蔡 培 君

(安徽大學(xué)江淮學(xué)院 計(jì)算機(jī)系，安徽 合肥 230031)

?

基于單個(gè)三軸加速傳感器的人體運(yùn)動(dòng)狀態(tài)識(shí)別

蔡 培 君

(安徽大學(xué)江淮學(xué)院 計(jì)算機(jī)系，安徽 合肥 230031)

摘要：人體運(yùn)動(dòng)狀態(tài)識(shí)別是老人運(yùn)動(dòng)狀態(tài)監(jiān)測(cè)系統(tǒng)的基礎(chǔ)。人體運(yùn)動(dòng)狀態(tài)包括運(yùn)動(dòng)和休息兩個(gè)方面，其中運(yùn)動(dòng)狀態(tài)又可分為走、跑、跳和跌倒等。本文利用三軸加速傳感器對(duì)人體加速度進(jìn)行實(shí)時(shí)檢測(cè)，提取加速度幅值變化量，并將其作為人體運(yùn)動(dòng)狀態(tài)檢測(cè)的特征值，構(gòu)建人體運(yùn)動(dòng)狀態(tài)一階自回歸模型，利用卡爾曼濾波、自適應(yīng)閾值法以及決策樹(shù)對(duì)走和跑進(jìn)行識(shí)別。

關(guān)鍵詞：運(yùn)動(dòng)狀態(tài)；三軸加速傳感器；卡爾曼濾波；決策樹(shù)

人體運(yùn)動(dòng)狀態(tài)識(shí)別是老人運(yùn)動(dòng)狀態(tài)監(jiān)測(cè)系統(tǒng)的基礎(chǔ)。人體運(yùn)動(dòng)狀態(tài)可分為穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)(即從一個(gè)狀態(tài)向另一個(gè)狀態(tài)的變更)。其中，穩(wěn)定狀態(tài)又可分為走、跑、休息等。目前獲取人體運(yùn)動(dòng)狀態(tài)信息的方式有3種：1)基于計(jì)算機(jī)視覺(jué)技術(shù)。該技術(shù)是通過(guò)在人活動(dòng)場(chǎng)所安裝攝像頭，對(duì)圖片或視頻圖像進(jìn)行處理分析獲取人體運(yùn)動(dòng)狀態(tài)數(shù)據(jù)。這種獲取方式算法復(fù)雜，且不利于個(gè)人隱私的保護(hù)[1]。2)基于跟蹤技術(shù)。該技術(shù)利用3維跟蹤技術(shù)獲取運(yùn)動(dòng)位置，然后進(jìn)行分析。這種獲取人體運(yùn)動(dòng)狀態(tài)數(shù)據(jù)的方式易受外界干擾，因此限制了其發(fā)展和應(yīng)用[2]。3)基于慣性傳感技術(shù)。該技術(shù)是利用穿戴在人體上的慣性傳感器(加速傳感器、陀螺儀等)對(duì)人體運(yùn)動(dòng)狀態(tài)數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，并對(duì)數(shù)據(jù)進(jìn)行處理，提取運(yùn)動(dòng)特征，利用運(yùn)動(dòng)特征進(jìn)行建模，對(duì)運(yùn)動(dòng)狀態(tài)進(jìn)行分析和識(shí)別[3]。

慣性傳感技術(shù)通過(guò)慣性傳感器對(duì)運(yùn)動(dòng)方向和運(yùn)動(dòng)幅度等參數(shù)的測(cè)量，能夠有效地對(duì)人體運(yùn)動(dòng)狀態(tài)進(jìn)行分析。同時(shí)慣性傳感技術(shù)能夠有效保護(hù)人的隱私，并且慣性傳感器有體積小、功耗低、方便攜帶等優(yōu)勢(shì)，因此越來(lái)越受到研究人員的重視[4-6]。

對(duì)于人體來(lái)說(shuō)，每個(gè)不同的運(yùn)動(dòng)狀態(tài)在身體不同部位的加速度均不同。根據(jù)牛頓第二定律，將人體重心處的加速度作為人體加速度的判定標(biāo)準(zhǔn)較能準(zhǔn)確描述人體當(dāng)前運(yùn)動(dòng)狀態(tài)[7]，而人體的重心又會(huì)隨著人體姿勢(shì)的不同而改變，但多數(shù)情況下都位于人體髖部[8]。本文利用佩戴在人體髖部的三軸加速傳感器獲取人體運(yùn)動(dòng)狀態(tài)數(shù)據(jù)。

1人體運(yùn)動(dòng)狀態(tài)特征提取

人體運(yùn)動(dòng)狀態(tài)識(shí)別主要分為數(shù)據(jù)采集、特征提取和算法識(shí)別3個(gè)步驟，其中特征提取和算法識(shí)別是人體運(yùn)動(dòng)狀態(tài)識(shí)別的重要環(huán)節(jié)。本文利用飛思卡爾MMA 7260Q三軸加速傳感器獲取人體運(yùn)動(dòng)狀態(tài)數(shù)據(jù)。飛思卡爾MMA 7260Q三軸加速傳感器能夠同時(shí)檢測(cè)3維(X軸、Y軸和Z軸)加速度信息，由于每個(gè)方向上加速度均為按照不同趨勢(shì)變化的矢量，為了簡(jiǎn)化計(jì)算，采用加速度信號(hào)幅值aSVM(SignalMagnitudeVector)這個(gè)標(biāo)量來(lái)描述人體運(yùn)動(dòng)的加速度[9]。設(shè)任意時(shí)刻t時(shí)，aSVM的計(jì)算公式如下

(1)

其中，axt，ayt，azt分別為t時(shí)刻X軸、Y軸和Z軸上的加速度。

人體運(yùn)動(dòng)時(shí)，aSVM值總是在不斷變化的，利用aSVM值無(wú)法判斷當(dāng)前人體的運(yùn)動(dòng)狀態(tài)，因此將提取的加速度信號(hào)幅值aSVM的變化量δaSVM作為判斷人體運(yùn)動(dòng)狀態(tài)的特征量，δaSVM為aSVM相鄰波峰和波谷間的差值。由于人體運(yùn)動(dòng)時(shí)身體的小晃動(dòng)均有可能影響到aSVM值，進(jìn)而影響δaSVM值，但卻不能說(shuō)明人體的運(yùn)動(dòng)狀態(tài)，因此假設(shè)當(dāng)某些采樣點(diǎn)aSVM的變化量δaSVM的值小于0.2g(g=9.8m/s2)時(shí)，將其看作是噪聲數(shù)據(jù)，可忽略不計(jì)。由于人體靜止時(shí)，加速度幅值變化量基本趨于0，因此若δaSVM值小于0.2g，并且該信號(hào)持續(xù)0.5s以上，則認(rèn)為人體處于靜止?fàn)顟B(tài)。

2人體運(yùn)動(dòng)狀態(tài)識(shí)別算法

自回歸模型(AutoregressiveModel)是用自身做回歸變量的過(guò)程，即利用前期若干時(shí)刻的隨機(jī)變量的線性組合來(lái)描述以后某時(shí)刻隨機(jī)變量的線性回歸模型。一階自回歸模型簡(jiǎn)記為AR(1)，利用AR(1)確定人體運(yùn)動(dòng)狀態(tài)特征量之間的轉(zhuǎn)換關(guān)系。為了消除噪聲干擾，更加準(zhǔn)確的擬合人體運(yùn)動(dòng)狀態(tài)變化的趨勢(shì)，將δaSVM的函數(shù)作為狀態(tài)量X(t)，對(duì)其進(jìn)行卡爾曼濾波。

利用一階自回歸模型AR(1)模型確定X(t)和X(t-1)，建立隨機(jī)離散系統(tǒng)狀態(tài)方程，如(2)式所示：

(2)

其中，ρ(t-1,t)為t-1時(shí)刻向t時(shí)刻的狀態(tài)轉(zhuǎn)換系數(shù)，ζ(t-1)為均值為0、方差為Q的離散白噪聲，H(t)為測(cè)量系統(tǒng)參數(shù)，V(t)為均值為0、方差為R的測(cè)量噪聲。

根據(jù)卡爾曼濾波遞推公式可得

(3)P′(t)=ρ(t-1,t)P(t-1)P′(t-1)+Q(t-1)

(4)

P(t)=[I-K(t)H]P′(t)

(5)

K(t)=P′(t)HT[HP′(t)HT+R(t)]-1

(6)

由于人走路和跑步在時(shí)間上都會(huì)持續(xù)一段時(shí)間，屬于穩(wěn)定狀態(tài)，本文利用閾值法來(lái)將兩者區(qū)分開(kāi)。相對(duì)于走路來(lái)說(shuō)，跑步時(shí)邁出一步的時(shí)間較短，而加速度較大，aSVM的最大值要高于走路時(shí)的aSVM的最大值，因此可以利用aSVM值的范圍來(lái)確定當(dāng)前狀態(tài)是跑步還是走路，即

對(duì)于系統(tǒng)閾值的設(shè)定方法有很多，由于每個(gè)人運(yùn)動(dòng)時(shí)的動(dòng)作頻率和幅度各不相同，本文利用自適應(yīng)調(diào)整法對(duì)系統(tǒng)走路和跑步的初始閾值th(w1),th(w2)以及th(r1),th(r2)進(jìn)行設(shè)定。具體流程圖如圖1所示。

圖1　自適應(yīng)調(diào)整法確定系統(tǒng)閾值流程圖

根據(jù)上述分析，采用決策樹(shù)分類識(shí)別算法對(duì)人體靜止、走和跑的狀態(tài)進(jìn)行識(shí)別。基于決策樹(shù)識(shí)別算法的系統(tǒng)流程圖如圖2所示。

圖2基于決策樹(shù)識(shí)別算法的系統(tǒng)流程圖

3實(shí)驗(yàn)與結(jié)果分析

本文選用飛思卡爾MMA7620Q三軸加速傳感器，測(cè)量范圍選[-6g～6g]，工作電壓為2.2～3.6 V，工作電流500 μA，利用CC2430對(duì)三軸加速傳感器的輸出數(shù)據(jù)進(jìn)行采樣和處理。

以20人為一組作為實(shí)驗(yàn)對(duì)象(10男10女，年齡18～24歲，身高1.55～1.80 m，身體健康)。實(shí)驗(yàn)室環(huán)境下，地面平坦，無(wú)明顯坡度。傳感器佩戴在實(shí)驗(yàn)者髖部位置。對(duì)實(shí)驗(yàn)者進(jìn)行走和跑測(cè)試，每個(gè)動(dòng)作重復(fù)30次。經(jīng)實(shí)驗(yàn)采集人體走路和跑步時(shí)的值如圖3和圖4所示。

圖3a靜止—跑步—靜止加速度aSVM圖 圖3b靜止—跑步—靜止執(zhí)行算法結(jié)果圖

圖4a　靜止-走-靜止加速度aSVM圖 圖4b　靜止-跑步-靜止執(zhí)行算法結(jié)果圖

根據(jù)實(shí)驗(yàn)對(duì)識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如表1所示。

表1　識(shí)別結(jié)果統(tǒng)計(jì)

4總結(jié)

針對(duì)人體運(yùn)動(dòng)特點(diǎn)，利用三軸加速傳感器對(duì)人體運(yùn)動(dòng)加速度進(jìn)行采集，對(duì)采集的人體加速度數(shù)據(jù)進(jìn)行處理，抽取人體加速度特征值。通過(guò)構(gòu)建人體運(yùn)動(dòng)一階自回歸模型對(duì)加速度特征值數(shù)據(jù)處理，運(yùn)用卡爾曼濾波算法對(duì)人體加速度特征值矯正，濾除噪聲干擾。由于不同人的運(yùn)動(dòng)幅度和運(yùn)動(dòng)時(shí)人體加速度各不相同，本文通過(guò)自適應(yīng)閾值法設(shè)定系統(tǒng)閾值，利用決策樹(shù)將特征值和設(shè)定的閾值進(jìn)行比較，從而完成對(duì)人體運(yùn)動(dòng)中的走和跑的識(shí)別。

參考文獻(xiàn):

[1]H.BruceDobkin,XuXiaoyu,BatalinMaxim.Reliabilityandvalidityofbilateralankleaccelerometeralgorithmsforactivityrecognitionandwalkingspeedafterstroke[J].Strole, 2011, 42(8): 2246-2353.

[2]D.Gavrila.Thevisualanalysisofhumanmovement:asurvey[J].ComputerVisionandImageUnderstanding，1997, 73(1): 82-98.

[3] 李娜.基于人體運(yùn)動(dòng)狀態(tài)識(shí)別的可穿戴健康檢測(cè)系統(tǒng)研究[D]. 北京：北京工業(yè)大學(xué)，2013.

[4]M.Mathie.MonitoringandInterpretingHumanMovementPatternsUsingaTriaxialAccelerometer[D].USA：TheUniversityofNewSouthWales, 2003.

[5]R.WesterterpKlaas.Assessmentofphysicalactivity:acriticalappraisal[J].EuropeanJournalofAppliedPhysiology, 2009, 105(6): 655-661.

[6]A.G.Bonomi,G.Plasqui,A.H.C.Goris.Improvingassessmentofdailyenergyexpenditurebyidentifyingtypesofphysicalactivitywithasingleaccelerometer[J].JournalofAppliedPhysiology, 2009,107(3): 655-661.

[7]E.Miluzzo,N.D.Lane,K.Fodor,etal..Sensingmeetsmobilesocialnetworks:thedesign,implementationandevaluationofthecenceMeapplication[C].Proceedingofthe6thACMConferenceonEmbeddedNetworkedSensorSystem,Raleigh,NC.AssociationforComputingMachinery，2008:337-350.

[8]M.KarantonisDean,R.NarayananMichael,M.Mathie,etal..Implementationofareal-timehumanmovementclassifierusingatriaxialacceletometerforambulatorymonitoring[J].IEEETransactionsonInformationTechnologyinBiomedicine, 2006, 10 (1):156-67.

[9]M.Ermes,J.Parka,J.Mantyjarvi,etal..Detecionofdailyactivitiesandsportswithwearablesensorsincontrolledanduncontrolledconditions[J].IEEETransactionsonInformationTechnologyinBiomedicine,2008, 2(1): 20-26.

Cognition of Human Movement State Base on a Triaxial Acceleration Sensor

CAI Pei-jun

(Department of Computer,Jianghuai College of Anhui University, Hefei，Anhui 230031,China)

Abstract:Cognition of human movement state is the base of elder people movement monitor system. Human movement state is involved two aspect: rest and active. Active includes working, running, jumping and so on. Human acceleration is detected real-timely by triaxial acceleration sensor, extracting variation of the amplitude of acceleration as characteristic of human movement detection. Building AR(1) model of human movement and using Kalman filter algorithm, adaptive threshold and decision tree to distinguish working and running.

Key words:movement state,triaxial acceleration sensor,Kallman filter algorithm,decision tree

文章編號(hào)：1007-4260(2016)01-0083-04

中圖分類號(hào)：TP301.6

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.13757/j.cnki.cn34-1150/n.2016.01.022

作者簡(jiǎn)介：蔡培君，女，安徽合肥人，碩士，安徽大學(xué)江淮學(xué)院計(jì)算機(jī)系講師，主要研究方向?yàn)槲锫?lián)網(wǎng)技術(shù)。E-mail: 48597283@qq.com

基金項(xiàng)目：安徽大學(xué)江淮學(xué)院院級(jí)科研項(xiàng)目(2014KJ0002)。

*收稿日期：2015-06-18

網(wǎng)絡(luò)出版時(shí)間：2016-03-15 17:05網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/34.1150.N.20160315.1705.022.html