CN103961109B - 基于加速度信号和角速度信号的人体姿态检测装置 - Google Patents

Abstract

本发明公开了一种基于加速度信号与角速度信号的人体姿态检测装置，包括姿态检测部分和姿态检测信息传输部分；姿态检测部分与姿态检测信息传输部分相连；姿态检测部分对人体姿态进行检测，实时判别人体姿态，姿态检测部分控制姿态检测信息传输部分向监护人或监护中心发送被监护人的姿态信息。本发明的优点在于：采用两个传感器节点的佩戴方式，提高被监护人的舒适度；采集人体姿态变化过程中的加速度和角速度信息，采集的运动信息丰富，识别准确率高；能够识别静态姿态(站、坐、躺)和动态姿态(走、跑、上楼梯、下楼梯)。

Description

基于加速度信号和角速度信号的人体姿态检测装置

技术领域

本发明涉及一种基于加速度信号和角速度信号的人体姿态检测装置，属于医学检测技术领域。

背景技术

随着人口老龄化趋势不断加剧，对老年人日常生活的监护以及对姿态等意外突发情况的检测成为医疗监护中的重要内容。老年人的日常动作是评价其生活质量和健康状态的重要依据，因此，识别和记录老年人的日常动作，对老年人的日常生活进行监护具有重要意义。此外，糖尿病、心血管疾病和关节炎等慢性疾病发病率增高与日常活动减少存在必然联系，通过挖掘这些疾病与日常活动之间的联系，可以为疾病的早期发现提供重要线索，对于慢性病病人的健康管理具有重要意义。

现有的人体姿态检测技术可分为两类：基于视频的姿态检测系统，基于穿戴式传感器的姿态检测系统。

基于视频的姿态检测系统是在一定区域内安装摄像头，集人的运动图像序列。通过图像处理的方法实现检测、识别人体姿态。

基于穿戴式传感器的姿态检测系统，指通过微型可穿戴设备，如衣服、帽子、首饰等，采集人体运动过程中的信号，并通过模式识别算法检测人体的活动。

基于视频的姿态检测系统存在数据采集量大，算法复杂，并且容易受周围环境的影响和检测范围限制的缺点。现有基于穿戴式传感器的姿态检测系统，如公开号为CN103632133A，CN103300865A，仅通过采集人体运动过程中的加速度信号进行姿态检测，忽略了人体运动过程中角速度的变化，容易造成检测人体姿态的准确率不高，同时检测人体姿态的种类有限。公开号为CN103637807A的研究中，将传感器佩戴于人体多个部位，极大的降低了系统的实用性和佩戴者的舒适度。而且，大部分传统的人体姿态检测方式无远程无线通信功能。

发明内容

本发明为了克服现有技术的不足，提供一种基于加速度信号和角速度信号的人体姿态检测装置，能够区分人体站，坐，躺，走，跑，上楼梯和下楼梯时的姿态。

基于加速度信号和角速度信号的人体姿态检测装置，包括姿态检测部分和姿态检测信息传输部分；

姿态检测信息传输部分分别连接姿态检测部分；姿态检测部分对人体姿态进行检测，实时判别人体姿态，姿态检测信息传输部分向监护人或监护中心发送当前的姿态信息。

姿态检测部分包括微控制器、第一加速度传感器、第二加速度传感器、第一陀螺仪和第二陀螺仪；

第一加速度传感器和第一陀螺仪佩戴于人体腰部，第二加速度传感器和第二陀螺仪佩戴于人体大腿部，第一加速度传感器用于测量腰部的加速度信号，第一陀螺仪用于测量腰部的角速度信号，第二加速度传感器用于测量大腿部的加速度信号，第二陀螺仪用于测量大腿部的角速度信号，微控制器对两个加速度传感器和两个陀螺仪的信号进行同时采集，将第一加速度传感器测量的加速度带入公式(1)，得到人体腰部加速度信号向量模svm₁；

$\mathrm{svm}=\sqrt{a_x^2+a_y^2+a_z^2}---\left(1\right)$

其中：a_x、a_y、a_z分别表示xyz三个方向上的线加速度大小，其中z方向为垂直方向，y方向为人体前后向，x方向为左右方向；

带入公式(2)，得到人体腰部和重力方向夹角为θ₁；

$\mathrm{\θ}=\arccos (a_z/\sqrt{a_x^2+a_y^2+a_z^2})---\left(2\right)$

将第二加速度传感器测量的加速度带入公式(1)，得到人体腿部加速度信号向量模svm₂，带入公式(2)，得到腿部和重力方向夹角为θ₂；

通过第一陀螺仪得到人体腰部运动角速度，带入公式(3)，得到人体腰部角速度信号向量模ω₁；

$\mathrm{\ω}=\sqrt{{\mathrm{\ω}}_x^2+{\mathrm{\ω}}_y^2+{\mathrm{\ω}}_z^2}---\left(3\right)$

其中：ω_x、ω_y、ω_z分别表示绕x轴、y轴、z轴转动时的角速度大小，其中z轴为人体垂直轴，y轴为人体矢状轴，x轴为人体冠状轴；

通过第二陀螺仪,得到人体大腿运动角速度，带入公式(3)，得到人体腿部角速度信号向量模ω₂；

设定人体处于静态姿态时腰部和腿部svm和ω的阈值，静态姿态包括站、坐和躺三个动作，针对不同被监测人群，例如：老人、儿童、残疾人，设定个性化的svm和ω阈值；

微控制器通过人体腰部和重力方向夹角为θ₁、腿部和重力方向夹角为θ₂判断人体静态姿态；如当θ₁和θ₂均小于A时，则人体处于站立姿态；如当θ₁小于A且θ₂大于B时，人体处于坐姿态；如当θ₁和θ₂均大于B时，则人体处于躺位姿态；A为20°-30°，B为60°-70°；

当人体腰部信号向量模svm₁和人体腿部信号向量模svm₂均超过svm阈值，并且人体腰部运动角速度向量模ω₁和人体大腿运动角速度向量模ω₂均超过ω阈值，微控制器判断人体处于动态姿态，动态姿态包括走、跑、上楼梯和下楼梯；此时，微控制器采集被监护人位于腰部和腿部的加速度信号和角速度信号，并检测运动过程中位于腿部x轴角速度信号ω_x的波谷，将两个波谷间的数据作为一个观测窗口，并在腰部和腿部采集到的a_x、a_y、a_z、ω_y、ω_z、svm、ω中找到与之相对应的窗口起点和终点，提取腰部和腿部位于窗口间信号a_x，a_y，a_z，ω_x，ω_y，ω_z，svm和ω的均值、标准差、平均绝对偏差作为特征向量，输入BP神经网络，BP神经网络进行动作姿态识别，得到监护人为走、跑、上楼梯或者下楼梯的动作姿态。

本发明的优点在于：

(1)采用两个传感器节点的佩戴方式，提高被监护人的舒适度

(2)采集人体姿态变化过程中的加速度和角速度信息，采集的运动信息丰富，识别准确率高；

(3)能够识别静态姿态(站、坐、躺)和动态姿态(走、跑、上楼梯、下楼梯)。

附图说明

图1是本发明的结构示意图；

图2是本发明姿态检测部分结构示意图；

图3是本发明的三轴加速度示意图；

图4是本发明的人体传感器佩戴示意图；

图中：

1-姿态检测部分2-姿态检测信息传输部分

3-微控制器4-第一加速度传感器5-第二加速度传感器

6-第一陀螺仪7-第二陀螺仪

具体实施方式

下面将结合附图和示例对本发明作进一步的详细说明。

本发明是一种基于加速度信号和角速度信号的人体姿态检测装置，如图1所示，包括姿态检测部分1和姿态检测信息传输部分2。姿态检测信息传输部分2连接姿态检测部分1。

姿态检测部分1对人体姿态进行检测，实时判别人体姿态，姿态检测信息传输部分2向监护人或监护中心发送当前的姿态信息和被监护人的地理位置。

如图2所示，姿态检测部分1包括微控制器3、第一加速度传感器4(三轴)、第二加速度传感器5(三轴)、第一陀螺仪6(三轴)和第二陀螺仪7(三轴)。图3为三轴加速度传感器信号示意，xyz为各轴向上加速度，静止状态下其矢量和为1g。θ表示z轴与垂向的夹角，它可以由z轴方向加速度值大小和三轴加速度大小矢量和之间的三角函数关系求得，第一加速度传感器4和第一陀螺仪6佩戴于人体腰部，第二加速度传感器5和第二陀螺仪7佩戴于人体大腿部，如图4所示，第一加速度传感器4用于测量腰部的加速度信号，第一陀螺仪6用于测量腰部的角速度信号，第二加速度传感器5用于测量大腿部的加速度信号，第二陀螺仪7用于测量大腿部的角速度信号，微控制器3对两个加速度传感器和两个陀螺仪的信号进行同时采集，将第一加速度传感器4测量的加速度带入公式(1)，得到人体腰部加速度信号向量模svm₁，带入公式(2)，得到人体腰部和重力方向夹角为θ₁；将第二加速度传感器5测量的加速度带入公式(1)，得到人体腿部加速度信号向量模svm₂，带入公式(2)，得到腿部和重力方向夹角为θ₂，通过第一陀螺仪6得到人体腰部运动角速度，带入公式(3)，得到人体腰部角速度信号向量模ω₁，通过第二陀螺仪7,得到人体大腿运动角速度，带入公式(3)，得到人体腿部角速度信号向量模ω₂。

$\mathrm{svm}=\sqrt{a_x^2+a_y^2+a_z^2}---\left(1\right)$

$\mathrm{\θ}=\arccos (a_z/\sqrt{a_x^2+a_y^2+a_z^2})---\left(2\right)$

$\mathrm{\ω}=\sqrt{{\mathrm{\ω}}_x^2+{\mathrm{\ω}}_y^2+{\mathrm{\ω}}_z^2}---\left(3\right)$

其中：a_xa_ya_z分别表示xyz三个方向上的加速度大小，其中z方向为垂直方向，y方向为人体前后向，x方向为左右方向。ω_xω_yω_z分别表示绕x轴y轴z轴转动时的角速度大小，其中z轴为人体垂直轴，y轴为人体矢状轴，x轴为人体冠状轴。

设定人体处于静态姿态时腰部和腿部svm和ω的阈值，静态姿态包括站、坐和躺三个动作，针对不同被监测人群，例如：老人、儿童、残疾人，设定个性化的svm和ω阈值。微控制器3通过人体腰部和重力方向夹角为θ₁、腿部和重力方向夹角为θ₂判断人体静态姿态。如当θ₁和θ₂均小于一固定值时(可设定在20°-30°之间)，则人体处于站立姿态；如当θ₁小于一固定值θ₂大于一固定值(θ₁可设定在20°-30°之间，θ₂可设定在60°-70°之间)，则人体处于坐姿态；如当θ₁和θ₂均大于一固定值(可设定在60°-70°之间)时，则人体处于躺位姿态。

当人体腰部信号向量模svm₁和人体腿部信号向量模svm₂均超过svm阈值，并且人体腰部运动角速度向量模ω₁和人体大腿运动角速度向量模ω₂均超过ω阈值，微控制器3判断人体处于动态姿态，动态姿态包括走、跑、上楼梯和下楼梯。此时，微控制器3采集被监护人位于腰部和腿部的加速度信号和角速度信号，并检测运动过程中位于腿部x轴角速度信号(ω_x)的波谷，将两个波谷间的数据作为一个观测窗口，并在腰部和腿部采集到的a_x、a_y、a_z、ω_y、ω_z、svm、ω中找到与之相对应的窗口起点和终点，提取腰部和腿部位于窗口间的信号a_x，a_y，a_z，ω_x，ω_y，ω_z，svm和ω的均值、标准差、平均绝对偏差作为特征向量，输入BP神经网络，BP神经网络进行动作姿态识别，得到监护人为走、跑、上楼梯或者下楼梯的动作姿态。

所述的BP神经网络为三层BP神经网络，网络的输入为腰部和腿部运动信息提取出的特征向量，网络输出分别对应走、跑、上楼梯或者下楼梯。传递函数类型选为logsig函数，输出层传递函数选为线性函数purelin，网络的训练方法选择梯度下降算法。网络训练的最大循环次数为200000次，训练目标为均方根误差小于0.0001。

采集监护人在走、跑、上楼梯、下楼梯时分别对应的特征向量，将其作为训练样本，对BP神经网络进行训练，随后用训练好的BP神经网络对动态姿态进行识别。

微控制器3控制姿态检测信息传输部分2向监护人或监护中心发送姿态信息，姿态检测信息传输部分2采用GSM模块进行远程无线通信。

Claims (1)

1.基于加速度信号和角速度信号的人体姿态检测装置，包括姿态检测部分和姿态检测信息传输部分；

姿态检测信息传输部分连接姿态检测部分；姿态检测部分对人体姿态进行检测，实时判别人体姿态，姿态检测信息传输部分向监护人或监护中心发送当前的姿态信息；

姿态检测部分包括微控制器、第一加速度传感器、第二加速度传感器、第一陀螺仪和第二陀螺仪；

第一加速度传感器和第一陀螺仪佩戴于人体腰部，第二加速度传感器和第二陀螺仪佩戴于人体大腿部，第一加速度传感器用于测量腰部的加速度信号，第一陀螺仪用于测量腰部的角速度信号，第二加速度传感器用于测量大腿部的加速度信号，第二陀螺仪用于测量大腿部的角速度信号，微控制器对两个加速度传感器和两个陀螺仪的信号进行同时采集，将第一加速度传感器测量的加速度带入公式(1)，得到人体腰部加速度信号向量模svm₁；

$svm=\sqrt{a_x^2+a_y^2+a_z^2}---\left(1\right)$

其中：a_x、a_y、a_z分别表示xyz三个方向上的线加速度大小，其中z方向为垂直方向，y方向为人体前后向，x方向为左右方向；

带入公式(2)，得到人体腰部和重力方向夹角为θ₁；

$\mathrm{\θ}=arccos(a_z/\sqrt{a_x^2+a_y^2+a_z^2})---\left(2\right)$

将第二加速度传感器测量的加速度带入公式(1)，得到人体腿部加速度信号向量模svm₂，带入公式(2)，得到腿部和重力方向夹角为θ₂；

通过第一陀螺仪得到人体腰部运动角速度，带入公式(3)，得到人体腰部角速度信号向量模ω₁；

$\mathrm{\ω}=\sqrt{{\mathrm{\ω}}_x^2+{\mathrm{\ω}}_y^2+{\mathrm{\ω}}_z^2}---\left(3\right)$

其中：ω_x、ω_y、ω_z分别表示绕x轴、y轴、z轴转动时的角速度大小，其中z轴为人体垂直轴，y轴为人体矢状轴，x轴为人体冠状轴；

通过第二陀螺仪,得到人体大腿运动角速度，带入公式(3)，得到人体腿部角速度信号向量模ω₂；

设定人体处于静态姿态时腰部和腿部svm和ω的阈值，静态姿态包括站、坐和躺三个动作，针对不同被监测人群，设定个性化的svm和ω阈值；

微控制器通过人体腰部和重力方向夹角为θ₁、腿部和重力方向夹角为θ₂判断人体静态姿态；如当θ₁和θ₂均小于A时，则人体处于站立姿态；如当θ₁小于A且θ₂大于B时，人体处于坐姿态；如当θ₁和θ₂均大于B时，则人体处于躺位姿态；A为20°-30°，B为60°-70°；

当人体腰部信号向量模svm₁和人体腿部信号向量模svm₂均超过svm阈值，并且人体腰部运动角速度向量模ω₁和人体大腿运动角速度向量模ω₂均超过ω阈值，微控制器判断人体处于动态姿态，动态姿态包括走、跑、上楼梯和下楼梯；此时，微控制器采集被监护人位于腰部和腿部的加速度信号和角速度信号，并检测运动过程中位于腿部x轴角速度信号ω_x的波谷，将两个波谷间的数据作为一个观测窗口，并在腰部和腿部采集到的a_x、a_y、a_z、ω_y、ω_z、svm、ω中找到与之相对应的窗口起点和终点，提取腰部和腿部位于窗口间信号a_x，a_y，a_z，ω_x，ω_y，ω_z，svm和ω的均值、标准差、平均绝对偏差作为特征向量，输入BP神经网络，BP神经网络进行动作姿态识别，得到监护人为走、跑、上楼梯或者下楼梯的动作姿态。