CN105975989A - 一种基于九轴运动传感器的肘部运动状态识别方法 - Google Patents

Abstract

本发明公开了一种基于九轴运动传感器的肘部运动状态识别方法，在采集肘部姿态信息后，首先利用改进的姿态解算算法解算出姿态角并提取其中的横摇角代表运动状态，然后利用基于动态矩形框的最小点数据分割算法对横摇角数据进行分割并提取特征信息，通过判断特征信息中的方差是否大于30来确定肘部是静止还是运动状态。若为静止则识别出肘部运动状态为静止，若为运动状态则继续处理肘部特征信息，利用一种基于线性分类器的运动分类模型来识别人体肘部运动状态。本发明通过对基于四维空间的姿态解算算法中的噪声因子加权解决了振动干扰的问题，提高了肘部运动状态的识别率。

Description

一种基于九轴运动传感器的肘部运动状态识别方法

技术领域

本发明涉及一种基于九轴运动传感器的肘部运动状态识别方法，属于信号融合与姿态解算方法。

背景技术

随着计算机的普及与虚拟游戏的发展，人机交互的课题逐渐成为计算机技术的一项新热点，人体运动状态检测技术和运动状态识别研究愈发受到重视。其中肘部运动状态识别具有广泛的应用前景，在医疗监护、虚拟游戏和动画制作等研究领域具有积极意义。

传统的姿态检测技术是基于多视角合成装置的视频检测技术实现的。该技术需要强大的硬件处理能力、复杂的软件识别算法，实时性较差且受空间环境的制约。已有的基于三轴陀螺仪的四元数姿态解算算法存在误差积累的缺点。利用加速度传感器与磁力计，则易收到周围磁环境的影响且动态性能差。这些问题对肘部运动状态识别带来了不利影响，限制了肘部姿态识别的正确率。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于九轴运动传感器的肘部运动状态识别方法，能够有效降低姿态测量中的振动干扰，提取出准确的姿态角，提高姿态的识别率。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于九轴运动传感器的肘部运动状态识别方法，包括如下步骤：

(1)利用九轴运动传感器检测用户肘部的运动姿态，并记录该姿态从开始到完成的整个过程中的加速度、角速率和磁场强度数据；

(2)利用改进基于四维空间的姿态解算算法对步骤(1)记录的数据进行解算，得到肘部运动时的姿态角，所述改进基于四维空间的姿态解算算法是对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理，以克服运动过程中扰动加速度对姿态识别的影响；

(3)由于横摇角能很好地代表运动状态，因此提取姿态角中的横摇角，采用基于动态矩形框的最小点数据分割算法对横摇角进行截取，得到截取数据；

(4)计算截取数据的方差σ²，作为截取数据的特征信息：

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2$

其中：N为截取数据包含的样本点总数，X_i为截取数据中的第i个样本点，为截取数据中所有样本点的平均值；

(5)判断σ²≥30是否成立：若成立，则判断运动姿态为静止，忽略本次运动姿态；否则，对截取数据进行如下计算并保存为本次运动姿态的样本：

$Y_i=\frac{X_i-\stackrel{\‾}{X}}{\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2}}$

(6)对不同种类的运动姿态重复步骤(3)～(7)，得到不同种类运动姿态的样本；

(7)采用基于线性分类器的运动分类模型对所有样本进行建模和参数训练，得到腿部运动模式识别器。

具体的，所述步骤(2)中，对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理，具体为：

(21)对九轴运动传感器输出的三维加速度向量的模|M_acc|进行滑动平均处理：

${\stackrel{\‾}{P}}_k=\frac{1}{l+1}\underset{i=k-l}{\overset{k}{\mathrm{\Σ}}}{\left|M_{acc}\right|}_i$

其中：为k时刻滑动平均处理的结果，|M_acc|_i表示i时刻的|M_acc|，l为滑动平均窗口的宽度；

(22)根据修正噪声因子：

$Q_k=(Q_h-Q_l)\left|\tanh \left(\mathrm{\Δ}S\right({\stackrel{\‾}{P}}_k-g\left)\right)\right|+Q_l$

其中：Q_k为加权后k时刻的噪声因子矩阵，g为重力加速度，Q_h为最大噪声因子矩阵，Q_l为最小噪声因子矩阵，ΔS为置信间距；Q_k越大表示系统的观测噪声越大。

具体的，所述步骤(3)中，基于动态矩形框的最小点数据分割算法，具体为：

建立两个动态矩形框，第一动态矩形框用于截取出一段原始数据组成样本库，第二动态矩形框用于定位满足局部最小值的样本点在样本库中的位置；第一滑动窗口的长度为N₁，第二滑动窗口的长度为N₂，N₁＞N₂且N₂为奇数；从第二滑动窗口对局部最小样本点的定位规则如下：

①第二动态矩形框从第一动态矩形框的右侧开始向第一动态矩形框的左侧移动，即优先处理新数据；

②若第二动态矩形框最中间位置的样本点数据，小于第二动态矩形框内前半段的所有样本点，且大于第二动态矩形框内后半段的所有样本点，则对该最中间位置的样本点进行定位；

③最先通过第二动态矩形框成功定位的两个样本点之间的数据段即为最终的截取数据。

有益效果：本发明提供的基于九轴运动传感器的肘部运动状态识别方法，相对于传统现有技术，解决了传统方法中的误差积累，动态性差的问题，能够有效提取肘部姿态信息，姿态解算算法具有高稳定性，抗干扰性，提高了运动状态的识别率。

附图说明

图1为本发明的实施流程图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种基于九轴运动传感器的肘部运动状态识别方法，包括如下步骤：

(1)利用九轴运动传感器检测用户肘部的运动姿态，并记录该姿态从开始到完成的整个过程中的加速度、角速率和磁场强度数据。

(2)利用改进基于四维空间的姿态解算算法对步骤(1)记录的数据进行解算，得到肘部运动时的姿态角，所述改进基于四维空间的姿态解算算法是对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理，以克服运动过程中扰动加速度对姿态识别的影响。

对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理，具体为：

(21)对九轴运动传感器输出的三维加速度向量的模|M_acc|进行滑动平均处理：

${\stackrel{\‾}{P}}_k=\frac{1}{l+1}\underset{i=k-l}{\overset{k}{\mathrm{\Σ}}}{\left|M_{acc}\right|}_i$

其中：为k时刻滑动平均处理的结果，|M_acc|_i表示i时刻的|M_acc|，l为滑动平均窗口的宽度；

(22)根据修正噪声因子：

$Q_k=(Q_h-Q_l)\left|\tanh \left(\mathrm{\Δ}S\right({\stackrel{\‾}{P}}_k-g\left)\right)\right|+Q_l$

其中：Q_k为加权后k时刻的噪声因子矩阵，g为重力加速度，Q_h为最大噪声因子矩阵，Q_l为最小噪声因子矩阵，ΔS为置信间距；Q_k越大表示系统的观测噪声越大。

(3)由于横摇角能很好地代表运动状态，因此提取姿态角中的横摇角，采用基于动态矩形框的最小点数据分割算法对横摇角进行截取，得到截取数据。

基于动态矩形框的最小点数据分割算法，具体为：

建立两个动态矩形框，第一动态矩形框用于截取出一段原始数据组成样本库，第二动态矩形框用于定位满足局部最小值的样本点在样本库中的位置；第一滑动窗口的长度为N₁，第二滑动窗口的长度为N₂，N₁＞N₂且N₂为奇数；从第二滑动窗口对局部最小样本点的定位规则如下：

①第二动态矩形框从第一动态矩形框的右侧开始向第一动态矩形框的左侧移动，即优先处理新数据；

②若第二动态矩形框最中间位置的样本点数据，小于第二动态矩形框内前半段的所有样本点，且大于第二动态矩形框内后半段的所有样本点，则对该最中间位置的样本点进行定位；

③最先通过第二动态矩形框成功定位的两个样本点之间的数据段即为最终的截取数据。

(4)计算截取数据的方差σ²，作为截取数据的特征信息：

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2$

其中：N为截取数据包含的样本点总数，X_i为截取数据中的第i个样本点，为截取数据中所有样本点的平均值。

(5)判断σ²≥30是否成立：若成立，则判断运动姿态为静止，忽略本次运动姿态；否则，对截取数据进行如下计算并保存为本次运动姿态的样本：

$Y_i=\frac{X_i-\stackrel{\‾}{X}}{\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2}}$

(6)对不同种类的运动姿态重复步骤(3)～(7)，得到不同种类运动姿态的样本。

(7)采用基于线性分类器的运动分类模型对所有样本进行建模和参数训练，得到腿部运动模式识别器。

(8)对新的运动姿态进行检测：按照步骤(1)检测该运动姿态从开始到完成的整个过程中的加速度、角速率和磁场强度数据；然后根据步骤(2)～(5)得到该运动姿态的整体特征描述；最后将得到的整体特征描述输入步骤(7)得到的腿部运动模式识别器中，即可对该运动姿态进行识别。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于九轴运动传感器的肘部运动状态识别方法，其特征在于：包括如下步骤：

(1)利用九轴运动传感器检测用户肘部的运动姿态，并记录该姿态从开始到完成的整个过程中的加速度、角速率和磁场强度数据；

(2)利用改进基于四维空间的姿态解算算法对步骤(1)记录的数据进行解算，得到肘部运动时的姿态角，所述改进基于四维空间的姿态解算算法是对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理，以克服运动过程中扰动加速度对姿态识别的影响；

(3)提取姿态角中的横摇角，采用基于动态矩形框的最小点数据分割算法对横摇角进行截取，得到截取数据；

(4)计算截取数据的方差σ²，作为截取数据的特征信息：

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(X_i-\stackrel{\‾}{X})}^2$

其中：N为截取数据包含的样本点总数，X_i为截取数据中的第i个样本点，为截取数据中所有样本点的平均值；

(5)判断σ²≥30是否成立：若成立，则判断运动姿态为静止，忽略本次运动姿态；否则，对截取数据进行如下计算并保存为本次运动姿态的样本：

$Y_i=\frac{X_i-\stackrel{\‾}{X}}{\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(X_i-\stackrel{\‾}{X})}^2}}$

(6)对不同种类的运动姿态重复步骤(3)～(7)，得到不同种类运动姿态的样本；

(7)采用基于线性分类器的运动分类模型对所有样本进行建模和参数训练，得到腿部运动模式识别器。

2.根据权利要求1所述的基于九轴运动传感器的肘部运动状态识别方法，其特征在于：所述步骤(2)中，对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理，具体为：

(21)对九轴运动传感器输出的三维加速度向量的模|M_acc|进行滑动平均处理：

${\stackrel{\‾}{P}}_k=\frac{1}{l+1}\underset{i=k-l}{\overset{k}{\Σ}}{\left|M_{acc}\right|}_i$

其中：为k时刻滑动平均处理的结果，|M_acc|_i表示i时刻的|M_acc|，l为滑动平均窗口的宽度；

(22)根据修正噪声因子：

$Q_k=(Q_h-Q_l)\left|\tanh \left(\mathrm{\Δ}S\right({\stackrel{\‾}{P}}_k-g\left)\right)\right|+Q_l$

其中：Q_k为加权后k时刻的噪声因子矩阵，g为重力加速度，Q_h为最大噪声因子矩阵，Q_l为最小噪声因子矩阵，ΔS为置信间距。