切割算法和角度特征提取算法处理多个上述运动信号数据，以将多个上述运动信号数据转化为上述目标对象的关节角度。[0117]需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。[0118]此处需要说明的是，上述获取模块40和处理模块42对应于实施例1中的步骤s102至步骤s104，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。[0119]需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。[0120]上述的获取关节角度的装置还可以包括处理器和存储器，上述获取关节角度的装置等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。[0121]处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。[0122]根据本技术实施例，还提供了一种计算机可读存储介质的实施例。可选的，在本实施例中，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述任意一种获取关节角度的方法。[0123]可选的，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。[0124]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：获取角度采集设备采集到的目标对象的多个运动信号数据，其中，上述运动信号数据包括：空间位置、速度与加速度；采用自适应时间窗口切割算法和角度特征提取算法处理多个上述运动信号数据，以将多个上述运动信号数据转化为上述目标对象的关节角度。[0125]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：对多个上述运动信号数据进行预分类处理，得到周期性活动信号数据和非周期性活动信号数据；采用上述自适应时间窗口切割算法从上述周期性活动信号数据中提取时间窗口，其中，上述自适应时间窗口切割算法的归一化自相关函数与上述运动信号数据的初始信号具有相同周期。[0126]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：对多个上述运动信号数据进行去除平均值处理，得到处理后的活动信号数据，其中，上述去除平均值处理用于去除多个上述运动信号数据中的非零平均值；对上述处理后的活动信号数据进行预分类处理，得到上述周期性活动信号数据和上述非周期性活动信号数据。[0127]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：采用数据滤波处理算法对上述运动信号数据中的噪声信号进行滤除处理，得到过滤结果；采用最小均方估计算法对上述过滤结果进行最优估计处理，得到上述运动信号数据的最优估计[0128]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：分别计算第一传感器坐标系、第二传感器坐标系相对于关节坐标系的相对方向，其中，上述第一传感器坐标系为基于上述第一传感器建立的坐标系，第二传感器坐标系为基于上述第二传感器建立的坐标系，上述第一传感器坐标系和上述第二传感器坐标系为动态坐标系，上述关节坐标系为初始的基准坐标系；基于上述相对方向控制上述第一传感器坐标系、上述第二传感器坐标系在垂直方向和水平方向上与上述关节坐标系进行方向对齐处理，得到对齐处理后的相对方向；基于上述对齐处理后的相对方向，估算上述第一关节和第二关节在矢状平面中的关节屈伸角，其中，上述关节屈伸角为上述第一传感器坐标系和上述第二传感器坐标系的垂直分量的夹角；将估算得到的上述关节屈伸角作为上述关节角度。[0129]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：确定上述第一传感器的第一传感器坐标系和上述第二传感器的第二传感器坐标系；确定基于上述第一关节和上述第二关节构建的上述关节坐标系。[0130]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：上述方法还包括：在上述垂直方向上进行方向对齐处理时，获取在静止状态下上述采集设备的加速度惯性数据；基于上述加速度惯性数据计算得到上述采集设备对应的传感器坐标系对应的平均重力矢量。[0131]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：在上述水平方向上进行方向对齐处理时，在检测到未对准角度时，采用该未对准角度计算得到绕上述关节坐标系的x轴和y轴的旋转矩阵，并基于上述旋转矩阵控制上述第二传感器坐标系围绕上述关节坐标系的z轴旋转，以与上述第一传感器坐标系对齐。[0132]可选的，在程序运行时控制计算机可读存储介质所在设备执行以下功能：通过分别比较上述第一关节、上述第二关节与上述关节坐标系的角速度矢量差值，确定上述第一传感器和上述第二传感器的空间位置；对上述第一关节和上述第二关节的方向差异性进行动态测量和对齐处理，得到预定时间内的上述第一关节和上述第二关节的精准运动数据。[0133]根据本技术实施例，还提供了一种处理器的实施例。可选的，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种获取关节角度的方法。[0134]根据本技术实施例，还提供了一种电子设备的实施例，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行上述任意一种获取关节角度的方法。[0135]根据本技术实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种获取关节角度的方法步骤的程序。[0136]上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。[0137]在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0138]在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。[0139]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0140]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0141]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。[0142]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!