用于肢体的运动模式识别方法

摘要

本申请涉及人体下肢及其假肢、矫形器或外骨骼的运动模式识别方法，所述方法可包括：利用传感器收集受试者的肢体末端在不同运动模式下的摆动阶段的运动数据，如对地绝对运动轨迹、对地绝对速度或对地绝对加速度等；将收集的运动数据和相应的肢体运动模式输入分类器或模式识别器以对分类器或模式识别器进行训练；以及将通过传感器实时获得的肢体的运动数据输入经训练的分类器或经训练的模式识别器，以识别肢体的运动模式。其中常见的人体运动模式包括：上坡、下坡、上楼、下楼、平地行走以及转弯等。此外，该方法也可结合人体足底压力分布，肌电信号等用于提高现有模式识别方法的准确性。

说明书

技术领域

本申请总体上涉及肢体步态识别技术领域。具体地，本申请涉及一种用于肢体的运动模式识别方法，以及更具体地涉及人体下肢及其假肢、矫形器或外骨骼的运动模式识别方法。

背景技术

随着科学技术的进步以及人类生活水平的不断提高，社会和政府对有关民生的康复医疗设备的研究及其发展状况的关注度逐渐增加。近年来，中风偏瘫者、下肢运动功能受损人士或残疾者对人体助力设备或医疗康复训练设备的需求显著增加。下肢康复训练设备可帮助中风偏瘫者或运动功能受损者重获行走能力，提升生活质量。此外，下肢康复训练设备还可有助于使受伤肌肉或关节恢复运动功能，降低或消除永久性身体机能损伤。此外，部分研究者也正致力于为军人或大负重搬运工人研发各种智能人体助力设备，希望能够大大提高穿戴者的负重能力同时降低他们的行走或工作负担。

已经注意到，在不同的运动模式下，例如上坡、下坡、上楼或下楼，人体下肢的各关节所实现的功能以及对应的生物力学特征有很大的差异。因此，为了能够更准确地实现预期功能，下肢辅助设备首先应能够准确地识别穿戴者的运动模式，进而控制驱动器根据对应的运动模式生成预先设置的辅助力矩，从而帮助穿戴者更轻松地完成预期动作。

为了实现上述人体下肢及其下肢矫形器和外骨骼的运动模式识别功能，目前，研究者提出了多种实现方法。部分研究者提出通过提取和分析下肢辅助设备穿戴者的肌电信号(EMGs)或脑电信号(EEG)来实时检测穿戴者的运动模式。然而，由于肌肉在长时间运动过程中易出现疲劳以及身体出汗等因素，该类方法的识别准确度会被大大降低。此外，脑电信号(EEG)的维度较多，信号计算量较大，目前很难在移动设备上实现实时模式识别。此外，现有技术还提出了根据足底的压力信号分析穿戴者的运动模式。但是，应当注意到当地面不平或者穿戴者的行走速度改变时，该类模式识别方法的性能将大大降低，因此很难在实际生活中得到广泛应用。另一现有技术提出利用固定在腱侧或嵌入假肢的惯性测量单元获得的动态信息进行假肢的运动意图识别。然而考虑到在运动过程中获得的传感器参考系内的动态信息与穿戴者的运动速度相关，因此该类方法也很难在实际应用中得到推广。

发明内容

为了克服现有的运动模式识别方法的不足，本申请提出了一种用于人体下肢及其假肢、矫形器或外骨骼的运动模式识别方法。

根据本申请的一个方面，提供了一种用于肢体的运动模式识别方法，该方法可包括：利用传感器收集受试者的肢体末端在不同运动模式下的摆动阶段的运动数据；将所收集的运动数据和相应的肢体运动模式输入分类器或模式识别器以对分类器或模式识别器进行训练；以及将通过传感器实时获得的肢体的运动数据输入经训练的分类器或经训练的模式识别器，以对肢体的运动模式进行识别。

根据本申请的示例性实施方式，其中所述肢体例如可以包括人体的下肢、下肢假肢、下肢矫形器和下肢外骨骼等，以及所述运动模式例如可以包括上坡、下坡、上楼、下楼、平地行走和转弯等。

根据本申请的示例性实施方式，其中，所述运动数据可包括肢体末端在不同运动模式下的摆动阶段的对地绝对运动轨迹、对地绝对速度和对地绝对加速度中的一者或多者。

根据本申请的示例性实施方式，其中，传感器可包括固定在肢体末端的惯性测量单元。运动模式识别方法还可包括：通过对在传感器坐标系内获得的惯性测量单元的角速度和加速度数据进行坐标变换和积分运算(例如，一次积分或二次积分)来获取肢体末端的对地绝对运动轨迹、对地绝对速度和对地绝对加速度中的一者或多者。

根据本申请的示例性实施方式，用于肢体的运动模式识别方法还可包括：在受试者处于站立阶段时重置用于坐标变换的变换矩阵、对地绝对速度和对地绝对运动位移，以消除或减小惯性测量单元的累计漂移或累计误差。

根据本申请的示例性实施方式，可通过固定在肢体末端的惯性测量单元或安装在受试者的脚掌的测力传感器检测受试者的站立阶段。

根据本申请的示例性实施方式，收集受试者的肢体末端在不同运动模式下的摆动阶段的运动数据可包括：提取肢体末端在矢状面的对地绝对运动轨迹，通过矢状面的对地绝对运动轨迹推导与不同运动模式相对应的地形斜率，以识别受试者所从事的运动模式。

根据本申请的示例性实施方式，用于肢体的运动模式识别方法，还可包括：利用触发边界条件触发经训练的分类器或经训练的模式识别器，以在受试者的脚掌触地之前识别受试者所从事的运动模式。当满足触发边界条件时，受试者的运动模式即被识别。

根据本申请的示例性实施方式，触发边界条件例如可包括椭圆边界条件、圆形边界条件和矩形边界条件，当肢体末端的对地绝对运动轨迹穿过所述触发边界条件时，受试者的运动模式即被识别。

根据本申请的示例性实施方式，触发边界条件例如还可包括时间阀值触发、前进方向或地面垂直方向的对地绝对位移触发、对地绝对速度触发、或对地绝对加速度触发中的一者或多者。

根据本申请的示例性实施方式，触发边界条件还可包括惯性测量单元在传感器坐标系内的角速度或加速度信号中的一者或多者满足预设触发条件。

根据本申请的示例性实施方式，用于肢体的运动模式识别方法还可包括：利用时间窗对受试者的运动模式进行实时检测，以在受试者的脚掌触地之前识别受试者所从事的运动模式。当时间窗内的对地绝对速度、对地绝对加速度或对地绝对运动轨迹中的一者或多者与特定运动模式的相应数据匹配时，受试者的运动模式即被识别。

根据本申请的示例性实施方式，其中，收集受试者的肢体末端在不同运动模式下的摆动阶段的运动数据可包括：计算肢体末端相对受试者的初始矢状面或初始冠状面的转动角度或角速度，以识别受试者的转弯活动。

根据本申请的示例性实施方式，用于肢体的运动模式识别方法还可包括：通过对固定在肢体末端的惯性测量单元的输出数据进行转换来获得肢体末端相对受试者的初始矢状面或初始冠状面的转动角度或角速度，或者通过检测受试者的身体其它部位(例如头部、上身躯干、手臂、下肢大腿、小腿、脚掌等)相对受试者的初始矢状面或初始冠状面的转动角度或角速度来识别受试者的转弯活动。

根据本申请的示例性实施方式，用于肢体的运动模式识别的分类器或模式识别器例如可包括线性判别式分析、二次判别分析、支持向量机以及神经网络等，但本申请不限于此。

根据本申请的示例性实施方式，传感器还可包括惯性测量单元结合激光位移传感器。惯性测量单元结合激光位移传感器可安装在受试者的小腿、大腿、腰间或头部等其他位置。惯性测量单元结合激光位移传感器可用于测量对地绝对运动轨迹、对地绝对速度或对地加速度中的一者或多者，以及可用于直接测量不同运动模式下的地形特征。

根据本申请的示例性实施方式，传感器还可包括惯性测量单元结合深度摄像头。惯性测量单元结合深度摄像头可安装在所述受试者的小腿、大腿、腰间或头部等其他身体部位。惯性测量单元结合深度摄像头可用于测量对地绝对运动轨迹、对地绝对速度或对地加速度中的一者或多者，以及可用于直接测量不同运动模式下的地形特征。

根据本申请的示例性实施方式，传感器还可包括安装在受试者的周围环境的红外捕捉系统，并且在受试者的肢体末端安装有红外捕捉标记点。可通过分析红外捕捉标记点的对地绝对运动轨迹、对地绝对速度、对地绝对加速度中的一者或多者识别受试者的运动模式。

根据本申请的示例性实施方式，用于肢体的运动模式识别方法还可包括：将对地绝对运动轨迹、对地绝对速度和对地绝对加速度中的一者或多者与受试者的脚掌压力分布、下肢膝关节或踝关节的转动角度、所述受试者的肌电信号或脑电信号(EEG)进行结合来识别受试者的不同运动模式。

根据本申请的示例性实施方式，用于肢体的运动模式识别方法还可包括：将对地绝对运动轨迹、对地绝对速度和对地绝对加速度中的一者或多者与固定在肢体末端的惯性测量单元测得的传感器坐标系内的角速度或加速度进行结合来识别受试者的不同运动模式。

根据本申请的另一方面，提供了一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使处理器执行以下操作：利用传感器收集受试者的肢体末端在不同运动模式下的摆动阶段的运动数据；将所收集的运动数据和相应的肢体运动模式输入分类器或模式识别器以对分类器或模式识别器进行训练；以及将通过传感器实时获得的肢体的运动数据输入经训练的分类器或经训练的模式识别器，以对肢体的运动模式进行识别。

根据本申请的又一方面，提供了一种数据处理系统，其包括处理器和存储器，其中，存储器联接到处理器以存储指令，所述指令在由处理器执行时致使处理器执行以下操作：利用传感器收集受试者的肢体末端在不同运动模式下的摆动阶段的运动数据；将所收集的运动数据和相应的肢体运动模式输入分类器或模式识别器以对分类器或模式识别器进行训练；以及将通过传感器实时获得的肢体的运动数据输入经训练的分类器或经训练的模式识别器，以对肢体的运动模式进行识别。

根据下面的具体实施方式、附图和所附权利要求，本申请的其它特征和方面将变得显而易见。

附图说明

以下结合附图，通过描述本申请的非限制性实施方式来解释本发明构思的原理。应当理解，附图旨在示出本申请的示例性实施方式而非对其进行限制。其中，附图用于提供对本申请发明构思的进一步理解，并且并入说明书中构成本说明书的一部分。附图中相同的附图标记表示相同的特征。在附图中：

图1示出了根据本申请的实施方式的在具有不同斜率的地形下行走时人体下肢末端的对地绝对运动轨迹的示意图；

图2示出了根据本申请的实施方式的用于肢体的运动模式识别方法的流程图；

图3示出了根据本申请的实施方式的安装在人体下肢末端的传感器的示意图，其用于检测行走过程中下肢末端相对于地面的绝对运动轨迹；

图4示出了根据本申请的实施方式的安装在人体周围环境的运动捕捉系统的示意图，其用于测量行走过程中安装在人体下肢末端的标记点相对于地面的绝对运动轨迹；

图5示出了根据本申请的实施方式的利用安装人体下肢末端的惯性测量单元输出的加速度信号对人体行走过程中的站立阶段和摆动阶段进行检测，同时在摆动阶段对下肢末端在前进方向和地面垂直方向的位移进行重置的示意图；

图6示出了根据本申请的实施方式的用于触发人体下肢运动模式识别决策的椭圆边界条件的示意图，其中，当获得的对地绝对运动轨迹穿过所示椭圆边界条件时，将触发运动模式决策；

图7示出了根据本申请的实施方式的通过推导获得的地面斜率基于一系列阀值对人体下肢的运动模式进行分类识别的示意图；以及

图8示出了根据本申请的实施方式的基于检测获得的人体下肢末端相对于人体初始矢状面的转动角度识别人体的转弯活动的示意图。

具体实施方式

为了更好地理解本申请，下文将参考附图所示的示例性实施方式对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。

在附图中，为了便于说明，已稍微夸大了各部件的厚度、尺寸和形状。因此，附图仅为示例而并非严格按比例绘制。

应当理解的是，表述“包括”、“包括有”、“具有”、“包含”和/或“包含有”，当在本说明书中使用时表示存在所列举的特征、元件、部件和/或步骤，但不排除存在或附加有一个或多个其他特征、元件、部件、步骤和/或它们的组合。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，修饰整个所列特征，而不是修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，表述“示例性的”旨在指代实施方式的示例或对实施方式进行举例说明。

除非另外限定，否则本文中使用的所有用语(包括技术用语和科学用语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，用语(例如在常用词典中定义的用语)应被解释为具有与它们在相关技术的上下文中的含义一致的含义，并且将不以理想化或过度正式意义来解释，除非本文中明确如此限定。

以下参考附图结合具体实施方式对本申请的各个方面进行更详细的说明，但是本申请的实施方式不限于此。

图1示出了根据本申请的实施方式的在具有不同斜率的地形下行走时人体下肢末端的对地绝对运动轨迹的示意图。

如图1所示，人们周围的生活环境是根据地面斜率进行建造的。例如，当地面斜率接近于零时，地面为平地；当地面斜率较小时，地面可以建造为斜坡；当地面斜率较大时，考虑到人类工程学以及安全性，地面建造可以为楼梯。例如，当地面倾斜角度在7°和15°之间时，该地面环境通常建造为斜坡走道。然而，当地面倾斜角度在30°和35°之间时，地面环境将会建造为楼梯走道。基于此，可根据地面的斜率来分类或识别地形种类，从而识别该种地形下人体所从事的运动模式。此外，在行走过程中，人体下肢末端(例如：脚掌)通常会沿着地面运动以降低行走过程中用于移动下肢的人体功耗，同时获得必要的离地间隙，以防与地面碰撞而摔倒。考虑到此，人体下肢末端的对地绝对运动轨迹、对地绝对速度或对地绝对加速度可以部分地反映对应地形的特征，进而可用于区分人体所从事的运动模式。另外，还可以通过安装在人体或周围环境的传感器直接获得地面的几何特征，进而区分或辨别人体所从事的运动模式。本发明提出根据人体下肢末端的对地绝对运动轨迹推导出对应地形的地面斜率，进而区分或预测所从事的运动模式。

根据本申请的实施方式的运动模式识别方法是一种基于参数训练的模式识别或分类方法。

图2示出了根据本申请的实施方式的用于肢体的运动模式识别方法的流程图。如图2所示，在步骤S102中，可通过大量实验测试来收集用于分类器或模式识别器的训练数据；在步骤S104中，可将所述运动数据和相应的肢体运动模式输入分类器或模式识别器以对分类器或模式识别器进行训练；以及在步骤S106中，可将通过所述传感器实时获得的所述肢体的所述运动数据输入经训练的分类器或经训练的模式识别器，以进行所述肢体的运动模式识别。下面将对各步骤做进一步的描述。

在数据收集过程中，一定数量的受试者需按照实验协议重复多次完成日常生活中几种常见的运动模式，例如，如图1所示，包括：上坡US、下坡DS、上楼SA、下楼SD、平地行走LG以及转弯等运动，以便获得足够的训练数据。

在该步骤中，可利用安装在人体或人体周围环境的传感器直接或间接测量人体在日常各种运动模式下的下肢末端的对地绝对运动轨迹、对地绝对速度或对地绝对加速度中的一者或多者，随后将所测量的数据输入模式识别器或分类器从而实现人体运动模式(例如：上坡、下坡、上楼、下楼以及平地行走)的检测。

图3示例性地示出了利用安装在人体下肢末端1的传感器2直接或间接检测下肢末端的对地绝对运动轨迹12的示意图。传感器2例如可以为惯性测量单元，也可以为惯性测量单元结合激光位移传感器，或者可以是惯性测量单元结合深度摄像头。

在一个示例性实施方式中，上述用于测量人体下肢末端的对地绝对运动轨迹的传感器2例如可以为安装在人体下肢末端，如小腿近地端、脚跟、脚尖、脚掌的任意位置，或者可安装在下肢矫形器、外骨骼的对应位置的惯性测量单元。惯性测量单元可以获得传感器坐标系内的角速度和加速度，通过坐标变换、一次积分、二次积分可获得转换矩阵、传感器的姿态角、下肢末端的对地绝对运动轨迹、对地绝对速度以及对地绝对加速度。

在另一示例性实施方式中，上述用于测量人体下肢末端的对地绝对运动轨迹的传感器2例如可以为安装在人体下肢末端或下肢矫形器、外骨骼的对应位置的惯性测量单元结合激光位移传感器。该惯性测量单元结合激光位移传感器也可以安装在人体的其它部位，例如：头部，腰部、大腿、小腿等。此外，该惯性测量单元结合激光位移传感器可用于直接测量地形特征，进而识别人体所从事的运动模式。

在又一示例性实施方式中，上述用于测量人体下肢末端的对地绝对运动轨迹的传感器可以为安装在人体下肢末端或下肢矫形器、外骨骼的对应位置的深度摄像头。该深度摄像头也可以安装在人体的其它部位，例如：头部、腰部、大腿、小腿等。此外，该深度摄像头可用于直接测量地形特征，进而识别人体所从事的运动模式。

应注意，当传感器2为惯性测量单元结合激光位移传感器或惯性测量单元结合深度摄像头时，传感器2可以例如安装在小腿、大腿、腰部或头部等其他身体部位以用于测量地面特征，从而识别或分类地形种类进而识别人体下肢的运动模式。

此外，还可将所测量的下肢末端的对地绝对运动轨迹、对地绝对速度、对地绝对加速度中的一者或多者与安装在下肢末端的惯性测量单元获得的在传感器坐标系内的加速度和角速度中的一者或多者相结合来识别人体运动模式。

此外，虽然附图没有示出，但是也可以将上述测量的下肢末端的对地绝对运动轨迹、对地绝对速度、绝对加速度中的一者或多者与人体足部压力分布信号、肌电信号(EMGs)、脑电信号(EEG)以及下肢各个关节的转动角度等信号相结合来提高现有运动模式识别器的识别准确度。

在再一示例性实施方式中，上述用于测量人体下肢末端的对地绝对运动轨迹的传感器可以为安装在人体周围环境的动态捕捉系统。在这种情况下，需要在人体下肢末端安装捕捉标记点。此外，也可在人体下肢的其它部位，例如膝关节、踝关节、小腿、大腿等位置安装捕捉标记点。该动态捕捉系统可获得捕捉标记点的对地绝对运动轨迹、对地绝对速度对地绝对加速度，以用于识别人体的运动模式。

图4示例性地示出了安装在人体周围环境的动态捕捉系统的示意图，其可用于检测人体下肢末端的运动轨迹。在动态捕捉系统4安装在人体周围环境的情况下，需要在人体下肢末端安装捕捉标记点3。应注意，也可在人体下肢的其它部位(如踝关节、膝关节等位置)安装捕捉标记点。通过分析捕捉标记点3的对地绝对轨迹、对地绝对速度、对地绝对加速度等信号识别对应的运动模式。

再次参照图1，在收集到受试者的肢体末端在不同运动模式下的摆动阶段的运动数据后，可在步骤S104中将所获得的训练数据输入模式识别器或分类器来对模式识别器或分类器进行多次重复训练，以满足所需的准确度要求。由此，完成模式识别器或分类器中的参数设置。

在示例性实施方式中，可采用常用的模式识别方法对所收集的受试者的肢体末端在不同运动模式下的摆动阶段的运动数据进行模式分类或识别。例如，可采用线性判别式分析、二次判别分析、支持向量机、或神经网络等对上述运动数据进行模式分类或识别。上述运动数据例如可以包括对地绝对运动轨迹、对地绝对速度、对地绝对加速度等。还可对上述运动数据(例如对地绝对轨迹)进行数据处理来获得地面对应的斜率，从而识别人体下肢所从事的运动模式。

再次参照图1，在完成模式识别器或分类器中的参数设置后，如步骤S106所示，可利用传感器实时收集上述训练中所使用的数据，经训练的模式识别器或分类器可根据输入信号来检测运动模式。

为了消除惯性测量单元的输出信号在后期数据处理过程中可能出现的漂移或累计误差，需要在人体下肢站立阶段对转换矩阵、对地绝对速度、对地绝对运动轨迹等进行校正重置。站立阶段可通过惯性测量单元的输出信号进行检测，也可通过脚掌压力传感器或矫形器、假肢、外骨骼的轴向测力传感器进行检测。

图5示出了根据本申请的实施方式的利用安装人体下肢末端的惯性测量单元输出的加速度信号对人体行走过程中的站立阶段和摆动阶段进行检测，同时在摆动阶段对下肢末端在前进方向和地面垂直方向的位移进行重置的示意图。如图5中所示，当传感器2为惯性测量元时，可如以下计算公式(1)根据惯性测量单元的加速度输出信号检测人体的行走状态。

其中，a

当测量获得的惯性测量单元的加速度信号的绝对值在一段时间内都接近重力加速度时，此时认为人体下肢处于站立阶段。为消除惯性测量单元的累积误差，对传感器的转换矩阵、对地绝对位移、对地绝对速度进行重置。当测量获得的加速度信号的绝对值大于重力加速度时，此时人体下肢处于摆动阶段，对下肢末端的对地绝对运动位移、对地绝对速度、转换矩阵进行更新。

如图5中所示，在第一站立阶段S1期间，惯性测量单元的加速度a

为了能够在下一个脚掌触地之前识别下肢、矫形器或外骨骼的运动模式，进而使下肢、矫形器或外骨骼能够在摆动阶段完成所需准备工作，可采用预设的触发条件来触发分类器或模式识别器的模式识别决策。例如，在下楼过程中，人体踝关节需在摆动阶段伸展。为了能在脚掌触地过程中通过弯曲踝关节缓冲碰撞进而降低冲击力，可采用模式识别触发边界条件。此外，也可采用数据窗将输入数据与特定模式下的相应数据进行实时匹配来实现下肢运动模式的实时检测。

图6示出了根据本申请的实施方式的用于触发人体下肢运动模式识别决策的椭圆边界条件的示意图，其中，当获得的对地绝对运动轨迹穿过所示椭圆边界条件时，将触发运动模式决策。椭圆边界条件可表示为以下公式(2)：

Ax

其中，A、B为常数，x

如图6所示，在不同的运动模式下，人体下肢末端的对地绝对运动轨迹可以明显地相互区分。例如，在图6中示出了在平地行走LG、上坡US、下坡DS、上楼SA和下楼SD的运动模式下肢末端的对地绝对运动轨迹。此外，图6中还示出了用于触发模式检测决策的椭圆形边界条件。当测量获得的下肢末端对地绝对轨迹穿过该椭圆形边界轨迹时，将根据此时下肢末端在前进方向的位移x

除了上述椭圆边界条件之外，根据本申请的示例性实施方式的边界条件还可包括：

(1)诸如圆形、矩形等的边界条件，即，当上述对地绝对运动轨迹穿过诸如圆形、矩形等的边界条件时，模式识别被触发；

(2)时间阀值，即，在预设的时间点触发模式识别；

(3)肢体末端在前进方向或地面垂直方向的位移阀值；

(4)在传感器坐标系内的加速度或角速度阀值；

除了上述的模式识别触发条件，还可采用数据窗对运动模式进行实时监测，保证在下一个脚掌触地前预测运动模式。

图7示出了当下肢末端的对地绝对运动轨迹穿过图6中所示的椭圆边界条件时，根据上述公式所获得的地面斜率概率分布图。在该实施方式中，采用简单的基于阀值的模式分类器。例如，可设置如图7所示的4个阀值来对人体的五种常见运动模式上坡、下坡、上楼、下楼、以及平地行走进行准确区分。可通过以下公式(4)来区分人体的不同运动模式：

其中，k

应注意，为了实现运动模式识别，还可采用常见的分类模式，例如线性判别式分析、二次判别分析、支持向量机、或神经网络中任意一种对上述获得的转换矩阵、对地绝对位移、对地绝对速度、对地绝对加速度中的一者或多者进行处理。

在示例性实施方式中，为了检测人体转弯活动，还可以测量人体头部、上身躯干、手臂、大腿、小腿、脚掌或身体其它部位在转弯过程中相对于人体的初始矢状面或冠状面的转动角度或角速度。该转动角度或角速度可使用安装在人体相应部位的惯性测量单元来测量，也可通过检测传感器坐标系内的角速度和加速度来得到转换矩阵，进而获得转动角度或角速度。

图8示出了根据本申请的实施方式的基于检测获得的人体下肢末端相对于人体初始矢状面的转动角度识别人体的转弯活动的示意图。参见图8，其示出了根据人体脚掌相对于人体初始矢状面的转动角度判断或检测人体的转弯活动。如下公式(5)所示，当转动角度大于某一预设阀值时α

可通过对模式识别器或分类器进行训练来确定阈值α

此外，虽然未示出，但是在示例性实施方式中，也可以基于检测获得的人体下肢末端相对于人体的初始矢状面或冠状面的角速度来识别人体的转弯活动。

应注意，如上文示出和描述的部件中的一些或全部可以在软件、硬件或其组合中实施。例如，此类部件可以实施为安装并存储在永久性存储装置中的软件，所述软件可以通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本公开所述的过程或操作。替代地，此类部件可以实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可以经由来自应用的相应驱动程序和/或操作系统来访问。此外，此类部件可以实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。

本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。

前述附图中所描绘的过程或方法可以由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可以按不同的顺序执行。此外，一些操作可以并行地执行而不是顺序地执行。

本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到，可以使用多种编程语言来实施如本文描述的本公开的实施方式的教导。

在以上的说明书中，已经参考本公开的具体示例性实施方式对本发明的实施方式进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本发明的更宽泛精神和范围的情况下，可以对本公开作出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。