潘婉蘇，李曉風(fēng)，許金林，李皙茹，程龍樂

(1.中國(guó)科學(xué)院 合肥物質(zhì)研究院，安徽 合肥 230026；2.中國(guó)科學(xué)技術(shù)大學(xué)，安徽 合肥 230031)

0 引 言

人體運(yùn)動(dòng)姿態(tài)的準(zhǔn)確解算是人體運(yùn)動(dòng)行為辨識(shí)與理解的基礎(chǔ)，其在人機(jī)交互、康復(fù)醫(yī)學(xué)及體感游戲等研究領(lǐng)域扮演著十分重要的角色。而人體運(yùn)動(dòng)非常復(fù)雜，受到很多內(nèi)在因素或者外在環(huán)境的影響，如生理、人體結(jié)構(gòu)、環(huán)境等。目前研究人體姿態(tài)識(shí)別的方法主要基于兩種識(shí)別[1]：基于圖像分析的人體姿態(tài)識(shí)別[2]和基于運(yùn)動(dòng)傳感器的人體姿態(tài)識(shí)別[3]?；趫D像分析的識(shí)別方法能清晰看見人體運(yùn)動(dòng)姿態(tài)，準(zhǔn)確性高，但對(duì)設(shè)備要求較高，應(yīng)用場(chǎng)景特殊且不便攜帶[4-6]。但基于運(yùn)動(dòng)信號(hào)并加以識(shí)別具有更好的實(shí)時(shí)性、適用性。隨著MEMS技術(shù)和無(wú)線傳感器網(wǎng)絡(luò)技術(shù)的快速發(fā)展，運(yùn)動(dòng)傳感器逐漸微型化、智能化，由加速度傳感器、陀螺儀和磁阻傳感器組成的慣性測(cè)量模塊被廣泛應(yīng)用于姿態(tài)識(shí)別[7-9]。Li等在靜態(tài)環(huán)境下利用體域網(wǎng)系統(tǒng)采集多組加速度信號(hào)，提出了1種基于DS證據(jù)理論的數(shù)據(jù)融合算法[10]，對(duì)人體常見的4種基本姿勢(shì)進(jìn)行識(shí)別(坐姿、站姿、平躺、蹲坐)，但無(wú)法動(dòng)態(tài)跟蹤人體姿態(tài)。

針對(duì)上述問(wèn)題，文中提出了一種基于MEMS慣性傳感器的行為活動(dòng)方式反演系統(tǒng)，由MEMS慣性傳感器感測(cè)人體行為數(shù)據(jù)，通過(guò)無(wú)線通信模塊，將采集的信息交由終端進(jìn)行運(yùn)算處理，使用量化的姿態(tài)數(shù)據(jù)作為輸入數(shù)據(jù)，重建身體的運(yùn)動(dòng)狀態(tài)模型，反演出人體行為狀態(tài)并即時(shí)反饋給用戶。系統(tǒng)跟蹤記錄人體一天或長(zhǎng)時(shí)期的活動(dòng)狀，用以評(píng)估用戶的能量消耗和能量代謝當(dāng)量，在人體運(yùn)動(dòng)能耗的檢測(cè)領(lǐng)域有廣泛的應(yīng)用前景。

1 測(cè)量系統(tǒng)的工作原理

利用MEMS傳感器感測(cè)人體運(yùn)動(dòng)信號(hào)，把采集到的數(shù)據(jù)隨機(jī)分為訓(xùn)練樣本和測(cè)試樣本，對(duì)其進(jìn)行加窗、平滑、濾波等歸一化處理。由于采集的原始數(shù)據(jù)信息比較多(包括加速度、角速度、磁場(chǎng)、氣壓、角度等)，計(jì)算也會(huì)變得越來(lái)越復(fù)雜，空間維數(shù)也會(huì)越來(lái)越高，影響了識(shí)別效果。因此，利用主成分分析法[11](principal components analysis，PCA)對(duì)數(shù)據(jù)進(jìn)行降維處理，再把運(yùn)動(dòng)信號(hào)數(shù)據(jù)依次送入姿態(tài)解算模塊、特征提取模塊和選擇模塊，具體的工作流程如圖1所示。

圖1 系統(tǒng)測(cè)量流程

其中系統(tǒng)姿態(tài)解算模塊利用四元數(shù)法來(lái)表示旋轉(zhuǎn)角度和方向，求解姿態(tài)角，并通過(guò)四元數(shù)微分方程更新四元數(shù)的方式來(lái)更新姿態(tài)角。解算出的數(shù)據(jù)經(jīng)過(guò)特征提取模塊，提取后的特征向量送入選擇模塊，選擇后的特征向量可作為表征相關(guān)運(yùn)動(dòng)特點(diǎn)的訓(xùn)練樣本。系統(tǒng)通過(guò)分類模型對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，最后獲得可用于行為分類的參考模型。再以訓(xùn)練完成的參考模型為基礎(chǔ)，采用KNN分類算法將未知樣本與參考模型進(jìn)行逐一匹配計(jì)算，匹配程度最高的模型類別即被認(rèn)為是該未知樣本的所屬類別，也就是識(shí)別結(jié)果。系統(tǒng)跟蹤記錄人體一天或是長(zhǎng)時(shí)期的運(yùn)動(dòng)信號(hào)，最終反演出人體行為軌跡。

2 系統(tǒng)的架構(gòu)設(shè)計(jì)

人體運(yùn)動(dòng)狀態(tài)反演系統(tǒng)分為數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、顯控模塊和無(wú)線通信模塊。系統(tǒng)通過(guò)MEMS慣性傳感器MPU9250感測(cè)出身體運(yùn)動(dòng)信號(hào)，該信號(hào)經(jīng)濾波調(diào)理電路后進(jìn)入微處理器STM32，通過(guò)自帶的A/D轉(zhuǎn)換器，將模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)，微處理器負(fù)責(zé)將采集到的信息進(jìn)行數(shù)據(jù)分析處理，通過(guò)藍(lán)牙通信模塊把數(shù)據(jù)上傳到云平臺(tái)中進(jìn)行存儲(chǔ)，另一方面微處理器給顯控模塊發(fā)送控制指令執(zhí)行相應(yīng)操作。系統(tǒng)總體結(jié)構(gòu)框圖如圖2所示。

圖2 系統(tǒng)總體架構(gòu)

2.1 微處理器

文中采用的核心處理器是基于高性能ARM Cortex-M4 32位RISC內(nèi)核的超低功耗微控制器(MCU)STM32L4xx器件，工作頻率高達(dá)80 MHz。Cortex-M4內(nèi)核具有單精度浮點(diǎn)單元(FPU)，支持所有ARM單精度數(shù)據(jù)處理指令和數(shù)據(jù)類型。它還實(shí)現(xiàn)了全套DSP指令和存儲(chǔ)器保護(hù)單元(MPU)，加強(qiáng)了應(yīng)用安全。

2.2 MEMS慣性傳感器MPU9250

文中選擇用于感測(cè)人體行為信號(hào)的模塊是MEMS慣性傳感器MPU9250，該模塊集成三軸加速度傳感器，三軸陀螺儀和三軸地磁計(jì)，解決了三軸加速度傳感器中存在的Z軸漂移問(wèn)題，性能穩(wěn)定可靠。同時(shí)內(nèi)部集成高精度的卡爾曼濾波姿態(tài)融合算法[12]，并將經(jīng)緯度、高度、航向、速度等信息數(shù)據(jù)傳輸?shù)浇K端。

3 系統(tǒng)程序設(shè)計(jì)

系統(tǒng)分為兩部分，一部分是底層信息采集，另一部分是信息處理中心。底層信息采集是基于MEMS慣性傳感器進(jìn)行人體運(yùn)動(dòng)信號(hào)的采集，采集的原始信號(hào)波形如圖3所示。

(a)加速度曲線

(b)角速度曲線

(c)角度曲線

傳感器通過(guò)I2C通信，把采集到的數(shù)據(jù)發(fā)送到信息處理中心。信息處理中心基于STM32微處理器接收數(shù)據(jù)并匹配使其重新組合成準(zhǔn)確的信息，通過(guò)基于四元數(shù)的互補(bǔ)濾波算法進(jìn)行數(shù)據(jù)姿態(tài)解算，求出一個(gè)包含載體全部姿態(tài)信息的3*3矩陣，通過(guò)計(jì)算姿態(tài)矩陣可以得出所需要的全部的姿態(tài)信息，如俯仰角θ(pitch)、航向角φ(yaw)和橫滾角γ(roll)，根據(jù)氣壓信息求出海拔高度，耦合得到目標(biāo)人體的運(yùn)動(dòng)信息。對(duì)運(yùn)動(dòng)信息進(jìn)行長(zhǎng)時(shí)間的跟蹤測(cè)量，分析云端數(shù)據(jù)服務(wù)器存儲(chǔ)的數(shù)據(jù)，反演人體一天甚至更長(zhǎng)時(shí)間的行為活動(dòng)方式。

3.1 姿態(tài)解算算法

系統(tǒng)選擇四元數(shù)法進(jìn)行姿態(tài)解算分析[13]。四元數(shù)可以描述一個(gè)坐標(biāo)系或一個(gè)矢量相對(duì)某一個(gè)坐標(biāo)系的旋轉(zhuǎn)，其標(biāo)量部分表示了轉(zhuǎn)角的一半余弦值，而其矢量部分則表示瞬時(shí)轉(zhuǎn)軸的方向、瞬時(shí)轉(zhuǎn)動(dòng)軸與參考坐標(biāo)系軸間的方向余弦值[14]。因此，一個(gè)四元數(shù)既表示了轉(zhuǎn)軸的方向，又表示了轉(zhuǎn)角的大小。利用四元數(shù)姿態(tài)矩陣微分方程式求解4個(gè)一階微分方程式組，這種方法比方向余弦姿態(tài)矩陣微分方程式計(jì)算量明顯減少，同時(shí)能滿足工程實(shí)踐中對(duì)實(shí)時(shí)性的要求，彌補(bǔ)通常描述剛體角運(yùn)動(dòng)的3個(gè)歐拉角參數(shù)在設(shè)計(jì)控制系統(tǒng)時(shí)的不足。所以利用四元數(shù)法將加速度傳感器、地磁計(jì)和陀螺儀的數(shù)據(jù)進(jìn)行融合，解算出θ、γ和φ[15-16]。

具體解算步驟如下:

(1)確定初始四元數(shù)(q0,q1,q2,q3)，采用二階龍格庫(kù)塔法對(duì)四元數(shù)標(biāo)量部分與矢量部分進(jìn)行實(shí)時(shí)計(jì)算；

(2)確定姿態(tài)矩陣，由四元數(shù)轉(zhuǎn)換成姿態(tài)矩陣中的幾個(gè)元素，如式1：

QT=

(1)

(3)計(jì)算人體姿態(tài)角，用這幾個(gè)元素轉(zhuǎn)換為歐拉角,最終求出姿態(tài)角，計(jì)算公式為：

(2)

3.2 分類算法

系統(tǒng)采用最簡(jiǎn)單有效的KNN分類算法[17-19]，利用測(cè)量不同特征值之間的距離方法進(jìn)行分類。KNN分類算法依賴距離判別計(jì)算一個(gè)點(diǎn)A與其他所有點(diǎn)之間的距離，取出與該點(diǎn)最近的K個(gè)點(diǎn)，然后統(tǒng)計(jì)這K個(gè)點(diǎn)中所屬分類比例最大的，則點(diǎn)A屬于該分類。該系統(tǒng)先進(jìn)行受試者訓(xùn)練樣本數(shù)據(jù)的采集，根據(jù)所屬類別判斷訓(xùn)練樣本數(shù)據(jù)的類別。再將試驗(yàn)樣本中的待分類樣本與訓(xùn)練數(shù)據(jù)進(jìn)行比較，先計(jì)算待分類樣本與已知類別的訓(xùn)練樣本之間的距離，找到距離與待分類樣本數(shù)據(jù)最近的K個(gè)鄰居，即選取與當(dāng)前待分類樣本數(shù)據(jù)距離最小的K個(gè)點(diǎn)，統(tǒng)計(jì)前K個(gè)鄰居中4種類別(坐、躺臥、行走和跑步)的樣本出現(xiàn)的頻率，然后返回最近的K個(gè)鄰居的多數(shù)類別作為當(dāng)前類別的預(yù)測(cè)分類。

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證系統(tǒng)測(cè)試的準(zhǔn)確性，選取64名實(shí)驗(yàn)者，男性志愿者32名，女性志愿者32名，年齡分布在21～60歲之間。志愿者按年齡段分為四組，分別為20～30歲，30～40歲，40～50歲和50歲以上，其中每組16名志愿者，男性志愿者和女性志愿者各8人。以上志愿者通過(guò)問(wèn)卷的形式確認(rèn)他們無(wú)慢性疾病及心血管疾病。讓實(shí)驗(yàn)者佩戴檢測(cè)裝置，讓他們分別完成4種動(dòng)作:坐、躺臥、行走，跑步。每種行為的持續(xù)時(shí)長(zhǎng)全部大于4分鐘，數(shù)據(jù)采集完成后，首先提取信號(hào)特征，并對(duì)這些數(shù)據(jù)信息進(jìn)行分類，作為訓(xùn)練樣本集。再記錄志愿者1天，15天，30天的活動(dòng)情況進(jìn)行后續(xù)的統(tǒng)計(jì)分析。從實(shí)驗(yàn)樣本集中提取一名實(shí)驗(yàn)者(男，26歲)的運(yùn)動(dòng)信息進(jìn)行分析，如表1所示。發(fā)現(xiàn)隨著時(shí)間的增加，樣本數(shù)據(jù)量有所增加，測(cè)量值與實(shí)際值較為接近。

表1 識(shí)別結(jié)果分析

采用適當(dāng)?shù)膯?wèn)卷方法，記錄64名志愿者30天的實(shí)際運(yùn)動(dòng)狀況。把實(shí)驗(yàn)者日常運(yùn)動(dòng)狀況和該運(yùn)動(dòng)反演系統(tǒng)測(cè)試結(jié)果進(jìn)行對(duì)比，以評(píng)估系統(tǒng)準(zhǔn)確性。由表2可知，隨著時(shí)間的增加，系統(tǒng)測(cè)量相對(duì)準(zhǔn)確度有所提高，其中靜坐的準(zhǔn)確性達(dá)到了96.7%，長(zhǎng)時(shí)間的躺臥的準(zhǔn)確性達(dá)到了99.97%。而且通過(guò)該表發(fā)現(xiàn)，男女之間的運(yùn)動(dòng)識(shí)別準(zhǔn)確度差別不是很明顯，說(shuō)明系統(tǒng)對(duì)性別沒有十分嚴(yán)格的要求，同一種運(yùn)動(dòng)情況，每個(gè)年齡段的準(zhǔn)確度存在一定的差別，但誤差小于1%，關(guān)于這個(gè)原因，還有待進(jìn)一步研究。故該系統(tǒng)的總體精度較高，具有很大的可實(shí)施性，評(píng)估結(jié)果可以代表該實(shí)驗(yàn)者的運(yùn)動(dòng)習(xí)慣，并且可以根據(jù)對(duì)受試者的運(yùn)動(dòng)習(xí)慣分析反演出人體行為方式。

表2 識(shí)別結(jié)果準(zhǔn)確性對(duì)比 %

5 結(jié)束語(yǔ)

文中設(shè)計(jì)了基于MEMS慣性傳感器便攜式人體運(yùn)動(dòng)反演系統(tǒng)，集成了高性能ARM4和低功耗的STM32L4xx器件，并結(jié)合MEMS慣性傳感器芯片MPU9250，具有測(cè)量準(zhǔn)確、功耗低的特點(diǎn)。對(duì)系統(tǒng)所用的硬件系統(tǒng)和人體運(yùn)動(dòng)識(shí)別檢測(cè)算法進(jìn)行了系統(tǒng)分析和驗(yàn)證，并在實(shí)驗(yàn)中對(duì)比了男女性別、年齡因素對(duì)系統(tǒng)的差異。該系統(tǒng)為人體運(yùn)動(dòng)識(shí)別提供了技術(shù)基礎(chǔ)，實(shí)現(xiàn)了對(duì)人體行為方式的反演和評(píng)估，使用戶通過(guò)可穿戴式智能設(shè)備更加全面、及時(shí)、專業(yè)地感知自身運(yùn)動(dòng)狀況成為可能。最后，系統(tǒng)將進(jìn)一步改進(jìn)算法，構(gòu)建運(yùn)動(dòng)方式與能量代謝當(dāng)量的關(guān)系模型，實(shí)現(xiàn)對(duì)用戶動(dòng)態(tài)能量消耗的檢測(cè)。