目前，世界上存在着大量下肢运动功能障碍的特殊人群，无法进行正常行走或运动。下肢外骨骼康复机器人技术的发展可以帮助他们完成正常站立、行走等基本行动功能，并改善其身体机能状况和生活质量。下肢康复外骨骼机器人系统是以人为中心的人机协同智能系统，其首要任务是理解人的运动意图，并对运动姿态做出准确的判断，与人体协同运动产生助行、助力等行为。现有的人机交互感知系统的研究方法主要涉及生物电信号和力/力矩等物理信号。为充分发挥生物信号的快速、全局性以及物理信号的持续、稳健性，确保人机交互控制系统的稳定性，本文从人机协调运动控制机理展开，对不同的意图感知方法对获取人体运动意图的影响进行综述，并对存在的问题进行分析，总结出多模态信息融合技术对提高人机系统的协调控制重要性，为提高人和机器自主决策能力以及外骨骼机器人感知系统的优化设计提供一定的参考。

目的:探讨基于卷积神经网络（CNN）的人体行为识别在新一代院前急救中的应用。方法:从蒙特利尔跌倒视频数据集获取60份视频，按5∶1比例分为模型训练数据和评价测试数据。①数据模型训练：利用奇异值分解对图片进行清晰化处理，通过目标检测与傅里叶变换识别图片中人体的目标边界，将人体曲线描绘出来；利用OpenCv计算机视觉和机器学习软件库人体姿态估计将人体的重要部位（如臀部、膝盖）标出，计算重要部位连线与水平方向的夹角及检测框架的长宽比例，识别人体是否具有异常行为。②评价测试：从模型训练数据集中随机提取6个视频，每个视频抽取10个1帧，将每帧看成一张图片，对每帧进行CNN行为识别，计算正常行为和异常行为的识别率。结果:数据模型训练过程中，对每帧进行人为的标签化，训练CNN人体行为识别模型。评测结果显示，正常行为识别率为（90.33±3.03）%，异常行为识别率为（87.74±2.88）%。结论:在路人发生危险行为时，通过CNN识别人体行为可判断其是否处于危急状态，并及时发出预警，对院前急救起到至关重要的作用。

目的:研究人体三维姿态传感检测方法,为医疗、运动、艺术等行业人体行为分析、运动识别等应用需求提供监控技术手段.方法:建立人体三维空间坐标系,选择相邻关节为肢体向量的起点和终点,将肢体分解为18个关联的肢体向量;采用三轴磁力传感器、三轴加速度传感器组合作为测量传感器,测量肢体向量的方向:计算反映肢体向量方向的传感器姿态角,得到18个肢体向量的方向参数;通过直尺测量肢体向量的大小.定义人体三维空间,计算各肢体向量在人体三维空间坐标平面的投影,得到所有与肢体向量相关的关节在人体三维空间中的坐标,确定人体的三维姿态.结果:通过在手臂模型上安装肢体向量方向传感器,证明人体三维姿态传感检测算法可以实现人体三维姿态的检测和测量.结论:人体三维姿态传感检测算法方法正确,可在医疗诊断、运动数据采集以及动漫动画等领域得到应用.

目的:测量青年人稳定站立时的能量消耗水平,探究站立能量消耗分型的原因,为久坐少动行为的干预提供实证依据.方法:本研究分为两部分:研究1中的42名受试者(男性19人、女性23人)依次完成静坐-站立-静坐任务,每个阶段10 min,中间间隔2 min,采用MAX-Ⅱ气体代谢分析系统、AMTI三维测力台和NORAXON表面肌电采集系统分别进行能量消耗、身体无意识晃动和下肢主要肌肉肌电的测量,通过差异检验和logistic回归探讨站立能耗分型的原因.研究2模拟放松时站立情况,18名青年人(男女各半)完成站立、站立踱步、站立原地单脚移步和站立原地双脚移步任务,分析MAX-Ⅱ收集的代谢数据确定不同形式站立的能耗水平.结果:(1)研究1中,42名受试者中有30名受试者为站立能耗节约型,男女受试者在能耗分型上并无显著性差异(χ2=0.487,P=0.472),足底压力中心点移动距离、内侧腓肠肌积分肌电增长值和股直肌积分肌电增长值的比值比(OR)分别为13.02、1.89和15.75,P值分别为0.027、0.023和0.013,两类受试者在心率、呼吸频率和呼吸商上的差异并无统计学意义.(2)研究2中,站立、站立踱步、站立单脚移步和站立双脚移步的代谢当量(METs)分别为1.23、1.45、1.59和1.67.结论:相对于静坐,稳定站立时能量消耗的增幅有限;青年人中大部分个体在能耗分型上均属于节约型;分型与维持人体站立姿态相关的下肢肌肉的响应以及身体无意识的晃动有关.

该文通过数字孪生技术研究,并结合视觉传感器、人工智能芯片和深度学习算法等技术,研发了基于数字孪生技术的老年人跌倒、姿态异常等实时监测报警系统.该系统通过采集老年人姿态和行为数据,经人工智能芯片计算分析后,在云端数字映射虚拟呈现.一旦偏离安全阈值,即可启动报警,以避免或减轻老人跌倒所造成的损伤.该技术通过产品验证和上海市虹口区天宝养老院的试运行,可设定不同时间不同区域的报警阈值,达到产品预设用途.

探究上肢辅助站立状态下姿态扰动诱发的脑电响应特征,从而为下肢运动功能障碍患者失稳态的识别提供新的思路和方法.设计实验装置使人体随机侧的上肢支撑力发生快速变化,从而模拟人体在上肢辅助站立状态下的姿态扰动.实验同步采集20名被试64通道脑电、双侧支撑力和双侧前臂腕伸肌的表面肌电信号,分析姿态扰动事件发生时脑电诱发电位的神经响应特征,以及力学信号和表面肌电的行为学响应特征.在姿态扰动施加后,姿态扰动侧的支撑力在(200.5±15.4) ms的时间内快速减小.与此同时,双侧前臂腕伸肌的表面肌电值均增大,并且姿态扰动侧的表面肌电值更大.姿态扰动施加后诱发出了N1电位,其在FCz导联处幅值最大,其潜伏期为(62.3±5.5) ms,幅值为(15.6±6.1)μV;P2电位的潜伏期为(167.4±12.4) ms,幅值为(5.2±4.5) μV.该研究为通过神经响应过程识别人体的失稳态提供可行性.

目的 本研究利用高分辨率显微磁共振成像(micro-magnetic resonance imaging,μMRI)在呈现骨微结构方面的优势和对人体无辐射的优点,结合有限元分析(finite element analysis,FEA),无创探究人体在自然站立状态下股骨近端微观力学行为,明确股骨易骨折危险区域,为μMRI-FEA未来临床应用提供理论基础.方法 采集5例年龄55～63岁女性志愿者(58.4岁±3.4岁)的股骨近端μMRI图像.将图像中骨骼和软组织分割,三维重建得到包含股骨近端皮质骨和松质骨微结构的大尺度三维有限元模型(约一千万六面体单元),赋予非均匀材料属性.模拟人体自然站立时股骨的受力,将其远端固定,在股骨头部位施加压缩载荷,进行线弹性有限元分析,得到股骨近端的应力和应变分布,并选取股骨颈和大转子部位10 mm3松质骨感兴趣区域进行比较.结果 人体自然站立姿态下,股骨颈上、下侧皮质骨分别出现拉、压应力集中现象.股骨颈松质骨感兴趣区域在上下(superior-inferior,SI)、内外(medial-lateral,ML)和前后(anterior-posterior,AP)三个方向上的正应力(σSI、σML、σAP)分别为大转子部位的13.4倍、2.2倍和1.9倍;正应变(εSI、εML、εAP)分别为大转子部位的7.4倍、5.0倍和4.0倍.结论 自然站立时股骨颈皮质骨和松质骨所受应力和应变较大,提示股骨颈是易发生骨折的高危区域,与临床观察一致.本研究为μMRI-FEA未来应用于临床无创评估股骨骨折风险进而鉴别骨折高风险人群提供了一定的前期理论支撑.

人体骨骼关键点对于描述人体姿态,预测人体行为至关重要,骨骼关键点检测技术是捕捉人体姿态、预测人体行为、判别人体行为异常的重要方法.该方法可以协助完成关节活动度测定、平衡与协调功能测评、步态分析和肌力分析等多种康复医学评定项目.相对于临床医生常用的主观观察和量表技术,该方法能够实现定量分析,能更敏感的感知患者的病情变化.与传统的三维运动分析系统相比,该方法操作简单,省时省力,且不需要配置大量数据采样装置.本文首先对比了几种骨骼关键点检测技术的优势与不足,突出基于微软Kinect深度摄像头及其开发包技术的骨骼关键点检测技术是目前最为成熟的骨骼关键点检测技术;然后对基于微软Kinect深度摄像头及其开发包技术的骨骼关键点检测技术在康复评估应用的信效度方面作出综述.

当今中国已步入老龄社会,养老安全已成为社会关注的焦点.基于人工智能技术和多元信息融合技术,该文介绍一套结合机器学习算法、物联网设备和云计算等应用,面向社区和居家场景的养老综合安全智能监测系统.通过系列传感器全方位全时段无感采集老年人的日常生活数据,对老年人跌倒、疾病突发、异常出入、燃气烟雾等高危状态实现智能报警.通过人体姿态估计与行为识别技术的创新研究以及多种传感器的信息融合应用,可降低老年人安全事故的发生或因此导致的伤害,改善社区和居家生活环境.