1. INTRODUCTIONWalking is a basic c

1. INTRODUCTION
Walking is a basic capability that allows humans to pursue their daily lives and to function as productive members of
society. Walking is characterized by the gait. The gait of a normal person, often called the normal gait, is the optimized
gait pattern in terms of power and gait velocity so that a human can walk easily for a long time. Because of such
advantages of the normal gait, patients with walking problems strive to rehabilitate and resume the normal gait. Modern
sensing and mechatronic technologies may be utilized in many ways to assist elderly people and patients with walking
problems. Motion capture technology utilizing passive and active markers and infrared video cameras such as VICON
[1] has helped the analysis and diagnostics of the pathological gait.
For applications of assistive systems and gait monitoring devices, measurement of ground contact forces (GCF) based on
foot pressure sensors may provide necessary information [2,3]. Although the GCF signals do not directly provide
feedback signals for the control of assistive devices, they do provide a
foundation for detecting the phases in a human gait and enable assistive
devices to adaptively change the algorithms for each motion phase for
better estimation of the feedback signals. Even though measurement of
the GCF has such advantages, however, it has set challenges in practical
applications because the force in the foot is distributed over large area
due to cushioning materials such as the flesh and the sole of a shoe, and
the sensors are placed in severe environments. For this purpose, the Smart
Shoes (Fig. 1) have been developed by Kong and Tomizuka [4]. The
sensing unit in the Smart Shoes is constituted by an air bladder made by
winding soft silicone tubes and an air pressure sensor. When a foot
presses the air bladder, it is deformed and its pressure change is measured
by an air pressure sensor. It is proved that the Smart Shoes measure the
force exerted by the foot linearly with a sufficient frequency bandwidth
[5]. A signal processing has been developed in [6] for detection of the
phases in a human gait continuously and smoothly based on the fuzzy
logic. The smooth and continuous detection contributes to a smooth
transition of the algorithms in assistive devices even in a rapid change of
3. DETECTION OF ABNORMALITIES IN GAIT PHASES
The GCF patterns in an abnormal gait may be different from those in a normal gait, and serve as the information source
to detect abnormal gait phases. The abnormality can be defined by two major conditions: 1) when the current GCF
pattern can not be explained with the desired patterns in a normal gait and 2) when the sequence of the phases is
incorrect. Using the Smart Shoes, both abnormalities are monitored with an algorithm built on top of the fuzzy logic.
3.1 Detection of Abnormalities in GCF Pattern
The scaling factor in Eq. (3) provides information on the amount of abnormalities in a gait at a given time. Intuitively the
scaling factor should be one if all parameters in the fuzzy logic are adequate and a subject has the normal gait as defined
in Fig. 2 and Table 1. When the scaling factor is less than one, it means that more than one gait phase are detected. If it is
larger than one, no GCF pattern expected as in Fig. 3 corresponds to the current pattern. In addition, since it is a time
function as defined in Eq. (3), it may indicate in which phase the subject has a problem. It should be noted that since this
method measures the abnormality by monitoring the sum of FMV’s at a given time, it may be possible to miss some
abnormalities, e.g. the sequence of gait phases can be incorrect while the summation of FMV’s is one.
3.2 Detection of Abnormalities in Gait Phase Sequence
In a normal gait pattern, the phases shown in Fig. 2 appear sequentially. Otherwise, the walking motion is unnatural and
characterized by an abnormal gait. For example, a patient dragging his/her foot may miss the swing phases and have the
initial contact phase right after the pre-swing phase. Therefore, another abnormality in a human gait can be detected by
monitoring the sequence of gait phases.
A simple method is to apply a discrete event analysis constituted by some “if and then” logics. In this paper, a more
mathematical and logical method for monitoring the sequential abnormality is introduced. For simplicity, assume that a
human gait has three phases such that a gait p
the motion phases.

Kết quả (Việt) 1:

1. GIỚI THIỆUĐi bộ là một khả năng cơ bản cho phép con người để theo đuổi cuộc sống hàng ngày của họ và hoạt động như các thành viên sản xuất củaxã hội. Đi bộ được đặc trưng bởi dáng đi. Dáng đi của một người bình thường, thường được gọi là dáng đi bình thường, là các tối ưu hóadáng đi mẫu trong điều khoản của vận tốc điện và dáng đi để cho một con người có thể đi bộ dễ dàng trong một thời gian dài. Bởi vì như vậylợi thế của dáng đi bình thường, các bệnh nhân đi lại vấn đề cố gắng phục hồi chức năng và tiếp tục dáng đi bình thường. Hiện đạicảm biến và cho các công nghệ có thể được sử dụng trong nhiều cách để giúp người cao tuổi và bệnh nhân với đi bộvấn đề. Chuyển động nắm bắt công nghệ sử dụng đánh dấu thụ động và hoạt động và video máy ảnh hồng ngoại như VICON[1] đã giúp phân tích và chẩn đoán của bệnh lý dáng đi.Cho các ứng dụng hệ thống trôï giuùp và dáng đi giám sát thiết bị, đo lường của lực lượng mặt đất liên lạc (GCF) dựa trênbộ cảm biến áp lực chân có thể cung cấp thông tin cần thiết [2,3]. Mặc dù các tín hiệu GCF không trực tiếp cung cấpthông tin phản hồi tín hiệu cho sự kiểm soát của trôï giuùp thiết bị, chúng tôi cung cấp mộtnền tảng cho việc phát hiện các giai đoạn trong một dáng đi của con người và cho phép trôï giuùpthiết bị để thay đổi một cách điều hợp các thuật toán cho mỗi giai đoạn chuyển động choCác ước lượng tốt hơn về thông tin phản hồi tín hiệu. Ngay cả khi đo lườngGCF có lợi thế như vậy, Tuy nhiên, nó đã thiết lập những thách thức trong thực tếứng dụng bởi vì các lực lượng ở bàn chân phân phối trên diện tích lớndo đệm vật liệu như thịt và duy nhất của một đôi giày, vàCác cảm biến được đặt trong môi trường nghiêm trọng. Cho mục đích này, thông minhGiày dép (hình 1) đã được phát triển bởi Kong và Tomizuka [4]. Cáccảm biến đơn vị trong những đôi giày thông minh được thành lập bởi một bàng quang máy được thực hiện bởiquanh co mềm silicone ống và một cảm biến áp suất máy. Khi một chânMáy ép bàng quang máy, nó bị biến dạng và của nó thay đổi áp suất được đobởi một cảm biến áp suất máy. Nó được chứng minh rằng những đôi giày thông minh đo lường cáclực exerted bởi chân tuyến tính với một băng thông đủ tần số[5]. một xử lý tín hiệu đã được phát triển trong [6] để phát hiện cácCác giai đoạn trong một dáng đi của con người liên tục và thuận lợi dựa trên các mờlogic. Phát hiện trơn tru và liên tục đóng góp cho một mịnquá trình chuyển đổi của các thuật toán trong các thiết bị trôï giuùp ngay cả trong một sự thay đổi nhanh chóng của3. PHÁT HIỆN BẤT THƯỜNG TRONG DÁNG ĐI GIAI ĐOẠNGCF mẫu trong một dáng đi bất thường có thể là khác nhau từ những người trong một dáng đi bình thường, và phục vụ như là các nguồn thông tinđể phát hiện các giai đoạn bất thường dáng đi. Bất thường có thể được xác định bởi hai điều kiện chính: 1) khi GCF hiện tạiMô hình không có thể được giải thích với các mô hình bạn muốn trong một dáng đi bình thường và 2) khi trình tự của các giai đoạn làkhông chính xác. Sử dụng những đôi giày thông minh, cả hai bất thường được theo dõi một thuật toán được xây dựng trên đầu trang của logic mờ.3.1 phát hiện bất thường trong mô hình GCFHệ số tỉ lệ trong Eq. (3) cung cấp thông tin về số lượng bất thường trong dáng đi một lúc một thời gian nhất định. Trực giác cácHệ số tỉ lệ nên là một nếu tất cả các thông số trong logic mờ đầy đủ và một chủ đề có dáng đi bình thường theo quy địnhtrong hình 2 và bảng 1. Khi hệ số tỉ lệ chưa một, nó có nghĩa là nhiều hơn một dáng đi giai đoạn được phát hiện. Nếu nó làlớn hơn một, không có mô hình GCF dự kiến như trong hình 3 tương ứng với các mô hình hiện tại. Ngoài ra, vì nó là một thời gianchức năng theo quy định tại Eq. (3), nó có thể chỉ ra trong giai đoạn mà các chủ đề có một vấn đề. Cần lưu ý rằng từ nàyphương pháp đo bất thường bằng cách giám sát tổng của FMV tại một thời điểm nhất định, có thể bỏ lỡ một sốbất thường, ví dụ như trình tự dáng đi giai đoạn có thể không chính xác trong khi tổng kết của FMV là một.3.2 phát hiện bất thường trong dáng đi giai đoạn trình tựTrong một mô hình dáng đi bình thường, các giai đoạn Hiển thị trong hình 2 xuất hiện tuần tự. Nếu không, sự chuyển động đi bộ là không tự nhiên vàđặc trưng bởi một dáng đi bất thường. Ví dụ, một bệnh nhân kéo chân anh/cô ấy có thể bỏ lỡ các giai đoạn swing và có cácBan đầu giai đoạn liên lạc ngay sau khi giai đoạn trước swing. Do đó, một bất thường trong một dáng đi của con người có thể được phát hiện bởiGiám sát chuỗi các giai đoạn dáng đi.Một phương pháp đơn giản là để áp dụng một phân tích sự kiện rời rạc thành lập bởi một số "nếu và sau đó" logic. Trong bài báo này, a nhiều hơnphương pháp toán học và hợp lý để theo dõi bất thường tuần tự được giới thiệu. Để đơn giản, cho rằng mộtdáng đi của con người có ba giai đoạn như vậy mà một dáng đi pCác giai đoạn chuyển động.

Kết quả (Việt) 2:

1. GIỚI THIỆU
Đi bộ là một tính năng cơ bản cho phép con người theo đuổi cuộc sống hàng ngày của họ và để hoạt động các thành viên như sản xuất của
xã hội. Đi bộ được đặc trưng bởi dáng đi. Dáng đi của một người bình thường, thường được gọi là dáng đi bình thường, là tối ưu hóa
mô hình dáng đi về quyền lực và vận tốc dáng đi để một người có thể đi bộ một cách dễ dàng trong một thời gian dài. Bởi vì như vậy
lợi thế của dáng đi bình thường, bệnh nhân có vấn đề về đi bộ phấn đấu để phục hồi và tiếp tục dáng đi bình thường. Hiện đại
cảm biến và công nghệ cơ điện tử có thể được sử dụng trong nhiều cách để hỗ trợ người già và bệnh nhân đi bộ
vấn đề. Công nghệ chụp chuyển động sử dụng các dấu hiệu động và thụ động và máy quay phim hồng ngoại như VICON
[1] đã giúp phân tích và chẩn đoán của dáng đi bệnh lý.
Đối với các ứng dụng của các hệ thống hỗ trợ và thiết bị dáng đi giám sát, đo lường của các lực lượng tiếp xúc mặt đất (GCF) dựa trên
chân cảm biến áp suất có thể cung cấp thông tin cần thiết [2,3]. Mặc dù các tín hiệu GCF không trực tiếp cung cấp
các tín hiệu phản hồi cho sự kiểm soát của các thiết bị trợ giúp, chúng tôi cung cấp một
nền tảng cho việc phát hiện các giai đoạn trong một dáng đi của con người và cho phép trợ giúp
các thiết bị để thích nghi thay đổi các thuật toán cho mỗi giai đoạn chuyển động cho
dự toán tốt hơn các tín hiệu phản hồi . Mặc dù đo lường của
các GCF có những lợi thế như vậy, tuy nhiên, nó đã thiết lập những thách thức trong thực tiễn
ứng dụng bởi vì các lực lượng trong bàn chân được phân bố trên diện tích lớn
do vật liệu đệm như thịt và đế giày, và
các cảm biến được đặt trong môi trường nghiêm trọng. Với mục đích này, Smart
Shoes (Fig. 1) đã được phát triển bởi Kông và Tomizuka [4]. Các
đơn vị cảm biến trong Giày dép thông minh được cấu thành bởi một bàng quang không khí của
cuộn ống silicone mềm và một cảm biến áp suất không khí. Khi một chân
ép bàng quang không khí, nó bị biến dạng và thay đổi áp suất của nó được đo
bởi một cảm biến áp suất không khí. Nó được chứng minh rằng giày thông minh đo
lực tác dụng bởi các chân tuyến tính với một băng thông đủ tần số
[5]. Một xử lý tín hiệu đã được phát triển trong [6] để phát hiện các
giai đoạn trong một dáng đi của con người liên tục và thông suốt dựa trên fuzzy
logic. Việc phát hiện và liên tục góp phần làm mịn
quá trình chuyển đổi của các thuật toán trong thiết bị trợ giúp ngay cả trong một sự thay đổi nhanh chóng của
3. PHÁT HIỆN bất thường trong CHUYỂN CÁC GIAI ĐOẠN
Các mẫu GCF trong một dáng đi bất thường có thể khác nhau từ những người trong một dáng đi bình thường, và phục vụ như là nguồn thông tin
để phát hiện giai đoạn dáng đi bất thường. Các bất thường có thể được xác định bởi hai điều kiện chính: 1) khi GCF hiện
mô hình không thể được giải thích với mô hình mong muốn trong một dáng đi bình thường và 2) khi trình tự của các giai đoạn là
không chính xác. Sử dụng Giày dép thông minh, cả hai bất thường được giám sát với một thuật toán được xây dựng trên đầu trang của logic mờ.
3.1 Phát hiện bất thường trong GCF Pattern
Các yếu tố rộng trong Eq. (3) cung cấp thông tin về số lượng bất thường trong một dáng đi tại một thời điểm nhất định. Trực quan các
yếu tố rộng nên một khi tất cả các thông số trong logic mờ là đầy đủ và một môn học có dáng đi bình thường như được định nghĩa
trong hình. 2 và Bảng 1. Khi các yếu tố rộng là ít hơn một, nó có nghĩa là nhiều hơn một giai đoạn phát hiện dáng đi. Nếu nó là
lớn hơn một, không có mô hình GCF dự kiến như trong hình. 3 tương ứng với mô hình hiện tại. Ngoài ra, kể từ khi nó là một thời gian
chức năng như được định nghĩa trong phương trình. (3), nó có thể chỉ ra, trong đó giai đoạn đối tượng có một vấn đề. Cần lưu ý rằng từ này
phương pháp đo lường sự bất thường bằng cách giám sát các khoản FMV tại một thời gian nhất định, nó có thể được có thể bỏ lỡ một số
bất thường, ví dụ như chuỗi các giai đoạn dáng đi có thể là không chính xác, trong khi tổng của FMV là một.
3.2 Detection các bất thường trong giai đoạn trình tự Gait
Trong một mô hình dáng bình thường, các giai đoạn hình. 2 xuất hiện tuần tự. Nếu không, chuyển động đi bộ là không tự nhiên và
đặc trưng bởi một dáng đi bất thường. Ví dụ, một bệnh nhân kéo / chân mình có thể bỏ lỡ giai đoạn swing và có các
giai đoạn tiếp xúc ban đầu ngay sau giai đoạn pre-swing. Do đó, một sự bất thường trong một dáng đi của con người có thể được phát hiện bằng cách
theo dõi các chuỗi các giai đoạn dáng đi.
​​Một phương pháp đơn giản là áp dụng một phân tích sự kiện rời rạc thành lập bởi một số "nếu và thì" logic. Trong bài báo này, một nhiều hơn
phương pháp toán học và logic để theo dõi những bất thường tuần tự được giới thiệu. Để đơn giản, giả sử rằng một
dáng đi của con người có ba giai đoạn như vậy mà một dáng đi p
các giai đoạn chuyển động.