一种人体步态监测及评估方法

技术特征：

1.一种人体步态监测及评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的人体步态监测及评估方法，其特征在于：采用的深度视觉传感器为微软azure kinect dk，并以本设备固定位置为中心。

3.根据权利要求1所述的人体步态监测及评估方法，其特征在于：步骤2包括以下步骤：

4.根据权利要求1所述的人体步态监测及评估方法，其特征在于：步骤s3，关节点检测模型采用深度学习训练模型v2v-posenet，该模型的损失函数是计算所有预测点的体素坐标与真实点体素坐标之间欧式距离的加权和，通过反向传播算法更新模型权重。

5.根据权利要求1所述的人体步态监测及评估方法，其特征在于：步骤s3，记录受试者在有效场地被捕获的画面帧的采集时间，选取人体下肢骨骼关节点中的：左髋关节、左膝关节、左踝关节、右髋关节、右膝关节和右踝关节，生成受试者下肢关节点在世界坐标系下三维坐标的运动曲线。

6.根据权利要求1所述的人体步态监测及评估方法，其特征在于：步骤s5中，采用训练好的深度学习模型来识别室内流通环境中的受试人员的身份，构建该深度学习模型的具体步骤方法如下：

技术总结
本发明公开了一种人体步态监测及评估方法，拍摄受试者带有深度信息的视频图像帧，输入至经过训练的关节点检测模型，得到受试者的骨骼关节点坐标；构造人体关节空间向量并计算膝关节角度和髋关节角度，膝关节角度和髋关节角度以屈伸角度数值的方式记录，进而得到基于时间序列的膝关节角度和髋关节角度步态数据；根据当前受试者画面帧的采集时间与步态周期计算步频，根据人体几何中心在不同帧间的相对位移计算其步速；然后对当前受试者的步频、步速、髋关节角度和膝关节角度等步态参数进行综合分数计算的评估，并识别当前受试者的身份，将受试者的综合分数与其历史分值进行差异比较。

技术研发人员：陈玲玲,王鼎,巩卓,郭欣
受保护的技术使用者：河北工业大学
技术研发日：
技术公布日：2024/1/15