基于FBG 柔性傳感器的人體姿勢(shì)識(shí)別

王彥，汪俊亮，朱偉，徐浩雨，蔣超

（安徽工業(yè)大學(xué) 電氣信息與工程學(xué)院，馬鞍山 243032）

0 引言

人體姿勢(shì)作為人類(lèi)傳遞信息的一種方式，其識(shí)別技術(shù)廣泛應(yīng)用于生物醫(yī)學(xué)和運(yùn)動(dòng)學(xué)領(lǐng)域，不同的人體姿勢(shì)可能表達(dá)人體當(dāng)前的不同狀態(tài)和需求［1-2］。目前人體姿勢(shì)識(shí)別方法大致可分為基于視覺(jué)技術(shù)和基于傳感器技術(shù)。MOUSSE M A 等［3］基于視覺(jué)技術(shù)提出了多視圖特征，對(duì)人體邊界體積的估計(jì)識(shí)別出坐、站、臥、走等姿勢(shì)。但是視覺(jué)技術(shù)通過(guò)攝像機(jī)提取圖像易受光照和背景干擾影響，在復(fù)雜條件下識(shí)別精度和魯棒性不理想，并且出于個(gè)人隱私考慮，采集圖像需被觀察對(duì)象的同意。周丙濤等［4］采用帶8 個(gè)柔性薄膜壓力傳感器的鞋墊，收集1 組正確蹲姿和4 組錯(cuò)誤蹲姿數(shù)據(jù)，分析壓力云圖，提出數(shù)據(jù)分割算法并結(jié)合引入注意力機(jī)制的長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM），證明了該方法能夠有效檢測(cè)錯(cuò)誤蹲姿。盧海洋等［5］將柔性觸覺(jué)傳感器用于呼吸和脈搏等生理檢測(cè)，并結(jié)合隨機(jī)森林算法識(shí)別站立、慢跑和快跑三種姿勢(shì)，識(shí)別準(zhǔn)確率達(dá)到98.44%。電容式［6］、壓阻式［7］和應(yīng)變式［8］等傳感器不存在侵犯隱私問(wèn)題，但布線復(fù)雜、易受電磁干擾，難以滿足人體姿勢(shì)識(shí)別領(lǐng)域輕結(jié)構(gòu)、抗電磁干擾的場(chǎng)合。

光纖布拉格光柵（Fiber Bragg Grating，F(xiàn)BG）傳感器具有體積小、重量輕、抗電磁干擾等優(yōu)點(diǎn)［9］，且其獨(dú)有的波分復(fù)用特性，易于分布式測(cè)量，廣泛應(yīng)用于結(jié)構(gòu)健康檢測(cè)、醫(yī)療監(jiān)測(cè)、智能可穿戴技術(shù)等領(lǐng)域。隋丹丹等［10］設(shè)計(jì)了一種面向接觸力檢測(cè)的柔性光纖壓力傳感器，提出了4 種不同的增敏結(jié)構(gòu)，得到光纖壓力靈敏度最好的是海綿結(jié)構(gòu)，可達(dá)到4.063 6，能夠?qū)崟r(shí)監(jiān)測(cè)接觸力的大小和分布。ABRO Z A 等［11］采用熔融沉積建模（Fused Deposition Modelling，F(xiàn)DM）工藝嵌入FBG 傳感器陣列制作智能床墊，用于監(jiān)測(cè)睡眠姿勢(shì)，該智能床墊測(cè)量的FBG 傳感器波長(zhǎng)變化與負(fù)載的差異成正比，絕對(duì)誤差為4%，能夠識(shí)別平躺、臥躺、側(cè)躺（左）和側(cè)躺（右）4 種常見(jiàn)的睡姿，但FDM 工藝與FBG 傳感器結(jié)合可能會(huì)降低FBG 傳感器的靈敏度。LIN Q J 等［12］提出了一種基于FBG 傳感器的智能手套，通過(guò)測(cè)量手指各關(guān)節(jié)的角度，采用線性擬合和系數(shù)修正的方法，實(shí)現(xiàn)手指彎曲姿勢(shì)的識(shí)別，然而該方法不能很好地?cái)M合非線性數(shù)據(jù)。LAKHO R A 等［13］在第一跖骨、第三跖骨、第五跖骨、腳心和腳后跟共五處分別布設(shè)了FBG 傳感器，通過(guò)完成站立、身體前傾、蹲下、向前折疊4 種身體姿勢(shì)，驗(yàn)證了人體姿勢(shì)的變化和足底壓力分布有關(guān)，但并未進(jìn)行人體姿勢(shì)的判別。

本文采用COMSOL 有限元分析，設(shè)計(jì)一種基于FBG 柔性傳感器人體姿勢(shì)識(shí)別的智慧鞋墊，結(jié)合K 折交叉驗(yàn)證支持向量（K-fold Cross Validation Support Vector Regression，KCV-SVR）回歸算法來(lái)提升識(shí)別精度。

1 FBG 的傳感原理

光纖布拉格光柵傳感器在光纖纖芯內(nèi)構(gòu)成空間相位周期性分布結(jié)構(gòu)，成為波長(zhǎng)選擇鏡［14］。如圖1所示。

圖1 FBG 的基本工作原理Fig.1 Basic working principle of FBG

當(dāng)來(lái)自寬帶光源的光入射到光纖光柵中時(shí)，反射波長(zhǎng)λb滿足［15］

式中，λb為反射波長(zhǎng)，neff為纖芯的有效折射率，Λ為光柵周期。在光纖中引起軸向應(yīng)變的任何外部擾動(dòng)都會(huì)改變光柵的周期和有效折射率，從而改變布拉格波長(zhǎng)。當(dāng)應(yīng)變和溫度同時(shí)作用時(shí)，布拉格波長(zhǎng)的偏移量表達(dá)式為

式中，P11和P12為有效彈光系數(shù)，υ為光纖材料的泊松比，ε為光纖中的軸向應(yīng)變，α為熱膨脹系數(shù)，ξ為熱光系數(shù)，ΔT為溫度變化。

2 有限元結(jié)構(gòu)仿真與分析

在Solidworks 軟件中建立足部的實(shí)體模型，設(shè)置足部的國(guó)際碼尺寸為260 mm，并導(dǎo)入COMSOL 仿真軟件，在COMSOL 的物理場(chǎng)中選擇固體力學(xué)模塊并設(shè)置穩(wěn)態(tài)求解，設(shè)置尺寸為150 mm×300 mm×4 mm的足底壓力板模擬鞋墊，繪制幾何模型。足部與鞋墊的相關(guān)材料參數(shù)如表1 所示。

表1 材料參數(shù)Table 1 Material parameter

表2 兩種模型的評(píng)價(jià)指標(biāo)Table 2 Evaluation indexes of the two models

正常情況下，人無(wú)論是處于靜態(tài)還是動(dòng)態(tài)，足部各個(gè)結(jié)構(gòu)之間接觸部分并無(wú)分離現(xiàn)象，故可以用接觸對(duì)來(lái)模擬足部與鞋墊接觸，足底與鞋墊之間的摩擦系數(shù)為0.3。由于模擬的是一只腳站立時(shí)足底壓力的分布情況，對(duì)足部設(shè)置垂直向下的壓力300 N，再對(duì)模型進(jìn)行四邊形網(wǎng)格劃分，如圖2（a）。全部構(gòu)建完成進(jìn)行仿真研究，圖2（b）顯示足底壓力的分布云圖。

圖2 模型網(wǎng)格劃分及仿真足底壓力分布云圖Fig.2 Model meshing and simulated plantar pressure distribution cloud map

由圖2（b）仿真結(jié)果可知，人體足底壓力主要分布在大腳拇指、第一跖骨、第三跖骨和足后跟處。且足底壓力板的峰值壓強(qiáng)出現(xiàn)在足后跟處，達(dá)到1.14 MPa，在第一跖骨和第三跖骨處同樣存在壓強(qiáng)峰值，大小為0.85 MPa，大腳拇指處的壓強(qiáng)達(dá)到了0.24 MPa。

3 模型構(gòu)建

3.1 支持向量回歸算法

基于支持向量回歸（Support Vector Regression，SVR）算法的人體姿勢(shì)識(shí)別首先需要構(gòu)建數(shù)據(jù)集，將4 個(gè)FBG 傳感器的中心波長(zhǎng)變化量作為輸入量，8 種不同姿勢(shì)作為輸出量。

回歸問(wèn)題可以看成：已知輸入-輸出數(shù)據(jù)集{(xi，yi)}(i=1，2，…，M)，其中xi為第i個(gè)m維輸入向量；yi為第i個(gè)標(biāo)量輸出；M為訓(xùn)練樣本數(shù)，求解輸入與輸出之間的關(guān)系［16-17］。

SVR 是支持向量機(jī)（Support Vector Machine，SVM）的一個(gè)重要分支，常用于回歸分析與函數(shù)逼近問(wèn)題，對(duì)于給定的樣本

SVR 通過(guò)尋找最優(yōu)函數(shù)y=f(x)從而推測(cè)出與x對(duì)應(yīng)的y值，即

式中，f(x)是回歸超平面，?(x)是關(guān)于x的輸入量，ω和b是超平面定義的參數(shù)。

引入懲罰因子c和松弛變量因子ξi，ξi?得到優(yōu)化目標(biāo)

SVR 利用非線性映射算法將低維線性不可分樣本映射到線性可分的高維特征空間，SVR 的函數(shù)表達(dá)式為

式中，αi、αi*是拉格朗日數(shù)乘因子；K(xi，xj)=φ(xi)?φ(xj)是核函數(shù)，采用的是徑向基函數(shù)，其表達(dá)式為

式中，g為核函數(shù)參數(shù)。

3.2 支持向量回歸的參數(shù)優(yōu)化

懲罰參數(shù)c和核函數(shù)參數(shù)g會(huì)影響支持向量回歸的預(yù)測(cè)效果，通過(guò)K 折交叉驗(yàn)證法對(duì)參數(shù)進(jìn)行優(yōu)化。交叉驗(yàn)證的基本思想是對(duì)數(shù)據(jù)集進(jìn)行分組，一部分作為訓(xùn)練集，另一部分作為測(cè)試集，利用訓(xùn)練集對(duì)分類(lèi)器訓(xùn)練，然后將測(cè)試集引入訓(xùn)練集得到模型，對(duì)模型進(jìn)行最終評(píng)估［18］。

K 折交叉驗(yàn)證（KCV）［19-20］是指將數(shù)據(jù)集隨機(jī)分成K組，不重復(fù)地抽取其中一組作為測(cè)試集，剩余的K-1 組作為訓(xùn)練集，如圖3。本次實(shí)驗(yàn)選取K值為5。

圖3 K 折交叉驗(yàn)證Fig.3 K fold cross verification

由K 折交叉驗(yàn)證在訓(xùn)練集中得到評(píng)估結(jié)果，將K個(gè)模型測(cè)試集輸出結(jié)果準(zhǔn)確率的平均值作為K 折交叉驗(yàn)證分類(lèi)器的指標(biāo)參數(shù)，通過(guò)K 折交叉驗(yàn)證自動(dòng)搜索最優(yōu)參數(shù)懲罰因子c和徑向基函數(shù)參數(shù)g。圖4 為KCV優(yōu)化SVR 的具體步驟。

圖4 KCV-SVR 的具體流程Fig.4 Specific flow of KCV-SVR

3.3 模型的評(píng)價(jià)指標(biāo)

在支持向量回歸分析中，通常采用均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）和決定系數(shù)（R2）三種評(píng)價(jià)指標(biāo)［21］來(lái)判斷模型預(yù)測(cè)結(jié)果的好壞。其表達(dá)式為

式中，Yi為樣本的實(shí)際觀測(cè)值；i是模型的預(yù)測(cè)值；i是樣本的平均值。

RMSE 和MAE 表示預(yù)測(cè)模型中真實(shí)值和預(yù)測(cè)值之間的誤差，也表示預(yù)測(cè)模型的泛化能力，RMSE 和MAE 越接近于0，預(yù)測(cè)效果和泛化效果越好。R2表示預(yù)測(cè)值和真實(shí)值之間的相關(guān)密切程度，其值越接近于1，相關(guān)性越好。

4 實(shí)驗(yàn)研究

4.1 FBG 的布設(shè)及標(biāo)定

智慧鞋墊尺寸為右腳260 mm，選擇4 只FBG 傳感器，分別布設(shè)于大腳拇指、第一跖骨、第三跖骨和足后跟處，采用PDMS 硅膠封裝［22-24］，如圖5（a）。為避免FBG 中心波長(zhǎng)的重疊，4 只FBG 中心波長(zhǎng)分別為1 529.912 nm、1 539.945 nm、1 546.022 nm 和1 554.810 nm，圖5（b）為4 只FBG 初始中心波長(zhǎng)光譜。

圖5 FBG 傳感器的布設(shè)位置及其光譜Fig.5 Location and spectral diagram of FBG sensor

對(duì)4 只FBG 傳感器進(jìn)行標(biāo)定，實(shí)驗(yàn)過(guò)程中保持室溫不變。采用MOI Si155 光纖光柵解調(diào)儀，波長(zhǎng)精度1 pm，測(cè)量頻率1 000 Hz。通過(guò)砝碼加壓，從5 N 開(kāi)始，每間隔5 N 加壓，直至35 N，實(shí)驗(yàn)過(guò)程重復(fù)5 次，取波長(zhǎng)偏移量的平均值。利用最小二乘法進(jìn)行線性擬合，擬合結(jié)果如圖6 所示，可見(jiàn)FBG 的波長(zhǎng)偏移量對(duì)壓力具有較高的線性度及靈敏度。

圖6 FBG 傳感器與壓力的關(guān)系Fig.6 Relationship between FBG sensors and pressure

4.2 實(shí)驗(yàn)設(shè)計(jì)及數(shù)據(jù)采集

實(shí)驗(yàn)共征集25 名足部正常的參與者，年齡在22～24 歲之間，足部尺寸大小為260 mm。將智慧鞋墊放置于光滑平整、質(zhì)地堅(jiān)硬的地面，要求每一位參與者測(cè)試時(shí)保持身體平衡，左右腳均勻分配體重，完成如圖7 所示的8 種常見(jiàn)姿勢(shì)，分別為站立、坐、單腳站立、向前折疊、前傾、后傾、半蹲、全蹲。測(cè)試過(guò)程中每個(gè)姿勢(shì)保持15 s，重復(fù)該姿勢(shì)兩次，測(cè)得FBG 中心波長(zhǎng)變化量并取其平均值。圖8 分別為站立和單腳站立姿勢(shì)下FBG傳感器的波長(zhǎng)偏移。

圖7 參與者表現(xiàn)的不同姿勢(shì)Fig.7 Different postures of participants

圖8 站立和單腳站立姿勢(shì)下FBG 的中心波長(zhǎng)偏移Fig.8 The center wavelength deviation of FBG in standing and one-legged standing posture

4.3 實(shí)驗(yàn)結(jié)果分析

采用支持向量回歸（SVR）和基于K 折交叉驗(yàn)證優(yōu)化的支持向量回歸（KCV-SVR）分別對(duì)人體姿勢(shì)進(jìn)行識(shí)別，數(shù)據(jù)集200 組，訓(xùn)練樣本占比0.8。

圖9 為K 折交叉驗(yàn)證對(duì)支持向量回歸參數(shù)尋優(yōu)的過(guò)程。由圖可見(jiàn)，通過(guò)KCV 法后得到懲罰因子和徑向基函數(shù)參數(shù)最優(yōu)解分別為0.5 和8。

圖9 KCV 法參數(shù)選擇（K=5）Fig.9 Parameter selection of KCV method （K=5）

經(jīng)過(guò)KCV 法優(yōu)化后的SVR 和未優(yōu)化的SVR 兩種模型對(duì)人體不同姿勢(shì)的預(yù)測(cè)結(jié)果如圖10，兩種模型的評(píng)價(jià)指標(biāo)結(jié)果見(jiàn)表2。

圖10 SVR 和KCV-SVR 預(yù)測(cè)結(jié)果Fig.10 Prediction results of SVR and KCV-SVR chart

從圖10 和表2 可以看出，KCV-SVR 回歸預(yù)測(cè)性能較SVR 回歸預(yù)測(cè)性能好，SVR 回歸模型的均方根誤差RMSE 為0.510 6，平均絕對(duì)誤差MAE 為0.132 3，決定系數(shù)R2為0.967 7；而KCV-SVR 回歸模型的RMSE較之降低0.460 4，MAE 減少66.3%，R2提高3.3%。

圖11 是采用Min-Max 將采集到的數(shù)據(jù)映射到［0，1］之間后，SVR 和KCV-SVR 回歸模型的預(yù)測(cè)誤差，其中SVR 最大誤差達(dá)到0.309 6，最小達(dá)到0.012，平均誤差為0.088 4。而KCV-SVR 最大誤差達(dá)到0.301 6，最小達(dá)到0.001 5，平均誤差為0.057 6。證明了K 折交叉驗(yàn)證支持向量回歸模型對(duì)人體姿勢(shì)預(yù)測(cè)效果更佳。

圖11 SVR 和KCV-SVR 預(yù)測(cè)誤差Fig.11 SVR and KCV-SVR prediction errors

5 結(jié)論

本文針對(duì)常見(jiàn)的人體姿勢(shì)設(shè)計(jì)了一種基于FBG 柔性傳感器人體姿勢(shì)識(shí)別的智慧鞋墊，并結(jié)合KCVSVR 回歸算法來(lái)提升姿勢(shì)識(shí)別精度。利用COMSOL 仿真軟件構(gòu)建了人體站立姿勢(shì)下的鞋墊受力模型，根據(jù)仿真結(jié)果，站立姿勢(shì)下足底主要受力部位是大腳拇指、第一跖骨、第三跖骨和足后跟處。在此基礎(chǔ)上，制作了柔性智慧鞋墊，并將FBG 傳感器布設(shè)在四處主要受力部位。通過(guò)25 名參與者完成8 種常見(jiàn)的人體姿勢(shì)，共構(gòu)建200 組數(shù)據(jù)集。引入了KCV-SVR 回歸模型對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，并將SVR 回歸模型作為預(yù)測(cè)參考。研究結(jié)果表明，KCV-SVR 回歸模型的RMSE 和MAE 比SVR 回歸模型分別降低0.460 4 和0.087 7，決定系數(shù)R2為0.999 6?？梢?jiàn)，KCV-SVR 回歸模型可基本實(shí)現(xiàn)對(duì)人體姿勢(shì)的識(shí)別。

此外，本文僅僅針對(duì)人體姿勢(shì)進(jìn)行識(shí)別，后續(xù)還可對(duì)姿勢(shì)的正確性進(jìn)行評(píng)估，以及實(shí)現(xiàn)對(duì)運(yùn)動(dòng)過(guò)程中姿勢(shì)的實(shí)時(shí)監(jiān)測(cè)。