基于WSN的人體姿態(tài)辨識(shí)系統(tǒng)設(shè)計(jì)

，， ，， ，

(浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023)

隨著現(xiàn)代醫(yī)學(xué)技術(shù)水平的進(jìn)步、人類平均壽命不斷增長(zhǎng)、老年人口比例逐漸增多，老人的居家看護(hù)問(wèn)題也因此凸顯出來(lái).很多家庭中的老人因子女外出工作而獨(dú)自居住在家，在這種情況下，如果老年人發(fā)生緊急情況(如摔倒或因病久臥不起等)，將無(wú)法得到及時(shí)的救助，老年人的生命安全可能會(huì)受到威脅.目前常見(jiàn)的家居看護(hù)做法是在老年人的房間或養(yǎng)老院安置攝像頭，通過(guò)人工方式監(jiān)控他們的行為[1]，或是通過(guò)圖像識(shí)別的方法辨識(shí)人體行為[2-5].但是利用攝像頭監(jiān)控除了有死角等缺陷外，還存在隱私保護(hù)方面的問(wèn)題.因此，近年來(lái)已有人研究利用慣性傳感器對(duì)人體姿態(tài)進(jìn)行估測(cè)[6-9].

利用無(wú)線傳感器網(wǎng)絡(luò)(Wireless sensor networks，WSN)技術(shù)、微型傳感器技術(shù)設(shè)計(jì)了多目標(biāo)姿態(tài)辨識(shí)系統(tǒng).其中，老年人身上配戴的人體姿態(tài)感知節(jié)點(diǎn)能夠辨識(shí)老年人的姿態(tài)，并通過(guò)WSN發(fā)送到數(shù)據(jù)采集節(jié)點(diǎn)，數(shù)據(jù)采集節(jié)點(diǎn)負(fù)責(zé)將收到的多個(gè)人體姿態(tài)感知節(jié)點(diǎn)的數(shù)據(jù)匯總后上傳至服務(wù)器進(jìn)行存儲(chǔ).該系統(tǒng)能夠?qū)︷B(yǎng)老院或家庭中的多位被看護(hù)者進(jìn)行看護(hù)，一旦系統(tǒng)監(jiān)測(cè)到被看護(hù)者姿態(tài)存在異常則立即進(jìn)行報(bào)警，從而降低了被看護(hù)者因無(wú)法得到及時(shí)救助而發(fā)生危險(xiǎn)的可能性.貢獻(xiàn)在于：1) 通過(guò)WSN技術(shù)的運(yùn)用使系統(tǒng)適用于多老人家庭或醫(yī)院等多用戶場(chǎng)景；2) 監(jiān)控平臺(tái)查詢端采用Web技術(shù)通過(guò)服務(wù)器進(jìn)行發(fā)布，可以實(shí)現(xiàn)遠(yuǎn)程、多用戶同時(shí)監(jiān)控.

1 系統(tǒng)結(jié)構(gòu)

人體姿態(tài)辨識(shí)系統(tǒng)主要由人體姿態(tài)感知節(jié)點(diǎn)、數(shù)據(jù)采集節(jié)點(diǎn)、實(shí)時(shí)監(jiān)控管理平臺(tái)三部分組成.其中數(shù)據(jù)采集節(jié)點(diǎn)負(fù)責(zé)ZigBee網(wǎng)絡(luò)的組建、人體姿態(tài)感知節(jié)點(diǎn)的入網(wǎng)、被看護(hù)者姿態(tài)信息的上傳工作.人體姿態(tài)感知節(jié)點(diǎn)帶有三軸加速度傳感器，能通過(guò)分析傳感器采集到的信號(hào)辨識(shí)人體姿態(tài)，并周期性地通過(guò)ZigBee網(wǎng)絡(luò)上傳數(shù)據(jù).

實(shí)時(shí)監(jiān)控管理平臺(tái)實(shí)現(xiàn)了對(duì)被監(jiān)護(hù)者資料和姿態(tài)信息的管理、實(shí)時(shí)監(jiān)控、歷史信息查詢等功能.在系統(tǒng)啟動(dòng)時(shí)，服務(wù)器開(kāi)始接收數(shù)據(jù)采集節(jié)點(diǎn)上傳的數(shù)據(jù)，并將這些數(shù)據(jù)保存到數(shù)據(jù)庫(kù)中，平臺(tái)頁(yè)面采用Web形式，這樣便于監(jiān)控者進(jìn)行遠(yuǎn)程監(jiān)護(hù)，同時(shí)實(shí)現(xiàn)了遠(yuǎn)程數(shù)據(jù)分析、報(bào)警等功能.系統(tǒng)結(jié)構(gòu)示意圖如圖1所示.

圖1 系統(tǒng)結(jié)構(gòu)示意圖

2 硬件系統(tǒng)設(shè)計(jì)

為了在不影響使用者日常生活的前提下，盡可能保證系統(tǒng)功能的完整性，系統(tǒng)采用了包含兩種不同功能節(jié)點(diǎn)的硬件設(shè)計(jì)方案.被監(jiān)護(hù)者攜帶的人體姿態(tài)感知節(jié)點(diǎn)在設(shè)計(jì)上采用了微型傳感器和微型電池供電系統(tǒng)，通過(guò)減小節(jié)點(diǎn)體積使設(shè)備更方便佩戴.用于收集數(shù)據(jù)的數(shù)據(jù)采集節(jié)點(diǎn)由于不受體積大小的限制，在硬件設(shè)計(jì)上包含了串口模塊和大容量的電池模塊，擴(kuò)展了節(jié)點(diǎn)的功能和使用時(shí)間.

2.1 人體姿態(tài)感知節(jié)點(diǎn)

人體姿態(tài)感知節(jié)點(diǎn)佩戴在使用者身上，用于采集人體加速度信號(hào)，能通過(guò)WSN網(wǎng)絡(luò)將人體姿態(tài)信息發(fā)送到數(shù)據(jù)采集節(jié)點(diǎn).因此，人體姿態(tài)感知節(jié)點(diǎn)由加速度傳感器、I/O接口、無(wú)線通信模塊、微控制器以及電源模塊組成，硬件結(jié)構(gòu)圖如圖2所示.

圖2 人體姿態(tài)感知節(jié)點(diǎn)硬件結(jié)構(gòu)圖

1) 加速度傳感器采用的mma7361芯片是一種低功耗、低輪廓電容和微機(jī)械型加速度計(jì)芯片.通過(guò)輸出不同電壓值表示不同的加速度值.

2) 微控制器負(fù)責(zé)將傳感器采集到的數(shù)據(jù)進(jìn)行本地處理，得出人體姿態(tài)信息.無(wú)線通信模塊負(fù)責(zé)將計(jì)算出的人體姿態(tài)數(shù)據(jù)發(fā)送給數(shù)據(jù)采集節(jié)點(diǎn)，模塊由能夠支持IEEE 802.15.4標(biāo)準(zhǔn)的CC2430芯片來(lái)實(shí)現(xiàn)WSN中的數(shù)據(jù)傳輸.

3) 電源模塊為節(jié)點(diǎn)其他部分的工作提供能量，模塊采用微型電池供電，以減小節(jié)點(diǎn)體積.

沿著蘭江，孔老一和潘云深一腳淺一腳地往上游趕。天上不停炸著響雷，閃電過(guò)后，暴雨如注。兩個(gè)男人在閃電里拖著長(zhǎng)長(zhǎng)的影子。

2.2 數(shù)據(jù)采集節(jié)點(diǎn)

數(shù)據(jù)采集節(jié)點(diǎn)用于收集同網(wǎng)絡(luò)中所有人體姿態(tài)感知節(jié)點(diǎn)發(fā)送的姿態(tài)信息，并將匯總信息上傳至計(jì)算機(jī).因此，數(shù)據(jù)采集節(jié)點(diǎn)包括了無(wú)線通信模塊、微控制器、串口模塊.無(wú)線通信模塊負(fù)責(zé)將收集到的各節(jié)點(diǎn)數(shù)據(jù)通過(guò)串口模塊上傳至服務(wù)器端.

在系統(tǒng)初始化時(shí)，數(shù)據(jù)采集節(jié)點(diǎn)作為網(wǎng)絡(luò)的發(fā)起者，建立ZigBee網(wǎng)絡(luò)，各人體姿態(tài)感知節(jié)點(diǎn)加入網(wǎng)絡(luò)后，與數(shù)據(jù)采集節(jié)點(diǎn)組成網(wǎng)狀拓?fù)浣Y(jié)構(gòu)，最終將數(shù)據(jù)發(fā)送給數(shù)據(jù)采集節(jié)點(diǎn).數(shù)據(jù)采集節(jié)點(diǎn)的硬件結(jié)構(gòu)圖如圖3所示.

圖3 數(shù)據(jù)采集節(jié)點(diǎn)硬件結(jié)構(gòu)圖

3 軟件系統(tǒng)設(shè)計(jì)

本系統(tǒng)的軟件開(kāi)發(fā)采用了IAR Embedded Workbench以及MyEclipse開(kāi)發(fā)平臺(tái).其中，IAR Embedded Workbench是瑞典IAR Systems公司為微處理器開(kāi)發(fā)的一款集成開(kāi)發(fā)環(huán)境，用于對(duì)節(jié)點(diǎn)軟件的編寫，MyEclipse用于系統(tǒng)平臺(tái)的整體開(kāi)發(fā).本研究首先對(duì)整體軟件架構(gòu)進(jìn)行了規(guī)劃，然后根據(jù)姿態(tài)辨識(shí)算法和WSN通信標(biāo)準(zhǔn)開(kāi)發(fā)了節(jié)點(diǎn)程序，最后根據(jù)需求指標(biāo)和節(jié)點(diǎn)接口程序?qū)ΡO(jiān)控平臺(tái)軟件進(jìn)行了設(shè)計(jì).

3.1 人體姿態(tài)感知節(jié)點(diǎn)軟件設(shè)計(jì)

人體姿態(tài)感知節(jié)點(diǎn)的主要功能包括：搜索、加入數(shù)據(jù)采集節(jié)點(diǎn)建立的ZigBee網(wǎng)絡(luò)；周期性采樣加速度信號(hào)，并判斷人體姿態(tài)；發(fā)送人體姿態(tài)數(shù)據(jù)到數(shù)據(jù)采集節(jié)點(diǎn).人體姿態(tài)感知節(jié)點(diǎn)啟動(dòng)后，首先對(duì)自身進(jìn)行初始化校準(zhǔn)，然后對(duì)信道進(jìn)行掃描，發(fā)現(xiàn)并加入由數(shù)據(jù)采集節(jié)點(diǎn)建立的ZigBee網(wǎng)絡(luò)，同時(shí)獲取數(shù)據(jù)采集節(jié)點(diǎn)的網(wǎng)絡(luò)地址.最后，不斷讀取三軸加速度信號(hào)，將離散信號(hào)作為離散小波進(jìn)行濾波處理后，分階段進(jìn)行姿態(tài)判斷，并將人體姿態(tài)信息、節(jié)點(diǎn)編號(hào)發(fā)送給數(shù)據(jù)采集端[10-11].軟件基本流程如圖4所示.

圖4 人體姿態(tài)感知節(jié)點(diǎn)工作流程圖

人體姿態(tài)感知節(jié)點(diǎn)及數(shù)據(jù)采集節(jié)點(diǎn)通信模塊使用的是TI公司的CC2430芯片，芯片支持IEEE 802.15.4標(biāo)準(zhǔn)，能夠移植完整的Zstack協(xié)議棧.Zstack協(xié)議棧提供了應(yīng)用層以下的各層協(xié)議，具有路由功能，用戶只需要編寫應(yīng)用層程序并調(diào)用接口函數(shù)即可完成數(shù)據(jù)傳送.

3.2 人體姿態(tài)辨識(shí)算法

基于文獻(xiàn)[12]中的算法，通過(guò)加速度傳感器采樣的信號(hào)對(duì)人體姿態(tài)進(jìn)行辨識(shí).

首先根據(jù)加速度傳感器上的坐標(biāo)軸，建立人體空間直角坐標(biāo)系，如圖5所示.其中X軸為人體垂直向上方向，Y軸為人體水平向右方向，Z軸為人體橫剖面平行向內(nèi)方向.數(shù)據(jù)采集節(jié)點(diǎn)包括無(wú)線通信模塊、微控制器和串口模塊.無(wú)線通信模塊負(fù)責(zé)將收集到的各節(jié)點(diǎn)數(shù)據(jù)通過(guò)串口模塊上傳至服務(wù)器端.

圖5 人體空間直角坐標(biāo)系

人體在靜止時(shí)姿態(tài)固定不變，而運(yùn)動(dòng)時(shí)為一套連續(xù)姿態(tài)，因此需對(duì)加速度連續(xù)采樣，將多組離散加速度組成的離散小波作為判斷人體姿態(tài)的依據(jù).考慮到微控制器的存儲(chǔ)空間有限，系統(tǒng)每次以256組采樣值作為姿態(tài)辨識(shí)的數(shù)據(jù)源.通過(guò)加速度計(jì)讀取的加速度中包含兩類加速度，一類是重力對(duì)人體作用產(chǎn)生的持續(xù)加速度，稱為靜態(tài)加速度，另一類是人體運(yùn)動(dòng)所產(chǎn)生的加速度，稱為動(dòng)態(tài)加速度.其中，動(dòng)態(tài)加速度可以用來(lái)描述人體的運(yùn)動(dòng)情況，靜態(tài)加速度用來(lái)描述人體的傾角.

人體在摔倒時(shí)加速度發(fā)生劇烈變化，各方向上均產(chǎn)生極大峰值.利用信號(hào)向量強(qiáng)度(SVM: Signal vector magnitude)[13]，根據(jù)瞬間加速度即可區(qū)分摔倒與其他姿態(tài).SVM定義為

(1)

式中：xi，yi，zi分別為x，y，z軸方向上第i個(gè)加速度的采樣值.SVM值大于閾值則可判定為摔倒，否則進(jìn)行下一步判斷.

在區(qū)分運(yùn)動(dòng)狀態(tài)與靜止?fàn)顟B(tài)時(shí)，可以采用信號(hào)幅度域(SMA: Signal magnitude area)[13-14]，SMA定義為

(2)

式中：x(t)，y(t)，z(t)分別為t時(shí)刻x，y，z軸方向上的加速度采樣值；t通常為取256次采樣所需時(shí)間.

計(jì)算出的SMA值若大于閾值則判定為動(dòng)態(tài)，否則為靜態(tài).若為動(dòng)態(tài)，通過(guò)對(duì)各軸峰值的對(duì)比可以辨別上、下樓姿態(tài).若為靜態(tài)，通過(guò)夾角度數(shù)可以判斷具體姿態(tài).

姿態(tài)辨識(shí)算法流程如圖6所示.

圖6 姿態(tài)辨識(shí)算法流程圖

通過(guò)對(duì)人體姿態(tài)數(shù)據(jù)的分析，可以發(fā)現(xiàn)靜止?fàn)顟B(tài)與運(yùn)動(dòng)狀態(tài)、摔倒與其他姿態(tài)之間都有明顯的區(qū)別.通過(guò)采集到的加速度信號(hào)，可以識(shí)別出摔倒、行走、上樓、下樓、站立、坐和躺7種姿態(tài).

3.3 實(shí)時(shí)監(jiān)控管理平臺(tái)

實(shí)時(shí)監(jiān)控管理平臺(tái)由后臺(tái)軟件系統(tǒng)和前端Web監(jiān)控查詢系統(tǒng)組成，其功能結(jié)構(gòu)如圖7所示，系統(tǒng)Web頁(yè)面如圖8所示.后臺(tái)軟件中的串口讀取程序讀取數(shù)據(jù)采集節(jié)點(diǎn)上傳的數(shù)據(jù)包，解析數(shù)據(jù)包中的人體姿態(tài)感知節(jié)點(diǎn)編號(hào)、姿態(tài)信息等數(shù)據(jù)，并存入數(shù)據(jù)庫(kù)中.用戶可以利用前端軟件系統(tǒng)創(chuàng)建監(jiān)控對(duì)象，通過(guò)人體姿態(tài)感知節(jié)點(diǎn)編號(hào)可以進(jìn)行歷史數(shù)據(jù)的查詢和管理.監(jiān)控界面采用Web形式，將網(wǎng)站部署到因特網(wǎng)后可以實(shí)現(xiàn)遠(yuǎn)程實(shí)時(shí)監(jiān)控.

圖7 實(shí)時(shí)監(jiān)控管理平臺(tái)功能結(jié)構(gòu)圖

前端管理信息包括被監(jiān)控者的編號(hào)、姓名、年齡和緊急聯(lián)系方式等基本信息.實(shí)時(shí)監(jiān)控頁(yè)面可以顯示當(dāng)前連接數(shù)，以及各個(gè)被監(jiān)控者的狀態(tài).可以通過(guò)節(jié)點(diǎn)編號(hào)查詢被監(jiān)控者的歷史狀況等信息.

圖8 實(shí)時(shí)監(jiān)控管理平臺(tái)頁(yè)面

4 系統(tǒng)測(cè)試

為了驗(yàn)證人體姿態(tài)辨識(shí)系統(tǒng)的實(shí)際效果，分別對(duì)多位不同年齡段試驗(yàn)者進(jìn)行了數(shù)據(jù)收集及系統(tǒng)測(cè)試，為了使實(shí)驗(yàn)結(jié)果具有更高的可信度，測(cè)試的地點(diǎn)均為日常生活場(chǎng)所.被測(cè)試者在測(cè)試前首先被告知實(shí)驗(yàn)過(guò)程，然后根據(jù)實(shí)驗(yàn)人員的指令進(jìn)行各組不同姿態(tài)的測(cè)試.實(shí)驗(yàn)結(jié)果分析表明，由于各年齡段人體的活動(dòng)強(qiáng)度、動(dòng)作速度不同，系統(tǒng)對(duì)各年齡段試驗(yàn)者的姿態(tài)辨識(shí)準(zhǔn)確率不同.對(duì)于高年齡段試驗(yàn)者，因?yàn)樽呗菲骄?，活?dòng)起伏較小，降低了運(yùn)動(dòng)峰值谷值對(duì)姿態(tài)辨識(shí)的影響，摔倒辨識(shí)誤差最小，但由于走路過(guò)于緩慢，也容易導(dǎo)致行走與靜止之間的誤判.測(cè)試中，本系統(tǒng)對(duì)各姿勢(shì)的辨識(shí)準(zhǔn)確率詳見(jiàn)表1.

測(cè)試中，被測(cè)試者的動(dòng)作相對(duì)較為拘謹(jǐn)，且在生活中，人體姿態(tài)更為多變，因此姿態(tài)識(shí)別準(zhǔn)確率也會(huì)有所波動(dòng).系統(tǒng)對(duì)于上、下樓姿態(tài)的辨識(shí)存在較大誤差，但對(duì)于摔倒姿態(tài)的辨識(shí)準(zhǔn)確率已達(dá)90%以上，可以實(shí)現(xiàn)對(duì)老年人進(jìn)行摔倒監(jiān)控的基本需求.在實(shí)際應(yīng)用中，根據(jù)用戶實(shí)際情況調(diào)節(jié)各階段的閾值，可以有效提高姿態(tài)辨識(shí)的準(zhǔn)確率.

表1 各年齡段不同人體姿態(tài)辨識(shí)準(zhǔn)確率的比較

5 結(jié) 論

設(shè)計(jì)了一種基于WSN的人體姿態(tài)辨識(shí)系統(tǒng)，運(yùn)用WSN技術(shù)、小波分析理論、微型傳感器技術(shù)設(shè)計(jì)了姿態(tài)辨識(shí)系統(tǒng)的硬件系統(tǒng)和軟件系統(tǒng)，在不影響被監(jiān)護(hù)者日常生活的前提下，實(shí)現(xiàn)了對(duì)被監(jiān)護(hù)者的7種人體姿態(tài)辨識(shí).該系統(tǒng)能夠同時(shí)對(duì)多名被監(jiān)護(hù)者的人體姿態(tài)進(jìn)行遠(yuǎn)程實(shí)時(shí)監(jiān)控，可用于對(duì)獨(dú)居老人或醫(yī)院病人的安全監(jiān)護(hù)用途.

參考文獻(xiàn)：

[1] 鄭莉莉，黃鮮萍，梁榮華．基于支持向量機(jī)的人體姿態(tài)識(shí)別[J]．浙江工業(yè)大學(xué)學(xué)報(bào)，2012，40(6)：670-765．

[2] ROPPE R. A survey on vision-based human action recognition[J]. Image and Vision Computing，2010，28(6)：976-990．

[3] JIANG Xing-hao， SUN Tan-feng， FENG Bing， et al． A space-time SURF descriptor and its application to action recognition with video words[C]//8th International Conference on Fuzzy Systems and Knowledge Discovery． Shanghai： IEEE Computer Society，2011：1911-1915．

[4] 湯一平，陸海峰．基于計(jì)算機(jī)視覺(jué)的電梯內(nèi)防暴力智能視頻監(jiān)控[J]．浙江工業(yè)大學(xué)學(xué)報(bào)，2009，37(6)：591-597．

[5] 滕游，董輝，俞立．基于DSP的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤系統(tǒng)設(shè)計(jì)[J]．浙江工業(yè)大學(xué)學(xué)報(bào)，2009，37(6)：607-609．

[6] 劉星．對(duì)維MEMS慣性傳感器的姿態(tài)解算算法研究[D]．哈爾濱：哈爾濱工程大學(xué)自動(dòng)化學(xué)院，2013．

[7] KHAN A M， LEE Y K， LEE S Y， et al． A triaxial accelerometer-based physical-activity recognition via augmented-signal features and a hierarchical recognizer[J]． IEEE Transactions on Information Technology in Biomedicine，2010，14(5)：1166-1172．

[8] LAI C F， CHANG S Y， CHAO H C， et al． Detection of cognitive injured body region using multiple triaxial accelerometers for elderly falling[J]． IEEE Sensors Journal，2011，11(3)：763-770．

[9] NAJAFI B， AMINIAN K， PARASCHIV-LONESCU A， et al． Ambulatory system for human motion analysis using a kinematic sensor: monitoring of daily physical activity in the elderly[J]． IEEE Transactions on，2003，50(6)：711-723．

[10] 周曉，李杰，邊裕挺．基于無(wú)線傳感網(wǎng)絡(luò)的環(huán)境溫度監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]．浙江工業(yè)大學(xué)學(xué)報(bào)，2013，41(4)：440-443．

[11] 陸歡佳，俞立，董齊芬，等．基于無(wú)線傳感網(wǎng)的樓宇環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]．浙江工業(yè)大學(xué)學(xué)報(bào)，2011，39(6)：683-687．

[12] KARANTONIS D M， NARAYANAN M R， MATHIE M， et al． Implementation of a real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring[J]． IEEE Transactions on Information Technology in Biomedicine，2006，10(1)：156-167．

[13] MATHIE M J． Monitoring and interpreting human movement patterns using a triaxial accelerometer[D]． Sydney： The University of New South Wales，2003．

[14] FOERSTER F， FAHRENBERG J． Motion pattern and posture: correctly assessed by calibrated accelerometers[J]．Behavior Research Methods，2000，32：450-457．