[发明专利]用于确定人的姿势的系统和方法

说明书

本发明涉及用于确定人的姿势的系统和方法。

涉及以隐马尔可夫模型为基础的移动分析的系统和方法是已知的，例如，如Daniel Wilson和Andy Wilson的文章“Gesture recognition using the XWand”以及P.V.Borza的文章“Motion-based gesture recognition with an accelerometer”(学士学位论文)中所述。

文献“A hidden Markov model-based stride segmentation technique applied to equine inertial sensor trunk movement data”，Journal of Biomechanics 41(2008)216-220，by Thilo Pfau，Marta Ferrari，Kevin Parsons，and Alan Wilson涉及对马的步态的分析。

然而，这些系统和方法的准确度有限。

本发明的一个目的在于提高确定移动元素，尤其是生物的活动的准确性，所述生物可以是人，也可以是动物。

根据本发明的一个方面，提出了一种用于确定人的姿势的系统，其包括至少一个具有至少一个测量轴的运动传感器，其设有固定装置，用于将所述运动传感器牢靠地连接到用户身上。

所述系统包括：

-滤波器，其针对所述运动传感器的每一测量轴选择高于第一阈值的高频以及低于第二阈值的低频，所述第二阈值低于或等于所述第一阈值；

-用于确定等于所述运动传感器所考虑的测量轴的所述高频的平方之和的一维高频分量和在尺度上等于所述运动传感器考虑的测量轴的数量的低频分量的模块；

-用于计算所述高频分量的概率密度和所述低频分量的概率密度的模块，所述高频分量的概率密度是以等于所述运动传感器考虑的测量轴的数量的自由度通过Chi-2定律定义的，所述的低频分量的概率密度是由高斯定律定义的；以及

-适于确定用户的姿势的分析模块，这些分析模块结合了：

-所述低频和高频分量的联合概率密度，这些概率密度是针对每一姿势定义的；以及

-两种连续的姿势之间的转换概率。

需要提醒的是，隐马尔可夫模型是由两个随机过程定义的：第一个随机过程在本申请中被称为“状态”，不需对其观测，换言之，该随机过程是隐藏的，第二个随机过程是对指定时刻上的概率密度取决于同一时刻的状态的值的观察。根据本发明的第一方面，状态采取离散值。

这一类型的系统能够以提高的准确度确定移动元素，尤其是既可以是人也可以是动物的生物的活动。

在一个实施例中，所述确定模块适于确定等于根据运动传感器考虑的测量轴得到的测量结果的线性组合的一维低频分量，所述高频分量是以一自由度通过Chi-2定律定义的。

根据一个实施例，一对低频分量和高频分量的值的概率密度包括获得低频分量的值的概率密度与获得高频分量的值的概率密度的乘积，所述概率密度是通过下述表达式针对每一状态i确定的：