付 斌，付 鑫，崔建國，朱江平(哈爾濱商業(yè)大學(xué) 輕工學(xué)院， 哈爾濱 150028)

隨著社會的發(fā)展，人口老齡化現(xiàn)象也愈加明顯，老人的健康安全成為了人們關(guān)注的焦點，為了判斷老人是否處在異常狀態(tài)[1]，需要對老人的日常行為進(jìn)行監(jiān)測.常見的監(jiān)測方法有兩種[2]:基于圖像分析和基于可穿戴傳感器設(shè)備，前者成本高、系統(tǒng)局限性大，本文選擇后者.

人體運動分析，指的是通過MEMS傳感器獲取人體運動的信息，再經(jīng)過理論分析來解釋人體的運動[3-5].中科院自動化所吳健康教授的運動捕捉研究小組[6-7]，其團(tuán)隊研制的MMocap動作捕捉系統(tǒng)，由16個慣性傳感器(包含加速度計、陀螺儀、磁強(qiáng)計)節(jié)點和一個主控元件組成，數(shù)據(jù)通過藍(lán)牙裝置傳到計算機(jī)中，利用貝葉斯算法進(jìn)行數(shù)據(jù)融合，計算出單個節(jié)點姿態(tài)，但是受到了測量距離的限制.

本文采用WIFI通訊的MEMS傳感器采集運動數(shù)據(jù)，不僅使用方便而且增加了測量距離.將7個傳感器模塊置于老人的7個相關(guān)部位，再通過坐標(biāo)變換將四元數(shù)信息轉(zhuǎn)化到腰部坐標(biāo)系下，并組建標(biāo)準(zhǔn)矩陣，提取標(biāo)準(zhǔn)矩陣中的特征，用支持向量機(jī)完成動作的識別.

1 運動識別系統(tǒng)搭建

本文采用型號為WT901WIFIC的九軸WIFI姿態(tài)傳感器作為人體運動數(shù)據(jù)的采集裝置，ICM42605作為主控芯片，其中集成了三軸加速度計、三軸陀螺儀以及型號為AK8963的磁強(qiáng)計，WT901模塊利用卡爾曼濾波技術(shù)可輸出三軸加速度、三軸角速度、三軸姿態(tài)角、四元數(shù)信息，微處理器以50Hz的采樣頻率采集WT901模塊輸出的信號，并通過WIFI-06模塊以115200的波特率將數(shù)據(jù)上傳至PC端上位機(jī).圖1為本文的總體流程圖.

圖1 總體流程圖Figure 1 Overall flow chart

2 識別過程

2.1 坐標(biāo)變換

在坐標(biāo)變換[8-11]過程中一共涉及到兩種坐標(biāo)系，分別是地理坐標(biāo)系和載體坐標(biāo)系，其中地理坐標(biāo)系是顯示載體在地理環(huán)境中相對姿態(tài)位置的坐標(biāo)系，簡稱為n系，載體坐標(biāo)系是數(shù)據(jù)采集裝置所在的坐標(biāo)系.本文將傳感器模塊放置在老人的7個相關(guān)部位，每個部位都是一個載體坐標(biāo)系，因為傳感器是綁定在老人身上的，所以可以將傳感器與其所在部位共同視為剛體，其中每個部位對應(yīng)的載體坐標(biāo)系分別是，腰部(h系)、左臂(f1系)、右臂(f2系)、左小腿(e1系)、左大腿(e2系)、右小腿(g1系)、右大腿(g2系)這7個坐標(biāo)系統(tǒng)稱為b系，本文以h系作為基準(zhǔn)，將其余載體坐標(biāo)系的四元數(shù)信息變換到h系下，同一時間內(nèi)h系中有7組四元數(shù)信息，將該信息組成標(biāo)準(zhǔn)矩陣就可以表示同一時間內(nèi)老人7個部位的姿態(tài)變化和位移變化.

(1)

由式(2)～(7)可推導(dǎo)出老人其余6個部位坐標(biāo)系到h系的旋轉(zhuǎn)變換矩陣，分別是：

(2)

(3)

(4)

(5)

(6)

(7)

傳感器模塊的位移信息可以由加速度的在運動時間內(nèi)的定積分來求得，若要將各個傳感器測得的四元數(shù)信息轉(zhuǎn)化到h系下，則需要將位移信息融入到旋轉(zhuǎn)變化矩陣當(dāng)中，形成一個既能代表旋轉(zhuǎn)變換又能代表平移變換的齊次坐標(biāo)變換矩陣，則四元數(shù)之間的坐標(biāo)變換公式由式(8)確定：

(8)

其中：q0、q1、q2、q3為轉(zhuǎn)換前四元數(shù)；q00、q10、q20、q30為轉(zhuǎn)換后四元數(shù)；R為旋轉(zhuǎn)變換矩陣；T=(XYZ)為傳感器模塊的平移量.

2.2 標(biāo)準(zhǔn)矩陣

四元數(shù)(Quaternions)是William Rowan Hamilton在1843年愛爾蘭提出的數(shù)學(xué)概念[12]，可用來表示人體運動關(guān)節(jié)的姿態(tài)旋轉(zhuǎn)，其中包含了加速度、角速度、姿態(tài)角的信息，另外四元數(shù)轉(zhuǎn)換組合比很多矩陣轉(zhuǎn)換組合在數(shù)字上穩(wěn)定，所以四元數(shù)可以作為一個動作識別的信息.

老人在完成一個動作時，老人7個部位會同時測量到四元數(shù)信息，需要把各個部位的四元數(shù)利用坐標(biāo)變換，轉(zhuǎn)化到h系下，然后將轉(zhuǎn)換后的四元數(shù)組成代表一個完整動作的標(biāo)準(zhǔn)矩陣，用C表示，標(biāo)準(zhǔn)矩陣是7×4的矩陣，由式(9)確定：

(9)

2.3 特征提取

特征提取的是否恰當(dāng)對多運動模式識別的精度有很大影響.一般信號的分析方法分為基于時域、基于頻域和基于時頻域的分析方法[10].其中時域特征的提取計算復(fù)雜度低，耗時較短，本文選擇均值、方差等特征分析數(shù)據(jù)，相關(guān)特征定義如下：

1)均值的計算公式由式(10)確定：

(10)

2)方差計算公式由式(11)確定

(11)

3)極差計算公式由式(12)確定

R=max(X)-min(X)

(12)

其中：R為極差，max(X),min(X)分別為樣本數(shù)據(jù)X的最大、最小值.

4)四分位距計算公式由式(13)確定

IQR=Q3-Q1

(13)

其中：IQR為四分位距；Q1為第一四分位數(shù)；Q3為第四四分位數(shù).

5)偏度計算公式由式(14)確定

(14)

6)絕對中位偏差計算公式由式(15)確定

mad=median(|xi-median(X)|)

(15)

其中：mad為絕對中位偏差；median為中位數(shù)；xi為樣本觀測值；X為樣本序列.

2.4 動作識別算法

本文通過兩層算法，來完成五個動作的識別.第一層算法通過設(shè)定標(biāo)準(zhǔn)矩陣均值的閾值范圍[13-15](th.C(mean))來判定靜態(tài)動作坐起和臥起.標(biāo)準(zhǔn)矩陣特征值分布情況如圖2、圖3所示，從圖2中可以看出，坐起的th.C(mean)在-0.2～-0.25之間，臥起的th.C(mean)在0.2～0.32之間，兩個動作閾值范圍差別明顯，故選擇C(mean)作為識別坐起和臥起的特征值.然后進(jìn)入第二層算法，通過設(shè)定標(biāo)準(zhǔn)矩陣方差的閾值范圍(th.C(var))來判定動態(tài)動作走和上下樓梯.從圖3中可以看出，上樓的th.C(var)在0～0.001之間，下樓梯的th.C(var)在0.01～0.017之間，走的th.C(var)在0.004～0.01之間，動態(tài)動作閾值范圍差別明顯，故選擇C(var)作為識別上、下樓梯和走的特征值.識別流程圖如圖4所示.

圖2 五個動作標(biāo)準(zhǔn)矩陣均值特征分布情況Figure 2 The distribution of the mean feature of the five action standard matrix

圖3 五個動作標(biāo)準(zhǔn)矩陣方差特征分布情況Figure 3 Distribution of variance characteristics of five action standard matrices

圖4 識別流程圖Figure 4 Identification flow chart

3 實驗與分析

本文設(shè)計了兩組實驗來驗證識別方法的有效性，第一組實驗僅用C(mean)和C(var)作為特征值通過兩層基于閾值的識別算法識別五個動作.第二組實驗是融合標(biāo)準(zhǔn)矩陣四分位距、偏度等共6維特征作為輸入，用支持向量機(jī)進(jìn)行分類識別.本文采集了1 000組標(biāo)準(zhǔn)動作特征值，其中75%的特征值作為訓(xùn)練集，25%的數(shù)據(jù)作為測試集.

表1列出了第一組實驗五個動作的識別結(jié)果.識別率K定義為：

(16)

其中：i為正確檢測動作的個數(shù)；Mj為測試動作個數(shù).

表1 第一組實驗五個動作識別率

表2列出了支持向量機(jī)產(chǎn)生的混淆矩陣，表1中第一行與第一列標(biāo)注如下：US代表上樓；DS代表下樓；W代表走；SU代表坐起；LU代表臥起，表2中混淆矩陣的綜合識別率達(dá)到了95.46%，基本滿足識別要求.

表2 五個動作的混淆矩陣

表3列出了第二組實驗五個動作的識別結(jié)果.

從表1、表3可以看出，使用多種特征值的支持向量機(jī)，平均識別率提高了18.4%，雖然識別率有明顯的提高，但相對于基于閾值的兩層算法來說，計算量較大，識別速度相對較慢，在老人所處環(huán)境比較固定的情況下，可以考慮使用第一種識別算法.

表3 五個動作識別率

4 結(jié) 語

本文采用7個MEMS傳感器放置在老人的7個相關(guān)部位，通過坐標(biāo)變換的方法，將傳感器的數(shù)據(jù)變換到腰部坐標(biāo)系下，通過變換后的數(shù)據(jù)計算標(biāo)準(zhǔn)矩陣特征值，用其表示老人的動作，最后分類器的綜合識別率達(dá)到了89%以上.相較于傳統(tǒng)的多傳感器識別人體姿態(tài)，使用的傳感器數(shù)量較少，識別率較高，另外MEMS傳感器體積小、佩戴方便、價格低廉和操作簡單，有很好的工程應(yīng)用價值.