宋賀良,鄭 毅,王克強

(華北光電技術(shù)研究所,北京 100015)

1 引 言

可穿戴式人體姿態(tài)識別系統(tǒng)已在智能家居[1]、虛擬現(xiàn)實[2]、病人實時健康監(jiān)測[3]、體育競技分析以及人機交互場景中被廣泛應(yīng)用。

基于可穿戴式的人體姿態(tài)識別系統(tǒng)相比于非穿戴式的識別系統(tǒng)(如圖像識別技術(shù)、電磁定位跟蹤技術(shù)和聲學(xué)定位跟蹤技術(shù))有著獨特的優(yōu)勢(見表1),并且可使用的傳感器類型較多,常用的無線通信方式有WiFi、藍(lán)牙和Zigbee,可以比較全面的記錄與人體行為相關(guān)的各種數(shù)據(jù),已經(jīng)發(fā)展為一種非常實用的現(xiàn)代技術(shù)。具體實現(xiàn)為將傳感器通過嵌入式技術(shù),采集人體多種生理信息后通過無線通信技術(shù)傳輸?shù)街悄芙K端處理分析數(shù)據(jù)。

表1 非穿戴式和穿戴式技術(shù)對比表Tab.1 Comparison table of non-wearableand wearable technology

2 加速度計進(jìn)行姿態(tài)識別

2.1 單軸加速度計

在可穿戴式人體姿態(tài)識別技術(shù)初期,研究人員使用單軸加速度計來識別人體行為。Servais等人[4]研究發(fā)現(xiàn)將加速度計放置在加速度變化較小的位置(如腰部、背部)識別效果要好于變化較大的位置(四肢)。Carlijn等人[5]將三個單軸壓阻式加速度計(如圖1所示)獨立正交安裝在12 mm×12 mm×12 mm的空間中,佩戴位置選擇在腰椎,通過頻率與幅度識別人體日?；顒有袨?識別率為30 %～40 %。J.B.J.BUSSMANN等人[6]將四個壓阻式加速度計分別放置在大腿以及胸部,選擇角度、運動信號和頻率三個特征值,預(yù)設(shè)閾值后識別了20多種不同的姿態(tài),但是特征提取與姿態(tài)識別花費了30 min。Kristof等人[7]通過使用兩個單軸加速度計佩戴在褲子上,并通過使用KSOM聚類算法(如圖2所示)分類,站與坐兩種姿態(tài)識別率達(dá)到95 %,但是上下樓梯識別率僅有50 %,并且算法復(fù)雜,只能離線處理數(shù)據(jù)。

圖1 壓阻式加速度計圖Fig.1 Piezoresistive accelerometer

圖2 KSOM算法示意圖Fig.2 Schematic diagram of KSOM algorithm

2.2 三軸加速度計

隨著剛體姿態(tài)估計理論與加速度計工藝技術(shù)的成熟,研究人員開始采用三軸加速度計來評估日常行為姿態(tài),三軸加速度計用于測量載體的三軸運動加速度,具有體積小和重量輕的特點。

如圖3所示，在導(dǎo)航學(xué)中:橫滾角(Roll Axis)φ:機體軸X軸與水平面的投影之間的夾角,區(qū)間(-180°～180°)；俯仰角(Pitch Axis)θ:機體軸Y軸與水平面的投影之間的夾角,區(qū)間(-90°～90°)；偏航角ψ(Yaw Axis):機體軸Y軸在水平面上的投影與地軸Y軸之間的夾角,區(qū)間(0～360°)。

圖3 姿態(tài)角Fig.3 Attitude angle

如圖4所示，當(dāng)三軸加速度計為靜止?fàn)顟B(tài)時加速度計的輸出僅為重力加速度g,因此針對這個靜態(tài)輸出的特性,可以對此構(gòu)建與三個軸輸出的比例關(guān)系方程,從而可以解算出姿態(tài)角。

圖4 加速度法求解姿態(tài)角Fig.4 Acceleration method to solve attitude angle

其中g(shù)為重力加速度方向,X、Y、Z三個軸為加速度計測量軸,根據(jù)矢量關(guān)系可計算出俯仰角與橫滾角。加速度法求姿態(tài)角有著計算步驟簡單和沒有誤差累積的優(yōu)點。但是此方法無法計算出偏航角,無法得到較為完整的姿態(tài)數(shù)據(jù),并且在人體運動時所測得的數(shù)據(jù)為重力加速度和運動加速度的疊加量,即使用濾波器從測得的加速度數(shù)據(jù)中消去運動加速度分量仍會導(dǎo)致數(shù)據(jù)延時,很難達(dá)到實時精確求解姿態(tài)的要求。

Zhenyu He[8]使用離散余弦變換和主成分分析減少特征信息,張潔[9]解決特征降維問題時同樣采取了主成分分析,后利用ReliefF算法重新計算每個特征的權(quán)值,再針對計算結(jié)果中不同的特征權(quán)值而獲得分類的依據(jù),選擇特征權(quán)值最大的幾個特征組成特征子集。最終均采用支持向量機進(jìn)行姿態(tài)識別。

弗拉基米爾·瓦普尼克[10]在1995年發(fā)表了最初的SVM文章,當(dāng)時這篇文章被Machine Learning著名期刊要求命名為“支持向量網(wǎng)絡(luò)”發(fā)表。支持向量機的學(xué)習(xí)是在特征空間進(jìn)行的,考慮一個二類分類問題時,支持向量機的基本思想就是在樣本空間中確定一個超平面,可以將需要分類的集D劃分。面對小樣本學(xué)習(xí)的問題,采用了結(jié)構(gòu)風(fēng)險最小化原則代替經(jīng)驗風(fēng)險最小化原則,得到了廣泛應(yīng)用。

2.2.1 線性可分支持向量機

假設(shè)ωTx+b=0為確定下來的超平面,法向量:ω=(ω1;ω2;…;ωd),位移項為b,分別確定了超平面的方向和超平面到原點的距離,樣本空間中,隨意的點x到這個超平面(ω,b)的距離可表示為:

圖5 幾何間隔Fig.5 Geometric interval

依據(jù)拉格朗日對偶性的理論,根據(jù)求解對偶問題的最優(yōu)解從而求解出劃分超平面與決策函數(shù)。

2.2.2 非線性支持向量機與核函數(shù)

如果遇到線性不可分問題,一般情況下是在訓(xùn)練集中存在某些特異點,將其去除后其余大部分的樣本點集合仍然可以線性可分,要使用軟間隔最大化分類,即引入一個松弛變量,但是在現(xiàn)實問題中往往會出現(xiàn)算法敘述的情況。

如果在現(xiàn)實問題中,原始的樣本空間數(shù)據(jù)并不能使用線性模型正確劃分,我們可以先通過一個解變換將非線性問題轉(zhuǎn)變?yōu)榫€性問題,再按上述方法求解轉(zhuǎn)變后的線性問題,即可解出原始非線性問題。通過使用核技巧首先將原始空間中的數(shù)據(jù)轉(zhuǎn)變到一個新空間中,兩空間實例的內(nèi)積被稱為核函數(shù),再對此新空間應(yīng)用上述所提到的線性分類支持向量機來訓(xùn)練模型,很好的簡化了高維模式識別問題。

支持向量機在多分類問題中主要有1-v-r SVMs[11]、1-v-1 SVMs[12]、基于二叉樹的多類SVM[13]三種思路。如果我們所需要區(qū)分的種類非常多是,會明顯降低1-v-r SVMs和1-v-1 SVMs兩種算法的分類訓(xùn)練速度。使用1-v-1 SVMs算法分類時最大的缺點是在區(qū)分兩三種比較相似的種類時容易出現(xiàn)無法區(qū)分的情況。而在使用基于二叉樹的多類SVM算法時,如果在第一層就存在著誤差,那么誤差會隨著層數(shù)累積進(jìn)而影響算法的分類精度。

徐川龍[14]發(fā)現(xiàn)使用SVM分類器高于BP神經(jīng)網(wǎng)絡(luò)的姿態(tài)識別率。Putchana等人[15]提出了一種使用無線局域網(wǎng)技術(shù)來實時監(jiān)測老年人運動與跌倒,從三軸加速度計采集信號后通過無線技術(shù)發(fā)送到計算機；王昌喜[16]使用支持向量機算法識別打乒乓球的三個動作,可以達(dá)到98 %的正確識別率。

3 傳感器進(jìn)行姿態(tài)識別

但是與身體運動相關(guān)的信號有著復(fù)雜且不規(guī)則的波動,僅有加速度信號過于單一,傳統(tǒng)的統(tǒng)計方法無法對其分析,隨著微機電系統(tǒng)技術(shù)越來越成熟,傳感器有著多種優(yōu)點:集成效果好、功耗低、造價低和可靠性好等。目前求解姿態(tài)角常用的方法有:①將陀螺儀輸出的角速度直接積分求解姿態(tài)角；②通過加速度計矢量法求解橫滾角與俯仰角,再根據(jù)磁強計求解偏航角；③使用陀螺儀與加速度計融合法求解姿態(tài)角；④利用加速度計、陀螺儀和磁強計融合法求解姿態(tài)角。

在遇到實際問題時,通常方法①中的陀螺儀具有常值誤差與誤差累積的特性,直接積分會導(dǎo)致解算出的姿態(tài)角誤差較大；方法②中前文已經(jīng)提到在運動情況下運動加速度大于重力加速度,并且磁強計的誤差包括多個方面:磁場變化包含地球磁場和在有鐵磁介質(zhì)的環(huán)境使用,也存在姿態(tài)角補償誤差；方法③、④是目前較為常用的方法,但是均需要采用數(shù)據(jù)融合算法。

在進(jìn)行人體姿態(tài)信息采集時,所使用的MEMS傳感器既有多組件組成的方案,也有使用六軸、九軸的運動處理芯片的集成模塊。常用的六軸傳感器有LSM330DLC與MPU6050,其中MPU6050是由三軸MEMS加速度計與三軸MEMS陀螺儀組成,既避免了加速度計與陀螺儀使用時時間的軸間差問題,也通過集成的方式減少了封裝空間。

3.1 姿態(tài)角解算

在描述姿態(tài)時有三種常用方法:運用歐拉角法方程較為簡單,并且求解不需要正交化處理,但是每一個方程都含有三角函數(shù),計算繁瑣復(fù)雜,在俯仰角為90°時容易出現(xiàn)結(jié)果不確定的結(jié)論；方向余弦法在90°時不會出現(xiàn)無解的狀況,但是需要求解九個微分方程,計算復(fù)雜不適用于可穿戴姿態(tài)識別系統(tǒng)實時求解；四元數(shù)法中的三軸角速度可以由陀螺儀測出,只要確定某一時刻的初始四元數(shù)和角速度,通過求解四個微分方程就可以解出任意時刻載體的姿態(tài)四元數(shù)和姿態(tài)角。因此四元數(shù)法的實用性更出色。

當(dāng)我們在描述人體姿態(tài)時,需要定義一個可以描述姿態(tài)的坐標(biāo)系,在選擇參考坐標(biāo)系時,一般我們選擇地理坐標(biāo)系,載體坐標(biāo)系相應(yīng)的用人體坐標(biāo)系來確定,由坐標(biāo)變換矩陣轉(zhuǎn)換。

使兩個坐標(biāo)變換矩陣元素對應(yīng)相等,可以得到姿態(tài)角與四元數(shù)的轉(zhuǎn)換關(guān)系,再通過求解四元數(shù)的微分方程即可求解人體姿態(tài)角。

3.2 人體運動數(shù)據(jù)預(yù)處理

在實驗中進(jìn)行人體姿態(tài)數(shù)據(jù)采集時,傳感器容易產(chǎn)生外界環(huán)境和自身的誤差,這些噪聲會對之后的數(shù)據(jù)處理產(chǎn)生干擾,在數(shù)據(jù)預(yù)處理時,中值濾波、高斯濾波、卡爾曼濾波和小波閾值去噪是目前平滑去噪較為常用的選擇。張玉蓮等研究人員[17]采用Allan分析法結(jié)合Kalman濾波算法,從而對MEMS陀螺隨機誤差建模并加以補償。趙祥欣等人[18]采用中值濾波的技術(shù),從而消除三軸加速度計的脈沖噪聲。李世心等人[19]對陀螺儀去噪時采用平穩(wěn)小波并得到了很好的結(jié)果?？柭鼮V波算法在信息融合中對陀螺儀去噪有著很好的效果,同時也要建立信號噪聲模型,如果噪聲隨機就并不容易確定噪聲類型,并且算法計算復(fù)雜度較高,不太適用于實時傳輸。

3.3 運動數(shù)據(jù)特征提取

從傳感器中測得的各種數(shù)據(jù),都是表征人體姿態(tài)的原始信號,與生理相關(guān)的信號呈現(xiàn)出復(fù)雜且不規(guī)則的波動,傳統(tǒng)統(tǒng)計方法無法對其合理分析,需要在原始信號中挖掘出最合適的信息,接下來才可以構(gòu)建并驗證合適的模式識別算法。傳感器采集信息為某一段時間內(nèi)的數(shù)據(jù),數(shù)據(jù)點過多導(dǎo)致不適用于直接對信號進(jìn)行特征提取,常用的辦法是數(shù)據(jù)分割和時間序列擴(kuò)充。

特征來源于加速度計數(shù)據(jù)的窗口,現(xiàn)如今已經(jīng)使用一系列不同方法從加速度計中提取姿態(tài)特征,一些研究人員直接從時域和分析頻域來提取特征,近些年小波分析[20]已被用于推導(dǎo)所謂的時頻特征。小波分析不僅可以確定離散時間序列,還可以導(dǎo)出表征原始信號的時頻特征。需要面對不同的場景時要做不同的處理,應(yīng)該盡可能選取種類較多的特征進(jìn)行分析,從而選取出最能夠區(qū)分不同姿態(tài)的特征。

3.4 人體姿態(tài)模式識別

人體運動特征提取后,有不同的算法選擇來區(qū)分需要識別的姿態(tài)。Qiang Li[21]通過在胸部和大腿兩個部位放置兩個傳感器,計算軀干與重力矢量夾角,再與自己所設(shè)定的閾值進(jìn)行比對,從而確定四種靜態(tài)姿勢和跌倒?fàn)顟B(tài)。此系統(tǒng)雖然模式識別正確率比較高,但是采用閾值分析,結(jié)果不具有普適性。Yeoh W S[22]選取了三個雙軸加速度傳感器來檢測人體姿態(tài)(躺、坐、站立)和步行速度,一個傳感器安裝在腰上,其余兩個安裝在大腿上。分類器首先通過判斷是否為周期性的步態(tài)活動來確定人處于靜態(tài)還是動態(tài),再根據(jù)姿態(tài)分類器基于軀干、左大腿與右大腿的彎曲角度來判定基礎(chǔ)活動。此系統(tǒng)通過估算軀干與大腿的彎曲角度后進(jìn)行閾值分析,理論上識別率會比單傳感器更高,如果將閾值判斷換為機器學(xué)習(xí)算法判斷,識別率會更高,但是計算兩個傳感器之間夾角過于繁瑣,且需要額外佩戴一個主控芯片,通信及可靠性問題也需要解決,整個算法的工作量較大,不適合實時判斷姿態(tài)變化。

Verma的團(tuán)隊[23]使用Sparkfun 9DOF RazorIMU(九軸)傳感單元,通過多尺度熵分析(MSE)與模糊邏輯算法(FL),有效識別了六種不同的人體姿態(tài)及跌倒?fàn)顟B(tài)。李路[24]使用三軸加速度計與三軸陀螺儀的組合,將傳感器單元佩戴在人體腰部,采用四元數(shù)求姿態(tài)角,并提出了一種基于加速度計校準(zhǔn)人體姿態(tài)角的方案:當(dāng)人在靜止?fàn)顟B(tài)下,可以選取一個靜態(tài)校準(zhǔn)點,通過加速度計求出的橫滾角與俯仰角進(jìn)行校準(zhǔn)；當(dāng)人在運動狀態(tài)下,選取合加速度為1g時,此時加速度處于下降沿時,選其作為動態(tài)校準(zhǔn)點來校準(zhǔn)四元數(shù)法求出的姿態(tài)角,并采用支持向量機算法進(jìn)行姿態(tài)識別。

4 展 望

現(xiàn)在實驗所選擇的監(jiān)測節(jié)點較多,需要基于人體姿態(tài)動力學(xué)模型進(jìn)行建模分析,雖然算法邏輯清晰且精度高,但是測量時傳感器位置偏差會隨時間累計,另外在無線傳輸時需要考慮數(shù)據(jù)同步,受外界干擾嚴(yán)重并且傳輸不穩(wěn)定,在接下來的研究中可以采用傳感器較少并且無線傳輸通道較少的方案。

在解算人體姿態(tài)角時,描述姿態(tài)常用的方法是基于四元數(shù)的卡爾曼濾波法,在融合各種數(shù)據(jù)時是將加速度計和磁強計近似看作線性系統(tǒng)來使用卡爾曼濾波方程,接下來的研究可以使用擴(kuò)展卡爾曼濾波或者無損卡爾曼濾波對數(shù)據(jù)進(jìn)行融合。

對運動數(shù)據(jù)特征提取時,在實驗中[25],快速傅里葉變化頻域特征在單傳感器測量時比時域特征和小波分析具有更高的判別能力,但是特征分析不能一概而論,不同方向和位置的特征對待分類的表現(xiàn)程度不一,在以后研究中可以在特征提取時測試多種方案。

現(xiàn)如今使用最常見的模式識別算法是支持向量機,雖然識別率很高,但是一般需要訓(xùn)練比較多的支持向量機,計算量大且運算過程繁瑣,如果想將算法移植到終端比較困難,如何在保證識別率的基礎(chǔ)上優(yōu)化算法是接下來工作的重點。

5 總 結(jié)

隨著微機電技術(shù)的研究發(fā)展,目前所研究的人機交互應(yīng)用領(lǐng)域也不斷擴(kuò)大,可穿戴式人體姿態(tài)識別技術(shù)是一種涉及多學(xué)科、多領(lǐng)域的人機交互技術(shù),包括人體運動學(xué)、傳感器技術(shù)、信號處理等復(fù)雜學(xué)科的一項系統(tǒng)工程。本文從最開始所僅采用加速度計到現(xiàn)在采用慣性傳感單元的進(jìn)展進(jìn)行論述,重點對可穿戴式人體姿態(tài)識別技術(shù)的實現(xiàn)方法進(jìn)行梳理總結(jié)。最后,結(jié)合這項技術(shù)還存在的某些不足對未來科研進(jìn)行了展望,對相關(guān)技術(shù)的深入研究有所幫助。