基于加速度傳感器的步態(tài)分析研究

吉林農(nóng)業(yè)科技學(xué)院機(jī)械與土木工程學(xué)院 程浩天 佟沐霖 封龍龍 韓越強(qiáng) 程相羽 劉浩 常影

引言

加速度傳感器自問世以來被廣泛應(yīng)用到各個領(lǐng)域，它的工作原理為牛頓第二定律A=FM?，F(xiàn)如今基于加速度傳感器對坐起和步態(tài)運動所產(chǎn)生的動作數(shù)據(jù)，同時隨著社會的發(fā)展，應(yīng)用場景也在實時的改變和更新，因此在對坐起和步態(tài)運動的數(shù)據(jù)處理方法也有了很大的更新，并且應(yīng)用寬度也在不斷擴(kuò)展[1-3]。很多研究學(xué)者對加速度傳感器的數(shù)據(jù)采集和人體相關(guān)生理活動進(jìn)行了相關(guān)的研究，然后對數(shù)據(jù)進(jìn)行特征提取和分類。福州大學(xué)的楊文輝針對加速度傳感器步態(tài)識別的研究場景單一的缺點問題，進(jìn)行了相關(guān)的研究，提出了多場景變換角度進(jìn)行步態(tài)識別[4]。

圖1 App的界面

沈陽工業(yè)大學(xué)涂斌斌圍繞步態(tài)識別的關(guān)鍵步驟，針對自適應(yīng)性的預(yù)處理方法、異常檢測方法和征提取方法分別進(jìn)行研究[5]。傳統(tǒng)的病理步態(tài)識別方法需要有一定的專業(yè)性才能夠進(jìn)行處理，且過程比較復(fù)雜，雖然準(zhǔn)確率高，但是由于要求較多，應(yīng)用起來仍然受限，因此針對這個問題，燕山大學(xué)的潘秀芳考慮到過程和成本等多個因素，進(jìn)行了相關(guān)的研究[6]，如圖2所示。

圖2 傳感器放置位置

跌倒這一個過程對人身體有很大危害，浙江大學(xué)趙祥欣針對生活中這一個問題進(jìn)行了相關(guān)的研究，為了能夠識別跌倒并且降低跌倒的危害，提高識別率，采用了3維加速度傳感器進(jìn)行了相關(guān)的研究和，還提出了基于該加速度數(shù)據(jù)進(jìn)行識別從而分析步態(tài)以及跌倒情況[7]，如圖3所示。

圖3 系統(tǒng)結(jié)構(gòu)及信號流向示意圖

Heikki J.Ailisto等人考慮了設(shè)備的便攜性，提出了一種用于識別便攜式設(shè)備載體的簡便且自然的方法。該方法使用由嵌入在便攜式設(shè)備中的傳感器產(chǎn)生的加速度信號。當(dāng)用戶攜帶設(shè)備時，將加速度信號與存儲的模板信號進(jìn)行比較。該方法包括查找各個步驟，對其進(jìn)行歸一化和平均化，將其與模板對齊并計算互相關(guān)性（用作相似性度量）。在36個測試對象的試驗中，平均錯誤率達(dá)到6.4%[8]。

驗證了基于加速器步態(tài)識別的可行性。通過加速度傳感器對人體不同位置的測量，就比如說人的手臂，腕關(guān)節(jié)，腳腕，腰部[9]，胸部，腳踝[10]部位，但本文測量坐起和步態(tài)數(shù)據(jù)主要分為三大方面，就是上中下三個方面，五個部位，分別是右手手腕，左手手臂，腰部右側(cè)，右大腿和左腳腕。之所以本文選擇這五個部位，是因為其可以體現(xiàn)上肢，中部和下肢的人體主要運動數(shù)據(jù)，并且可以給實驗數(shù)據(jù)帶來更直觀的分析。右大腿內(nèi)側(cè)和左腳腕的位置，則是針對下肢動作。因為腰腹位置接近人體中心,該處的加速度數(shù)據(jù)可以很好地反映人體的運動信息。同時在不斷的研究和數(shù)據(jù)的對比分析中，多個部位的加速度傳感器的數(shù)據(jù)采集，數(shù)據(jù)準(zhǔn)確率得到了大大的提高，但是整體性和實驗者的佩戴便捷性與舒適度變得更低，同時運動的便捷性，也會對實驗數(shù)據(jù)產(chǎn)生誤差。所以本文結(jié)合之前的設(shè)計與方案，采用整體性佩戴方案，一體式方便被測人員的穿戴，在不減少加速度傳感器個數(shù)的同時，實現(xiàn)對更多復(fù)雜動作的識別，更利于實際的應(yīng)用。

本文設(shè)計了一套采用加速度傳感器BWT901CL采集人體步態(tài)運動時的三位加速度信號的便攜式數(shù)據(jù)采集裝置，基于此裝置采集的數(shù)據(jù)進(jìn)行步態(tài)分析。該裝置便于穿戴并且不影響佩戴者的正?；顒?。本文重點分析了利用MATLAB軟件對數(shù)字濾波函數(shù)的應(yīng)用以及卡爾曼濾波算法降噪的方法處理數(shù)據(jù)。結(jié)果表明,本文數(shù)據(jù)處理和分析方法合理。

1 傳感器選擇和數(shù)據(jù)采集方案設(shè)計

本實驗所用的數(shù)據(jù)裝置是維特智能九軸藍(lán)牙陀螺儀傳感器,該傳感器依托內(nèi)部的三軸陀螺儀、三軸加速度計、三軸歐拉角、三周磁場、姿態(tài)解算器等可以進(jìn)行傾角測量、振動測量、姿態(tài)測量，穩(wěn)定性高。傳感器還可以利用藍(lán)牙2.0與USB接線連接、藍(lán)牙距離可達(dá)10米（無障礙物）。

2 信號預(yù)處理

對數(shù)字信號進(jìn)行預(yù)處理的方法有很多種，例如減弱因無窮級數(shù)截斷而產(chǎn)生的吉布斯現(xiàn)象的加窗法、歸一化、傾斜校正、濾波器等方法。這里本文選用了IIR濾波器對數(shù)據(jù)進(jìn)行濾波處理、Detrend函數(shù)對數(shù)據(jù)進(jìn)行去噪和去趨勢處理。

人體動作識別中采集的數(shù)據(jù)一般都是人體所產(chǎn)生的動作的一段時間的加速度信號,一般來說，所產(chǎn)生的數(shù)據(jù)信號長度比較長。采集的人體運動信號數(shù)據(jù)會出現(xiàn)一些影響特征提取和數(shù)據(jù)分析的雜音，實驗中為了避免雜音的影響，運用濾波器對數(shù)據(jù)進(jìn)行去噪處理，如本文不采用方法對數(shù)據(jù)進(jìn)行去趨勢或特征提取，整個實驗結(jié)果就會產(chǎn)生偏差，或者出現(xiàn)錯誤。

去噪可以去除一些無用的干擾數(shù)據(jù)。濾波器的階數(shù)選用為10階、采用Butterworth,采樣頻率為100Hz，截止頻率為40Hz。通過matlab中的filterDesigner來完成濾波器的設(shè)置,在filterDesigner中設(shè)置完自己想要的參數(shù)以后點擊design filter即可得到所設(shè)計的IIR數(shù)字濾波器。將設(shè)計完的濾波器的文件命名Filter_IIR.m。本文可以在濾波器的函數(shù)中發(fā)現(xiàn)設(shè)置的參數(shù)，其中N為濾波器的階數(shù)，F(xiàn)S為采集頻率，F(xiàn)C為截止頻率。為了方便使用濾波器，在Matlab中另外創(chuàng)建一個腳本文件調(diào)用前面所創(chuàng)建的濾波器函數(shù)。

加速度的預(yù)處理當(dāng)中本文采用Detrend函數(shù)進(jìn)行去趨勢，數(shù)據(jù)去趨勢，就是對數(shù)據(jù)減去一條最優(yōu)（最小二乘）的擬合直線、平面或曲面，使去趨勢后的數(shù)據(jù)均值為零。

3 數(shù)據(jù)分析

步態(tài)特征提取是步態(tài)分析算法的主要部分。在數(shù)據(jù)分析中有多種分類算法中，本文選用了卡爾曼濾波器，它適用于每一個有外部變量的自回歸移動平均系統(tǒng)或可用有理傳遞函數(shù)表示的系統(tǒng)，轉(zhuǎn)換成用狀態(tài)空間表示的系統(tǒng)后，通過卡爾曼濾波進(jìn)行最優(yōu)化自回歸數(shù)據(jù)處理，可以基于上一狀態(tài)預(yù)測出的結(jié)果預(yù)測現(xiàn)在的狀態(tài)，將系統(tǒng)預(yù)測值和實際測量值不斷進(jìn)行協(xié)方差遞歸，算出最優(yōu)值。

實驗者進(jìn)行實驗時，行走步態(tài)平緩，速度的實際值圖像波動也趨于平緩，但仍可通過加速度圖像拐點的峰值波動判斷行走時擺手動作是否發(fā)生。位移圖像的實際值曲線放大了加速度突變階段的影響，估計值更加貼近人體行走時的步態(tài)規(guī)律,速度與位移的估計值變化趨勢趨于一致。

4 總結(jié)

對去趨勢處理后的圖像初步分析，設(shè)置一個均值,觀察記錄峰值落在均值點波動一定范圍內(nèi)的頻率,通過對采集的多組數(shù)據(jù)進(jìn)行統(tǒng)計得出，若以0.4作為極大值的讀值點，則約有80%到90%的極大值分布在該讀值點以上。因此本文通過觀察這個分界線的值，就可以設(shè)定一個正負(fù)區(qū)間的截止數(shù)值，通過截止數(shù)值，本文就可以在坐起還是正常步態(tài)的動作所測量的數(shù)據(jù)的基礎(chǔ)上提高數(shù)據(jù)的比對分析率。同時通過正負(fù)截止數(shù)值，也可以過濾一些離散性高的數(shù)據(jù)點，使本文設(shè)定的截止數(shù)值區(qū)間與極值區(qū)間有比較明顯的劃分度。