基于无线惯性传感器网络的步态周期识别方法

© 2013年。出版社：Elsevier B.V.信息工程研究院负责评选和同行评议可在www.sciencedirect.com在线获取ScienceDirectIERI Procedia 4（2013）44 - 522013年电子工程与计算机科学基于无线惯性传感器网络的宣云东a，b，赵占a，方振a， *，孙方敏a，b，徐志宏a，b，杜立东a，吴少华aa（中国科学院电子学研究所传感器技术国家重点实验室，北京100190）b（中国科学院大学，北京100049）摘要提出了一种基于无线惯性传感器网络的步态周期识别方法。将无线惯性传感器网络嵌入到带有加速度计和陀螺仪的鞋子中，以测量行走过程中的惯性信号。在步态分析中，步态周期是最重要的参数之一。基于步态周期，可以方便地计算出步态的连续性、规律性、对称性等特征，特别是对于帕金森病等疾病的估计，准确的步态时间是一个非常重要的参数。商业计步器只能简单地给出步态的计数，不能给出步态周期的准确时间。基于嵌入惯性传感器的鞋，提出了一种利用组合惯性传感器信号峰值检测的方法。实验结果表明，该方法误差小，精度高。© 2013作者。出版社：Elsevier B.V. 在CC BY-NC-ND许可下开放访问。信息工程研究院负责评选和同行评议关键词：步态周期;惯性传感器;无线传感器网络;关节点;* 通讯作者。联系电话：电话：010 -58887195传真：010 -58887195电子邮箱：zfang@mail.ie.ac.cn。2212-6678 © 2013作者出版社：Elsevier B.V. 在CC BY-NC-ND许可下开放访问。信息工程研究所负责的选择和同行评审doi：10.1016/j.ieri.2013.11.008Yundong Xuan等/ IERI Procedia 4（2013）44451. 介绍散步可能是我们日常生活中最重要的活动。步态作为一种生物学特征，可用于身份识别、健康监测和医学评估。因此，开发低成本的步态监测方法是非常有用的。如果能够实时地计算出步态周期，就有可能实现对步态特征的连续检测和分析。传统的步态特征检测方法有很多种，如利用秒表通过测量步速、步长、步高等参数来检测步态特征。一般来说，视频和照片成像系统用于监视和跟踪人体的运动。这些系统具有很高的精度，并给出了许多其他步态特征。但是这种方法价格昂贵，而且只能在特定的条件下进行步态分析。有几项研究已经提出了关于步态分析的系统使用惯性传感器，如加速度计，陀螺仪等[1，2，3]。加速度计和陀螺仪也已用于许多可穿戴计算系统中，用于行为分类、跌倒检测和步态分析[4]。在[5，6]中开发了许多其他使用加速度计和陀螺仪的系统来测量物理参数。本文提出了一种方法，并设计了一双鞋嵌入惯性传感器的实时步态周期识别。作为步态分析的一部分，设计了一双运动监测鞋，用于测量双脚的惯性信号，并将实时惯性数据无线上传到计算机。并在PC机上开发了基于步态惯性信号的步态检测算法，实时获取步态周期。基于步态周期，我们可以很容易地给出其他步态参数，如步伐连续性，步伐规则性，步伐对称性，等等。2. 硬件系统本节将专门介绍惯性传感器网络以及在步态分析中将惯性传感器设置在双脚上的方式。该网络由两个从传感器节点和一个数据接收节点组成。每个从节点都基于InvenSense惯性传感器芯片MPU-6050，这是第一个集成6轴传感器融合的解决方案，使用其经过现场验证的专有融合引擎，用于消费电子应用。MPU-6050是一款内置3轴加速度计和3轴陀螺仪的惯性传感器芯片[7]。每个从节点还具有带RF功能的微控制器。传感器无线连接到数据接收器。系统硬件结构如图1所示。加速度计具有可选的灵敏度和±4g之间的范围，最适合待分析的数据类型，陀螺仪为±750°/s。鞋子的设计图如图2所示。给出了惯性传感器的发展方向我们将PCB，Ceil和无线充电线圈嵌入到鞋子中。开关、USB接口、LED灯固定在鞋后。可穿戴运动检测器鞋的原型如图3所示。如图4所示的数据接收器通过USB与PC机通信。所有惯性传感器数据通过USB接口上传到PC机进行处理、分析、识别。系统以50 Hz的频率收集每个传感器上的惯性信号。46Yundong Xuan等/ IERI Procedia 4（2013）44传感器 IIC MCU+RF功率从节点1主节点从设备节点2图1.无线惯性传感器网络图2.可穿戴运动检测鞋图3.鞋子RF+MCUUSBPC传感器 IIC MCU+RF功率Yundong Xuan等/ IERI Procedia 4（2013）4447平方功能平方函数推导归一化移动共赢一体化归一化移动共赢一体化自适应阈值数据融合图4.数据接收器3. 算法概述在从传感器节点中，通过滤波器处理3D加速度计数据以降低噪声。3D加速度计数据也被加密并以无线方式传输到主机。主节点接收数据并上传到PC。传输到PC的数据在PC中进行处理和分析。根据图2所示，加速度计的X轴和陀螺仪的Y轴是敏感轴。因此我们设计了图5所示的算法，图5显示了算法的流程图。惯性信号数据经过低通滤波器、导数、平方函数、Moving-Win积分、归一化和数据融合，然后设置阈值并检测极值[8，9，10]。惯性传感器数据在第一步中通过低通滤波器，以减少频率干扰和其他噪声。原始轴向数据原始Gy数据图5.算法流程图。推导低通滤波器低通滤波器48Yundong Xuan等/ IERI Procedia 4（2013）441 132 1Z6z1132181N1z低通滤波器由以下公式描述：61 2 3 4 5HLPz1 Z11zz z z z（1）级联传递函数为：2HLPz（二）相应的差分方程为：2019 - 01 - 22 00：00：00（三）在低通滤波之后，信号被微分。我们使用由公式描述的五点微分器：Hdifz 0.125 * 2 z1 z32 Z4（四）所以差分方程变成y n 2 x n x n 1 x n 3 2 x n 4（五）微分后，所有的点都平方了。差分方程由下式描述：n（x[n]）2所有的数据都将是积极的，数据有很大的差异。（六）在平方后，使用移动窗口积分算法来获得特征信息。公式是：y n x nx n1x n（N 1）（七）这里N与采样率有关在我们的任务中，采样率为20个样本/秒，因此这里N为10。经过上述运算后，加速度计的x轴不能直接与陀螺仪的y轴融合。在数据融合之前，必须对它们进行归一化。归一化因子是它们的范围。数据融合计算如下：Y（n）Mn1A1An一个2...AMX（n）（八）4. 结果和讨论在上述操作之后，基于加速度计传感器输出的x轴和陀螺仪传感器输出的y轴的融合信号的算法如图6、图7和图8所示。Yundong Xuan等/ IERI Procedia 4（2013）4449(a)(b)（c）第（1）款(d)（e）（f）图6.步行时右脚上的加速度计的x轴数据;（a）原始x轴加速度;（b）低通滤波后;（c）推导后;（d）平方运算后;（e）移动窗口积分后;（f）归一化后;(a)（b）（c）(d)（e）（f）50Yundong Xuan等/ IERI Procedia 4（2013）44图7.步进程序中右脚上陀螺仪输出的y轴;（a）陀螺仪的原始Y轴;（b）低通滤波后;（c）导出后;（d）平方运算符后;（e）移动窗口积分后;（f）归一化后;图8.算法的结果。最后，我们使用两个阈值来识别极值或不极值。较高的阈值识别极值。当在特定时间间隔内没有检测到极值时，使用两个阈值中的较低者。如图7所示，我们可以找到极值数组An;因此步态周期数组Tn由公式描述：Tn（An1An）*Ts（九）其中Ts是采样周期;参考UC Berkeley的可穿戴动作识别数据库（WARD）[11]，我们的采样周期Ts为50 ms。为了验证该算法，对帕金森病患者左脚的10个仿真步态周期数据进行了测试，结果如表1所示。Yundong Xuan等/ IERI Procedia 4（2013）4451表1. 10个步态周期数据 左脚慢走（左脚）慢走（左脚）盖特努 最大值一个TN S步态分析极值一个TN S0410371696914646299991.50268681.1031271271.40391911.1541561561.4541161161.2551831831.3551401401.2062132131.5061631631.1572452451.6071871871.2082752751.5082112111.208281822393063061.5592342341.15103363361.50102582581.201034310269113643641.40112832831.25提出了一种基于无线惯性传感器网络的步态周期特征识别方法。无线惯性传感器网络嵌入在一双带有加速度计和陀螺仪的鞋子中，以测量行走过程中的惯性信号。从步态惯性信号中检测出的步周期为步态分析提供了有用的信息。基于嵌入惯性传感器的鞋，提出了一种利用组合惯性传感器信号峰值检测的方法。为此设计的方法易于实现，能给出极值序列，可用于实时计算惯性信号的阶跃连续性、阶跃规律性、阶跃对称性等。5. 今后工作以上所有步态数据均收集自健康成年人。该系统仍需要在帕金森等患者中进行验证。未来，该系统和算法将根据患者的真实数据进行验证。此外，在不久的将来，电容传感器和光电传感器将被嵌入到鞋中用于其他步态参数。52Yundong Xuan等/ IERI Procedia 4（2013）44确认我们要感谢我的朋友Qimin Liu的帮助，如果没有他的帮助，原始数据的采样，实验是不可能的。引用[1] H.李，[2] 马里恩·特鲁，[3] 吴晓刚，李晓刚，等.基于步态的身份认证系统的性能分析[D].北京：科学技术出版社，2000，24（3）：119 - 119.论文，奥斯陆大学，2008年。[4] Yang，C.C.，许耀良基于加速度计的可穿戴运动检测器在身体活动监测中的应用。Sensors2010，10，7772-7788.[5] Liu，T.，井上，澳-地等人，用于定量步态分析的可穿戴传感器系统的开发。Measurement 2009，42，978-988.[6] Schepers，H.M，Asseldonk van等人，使用惯性传感器行走期间足部放置的动态估计。生物力学杂志2010，43，3138-3143。[7] InvenSense，Inc.MPU-6000和MPU-6050产品规范修订版3.2，2011年。[8] Ying.Hong，Silex.Carmen，et al.加速度计信号的自动阶跃检测[9] 潘J，汤普金斯W.一种实时QRS波检测算法[J]，IEEE生物医学工程学报，1985，32：230-236.[10] 韩宗喜，张晓善，等.帕金森病患者踝关节三维加速度信号的步态检测[11] 杨勇，杨伟，等.基于可穿戴运动传感器网络的分布式人体动作识别[J]. Journal ofAmbient Intelligence and Smart Environments，2009，1（2）：1-5.