為了科學評價人體站立平衡能力, 本文基于混沌系統非線性分析理論, 提出了一種新的評價方法。該方法利用運動平臺對受試者足底施加前后方向正弦式運動刺激, 采用三個加速度傳感器固定于受試者肩、髖、膝, 采集人體平衡調節的動態數據。通過重構系統的相空間, 計算得到受試者不同體段動態數據的最大Lyapunov指數(LLE), 用LLE的差值平方和(SSDLLE)作為平衡能力的評價指標。最后用該方法計算了20位受試者的平衡指標, 并與傳統評價方法的結果進行對比, 結果表明SSDLLE較為符合受試者的平衡表現, 可以在一定程度上用于評測人體的平衡能力。此外, 結果還表明人體各個關節的協調能力決定了平衡能力的優劣; 各體段的混沌特性的差異與個體的站立平衡能力是存在相關性的。
復合高過載加速度將導致人體不對稱的周邊視力喪失，會成為飛行安全的極大隱患。基于此，本文提出用數值仿真的手段探究加速度對雙眼視力的影響，以期探索復合加速度造成人體不對稱周邊視力喪失的力學機制。本文首先將計算機斷層掃描（CT）的成年人頭骨序列圖像進行三維重建，得到含有雙眼眼眶的頭骨仿真模型。再將之前建立的單眼球模型進行鏡像，得到雙眼模型，匹配至頭骨模型中，并填充脂肪加以完善。對該模型分別加載頭-足方向的加速度載荷（Gz）、右-左方向的加速度載荷（Gy）、胸-背方向的加速度載荷（Gx）以及三個方向的復合加速度載荷，利用顯式動力學算法，得到視網膜的動態力學響應。仿真研究結果表明，復合加速度作用下雙眼應變相差 25.7%，其分布特征具有明顯差異。本文通過建立雙眼有限元模型，為探索復合加速度造成不對稱的周邊視力喪失的機制性研究提供一種新的手段。
本文介紹了一種基于三軸加速度計的足部潰瘍患者訓練系統，利用三軸加速度計和蘋果手機平臺，引導足部潰瘍患者進行各種下肢肌肉群的訓練。單片機通過數模轉換獲得足部訓練時三個方向上的加速度值，通過低功耗藍牙傳送到蘋果手機上。蘋果手機通過應用程序進行加速度數據的預處理、數值濾波和自適應雙閾值處理，從而達到識別足部姿態的效果。本文試驗結果表明，本文設計的訓練系統可以有效地顯示患者的訓練情況和訓練效果，有助于激勵患者堅持訓練，給醫生和患者提供一定的參考數據。
為了準確評價腦卒中患者在日常康復訓練時的動作相似性，基于動態時間規整（DTW）算法構建了一個新的量化評定系統。該系統首先對原始加速度信號進行預處理；其次，依次計算加速度信號與四個動作的標準模板之間的相似性，從而識別出加速度信號所屬的動作類別；最后，根據識別出的動作類別結果，調用對應的映射模型，從而計算出該加速度信號所對應動作的量化評定結果。臨床試驗結果表明，不同動作間的 DTW 最短路徑長度 R 值存在較大差異，R 值作為動作分類的特征，識別準確率可達 91% 以上。此外，隨著康復進程的推進，R 值呈逐漸下降趨勢，即 R 值可以作為評價腦卒中患者完成指定動作質量的量化指標，應用于康復運動處方自動生成或情景交互游戲場景中，從而決定患者是否需要更改康復訓練計劃或者調整游戲中的難度等級，以便開展個體化的康復治療服務。
心沖擊圖（BCG）和心電圖（ECG）分別從力學和電學兩個維度實現心臟功能的檢測。通過提取兩種信號相應的特征參數并進行聯合分析，可以反映心臟收縮性能等重要心臟生理指標。針對目前相關采集設備復雜笨重的缺點，本文設計了一種可穿戴式 BCG-ECG 信號聯合采集系統，實現了基于加速度計的 BCG 信號采集和基于導電橡膠電極的 ECG 信號采集。通過采集 6 名健康人的信號，以壓電薄膜采集的 BCG 信號為參考信號，對比信號波形特征，并分析心動周期采集的差異性。設備采集兩種信號的波形特征與標準信號一致，兩種信號在心動周期采集方面與傳統方法無明顯差異。結果表明，該套系統能精確采集人體 BCG 信號和 ECG 信號，為后續在 BCG 信號形成機制以及健康應用方面的研究提供基礎。
針對睡眠過程中無束縛監測心動信息的需求和現有檢測方法在精度和方便性方面存在的缺點，本研究設計制作了一套利用加速度傳感器無束縛檢測心沖擊的系統，開發了相應算法。心沖擊信號具有方向性，沿脊柱方向強度最大，受呼吸運動影響最小。本研究采用固定于床體的 3 軸加速度傳感器檢測心沖擊激發的床體振動，從中分離提取脊柱方向信號，以實現睡眠過程中的無束縛心沖擊檢測。信號預處理中，首先利用頻率特征分析找出心沖擊信號的頻率范圍，然后在此范圍內對原始信號進行分段濾波并將結果與理論波形比較，以確定信號的通頻閾值，從而獲得準確的心沖擊波形。本研究基于能量波形進行 J 波檢測，并提出了一種幅值與周期相結合的自適應閾值算法，以準確提取心率。通過與心電圖的對比實驗，驗證了噪聲背景下提取心沖擊信號的準確性和魯棒性。對 30 名受試者進行的實驗結果顯示，所開發的系統檢測心率的準確度高達 99.21%，驗證了利用加速度傳感器無束縛檢測心沖擊的可行性。
為減小在高負重的情況下穿戴下肢外骨骼時足部與地面接觸產生的沖擊，本文設計了一種用于提高足部舒適性的外骨骼足部機構，并對其影響舒適性的關鍵指標進行了優化。首先，本文基于步態周期的足底受力特點建立了足部機構物理模型，進而抽象出振動數學模型，并用有限元分析軟件 ANSYS 仿真驗證了模型的正確性。然后，本文基于振動數學模型分析了振動參數對絕對傳遞率的影響，并用數學計算軟件 MATLAB 遺傳算法工具箱優化振動參數。最后，本文以白噪聲模擬路面高程作為振動輸入，利用 MATLAB 中的可視化仿真工具 Simulink 并結合振動方程構建加速度仿真模型，進而計算足部的振動加權均方根加速度值。研究結果表明，該足部舒適性機構能夠滿足減振性與足底壓力的舒適性指標。本文為外骨骼足部機構的設計提供了一套較為完整的設計方法，對于其他外骨骼的足部設計以及踝關節康復機構的設計具有借鑒意義。
隨著智能手機等移動設備感知、計算能力的飛速提升，以移動設備作為載體的人體活動識別成為新的研究熱點。利用智能移動設備中的加速度傳感器等采集到的慣導信息進行人體活動識別，相比于常用的計算機視覺識別，具有應用方便、成本低且更能反映人體運動本質等優勢。本文采用智能手機采集到的 WISDM 數據集，構建了基于加速度計慣導信息和卷積神經網絡（CNN) 的人體活動識別模型，并同時引入 K 最近鄰算法（KNN）和隨機森林算法來對 CNN 網絡進行評估。CNN 模型的分類正確率達到了 92.73%，相較于 KNN 和隨機森林都有很大提高。實驗結果表明，與 KNN、隨機森林算法相比，CNN 算法模型可以實現更精確的人體活動識別，在預測和促進人體健康水平方面具有廣闊的應用前景。
光容積描記圖（PPG）是一種低成本、無創的心率測量技術，目前已經廣泛應用于智能可穿戴設備中。然而PPG信號本身極易受到運動噪聲的干擾，導致在劇烈運動狀態下的心率計算準確率較低。針對這一問題，本文提出一種基于自適應心率搜索模型的心率提取算法。算法首先對加速度信號以及PPG信號進行預處理，之后分別從兩種信號中提取出步頻信息與歷史心率信息，根據兩種信息與當前心率間的關系建立自適應模型，以此動態輸出心率在頻域的可能出現范圍，通過縮小真實心率在頻域的查找范圍來排除劇烈噪聲干擾。在2015年IEEE信號處理杯十二組公開數據中，本文算法結果平均絕對誤差為1.12次/分（皮爾森系數：0.996；一致性誤差：?0.184次/分）；在十組自測運動數據中，本文算法結果平均絕對誤差為3.19次/分（皮爾森系數：0.990；一致性誤差：1.327次/分）。結合實驗結果來看，本文提出的算法能有效提取運動噪聲干擾下的心率信息，在智能臂帶設備中具有投入使用的潛能。