CN104622649B - 一种基于蓝牙肌电采集器的轮椅系统及其控制方法 - Google Patents

Abstract

本发明公开了一种基于蓝牙肌电采集器的轮椅系统及其控制方法，该方法包括以下步骤：步骤1：以蓝牙脑肌电耳机作为蓝牙肌电采集器，由蓝牙脑肌电耳机采集人体的肌电信号，将该肌电信号通过蓝牙方式发送给控制终端；步骤2：控制终端对肌电信号进行数据处理以识别是否存在眨眼动；步骤3：基于识别出的眨眼动作并配合控制终端上设定的方向扫描盘，形成控制命令以控制轮椅的行走状态。该基于蓝牙肌电采集器的轮椅系统及其控制方法易于实施，能实现人机交互，有利于改善特殊人群生活质量。

Description

一种基于蓝牙肌电采集器的轮椅系统及其控制方法

技术领域

本发明涉及一种基于蓝牙肌电采集器的轮椅系统及其控制方法。

背景技术

目前国内外研究人机交互研究比较著名的机构主要有Wadsworth研究中心、NSF、GSU脑实验研究室、Graz-BCI研究机构、清华大学高上凯BCI课题研究组等。目前相关实验室或者公司也有了一定的研究成果，例如美国PLX公司研发了一款头盔能让脑电信号控制iphone。经过调查了解到，中国目前各类残疾人总数为8296万人。其中肢体残疾2412万人，占比29.07％，改善他们的生活质量具有重要意义。中国现有老龄人口已超过1.6亿，且每年以近800万的速度增加，老年人口的快速增加，老年人的生活照料护理等需求明显。

因此，有必要设计一种新型的轮椅系统及其控制方法。

发明内容

本发明所要解决的技术问题是提供一种基于蓝牙肌电采集器的轮椅系统及其控制方法，该基于蓝牙肌电采集器的轮椅系统及其控制方法易于实施，能实现人机交互，有利于改善特殊人群生活质量。

发明的技术解决方案如下：

一种基于蓝牙肌电采集器的轮椅的控制方法，其特征在于，包括以下步骤：

步骤1：以蓝牙脑肌电耳机作为蓝牙肌电采集器，由蓝牙脑肌电耳机采集人体的肌电信号，将该肌电信号通过蓝牙方式发送给控制终端；

步骤2：控制终端对肌电信号进行数据处理以识别是否存在眨眼动；

步骤3：基于识别出的眨眼动作并配合控制终端上设定的方向扫描盘，形成控制命令以控制轮椅的行走状态。

所述的控制终端为智能手机。

所述的方向扫描盘包括“前”、“右”、“后”、“左”四个方向键；进入扫描状态后，方向键盘循环闪烁；

当判定有眨眼行为后，键盘单元锁定当前方向键，并由控制终端向轮椅发送相应控制命令字，控制轮椅运动；当再次眨眼行为判定后，停止发送控制命令字，助障轮椅停止运动，并进入新一轮闪烁循环。闪烁间隔默认时间为1.5s，用户也可以根据自我需要进行调节；当判定有眨眼行为后，键盘单元锁定当前方向键，并发送相应命令字；当再次判定眨眼行为后，停止发送命令字，进入新一轮闪烁循环，发送命令字的方式是手机通过Wifi与助障轮椅进行通信。

在轮椅端装有一块SM-MW-09S的芯片，该芯片能完成无线连接并接收控制终端的命令字，并发送控制字给助障轮椅的电机驱动模块；电机驱动模块采用两块L298N与两块L297芯片，分别控制轮椅的左右两个步进电机，实现对轮椅启停、前进、后退、左转以及右转的控制。

智能手机放置在轮椅上；智能手机中集成有三轴加速度传感器，竖直向上为y轴正方向，水平向左为x轴正方向，垂直于xy平面且向前的方向为z轴正方向；智能手机采集三轴加速度计的的数据，并基于该数据判断轮椅是否摔倒；若判断轮椅已经摔倒，则发出报警短信或拨出报警电话。

智能手机中还集成有方向传感器；智能手机采集到的数据有x轴、y轴、z轴的加速度a、b、c，以及x轴、y轴、z轴的方向α、β、γ；安卓手机应用程序通过sensor以50hz的频率采集三轴加速度计和方向传感器的数据。

采集N组(如100组)摔倒的传感器数据集与N组(如100组)正常情况下(非摔倒情况)的传感器数据集，采集时长为1s【解释：有文献表明，人或者轮椅摔倒的时间不超过1s，这个时间长度，即是人为推倒轮椅的时间(从推到倒地整个动作时间)，采集的100组数据都是这个时间段内的传感器检测的数据(100次推到)。另外100组是正常情况下采集的1s内的数据】，并完成标识工作【对于标识的说明：传感器采集频率是50hz，即在这1s内采集6*50个数据，将100组摔倒模式的6*50个数据标定为1，将另100组非摔倒模式的6*50个数据标识为0，以此作为训练分类器的输入参数】；N为自然数；

智能手机调用LibSVM函数，将事先标定的N组六维特征向量a、b、c、α、β、γ作为输入，利用支持向量机将输入映射到高维空间中，使它们成为线性可分的。再使用线性划分来判断分类边界，以此找到最优超平面，完成训练；利用训练好的模型作为分类器；

这部分内容为现有技术：利用支持向量机(SVM)将输入映射到高维空间中，使每类数据可分。设六维加速度与角度特征向量a，b，c，α，β，γ作为{x_i}样本输入，y∈{+1，-1}为轮椅摔倒检标识测符号。高维空间中线性判别函数的一般形式设为g(x)＝w·x+b，分类线方程为w·x+b＝0。将判别函数进行归一化，使两类所有样本都满足|g(x)|＝1，即离分类面最近样本的|g(x)|＝1。此时，分类间隔等于2/||w||，因此使间隔最大等价于使||w||(或||w||²)最小。要求分类线对所有y∈{+1，-1}标识样本正确分类，即满足y_i[(w·x)+b]-1≥0，i＝1，2，...，n。再构造拉格朗日方程，将最优分类面问题转化为对偶问题基础上，求解的权系数向量即为训练的节点属性向量的线性组合。因此，得到最优分类超平面表达式： $f\left(x\right)=\mathrm{sgn}\{(w^{*}\·x)+b^{*}\}=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}{y}_i(x_i\·x)+b^{*}\},$ 根据前面的分析，非支持向量对应的α_i均为0，因此，上式中的求和实际上只对支持向量进行。b^*是分类阈值，由任意一个支持向量通过y_i[(w·x)+b]-1≥0，i＝1，2，...，n求得(只有支持向量才满足其中的等号条件)，或通过两类中任意一对支持向量取中值求得。以此找到最优超平面，完成训练，并利用训练好的模型作为分类器。

智能手机在线接收数据并对数据进行处理，采集时长为1s的数据，将六维特征值输入分类器，得到分类结果；

当输出结果为摔倒时，安卓手机发出报警。

发出报警的同时还发出定位结果，采用基于曼哈顿距离比较定位方法获得定位结果：

采用位置指纹定位算法，离线建立数据库，将用户生活区域(定位区域)划分为若干子区域，每个区域的中心点间隔5米，智能手机在每个中心点进行采集，该中心点即为采集点；把当前位置MAC地址和RSSI记录在数据库中，格式为(X，N，MAC，RSSI)，其中X为手动输入的当前采集点名称(如客厅、卧室等)；N为Wifi热点名称，RSSI为当前采集点所接收到各Wifi热点的信号强度，单位为dBm；

在线定位：扫描当前助障轮椅位置周围的wifi热点，按格式保存，记录为待测点，对待测点进行定位，将待测点采集到的RSSI向量与记录的采集点的RSSI向量之间的曼哈顿距离为：

${\mathrm{dis}}_i=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|S_k-S_{\mathrm{ik}}|;$

其中，n为热点数量，S_k表示待测点收到第k个Wifi热点的RSSI，S_ik表示第i个采集点收到来自第k个Wifi热点的RSSI；

将多个dis_i值从小到大排序，将其中最小值min(dis_i)所对应的采集点名称作为定位结果。

对采集的数据进行以下加窗和限幅滤波处理：

首先对信号进行加窗处理，窗口宽度为195ms，即100个单位采集点；

限幅滤波步骤：滤除幅值大于0的数据，留下幅值小于等于0的数据：

$h\left(k\right)=\left\{\begin{array}{cc}u\left(k\right),& u\left(k\right)\≤0\\ 0,& u\left(k\right)>0\end{array}\right.;$

其中h(k)为限幅滤波后第k个单位采集点的幅值，u(k)为第k个单位采集点原始幅值；该信号幅值u代表所采集肌电信号的能量大小，与实际电压v的关系为v＝[u*(1.8/4096)]/2000；其中，v的单位为μv，2000为放大倍数；

确定眨眼行为的过程如下：

(1)特征提取：按照对肌电信号进行特征提取，每一个窗口做一次累加【相当于积分】；t＝100；【t为信号处理窗口时间长度对应的一个窗口中的数据点个数。具体来说，时间窗口对应的时长是195ms，即从一个窗口中的第1个离散点到第100个离散点的值进行累加。】其中，h_n(k)为第n个窗口中采集点的幅值，M_sn为第n个窗口的累加值，K为累加缩小因子，取K＝0.05，60为基础波的幅度，F_n为第n个窗口的累加中继量。

$F_n=\left\{\begin{array}{cc}K\underset{k=0}{\overset{t}{\mathrm{\&Sigma;}}}(h_n\left(k\right)-60)& g_{n-1}<0\\ 0& g_{n-1}=0\end{array}\right.,$

其中，g_n为第n个窗口最后一个单位采集点幅值，g_n≤0，窗口宽度为195ms；

(2)：人在眨眼时，产生一个宽度为390ms至585ms的肌电信号，其波峰幅值高于400，波谷幅值低于-300；利用设计的学习训练方式，分别采集使用者轻微眨眼，正常眨眼，用劲眨眼三种情况的肌电信号波峰值分别为Min、Nor、Max；计算参数a1＝Min{Nor-Min，Max-Nor}，b1＝Max{Nor-Min，Max-Nor}，c1＝Avr{Min，Nor，Max}；

取下界L＝c-a，上界H＝c+b，得到特定人的眨眼阈值范围；为此，将使用者眨眼判断值γ设为：

$\mathrm{\&gamma;}=\frac{\left|M_S\right|}{1000}$

当L＜γ＜H时，判断为存在眨眼行为。

一种基于蓝牙肌电采集器的轮椅系统，包括轮椅、控制终端和作为蓝牙肌电采集器的蓝牙脑肌电耳机；

蓝牙脑肌电耳机采集人体的人体的肌电信号，将该肌电信号通过蓝牙方式发送给控制终端；

控制终端对肌电信号进行数据处理以识别是否存在眨眼动；

控制终端发出控制信号控制轮椅上的电机，以驱动轮椅前进、后退、左右转向以及行进和停止；

采用前述的方法对轮椅实施控制。

有益效果：

本发明的基于蓝牙肌电采集器的轮椅系统及其控制方法，利用蓝牙脑肌电采集器MindWave和控制终端(如安卓手机)，并基于眨眼肌电信号检测来控制助障轮椅，并具有助障轮椅摔倒预警，以及摔倒位置定位功能，该发明属于人机交互领域。

本发明安全性高，易于实施，无需复杂训练，对手脚残障人士，使用和操作极为便利，能利用肌电信号实施智能轮椅启停、前后左右转动控制，并能将轮椅摔倒状态与位置信息实时推送至指定用户。

本发明方法中的主要步骤为：步骤1：由蓝牙脑肌电耳机Mindwave以512HZ的频率采集人体的肌电信号，将该肌电信号通过蓝牙方式发送给手机，并对该信号采取加窗与限幅滤波预处理；步骤2：设计基于中继量的积分算法，经过阈值判断实现眨眼肌电信号检测；步骤3：利用眨眼信号匹配安卓程序中设定的圆形扫描盘，完成命令输出，实现眨眼肌电信号控制轮椅运动的功能；另外，根据安卓智能手机自带的三轴加速度与方向传感器数据，获取轮椅原型机的姿态信息，利用支持向量机方法，实施摔倒检测，并设计基于曼哈顿距离比较定位方法，实现Wifi定位功能，完成自动检测并报警。

通过步骤1和2中的方法对信号进行处理，运算速度快，并能够实时检测眨眼信号，对眨眼信号的识别率达到了98％，满足系统实时性要求。步骤3采用简便的扫描控制方法控制助障轮椅，有助于用户使用，用户体验效果良好。还能直接采用安卓智能手机上自带的三轴加速度计和方向传感器，无需其他硬件模块，便于安装，成本低，且检测准确。

本发明从生活实际出发，设计基于蓝牙肌电采集器的轮椅系统及其控制方法能解决特殊人群生活实际问题，填补了目前的市场空白，创造性高，具有重大的经济效益和社会效益。

附图说明

图1为眨眼信号波形图，其中，(a)为采集到的眨眼信号波形，(b)为局部放大后的眨眼信号波形；

图2为限幅滤波处理后的波形；

图3为积分处理示意图；其中(a)(b)分别为原始波形与积分处理结果；

图4为眨眼信号检测的流程图；

图5为助障轮椅运动控制扫描盘；

图6为助障轮椅眨眼控制流程图；

图7为本发明总体框架示意图。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明：

实施例1：

如图1-7，基于蓝牙肌电采集器的轮椅控制方法的实施说明，首先，由蓝牙脑肌电耳机Mindwave以512HZ的频率采集人体的肌电信号，将该肌电信号通过蓝牙方式发送给手机，并对该信号采取加窗与限幅滤波预处理；步骤如下：

步骤1.1：安卓手机上相应的系统需对信号进行加窗处理，窗口宽度为195ms，即100个单位采集点。Mindwave采集到的信号波形如图1所示。

步骤1.2：限幅滤波，滤除幅值大于0的肌电信号波形，留下幅值小于等于0的波形。

$h\left(k\right)=\left\{\begin{array}{cc}u\left(k\right),& u\left(k\right)\&le;0\\ 0,& u\left(k\right)>0\end{array}\right.$

其中h(k)为限幅滤波后第k个单位采集点的幅值，u(k)为第k个单位采集点原始幅值；该信号幅值u代表所采集肌电信号的能量大小，与实际电压v的关系为v＝[u*(1.8/4096)]/2000；其中，v的单位为μv，2000为放大倍数；

限幅滤波处理后的波形如图2所示。

而后设计基于中继量的积分算法，经过阈值γ∈(0.5，2.35)判断实现眨眼肌电信号检测；步骤如下：

步骤2.1：特征提取按照对肌电信号进行特征提取，每一个窗口做一次累加【相当于积分】。其中，h_n(t)为第n个窗口中采集点的幅值，【实际应用时，可以采用以下方法简化运算：当且仅当h_n(t)＜0时执行积分，h_n(t)＝0时停止积分，因为一个窗口不可能存在多次眨眼，当滤波后的幅值还能到达0时，说明上次眨眼已经结束。后续信号再做累加没有意义。而后面的值，即便有新的眨眼动作发生(儿乎不可能)，刚开始的儿十点数据累加也是很小的值，不影响结果。又因为软件空间与时间的节约，】t∈(0，195)。M_sn为第n个窗口的积分值，k为积分缩小因子，取k＝0.05，60为基础波的幅度；F_n为第n个窗口的积分中继量。

$F_n=\left\{\begin{array}{cc}K\underset{k=0}{\overset{t}{\mathrm{\&Sigma;}}}(h_n\left(k\right)-60)& g_{n-1}<0\\ 0& g_{n-1}=0\end{array}\right.,$

其中，g_n为第n个窗口最后一个单位采集点幅值，g_n≤0。窗口宽度为195ms。经过积分处理后的波形与原波形比较如图3所示。

步骤2.2：人在眨眼时，产生一个宽度为390ms至585ms的肌电信号，其波峰幅值高于400，波谷幅值低于-300。利用设计的学习训练方式，分别采集使用者轻微眨眼，正常眨眼，使劲眨眼三种情况的肌电信号波峰值分别为Min、Nor、Max。计算a＝MIN{Nor-Min，Max-Nor}，b＝MAX{Nor-Min，Max-Nor}，c＝AVR{Min，Nor，Max}。

步骤2.3：取下界L＝c-a＝0.5，上界H＝c+b＝2.35，得到特定人的眨眼阈值。为此，将使用者眨眼判断阈值γ设为：

$\mathrm{\&gamma;}=\frac{\left|M_S\right|}{1000}$

当0.5＜γ＜2.35时，判断为存在眨眼行为。两次眨眼后M_S1值为1025，M_S2值为1178，可以得出γ₁值为1.025，γ₂值为1.178，即两次眨眼行为均识别成功。

眨眼信号预处理与检测的算法流程图如图4所示。

利用眨眼信号匹配安卓程序中设定的圆形扫描盘模块，完成命令输出，实现眨眼肌电信号控制轮椅运动的功能；步骤如下：

手机中集成扫描控制模块，该扫描控制模块由“前”、“右”、“后”、“左”四个方向键盘组成，键盘单元设置为方向键盘扫描样式，即进入控制模块后，方向键盘循环闪烁，闪烁间隔默认时间为1.5s，用户也可以根据自我需要进行调节。界面如图5所示。当判定有眨眼行为后，键盘单元锁定当前方向键，并发送相应命令字，当再次判定眨眼行为后，停止发送命令字，进入新一轮闪烁循环，手机通过Wifi将命令字发送给助障轮椅，如图6所示。助障轮椅端的SM-MW-09S的芯片接收手机命令字，将命令字转化为高低电位，由芯片的输出口OUT1和OUT2与PWM1和PWM2输出。此电位作用于助障轮椅的电机驱动模块，分别控制助障轮椅左右两个步进电机，完成对轮椅启停、前后左右转动的控制。

实施实例2：本实例在一个面积为430平方米的楼层中开展，该楼层有2套120平米的户型、2套90平米的户型，楼梯间面积10平方米，120平米户型为三室一厅一厨两卫，90平方米户型为两室一厅一厨一卫。实例根据安卓智能手机自带的三轴加速度与方向传感器数据，获取轮椅原型机的姿态信息，利用支持向量机方法，实施摔倒检测，并设计基于曼哈顿距离比较定位方法，实现Wifi定位功能，完成自动检测并报警。具体步骤如下：

首先，将安卓系统的智能手机安装于助障轮椅上，用手机的Wifi模块完成数据采集，用手机的定位替代助障轮椅的定位。采用位置指纹定位算法，离线建立数据库。将整个定位区域划分为24个区域，每个房间作为一个定位区域，如1号房客厅即为一个定位区域。手机在每个定位区域中心点进行采集，把当前位置MAC地址和RSSI记录在数据库中，格式为(X，N，MAC，RSSI)，其中X为手动输入的当前采集点名称，如1号房卧室a、2号房客厅、3号房卫生间a等；N为Wifi热点名称，RSSI为当前采集点所接收到各Wifi热点的信号强度，单位为dBm。

然后，扫描当前助障轮椅位置周围的Wifi热点，按格式保存，记录为待测点。对待测点进行定位，将待测点采集到的RSSI向量与离线数据库中记录的采集点RSSI向量之间的曼哈顿距离为：

${\mathrm{dis}}_i=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}|S_k-S_{\mathrm{ik}}|$

其中，n为热点数量，S_k表示待测点收到第k个Wifi热点的RSSI，S_ik表示第i个采集点收到来自第k个Wifi热点的RSSI；

最后，将i个dis值从小到大排列，将其中得到最小值min(dis₁)采集点的采集点名称输出到显示模块，定位完成。定位实验攻击进行三次，每次实验对每个房间进行一次定位。第一次实验定位成功房间数为22，第二次为23，第三次为22，平均准确率达到了百分之九十三，且不正确定位区域均为面积较小的厕所，说明该准确率与Wifi热点分布和房间面积相关。

在助障轮椅的椅背上竖直放置包含三轴加速度传感器的安卓手机，竖直向上为y轴正方向，水平向左为x轴正方向，垂直于xy平面的方向为z轴正方向。安卓手机应用程序通过sensor以50hz的频率采集三轴加速度计和方向传感器的数据，采集到的数据有x轴、y轴、z轴的加速度分别为a、b、c，x轴、y轴、z轴的方向α、β、γ。

利用支持向量机(SVM)将输入映射到高维空间中，使每类数据可分，SVM广泛用于特征属性数据分类过程，特别对二类分类问题具有很好的效果。设六维加速度与角度特征向量a，b，c，α，β，γ作为{x_i}样本输入，y∈{+1，-1}为轮椅摔倒检标识测符号。高维空间中线性判别函数的一般形式设为g(x)＝w·x+b，分类线方程为w·x+b＝0。将判别函数进行归一化，使两类所有样本都满足|g(x)|＝1，即离分类面最近样本的|g(x)|＝1。此时，分类间隔等于2/||w||，因此使间隔最大等价于使||w||(或||w||²)最小。要求分类线对所有y∈{+1，-1}标识样本正确分类，即满足y_i[(w·x)+b]-1≥0，i＝1，2，...，n。利用Lagrange优化方法将最优分类面转化为对偶问题，即约束条件α_i≥0，i＝1，2，...，n。则α_i求解函数的最大值。若α^*为最优解，则即最优分类面的权系数向量是训练样本向量的线性组合。这是一个不等式约束下的二次函数极值问题，存在唯一解。根据kühn-Tucker条件，解中将只有一部分(通常是很少一部分)α_i不为零，这些不为0解所对应的样本就是支持向量。在构造拉格朗日方程，将最优分类面问题转化为对偶问题基础上，求解的权系数向量即为训练的节点属性向量的线性组合。因此，得到最优分类超平面表达式： $f\left(x\right)=\mathrm{sgn}\{(w^{*}\&CenterDot;x)+b^{*}\}=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}{y}_i(x_i\&CenterDot;x)+b^{*}\},$ 根据前面的分析，非支持向量对应的α_i均为0，因此，上式中的求和实际上只对支持向量进行。b^*是分类阈值，由任意一个支持向量通过y_i[(w·x)+b]-1≥0，i＝1，2，...，n求得(只有支持向量才满足其中的等号条件)，或通过两类中任意一对支持向量取中值求得。以此找到最优超平面，完成训练，并利用训练好的模型作为分类器。

事先采集100组摔倒的传感器数据集与100组正常情况下的传感器数据集，采集时长为1s的数据，并完成标定工作。安卓程序调用LibSVM函数，将事先标定的100组六维特征向量a、b、c、α、β、γ作为输入，找到最优最优超平面，完成训练。而后，装有检测报警系统的安卓手机在线接收数据并对数据进行处理，采集时长为1s的数据，将六维特征值输入分类器，判断是否摔倒。

将测试坏境设为一个斜坡，分别用不同的力度在东南西北四个方向试验5次，人工推到轮椅总计20次。当判断助障轮椅摔倒时，输出结果为摔倒，安卓手机发出警报声，并立即自动发送求救短信到提前设定好的号码中，并将当前地点的Wifi定位结果一并发送。

经过测试，20次人工推到轮椅检测报警共计检测出20个，准确率为100％。整体的系统框图如图7所示。

Claims (6)

1.一种基于蓝牙肌电采集器的轮椅的控制方法，其特征在于，包括以下步骤：

步骤1：以蓝牙脑肌电耳机作为蓝牙肌电采集器，由蓝牙脑肌电耳机采集人体的肌电信号，将该肌电信号通过蓝牙方式发送给控制终端；

步骤2：控制终端对肌电信号进行数据处理以识别是否存在眨眼动作；

步骤3：基于识别出的眨眼动作并配合控制终端上设定的方向扫描盘，形成控制命令以控制轮椅的行走状态；

所述的控制终端为智能手机；

智能手机放置在轮椅上；智能手机中集成有三轴加速度传感器，竖直向上为y轴正方向，水平向左为x轴正方向，垂直于xy平面且向前的方向为z轴正方向；智能手机采集三轴加速度传感器的数据，并基于该数据判断轮椅是否摔倒；若判断轮椅已经摔倒，则发出报警短信或拨出报警电话；

智能手机中还集成有方向传感器；智能手机采集到的数据有x轴、y轴、z轴的加速度a、b、c，以及x轴、y轴、z轴的方向α、β、γ；

采集N组摔倒的传感器数据集与N组正常情况下的传感器数据集，采集时长为1s；N为自然数；

智能手机调用LibSVM函数，将事先标定的N组六维特征向量a、b、c、α、β、γ作为输入，利用支持向量机将输入映射到高维空间中，使它们成为线性可分的；再使用线性划分来判断分类边界，以此找到最优超平面，完成训练；利用训练好的模型作为分类器；

智能手机在线接收数据并对数据进行处理，采集时长为1s的数据，将六维特征值输入分类器，得到分类结果；

当输出结果为摔倒时，智能手机发出报警。

2.根据权利要求1所述的基于蓝牙肌电采集器的轮椅的控制方法，其特征在于，所述的方向扫描盘包括“前”、“右”、“后”、“左”四个方向键；进入扫描状态后，方向扫描盘循环闪烁；

当判定有眨眼动作后，键盘单元锁定当前方向键，并由控制终端向轮椅发送相应控制命令字，控制轮椅运动；当再次眨眼动作判定后，停止发送控制命令字，轮椅停止运动，并进入新一轮闪烁循环。

3.根据权利要求2所述的基于蓝牙肌电采集器的轮椅的控制方法，其特征在于，在轮椅端装有一块SM-MW-09S的芯片，该芯片能完成无线连接并接收控制终端的控制命令字，并发送控制命令字给轮椅的电机驱动模块；电机驱动模块采用两块L298N与两块L297芯片，分别控制轮椅的左右两个步进电机，实现对轮椅启停、前进、后退、左转以及右转的控制。

4.根据权利要求1所述的基于蓝牙肌电采集器的轮椅的控制方法，其特征在于，发出报警的同时还发出定位结果，采用基于曼哈顿距离比较定位方法获得定位结果：

采用位置指纹定位算法，离线建立数据库，将用户生活区域划分为若干子区域，每个区域的中心点间隔5米，智能手机在每个中心点进行采集，该中心点即为采集点；把当前位置MAC地址和RSSI记录在数据库中，格式为(X,N,MAC,RSSI),其中X为手动输入的当前采集点名称；N为Wifi热点名称，RSSI为当前采集点所接收到各Wifi热点的信号强度，单位为dBm；

在线定位：扫描当前轮椅位置周围的Wifi热点，按格式保存，记录为待测点，对待测点进行定位，将待测点采集到的RSSI向量与记录的采集点的RSSI向量之间的曼哈顿距离为：

${\mathrm{dis}}_i=\underset{k=1}{\overset{n}{\&Sigma;}}|S_k-S_{ik}|;$

其中，n为热点数量，S_k表示待测点收到第k个Wifi热点的RSSI，S_ik表示第i个采集点收到来自第k个Wifi热点的RSSI；

将多个dis_i值从小到大排序，将其中最小值min(dis_i)所对应的采集点名称作为定位结果。

5.根据权利要求1-4任一项所述的基于蓝牙肌电采集器的轮椅的控制方法，其特征在于，对采集的数据进行以下加窗和限幅滤波处理：

首先对信号进行加窗处理，窗口宽度为195ms，即100个单位采集点；

限幅滤波步骤：滤除幅值大于0的数据，留下幅值小于等于0的数据：

$h\left(k\right)=\left\{\begin{array}{cc}u\left(k\right),& u\left(k\right)\&le;0\\ 0,& u\left(k\right)>0\end{array}\right.;$

其中h(k)为限幅滤波后第k个单位采集点的幅值，u(k)为第k个单位采集点原始幅值；该信号幅值u代表所采集肌电信号的能量大小，与实际电压v的关系为v＝[u*(1.8/4096)]/2000；其中，v的单位为μv，2000为放大倍数；

确定眨眼动作的过程如下：

(1)特征提取：按照对肌电信号进行特征提取，每一个窗口做一次累加；t＝100；其中，h_n(k)为第n个窗口中采集点的幅值，M_sn为第n个窗口的累加值，K为累加缩小因子，取K＝0.05，60为基础波的幅度，F_n为第n个窗口的累加中继量；

$F_n=\left\{\begin{array}{cc}K\underset{k=0}{\overset{t}{\&Sigma;}}\left(h_n\right(k)-60)& g_{n-1}<0\\ 0& g_{n-1}=0\end{array}\right.,$

其中，g_n为第n个窗口最后一个单位采集点幅值，g_n≤0，窗口宽度为195ms；

(2)人在眨眼时，产生一个宽度为390ms至585ms的肌电信号，其波峰幅值高于400，波谷幅值低于-300；利用设计的学习训练方式，分别采集使用者轻微眨眼，正常眨眼，用劲眨眼三种情况的肌电信号波峰值分别为Min、Nor、Max；计算参数a1＝Min{Nor-Min,Max-Nor},b1＝Max{Nor-Min,Max-Nor},c1＝Avr{Min,Nor,Max}；

取下界L＝c-a，上界H＝c+b，得到特定人的眨眼阈值范围；为此，将使用者眨眼判断值γ设为：

$\mathrm{\&gamma;}=\frac{\left|M_S\right|}{1000}$

当L＜γ＜H时，判断为存在眨眼动作。

6.一种基于蓝牙肌电采集器的轮椅系统，其特征在于，包括轮椅、控制终端和作为蓝牙肌电采集器的蓝牙脑肌电耳机；

蓝牙脑肌电耳机采集人体的肌电信号，将该肌电信号通过蓝牙方式发送给控制终端；

控制终端对肌电信号进行数据处理以识别是否存在眨眼动；

控制终端发出控制信号控制轮椅上的电机，以驱动轮椅前进、后退、左右转向以及行进和停止；

采用权利要求5所述的方法对轮椅实施控制。