基于無跡卡爾曼濾波和小波分析的IMU傳感器去噪技術(shù)研究

摘" 要： 獲得精確的姿態(tài)信息是跌倒檢測的關(guān)鍵。文中在姿態(tài)角解算問題中提出一種基于無跡卡爾曼濾波和小波濾波的改進(jìn)方法，通過Savitzky?Golay濾波器和小波濾波融合算法對加速度計(jì)以及陀螺儀數(shù)據(jù)進(jìn)行降噪處理，利用降噪后的加速度數(shù)據(jù)對陀螺儀數(shù)據(jù)進(jìn)行PI積分補(bǔ)償，將補(bǔ)償后的陀螺儀數(shù)據(jù)進(jìn)行Mahony解算，其結(jié)果作為無跡卡爾曼濾波的狀態(tài)信息；其次通過加速度值解算，將其結(jié)果作為無跡卡爾曼濾波的量測信息實(shí)現(xiàn)姿態(tài)解算。實(shí)驗(yàn)表明，在靜態(tài)條件下，相對于常見的擴(kuò)展卡爾曼濾波融合切比雪夫?yàn)V波算法，該方法使IMU傳感器原始加速度計(jì)精度提高了83.3%，姿態(tài)角標(biāo)準(zhǔn)差平均減少了0.001 93，能夠有效地減少隨機(jī)噪聲。零點(diǎn)漂移、高斯噪聲對IMU傳感器姿態(tài)角信號的影響，使跌倒檢測系統(tǒng)在復(fù)雜的環(huán)境條件下具有較高的精度以及穩(wěn)定性。

關(guān)鍵詞： 跌倒檢測； 小波濾波； Savitzky?Golay濾波器； 無跡卡爾曼濾波； IMU傳感器； 姿態(tài)角

中圖分類號： TN967.2?34" " " " " " " " " " " " " "文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）05?0053?07

IMU sensor denoising based on unscented Kalman filter and wavelet analysis

YANG Zhaozhe， LI Yuezhong， WU Guangwen

（School of Mechanical and Electronic Engineering， East China University of Technology， Nanchang 330032， China）

Abstract： Getting accurate attitude information is the key to fall detection. In this paper， an improved method based on unscented Kalman filter （UKF） and wavelet filtering is proposed for attitude angle estimation. The data of accelerometer and gyroscope are denoised by Savitzky?Golay filter and wavelet filter fusion algorithm. The denoised acceleration data are used for PI integral compensation for gyro data. The compensated gyro data are subjected to the Mahony solution， and the results of solution is used as the state information of the UKF. And then， the acceleration value is used to solve the problem， and the results are used as UKF measurements for attitude determination. Experiments show that the accuracy of the original accelerometer of the IMU （inertial measurement unit） sensor is improved by 83.3% in comparison with the conventional extended Kalman filter fusion Chebyshev filtering algorithm under static conditions， and the mean attitude standard deviation is reduced by 0.001 93， so the improved method can effectively reduce the random noise. Zero drift and Gaussian noise have influence on the attitude angle signal of the IMU sensor， which makes the fall detection system more accurate and stable under complex environmental conditions.

Keywords： fall detection; wavelet filtering; Savitzky?Golay filter; UKF; IMU sensor; attitude angle

0" 引" 言

中國疾控中心的數(shù)據(jù)顯示，跌倒已經(jīng)成為中國65歲及以上老年人受傷致死的首要原因[1] 。跌倒的醫(yī)療結(jié)果很大程度上取決于發(fā)現(xiàn)是否及時(shí)，現(xiàn)有的商用跌倒檢測系統(tǒng)主要分為三類，即視頻式跌倒檢測系統(tǒng)、基于環(huán)境傳感器的跌倒檢測系統(tǒng)、穿戴式跌倒檢測系統(tǒng)[2?6]。視頻式跌倒檢測系統(tǒng)是在人體活動(dòng)區(qū)域內(nèi)安裝攝像頭來獲取圖像，然后在PC端對圖像進(jìn)行處理分析，以此來判斷人體運(yùn)動(dòng)狀態(tài)。這種方法雖然檢測精度較高，但是由于成本限制，無法對老人進(jìn)行24 h的看護(hù)。環(huán)境傳感器檢測系統(tǒng)通常將紅外傳感器、壓力傳感器、毫米波雷達(dá)等傳感器安裝在室內(nèi)對老人進(jìn)行運(yùn)動(dòng)檢測，文獻(xiàn)[7]利用雷達(dá)感知技術(shù)，通過檢測人體高度來判斷人體運(yùn)動(dòng)狀態(tài)。然而這種方法的成本過于昂貴，很難普及到群眾。近年來人們對于穿戴式跌倒檢測系統(tǒng)研究較多，穿戴式跌倒檢測系統(tǒng)通常將跌倒檢測模塊嵌入到手表、衣物、首飾等地方，可實(shí)時(shí)采集人體運(yùn)動(dòng)參數(shù)，通過采集的數(shù)據(jù)進(jìn)行算法處理，以此來判斷人體的運(yùn)動(dòng)狀態(tài)。與上述兩種方法相比，具有便攜性以及普遍性。穿戴式跌倒檢測系統(tǒng)通常利用加速度、角速度傳感器采集數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行姿態(tài)解算，以此判斷人體運(yùn)動(dòng)狀態(tài)。但是姿態(tài)傳感器數(shù)據(jù)常受到高斯白噪聲、環(huán)境噪聲、隨機(jī)游走噪聲以及傳感器工藝影響，造成數(shù)據(jù)誤差較大。文獻(xiàn)[8]利用擴(kuò)展卡爾曼濾波對姿態(tài)角數(shù)據(jù)進(jìn)行最優(yōu)估計(jì)，減少了系統(tǒng)誤差。但是擴(kuò)展卡爾曼濾波時(shí)利用泰勒展開將系統(tǒng)狀態(tài)方程線性化，需要計(jì)算雅可比矩陣，這占用MCU極大的內(nèi)存。

針對這種情況，本文提出了一種利用小波濾波和滑動(dòng)平滑濾波進(jìn)行數(shù)據(jù)初處理，再把處理后的數(shù)據(jù)進(jìn)行四元數(shù)姿態(tài)融合得出姿態(tài)角，最終利用無跡卡爾曼濾波對姿態(tài)角進(jìn)行最優(yōu)估計(jì)的姿態(tài)解算方法，并且制作了實(shí)驗(yàn)樣機(jī)。通過實(shí)驗(yàn)表明，該方法可以使姿態(tài)角精度進(jìn)一步提高，并滿足跌倒檢測精度要求。

1" 系統(tǒng)整體設(shè)計(jì)

1.1" 系統(tǒng)整體硬件結(jié)構(gòu)

本文選用STM32F103VET6作為主控芯片，使用國產(chǎn)充電管理芯片IP5306對3.7 V鋰電池進(jìn)行充放電管理，并配有4個(gè)LED指示燈顯示剩余電量，再利用LDO穩(wěn)壓芯片將IP5306輸出的5 V電壓轉(zhuǎn)換成3.3 V分別為STM32以及姿態(tài)傳感器MPU6050進(jìn)行供電。將MPU6050得到的角速度以及加速度數(shù)據(jù)通過I2C通信協(xié)議傳輸給主控芯片，主控芯片再通過串口協(xié)議將數(shù)據(jù)發(fā)送給上位機(jī)，再利用Matlab對數(shù)據(jù)進(jìn)行濾波算法處理和仿真、姿態(tài)融合，然后再將濾波算法程序通過Simulink導(dǎo)入到MCU中。本文構(gòu)建了一個(gè)高精度的跌倒檢測系統(tǒng)，并且完成原理圖以及PCB設(shè)計(jì)，把PCB尺寸控制在7.2 cm×6.1 cm，方便人體佩戴。系統(tǒng)整體硬件框架圖如圖1所示。

1.2" 算法流程

首先利用滑動(dòng)平滑濾波以及小波濾波對初始數(shù)據(jù)進(jìn)行處理，再利用加速度值對角速度進(jìn)行積分補(bǔ)償，通過對角速度值進(jìn)行四元數(shù)姿態(tài)解算得出姿態(tài)角。最終再利用無跡卡爾曼濾波對姿態(tài)角進(jìn)行進(jìn)一步濾波。本文的算法流程以及數(shù)據(jù)融合方法如圖2所示。

2" 四元數(shù)姿態(tài)解算

2.1" 姿態(tài)角

跌倒檢測系統(tǒng)需要姿態(tài)角數(shù)據(jù)的反饋來實(shí)現(xiàn)對人體運(yùn)動(dòng)狀態(tài)的檢測。姿態(tài)角是用來描述三維立體空間內(nèi)物體任意位置的姿態(tài)情況，姿態(tài)解算展示了其由載體坐標(biāo)系（C系）到地理坐標(biāo)系（G系）的變換[9]。歐拉角表示從C系到G系的轉(zhuǎn)換，公式如式（1）所示：

2.2" 姿態(tài)角解算

由于一階龍庫塔法將角速度轉(zhuǎn)換為姿態(tài)角時(shí)，會造成積分累計(jì)誤差，使角速度的值發(fā)生零點(diǎn)漂移現(xiàn)象，所以本文使用加速度值對角速度值進(jìn)行修正。Mahony算法是澳大利亞學(xué)者Robert Mahony在對傳統(tǒng)互補(bǔ)濾波做出改進(jìn)后提出的一種基于傳感器頻率特性的非線性互補(bǔ)濾波算法[11]。該方法具有很強(qiáng)的魯棒性、計(jì)算量小的優(yōu)點(diǎn)。該算法首先使用加速度值估算出一個(gè)姿態(tài)角，再通過PI反饋控制器對角速度進(jìn)行積分補(bǔ)償。算法原理如圖3所示。

首先，根據(jù)得到的加速度數(shù)值可以得到俯仰角（[θ]）以及翻滾角（[γ]），如式（7）、式（8）所示：

[θ（pitch）=arcsinaxa2x+a2y+a2z] （7）

[γ（raw）=arctanayaxz] （8）

將加速度計(jì)所解算得出的姿態(tài)角[θ（pitch）γ（raw）]，與經(jīng)過加速度和角速度融合得出的姿態(tài)角[θγ]相減，可以得到偏差量[ΔθΔγ]，再將這個(gè)偏差量輸入進(jìn)PI反饋控制器中，然后將輸出值與[θγ]相加，得出最終的修正值。為了控制PI控制器的收斂速度，需要調(diào)節(jié)比例控制參數(shù)以及積分控制參數(shù)。當(dāng)這兩個(gè)數(shù)值越大時(shí)，輸出修正值的速度就越快。但是由于單純的積分修正會造成積分誤差的積累，所以需要用無跡卡爾曼濾波來減少誤差，下文會提到具體過程。

最終將修正的角速度值代入式（9），可以得出修正后的四元數(shù)。

[q0x+1q1x+1q2x+1q3x+1=q0xq1xq2xq3x+Δt2-q1-q2-q3q0-q3q2q3-q0-q1-q2q1q0?ωxωyωz] （9）

式中[Δt]為迭代時(shí)間，最終將四元數(shù)進(jìn)行歸一化處理，再代入式（6）中得出姿態(tài)角。

3" 數(shù)字濾波算法

3.1" 小波濾波

加速度計(jì)的隨機(jī)噪聲主要有：速度隨機(jī)游走（Velocity Random Walk， VRW）、零偏不穩(wěn)定性（Bias Instability， BI）、加速度隨機(jī)游走（Acceleration Random Walk， ARW）、速率斜坡（Rate Ramp， RR）、量化噪聲（Quantization Noise， QN）等[12]。因此本文使用小波濾波融合Savitzky?Golay濾波器對原始信號進(jìn)行處理。小波變換的提出是為了處理非平穩(wěn)信號的分解問題，在傅里葉變換的基礎(chǔ)上，采用正交且會衰減的小波基函數(shù)分解信號[13]。小波濾波原理是將加速度信號經(jīng)過小波分解后，對小波變換系數(shù)取一個(gè)閾值，僅用保留下來的較大的系數(shù)來重構(gòu)信號，因此閾值的選取是小波濾波效果的關(guān)鍵[14]。如果閾值選取過大信號會失真，閾值過小則無法有效過濾噪聲。閾值選取公式如式（10）所示：

[t=σ2logN] （10）

式中：[t]為閾值；[σ]為噪聲的標(biāo)準(zhǔn)差；[N]為采樣點(diǎn)。

由于[t]隨著采樣點(diǎn)[N]的值變化的范圍較大，所以實(shí)際情況下，會將[2logN]用常數(shù)[c]來代替，如式（11）所示：

[t=cσ] （11）

通過式（11）可知，計(jì)算[t]的值，首先需要計(jì)算出[c]的值。

[Wx（i）=Wx（i），Wn（i）=Wn（i），" " "Wy（i）≥tWx（i）=0，Wn（i）=0，" " "Wy（i）lt;t] （12）

式中：[Wx]、[Wy]和[Wn]分別表示觀測[Y]、信號[X]和噪聲[N]的小波變換；[t]為指定的閾值。

為了求出在重構(gòu)信號的均方差值達(dá)到最小時(shí)[c]的值，首先建立重構(gòu)信號[Y]的期望公式，如式（13）所示，[X]、[Y]、[N]分別是經(jīng)過[Wx]、[Wy]和[Wn]重構(gòu)而成。

[E[Y]2=E[Y-X]2]

[=E[Y]2+E[X]2-2E[Y?X]]

[=E[Y]2+E[X]2-2E[Y?（X+N）]+2E[Y?N]]

[=E[Y]2+E[X]2-2E[Y?Y]+2E[（X+N）?N]]

[=E[Y]2+E[X]2-2E[Y?Y]+2E[N?N]]

[=min] （13）

因?yàn)樵肼暤臉?biāo)準(zhǔn)差與閾值無關(guān)，因此[EX?N=0]，信號的均方差最小值函數(shù)如式（14）所示：

[Error（c）=E[Y]2-E[X]2] （14）

由Daubechies小波基是正交的，可得式（15）：

[Error（c）=2E[Wn]2-E[Wy]2] （15）

由式（15）可推出閾值計(jì)算公式，如式（16）所示：

[F（c）≈Error（c）" " " " =2σ2-k2erf（c）N-cσcσx2e-x2（2σ2）2πσdx-E[Wy]2] （16）

式中[σ]為噪聲標(biāo)準(zhǔn)差。

通過式（16）可以計(jì)算出不同[c]值下[F（c）]的值，求出當(dāng)[F（c）]最小時(shí)[c]的值，再將其代入式（11）中，得到閾值[t]，經(jīng)過計(jì)算以及Matlab仿真實(shí)驗(yàn)，本系統(tǒng)選用的閾值為5。

小波濾波整體流程圖如圖4所示。

加速度和角速度信號模型如式（17）所示：

[S（k）=f（k）+ε*e（k），" " k=0，1，2，…，n-1] （17）

式中：[S（k）]為原始帶噪信號；[f（k）]為有用信號；[e（k）]為噪聲信號；[ε]為噪聲信號的標(biāo)準(zhǔn)差。

小波變換需要首先選定小波基。經(jīng)過實(shí)驗(yàn)，本文使用的是Daubechies小波基，在Matlab中選定為“db8”，“db8”具有8個(gè)尺度以及小波系數(shù)，可以適應(yīng)各種不同的特征信號，并且具有較高的魯棒性以及計(jì)算效率高的優(yōu)點(diǎn)。同時(shí)，因?yàn)樽藨B(tài)傳感器輸出信號僅有一小部分在高頻噪聲中，所以本文使用Minimaxi閾值選取規(guī)則，該規(guī)則相比于其他的選取規(guī)則，可以很好地將弱小的信號從高頻噪聲中提取出來。

3.2" 滑動(dòng)平滑濾波

滑動(dòng)平滑濾波（Savitzky?Golay濾波器）是通過卷積的方式來實(shí)現(xiàn)，通過最小二乘法將相鄰的數(shù)據(jù)子集與低次多項(xiàng)式進(jìn)行數(shù)據(jù)擬合，從而提高數(shù)據(jù)的精度。首先設(shè)定一個(gè)窗口值，由于需要2[m]+1個(gè)采樣點(diǎn)，窗口值最好為奇數(shù)。本文的窗口值設(shè)定為11，設(shè)一個(gè)窗口內(nèi)的數(shù)據(jù)為[x[i]，" i=-m，…，m]，則需要構(gòu)造一個(gè)[n]階的多項(xiàng)式進(jìn)行擬合，如式（18）所示：

[f（i）=k=0nbn0+bn1i+bn2i2+…+bnnin] （18）

擬合點(diǎn)與數(shù)據(jù)點(diǎn)的殘差平方和如式（19）所示：

[E=i=-mm（f[i]-x[i]）2=i=-mmk=0nbnkik-x[i]2] （19）

根據(jù)最小二乘法，當(dāng)殘差平方和[E]對系數(shù)[bnk]求偏導(dǎo)為0時(shí)，[E]的值越小，則擬合的效果越好。

[?E?bnk=i=-mmk=0nbnkik-x[i]iγ=0] （20）

解得：

[i=-mmx[i]iγ=k=0nbnki=-mmiγ+k] （21）

當(dāng)[x[i]]的值已知時(shí)，可以通過它求出擬合多項(xiàng)式，再利用擬合的多項(xiàng)式來求取估計(jì)值，最終通過滑動(dòng)窗口完成對所有點(diǎn)的擬合。通過式（21）進(jìn)一步求解可得：

[f（i）i=0=0！bn0=an0df（i）dii=0=1！bn1=an1" " " " " " " ?dnf（i）din=n！bnn=ann] （22）

將輸入的數(shù)據(jù)與濾波器的沖激函數(shù)卷積，可得出結(jié)果如式（23）所示：

[ann=i=-mmh[i]x[n-i]] （23）

Savitzky?Golay根據(jù)這個(gè)特點(diǎn)，制定了卷積系數(shù)表，根據(jù)這個(gè)系數(shù)，使用離散卷積可以快速求得窗口中心平滑值。Savitzky?Golay濾波器可以對系統(tǒng)輸出的加速度值進(jìn)行進(jìn)一步優(yōu)化來濾除數(shù)據(jù)中的噪聲，得到加速度的最終估計(jì)值，從而提高估計(jì)準(zhǔn)確度，增強(qiáng)模型的魯棒性[15]。

3.3" 無跡卡爾曼濾波

自然條件下的大部分系統(tǒng)狀態(tài)方程是非線性的，它的噪聲并不是服從高斯分布?？柭鼮V波算法容易出現(xiàn)發(fā)散問題，并且噪聲模型和協(xié)方差的計(jì)算在理論和實(shí)踐上都存在著一些問題[16]。無跡卡爾曼濾波通過對姿態(tài)角的樣本數(shù)據(jù)進(jìn)行sigma采樣，擬合出一個(gè)近似真實(shí)分布的高斯分布，從而求出系統(tǒng)狀態(tài)量的協(xié)方差矩陣以及均值，得出對姿態(tài)預(yù)測量以及觀測量所占權(quán)重，進(jìn)一步提高姿態(tài)角的精度。

系統(tǒng)的觀測方程和狀態(tài)方程為：

[X（k+1）=f（x（k），W（k））Z（k）=h（x（k），V（k））] （24）

式中：[f]是非線性狀態(tài)方程函數(shù)；[h]是觀測方程的當(dāng)前噪聲。

對姿態(tài)角數(shù)據(jù)進(jìn)行sigma采樣，得到[2n]+1個(gè)采樣組合：

[X（0）=X，" " i=0X（i）=X+（（n+λ）P）i，" " i=1，2，…，nX（i）=X-（（n+λ）P）i，" " i=n+1，…，2n] （25）

式中：[P=PTP，Pi]為矩陣方根的第[i]列，其中[P]為系統(tǒng)的協(xié)方差矩陣。每次迭代都會更新矩陣。

將式（25）代入式（24），可得sigma點(diǎn)的預(yù)測如式（26）所示：

[X（i）k+1k=f[k，X（i）（kk）]] （26）

根據(jù)式（26）計(jì)算系統(tǒng)的權(quán)值： [ω（0）m=λn+λω（0）c=λn+λ+（1-a2+β）ω（i）m=ω（i）c=λ2（n+λ），" " i=1，2，…，2n] （27）

式中：[m]代表均值；[c]代表協(xié)方差矩陣。得到權(quán)值后，將權(quán)值代入式（28），得到均值以及協(xié)方差：

[Xk+1k=i=02nωiXi]

[Pk+1k=i=02nωiXk+1k-Xik+1k?Xk+1k-Xik+1kT+Q] （28）

根據(jù)式（28）求出的權(quán)值以及協(xié)方差，再次使用UT變換，更新sigma點(diǎn)數(shù)，將sigma點(diǎn)代入式（29）可求出姿態(tài)角觀測量：

[Z（i）k+1k=hX（i）k+1k] （29）

根據(jù)式（30）計(jì)算姿態(tài)角測量的均值以及協(xié)方差矩陣：

[Zk+1k=i=02nωiZik+1kPZkZk=i=02nωiZik+1k-Zk+1k?" " " " " " " Zik+1k-Zk+1kT+RPXkZk=i=02nω（i）X（i）k+1k-Zk+1k?" " " " " " " Z（i）k+1k-Zk+1kT] （30）

式中：[Zk+1k]和[PZkZK]為系統(tǒng)的均值以及協(xié)方差矩陣。

最后更新卡爾曼增益，如式（31）所示：

[K（k+1）=PXkZkP-1ZiZk] （31）

4" 實(shí)驗(yàn)仿真與分析

圖5所示為跌倒檢測平臺，其中姿態(tài)傳感器為MPU6050模塊（內(nèi)置3軸加速度計(jì)以及3軸陀螺儀）。實(shí)驗(yàn)過程為：首先通過MPU6050姿態(tài)傳感器讀取加速度和角速度值，將加速度與角速度值通過I2C協(xié)議傳輸?shù)組CU中，再利用串口通信接口RS 232發(fā)送到上位機(jī)，最后在Matlab中進(jìn)行數(shù)據(jù)處理。

由于對于跌倒檢測不需要高頻率的采樣，本文將采樣頻率設(shè)為30 Hz，采樣200個(gè)數(shù)據(jù)。首先將跌倒檢測平臺靜止地放在實(shí)驗(yàn)臺上，靜態(tài)讀取200個(gè)加速度數(shù)據(jù)，再分別使用滑動(dòng)平滑算法以及小波濾波融合滑動(dòng)平滑算法進(jìn)行對比分析，如圖6所示。由于實(shí)驗(yàn)室條件有限無法完全水平放置以及每個(gè)地區(qū)的重力加速度不同的原因，[x]、[y]、[z]軸加速度的大小各不相同。

如表1所示，使用滑動(dòng)平滑濾波和小波濾波融合算法的情況下，[x]軸加速度標(biāo)準(zhǔn)差減少了5.775e-4，[y]軸減少了5.776e-4，[z]軸減少了5.982e-4，由此可以看出，使用融合算法相比于單一使用滑動(dòng)平滑濾波，可以讓數(shù)據(jù)更加平穩(wěn)，精度提高了83.3%。

將經(jīng)過濾波后的加速度對角速度進(jìn)行修正，再代入四元數(shù)解算算法，求出俯仰角、翻滾角以及偏航角，由于傳感器工藝以及隨機(jī)噪聲的影響，原始信號存在毛刺現(xiàn)象。為此，本文將擴(kuò)展卡爾曼濾波以及無跡卡爾曼濾波的濾波效果進(jìn)行對比，結(jié)果如圖7所示。

由圖7可以看出，無跡卡爾曼濾波（UKF）算法相對于擴(kuò)展卡爾曼濾波算法對于姿態(tài)角噪聲的濾除效果較好。如表2所示，經(jīng)過無跡卡爾曼濾波之后，偏航角標(biāo)準(zhǔn)差減少了0.053 2，翻滾角標(biāo)準(zhǔn)差減少了0.134 6，俯仰角標(biāo)準(zhǔn)差減少了0.017 0。

5" 結(jié)" 語

針對低成本姿態(tài)傳感器基于濾波的精度較低以及穩(wěn)定性較差，不能有效地識別跌倒姿態(tài)的問題，本文提出了一種基于小波濾波與無跡卡爾曼濾波的四元數(shù)姿態(tài)解算算法。算法首先利用滑動(dòng)平滑濾波與小波濾波對加速度進(jìn)行數(shù)據(jù)預(yù)處理；然后利用加速度值對陀螺儀的數(shù)據(jù)進(jìn)行非線性互補(bǔ)濾波；再對角速度值進(jìn)行四元數(shù)姿態(tài)角解算，得出姿態(tài)角數(shù)據(jù)；最后利用無跡卡爾曼濾波對姿態(tài)角進(jìn)行最優(yōu)估計(jì)，提高姿態(tài)角精度。通過實(shí)驗(yàn)仿真論證，相比于普通滑動(dòng)平滑濾波，所提融合算法使[x]軸加速度標(biāo)準(zhǔn)差減少了5.775e-4，[y]軸減少了5.776e-4，[z]軸減少了5.982e-4，精度提高了83.3%。再結(jié)合無跡卡爾曼濾波，偏航角標(biāo)準(zhǔn)差減少了0.053 2，翻滾角標(biāo)準(zhǔn)差減少了0.134 6，俯仰角標(biāo)準(zhǔn)差減少了0.017 0，比普通的擴(kuò)展卡爾曼濾波的去噪效果更好，抗干擾性更強(qiáng)，足以滿足跌倒檢測精度要求。

注：本文通訊作者為李躍忠。

參考文獻(xiàn)

[1] 曾鈺婷，畢宿志，鄭莉莉，等.基于CSI小樣本學(xué)習(xí)的場景魯棒性跌倒檢測系統(tǒng)[J].物聯(lián)網(wǎng)學(xué)報(bào)，2023，7（2）：118?132.

[2] HU Y Q， ZHANG F， WU C S， et al. DeFall： Environment?independent passive fall detection using WiFi [J]. IEEE Internet of Things journal， 2022， 9（11）： 8515?8530.

[3] WANG Y X， WU K S， NI L M. WiFall： Device?free fall detection by wireless networks [J]. IEEE transactions on mobile computing， 2017， 16（2）： 581?594.

[4] ZHANG D Q， WANG H， WANG Y S， et al. Anti?fall： A non?intrusive and real?time fall detector leveraging CSI from commodity WiFi devices [C]// Proceedings of International Conference on Smart Homes and Health Telematics. Heidelberg， Germany： Springer， 2015： 181?193.

[5] WANG H， ZHANG D Q， WANG Y S， et al. RT?Fall： A real?time and contactless fall detection system with commodity WiFi devices [J]. IEEE transactions on mobile computing， 2017， 16（2）： 511?526.

[6] PALIPANA S， ROJAS D， AGRAWAL P， et al. FallDeFi [J]. Proceedings of the ACM on interactive， mobile， wearable and ubiquitous technologies， 2018， 1（4）： 1?25.

[7] 張大慶，張舵，張旭升.基于雷達(dá)的跌倒檢測方法、裝置、設(shè)備及介質(zhì)：CN116338619A[P].2023?06?27.

[8] 王柯穎.基于擴(kuò)展卡爾曼濾波的固定翼無人機(jī)姿態(tài)解算方法研究[D].西安：西安理工大學(xué)，2022.

[9] 劉春，何敏，戴雷.基于Mahony與改進(jìn)Kalman融合的姿態(tài)解算方法[J].電子測量與儀器學(xué)報(bào)，2022，36（9）：64?71.

[10] 王子夢.基于MEMS傳感器的水下機(jī)器人姿態(tài)估計(jì)研究[D].贛州：江西理工大學(xué)，2021.

[11] 石崗，李希勝，王哲，等.磁傳感器輸出姿態(tài)信息修正方法研究[J].儀器儀表學(xué)報(bào)，2019，40（3）：47?53.

[12] 杜少林，陳書釗，陳鵬光，等.MEMS加速度計(jì)噪聲分析與降噪方法研究[J].傳感器與微系統(tǒng)，2018，37（7）：45?48.

[13] 婁華生，行鴻彥，李瑾，等.基于改進(jìn)CEEMDAN和小波閾值的雨聲信號去噪算法研究[J].電子測量技術(shù)，2023，46（7）：103?109.

[14] 張磊，潘泉，張洪才，等.小波域?yàn)V波閾值參數(shù)[c]的選取[J].電子學(xué)報(bào)，2001（3）：400?402.

[15] 焦萌.基于神經(jīng)網(wǎng)絡(luò)的鋰電池SOC估計(jì)[D].青島：青島大學(xué)，2022.

[16] YANG Q Q， SUN L L， YANG L Z. A fast adaptive?gain complementary filter algorithm for attitude estimation of an unmanned aerial vehicle [J]. Journal of navigation， 2018， 71（6）： 1478?1491.