[发明专利]基于体态识别和人体生物力学的骨骼肌肉受力估计方法

说明书

本公开内容提供一种基于体态识别和人体生物力学的骨骼肌肉受力估计方法，包括如下步骤：通过图像数据采集装置获取至少一个目标用户的图像数据；通过将目标用户的图像数据输入到身体关键特征点监测深度学习神经网络，输出预测的身体关键特征点数据，其中预测的身体关键特征点是对目标用户的感兴趣部位进行人体生物力学分析所需要的关键特征点；对目标用户的图像数据和预测的身体关键特征点数据进行处理，得到估计的人体三维姿态信息；以及通过将人体三维姿态信息输入到预先建立的人体受力分析模型，分析出感兴趣部位的受力状态。

技术领域

本公开总体上涉及肌肉骨骼生物力学技术领域，尤其涉及基于体态识别和人体生物力学的骨骼肌肉受力估计方法。

背景技术

在日常生活中人们通过协调控制肌肉、关节、骨骼等运动器官产生各种动作去完成各项任务。人体通过关节将骨骼联接在一起，通过肌肉的舒张和收缩控制身体的姿势。为了更好地指导人们有效工作和健康生活，有关于人体运动生物力学的研究不断突破。其方向包括，研究人体各部分肌肉和关节的力量、负载限度、活动范围和速度，人体器官和骨骼对于进行不同动作所受到的阻力，以及动作的舒适度等问题。肌肉骨骼受力分析建模已在各行业得到广泛应用，特别是与人体生物力学相关的航空航天、康复医疗、汽车运输、动画建模等领域。

然而，传统的肌肉骨骼受力分析技术依赖人为地标记身体关键点并输入肌肉骨骼生物力学模型中进行受力分析。为了记录人体动作进行肌骨受力分析，通常人们将空间定位传感器贴在被监测目标身上的感兴趣部位，例如四肢、关节等。然后实时追踪这些传感器传输出的数据，并输入生物力学模型中进行分析。这种方法虽然精度高，但是操作复杂且价格昂贵，无法广泛适用于生活工作中。

随着人工智能的发展，基于深度学习的人体体态关键点识别技术逐渐被人们认知，并表现出强大的潜力。从人类动作理解、人机互动到增强现实、动画、健身等方面的应用都表现出人们对精确姿态识别的需求。

然而，目前市面上对于体态的识别大多仅局限在二维空间；且识别的点都基于公开的二维图像视频数据库所提供的粗略的人体关节标记点。仅靠这些二维数据无法真实反映人在三维空间的行为，更难以结合三维空间中的力学测试数据开展相应地数学建模并仿真求解不同姿势下人体肌肉骨骼的生物力学载荷，从而分析骨骼肌肉受力是否合理。因此，需要寻求一种能解决上述技术问题的基于体态识别和人体生物力学的骨骼肌肉受力估计方法。

发明内容

鉴于上述技术问题，本公开内容提出了一种基于深度学习的体态识别和人体生物力学的骨骼肌肉受力的估计方法，包括：从图像或视频数据中，通过深度学习方法判定用户的三维体态信息，将估计的体态信息和/或连续时间内运动信息(例如肢体运动轨迹，受到外力大小等)输入建立的人体力学模型，并准确分析输出用户的感兴趣身体部位的当前肌肉、骨骼、关节状态。从而指导用户科学健康地完成动作，以满足符合人体工学原理的工作姿态需求。

通过图像数据采集装置实时获取目标用户的真实图像数据用于分析，免去了传统人为标记的复杂操作，而且获取的数据能比二维图像视频数据库中粗略的人体关节标记点更真实地反映人的行为。获取的图像数据将输入到身体关键特征点监测深度学习神经网络，后者根据这些数据来预测的身体关键特征点数据。此过程无需人工识别标记，能够免除复杂和具有偶然因素的人工操作；并且可以与获取图像数据几乎同时进行，可用于实时监测和分析目标用户个体运动时身体各部分的受力，能够满足实际应用中对人体受力分析的及时性的需求。对目标用户的图像数据和预测的身体关键特征点数据进行处理得到估计的人体三维姿态信息，三维姿态信息能更真实地反映人的行为，与力学测试数据结合用于开展相应的数学建模。通过数学建模，可以仿真求解不同姿势下人体肌肉骨骼的生物力学载荷，从而分析骨骼肌肉受力是否合理。将估计的人体三维姿态信息输入到预先建立的人体受力分析模型，可以根据模型中三维姿态信息和受力状态的对应关系，得到感兴趣部位的受力状态分析。