《装备制造技术》2021年第3期一种基于MEMS传感器的助老型机构 付斌，付鑫，贾彬，朱江平
(哈尔滨商业大学轻工学院，哈尔滨150028)
摘要：通过对老人的站立、上下楼梯、走路、倚坐、弯腰和躺卧七个姿态识别，研究一种基于M EM S传感器的助老型机构人体姿态识别方法。经过验证，其识别方法的有效的。将7个传感器模块置于老人的腰部、大腿、胳膊等部位，采用坐 标变换的方法，将采集到的相关部位四元教信息转化到腰部坐标系下，并组建标准矩阵，提取标准矩阵的均值、方差等 特征值，通过基于决策树和支持向量机的多层识别算法快速判断动作类型。实验表明，使用姿态数据的数量越多，识别 率越高，在使用90%姿态数据时，平均识别率达到了90.8%。 关键词：MEMS传感器；坐标变换；特征提取；姿态识别
中图分类号:TP391 文献标识码：A文章编号：1672-545X(2021 )03-0013-05
门罗宣言0引言
随着社会的发展，人口老龄化现象也愈加明显，老人的健康安全成为了人们关注的焦点，为了判断 老人是否处在异常状态叭需要对老人的日常行为进 行监测。常见的监测方法有两种|21：基于图像分析和 基于可穿戴传感器设备，前者成本高、系统局限性 大，本文选择后者D
人体运动分析，指的是通过MEMS传感器获取 人体运动的信息，再经过理论分析来解释人体的运 动|W1。中科院自动化所吴健康教授的运动捕捉研究 小组1M|，其团队研制的MMocap动作捕捉系统，由16 个惯性传感器(包含加速度计、陀螺仪、磁强计)节点 和一个主控元件组成，数据通过蓝牙装置传到计算 机中，利用贝叶斯算法进行数据融合，计算出单个节 点姿态，但是受到了测量距离的限制：主流的光学动 作捕捉系统，被测者需要全身佩带捕捉标记，尽管捕 获精度高，效果好，但是使用复杂且价格昂贵|M1。 本文采用WIFI通讯的MEMS传感器采集运动 数据，不仅使用方便而且增加了测量距离。将7个传 感器模块置于老人的7个相关部位，再通过坐标变 换将四元数信息转化到腰部坐标系下，并组建标准 矩阵，提取标准矩阵中的特征，用决策树和支持向量 机完成姿态的识别。1运动识别系统搭建
本文采用型号为WT901WIF[C的九轴WIFI姿 态传感器作为人体姿态数据的采集装置，MPU-9250作为测量芯片，
其中集成了三轴加速度计、三轴陀螺仪以及型 号为AK8963的磁强计，WT901模块利用卡尔曼滤 波技
术可输出三轴加速度、三轴角速度、三轴姿态 角、四元数信息，微处理器以50 H z的采样频率采集 WT901模块输出的信号，并通过WiFi模块以115200 的波特率将数据上传至PC端上位机，图1为人体姿 态数据采集端的示意图。
图1人体姿态数据采集端
收稿日期：2020-丨2-09
基金项目：黑龙江省自然基金项目（F2016007)
作者简介：付鑫（1995-)，男，硕士研究生，主要研究方向为基于MEMS传感器的人体姿态识别。
13
Equipment Manufacturing Technology No.3,2021
2特征提取
2.1采集过程中传感器节点的分布
传感器绑定在老人的关节部位，可以更加准确 地测量出该关节出的姿态信息，但是很大程度上限 制老人的自由活动，为老人的日常生活造成了诸多 不便。为了在获取相对准确运动信息的同时，又要保 证对老人的自由活动影响不大，实验中将传感器绑 定在老人的肢体部位，将传感器与其所在肢体共同 视为刚体，由于传感器体积小、重量轻，不会对老人 的日常活动造成很大影响。研究中采用七个传感器, 分别绑定在老人的左上臂、右上臂、腹部、左大腿、左 小腿、右大腿和右小腿七个部位，如图2所示。规定 各个传感器的初始绑定位置的坐标系保持一致,X 轴指向人体左侧，F轴指向人体正上方，Z轴指向人 体的正前方。
图2传感器绑定位置示意图
流行音乐论坛2.2人体各个部位坐标统_
传感器所在位置相当于载体坐标系，由于有七 个传感器同时工作，所以由七个载体坐标系，统称为 b系。现规定左上臂为系、右上臂为4m系、腹部 为S系、左大腿为系、左小腿为心〇系、右大腿为 乙/«/系和右小腿为i/w系，并以S系为基准坐标系，将 其余六个载体坐标系解算出的姿态信息转换到S系下，这样坐标统一后的姿态数据可以反映出老人整 体的一个姿态。
坐标转换的方法是基于坐标的旋转变换和平移 变换的合成变换。坐标的旋转变换是将一个点的坐 标左乘相应的旋转变换矩阵来完成的，本文使用基 于四元数的旋转变换矩阵如式（1)所示，这样可以得 出该点在另一个坐标系下的坐标。坐标的平移变换 是本身的坐标加上平移向量的坐标，平移向量可以 由加速度在运动时间内的定积分求得，由于本文以 四元数的形式来表示载体的姿态信息，因此需要使用齐次坐标变换矩阵来将四元数信息从一个坐标系 转换到另一个坐标系下，坐标系间的转换公式如式(2)所示：
1- 2(q2 + )2(怖-靴,）2(帅+ 师）
22
iKqxqi -q^s)1-2(?, + ~<?o<7i)
2(师__)2(_-帅,）-2(^| + q2 )
(1)
[?0,7l,92,93,
C T
01
l?〇7| <729j](2)其中，9。、9,、<?2、93为坐标变换前的四元数;％、<7l、</：!,、％为坐标变换后的四元数;C为旋转变换矩阵;;r= U,y，z r为点的平移向量。
2.3组建基于四元数的人体运动标准矩阵
四兀数（Quaternions)是 William Rowan Hamilton 在1843年爱尔兰提出的数学概念I'可用来表示人体运动关节的姿态旋转，其中包含了加速度、角速 度、姿态角的信息，另外四元数转换组合比很多矩阵 转换组合在数字上稳定，所以四元数可以作为一个 动作识别的信息。
通过式2可将知,、/^、/^、/^,、。、/^系下的四元数信息转换到S系下，将七个四元数从上到下依 次排列，形成一个的矩阵，在人体做一个动作的时 候，这个矩阵包含了人体七个部位在同一时间的姿 态信息，可以反映出人体的一个整体姿态，称此矩阵 为标准矩阵，用表示，如式(3)所示：
R=
9 丨
q〇、9丨、?2,
9u…..叭“
h
q。丨9 丨q\,.、
h、.队••
(3)
标准矩阵的获取，可为特征提取提供了可靠的数据源3
2.4特征值计算
特征提取是否恰当对多运动模式识别的精度有 很大影响。一般信号的分析方法分为基于时域、基于
频域和基于时频域的分析方法i n|。其中时域特征的提 取计算复杂度低，耗时较短，本文选择均值、方差等 特征分析数据，相关特征定义如下：
(1)均值的计算公式由式(4)确定:
mean(x)I X,(4)
14
《装备制造技术》2021年第3期
3.2基于决策树的静止姿态识别
从图4可以看出，三种状态下的R (IQR )有明显 差别，并且其特征分布是线性的，故采用决策树的分 类方式来对静止姿态进行分类识别，在二叉决策树 训练过程中，将R (IQR )作为训练输人。本文采集不 同姿态下的数据各4S ，共1400组姿态数据，其中静 止姿态数据600组，70%的数据作为训练集，30%的 数据作为测试集，将静止姿态数据处理后的R (IQR ) 作为决策树的输人，得到的分类树如图5所示，其中 1代表站立;2代表倚坐;3代表躺卧。
0.3
0.25
图
5
分类树
3.3基于支持向量机的运动姿态识别
以/?(mean )和/?(IQR )的分布情况为例，从图6 和图7中可以看出，/?(mean )的区别较大而/?(IQR ) 的重叠部分比较多，但每个动作都呈现出了一定的 规律性，因此提取的7维特征均为有效特征，作为支 持向量机的输入。每类运动姿态的标签设定如表1 所示。
20
40
60
80
100 120
140
160 180 200
样本帧
图
4
静止姿态的标准矩阵四分位距特征分布
式中3为均值;X ，为样本观测值;；!为样本个数。(2) 方差计算公式由式(5 )确定：
n
var (A ：) = — (a :, - a :) (5)
n . = i
式中：var 为方差；为样本观测值;n 为样本个 数5为样本n 次观测值的平均值。
(3) 极差计算公式由式(6)确定：
F = max (X ) - min (X ) (6)
式中：Z 1'为极差，maxM ),min (A 1)分别为样本数 据;f 的最大、最小值。
(4) 四分位距计算公式由式(7)确定：
IQR H (7)
式中：/(>/?为四分位距；为第一四分位数; 为第四四分位数。
(5) 偏度计算公式由式(8)确定：
n l (x ,-x y ^
(8)
i n - \ )(n - 2 )ds
式中：A ：、为偏度为样本观测值;n 为样本个 数;x 为样本观测值的平均值;< 为样本标准差。
3姿态识别算法
3.1静止姿态与运动姿态识别
从图3中可以看出，运动姿态与静止姿态的 (var )差异很大，由于静止姿态与运动姿态的K (var ) 不存在重合区域，因此在非重合区域选出一个特定 的值作为阈值来区分静止姿态与运动姿态，就能达
到最高的信息熵增。在“弯腰”和“站立”之间选 (Var )=0.011为一个阈值，在“上楼梯”和“躺卧”之间 选尺（var )=0.009为一个阈值，在（0.009,0.011)范围 之内的/?(var )判断为静止姿态，范围之外的/?(var ) 判断为运动状态。
图
3
不同姿态的标准矩阵方差特征分布
-----站立.
一一 •倚坐. .....躺卧
15
Equipment Manufacturing Technology No.3,2021
0.15
0.1
0.05
-0.05
-0.1
-0.15
-0.25
0 20 40 60 80 100 120 140 160 180 200双轨学制
样本帧
图6运动姿态的标准矩阵均值特征分布
0.6
图8特征提取与分类识别的总体流程图
4实验与分析
本次实验选择3名志愿者，分別在相对独立的 情况下完成了“上楼梯”“弯腰”“下楼梯”“站立”“走 路”“倚坐”和“躺卧”七个姿态。测试过程中，志愿者 要按照图9的顺序，从静止状态开始运动，每个姿态 大概要维持10 s左右的时间。其中每一个志愿者采 集到的姿态数据都相当于一个测试组数据：
铮止姿态与运动姿态的二分类器
0.1
样本帧
图7运动姿态的标准矩阵方差特征分布
表1姿态标签设定
老人姿态设定标签
上楼梯1
弯腰2
下楼梯3
走4
本文采集不同姿态下的数据各4 s，共1400组 姿态数据，其中运动姿态数据800组,70%的数据作 为训练集,30%的数据作为测试集，将运动姿态数据 处理后的7维标准矩阵特征值作为支持向量机的输 人，得到的混淆矩阵如表2所示，混淆矩阵表明SV M 的综合准确度达到了 97.6%，基本满足识别精度要 求。
表2训练支持向量机产生的混淆矩阵陈鸿鹄
1234
160000
205820
301590
400060
特征提取与分类识别的总体流程图如图8所,J〈〇
I站立上楼梯H t楼梯I H弯腰I H倚坐I H躺卧I
图9测试姿态变换顺序
当该识別算法应用于助老型机构上时，机构的 识别速度是一个关键问题，通过使用的数据量多少，可以衡量识别速度的快慢，如果识別一个姿态只需 要30%的数据就可以很好的识别出来，那么机构在 采集到30%的姿态数据时就可以完成识别过程，机 构可以尽快做出反应，尽可能地降低老人发生危险 的概率。实验中将从志愿者身上测量得到的姿态数 据分为三组，第一组实验采用姿态数据的30%来进 行姿态的识别，第二组实验采用姿态数据的60%来 进行姿态的识别，第三组实验采用姿态数据的90%来进行姿态的识别。
将七个姿态的所有数据帧放人完整的分类器中，总体识别的准确率如表3所示。
表3姿态数据测试统计表
志愿者样本帧准确率
1112160.3%
1199178.7%
1286290.8%
2116162%
2207279.4%
2298291.8%
3111359.3%
3197577.3%
3283889.7%
i持向量机
运动姿态数据
上楼梯弯腰下楼梯走路
姿态数据特征提取
16
《装备制造技术》2021年第3期
从上表可以看出，在使用30%的姿态数据进行 分类识别时，准确率在60.5%，使用60%的姿态数据 进行分类识别时，准确率在78.5%，使用90%的姿态 数据进行分类识别时，准确率达到了 90.8%，实验证 明使用的姿态数据量越多，姿态的识别率也就越高。
5结论
本文采用7个MEMS传感器放置在老人的7个 相关部位，通过坐标变换的方法，将传感器的数据变 换到腰部坐标系下，通过变换后的数据计算标准矩 阵特征值，用来表示老人的姿态。在使用90%姿态数 据时，分类器的综合识别率达到了 90.8%。相较于传 统的多传感器识别人体姿态，使用的传感器数量较 少，识别率较高，另外MEMS传感器体积小、佩戴方 便、价格低廉和操作简单，有很好的工程应用价值。
参考文献：
[1] 罗涛，杨海，李莉，等.基于SINS的老人跌倒实时监测方法
[J].传感器与微系统,2020,39(1):56-59.
[2] 周林，雷丽平，杨龙频.基于多传感器的人体行为识别系统
[J].传感器与微系统，2016,35( 3): 89-91，95.
[3] 佟丽娜，宋全军，葛运建.基于时序分析的人体摔倒预测方
法[J】.模式识别与人工智能，2012, 25(2):273-279.
[4] Klein A,De Assis GA.A Markeless Augmented Reality Track
ing for Enhancing the User Interaction during Virtual Rehabil itation[C]//Xv Symposium on Virtual and Augmented Reality.
IEEE Computer Society, 2013 ： 117-124.
[5j Zhou H, Hu H Human motion tracking for rehabilitation--A survey[J].Biomedical Signal Processing&Control,2008,3( 1)：1-18.
[6] Tao G,Sun S,Huang S,eta 1.Human modeling and real-time
motion reconstruction for micro-sensor motion capture [C]//H IEEE International Conference on Virtu
al Environments,Human-Computer Interfaces and Measurement Systems Proceedings. IEEE, 2011 ： 1-5.
丨7]吴健康.人体运动捕获三维再现系统:CN 201431466 Y[P].
2010-01-13.
间李晓丹，肖明，曾莉.人体动作捕捉技术综述以及一种新的动作捕捉方案陈述[J].中国西部技,2011,10(15 ):35-37.
閃孙新领，李扬波，马绍惠.光学式运动捕捉技术在人体动画中的应用研究P].河南机电高等专科学校学报，2013,21
(3)：17-19, 23.
河北省工资支付规定
[10】李景辉.基于多传感器信息合的人体姿态识别研究[D].济 南：山东大学,2014:20-25.
havd-686[11 j Kuipers,J.B.,Quaternions and Rotation Sequences [M].
Princeton University Press, Princeton, NJ, 1998.
A MEMS Sensor-based Human Body Gesture Recognition
Method for the Elderly-aiding Mechanism
FU Bin,FU Xin JIA Bin,ZHU Jiang-ping
(School of Light Industry,Harbin University of Commerce,Harbin 150028，China)
Abstract：Based on the recognition of the elderly standing,up and down stairs,walking,reclining,bending and lying clown,a method of human posture recognition for elderly supporting mechanism based on MEMS sensor is studied.The method is proved to be effective.Seven sensor modules are placed in the waist,thigh，arm and other parts of the elderly.B y using coordinate transformation method,the quaternion information of the relevant parts is transformed into the lumbar coordinate system,and the standard matrix is established to extract the mean value, variance and other characteristic values of the standard matrix.Through the multi-layer recognition algorithm based on decision tree and support vector machine,the action type can be quickly determined.The experiment shows that the more the attitude data is used,the higher the recognition rate is,and the average recognition rate reaches 90.8% when90%attitude data is used.
Keywords：MEMS sensor;coordinate transformation;feature extraction;gesture recognition
17
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议