CN108720839A - 一种基于运动能量收集的人体运动评估方法及装置 - Google Patents

Abstract

本发明公开了一种基于运动能量收集的人体运动评估方法及装置，将运动能量采集器代替已有的惯性传感器来进行人体运动评估，其目标是将能量有效和动作识别、卡路里估计联合考虑。直接将人体运动所收集的能量作为一种全新的输入信号，可实现在对人体运动程度分类和卡路里估计的同时有效地节省可穿戴设备的能量消耗，从而满足可穿戴设备能长时间不间断地进行人体健康监测的功能需求。

Description

一种基于运动能量收集的人体运动评估方法及装置

技术领域

本发明涉及运动评估领域，具体是一种基于运动能量收集的人体运动评估方法及装置。

背景技术

可穿戴设备要想满足长时间健康监测需求，持久供电是必须要解决的问题。在传统的电池供电方式下，降低功耗不能从根本上解决问题。近年来，能量收集技术作为一种新的可以实现系统可持续性的技术得到了广泛关注。能量收集技术是从外界环境或者人体收集能量为电池充电，它能够有效缓解目前可穿戴设备长期供能与普适化便捷部署需求之间的矛盾。其中可收集的分布式能量有太阳能、热能、振动和电磁波等多种形式。而运动能量收集是一种灵活、廉价的解决方案，它可将人类进行日常活动(如走路、开门)时产生的动能收集起来，转化成的电能足以维持一些可穿戴设备对外部的数据连接。

运动评估包括了运动程度分类和卡路里估计两个部分，基于人体运动能量的动作类型识别和卡路里估计属于模式识别、机器学习领域的应用研究。目前已有的绝大多数运动评估都是基于惯性传感器采集的信号来实现。在动作识别方面：美国的Yang等人将多个惯性传感器(三轴加速度计和三轴陀螺仪)佩戴在人体手腕、脚踝等五个不同位置，实现了对日常13种不同动作的分类识别。美国的 Karantonis等人利用固定在人体腰部的单个加速度计，实现了对步行和跌倒两种状态的实时检测。在卡路里估计方面：Lin等人结合心率传感器和加速度传感器，利用神经网络模型识别不同运动强度的动作，再根据不同动作训练神经网络模型进而实现特定动作的卡路里消耗估计。Albinali等人利用单个加速度传感器根据运动强度的不同进行动作类别的区分，再结合人的体态特征进行查表估计人体运动的卡路里消耗。

已有的基于可穿戴设备的动作识别和卡路里消耗估计都是围绕提高动作识别率和卡路里估计准确率而展开，较少地考虑可穿戴设备的功耗问题。目前仅有澳大利亚的Khalifa团队尝试采集人体运动能量来对日常的走、跑、站三种动作进行识别，并对走和跑两个动作进行了人体卡路里消耗的估计。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于运动能量收集的人体运动评估方法及装置，对人体运动程度的分类和卡路里估计的同时，有效地节省穿戴设备的能量消耗，从而满足可穿戴设备能长时间不间断地进行人体健康监测的功能需求。

为解决上述技术问题，本发明所采用的技术方案是：一种基于运动能量收集的人体运动评估方法，包括以下步骤：

1)采集人体运动过程中的能量输出信号，提取用于运动程度分类和卡路里估计的动作特征向量，进而构造人体动作数据集；

2)从所述人体动作数据集中随机选取动作数据，提取动作特征向量，利用所述动作特征向量建立包含T棵分类决策树的随机森林分类预测模型；

3)利用随机森林分类预测模型中的每一棵分类决策树对测试样本进行判断，根据所有分类决策树的识别结果将预测类别最多的那一类作为该测试样本的动作类型；

4)从人体动作数据集中随机选取动作数据，提取动作特征向量，根据运动剧烈程度不同的动作特征向量分别建立四个独立的包含T棵回归决策树的随机森林回归预测模型；

5)对于所述测试样本，根据步骤3)的动作类型结果，选择对应的随机森林回归预测模型，让随机森林回归预测模型中的每一棵回归决策树进行判断，最后根据所有回归决策树的结果将叶子节点目标变量的加权平均值作为该测试样本的卡路里消耗。

能量输出信号Voltage的表达式为： measurement表示佩戴于人体上的模数转换器的测量值。

相应地，本发明还提供了一种人体运动评估装置，其包括：

微控制器模块，用于控制能量采集模块、三轴加速度计模块的采样频率和读写时序；并利用所述能量采集模块、三轴加速度计模块采集的数据对人体运行过程进行评估；

能量采集模块，用于采集人体运动过程中产生的能量信号；

三轴加速度计模块，用于采集人体运动过程中的加速度信号。

存储模块，用于存储所述能量采集模块、三轴加速度计模块采集的运动信号数据。

按键控制模块，用于控制能量采集模块、三轴加速度计模块的工作开始时间和结束时间。

与现有技术相比，本发明所具有的有益效果为：本发明利用人体运动时产生的能量信号直接进行运动程度分类和卡路里估计。将运动能量运用到人体运动评估，其目标不光只是提高动作分类和卡路里估计的准确率，而是摒弃传统的惯性传感器，直接利用人体运动的能量作为一种全新的输入信号，从而在对人运动程度进行有效的分类和卡路里估计的同时有效地节省可穿戴设备的能量消耗，进而实现可穿戴设备长时间不间断健康监测的功能需求。

附图说明

图1为传统方案与本发明的对比示意图；

图2为人体运动能量硬件采集平台示意图；

图3为基于人体运动能量的基于运动能量收集的人体运动评估方法流程示意图；

图4为随机森林示意图。

图5为基于人体运动能量的卡路里估计对比示意图。

具体实施方式

本发明将压电式能量采集器的电压输出信号直接用于运动评估，然而电压信号的采集几乎不消耗系统任何能量，而且采集到的能量还能存储下来便于之后使用，因此相比于已有发明该方案既能够有效地对运动进行评估，又能大大降低系统的功耗，进而实现长时间的人体健康监测，已有发明与本方案对比示意图如图 1所示。

本发明包括如下步骤：

1)搭建实物硬件平台用于采集人体运动的能量信号；

图2给出了硬件采集平台示意图，其主要包括五个部分：第一，压电式能量采集模块PPA1011，该模块根据人体运动时振动幅度的大小产生不同强度的AC 交流电，其输出表示人体运动能量信号；第二，三轴加速度计ADXL345，该模块产生x、y、z三个方向轴上的加速度信号用于与该发明方案进行比较；第三，微控制器IAP15F2K61S2，该模块作为整个硬件采集平台的控制核心，控制人体动作数据的采样和各个模块之间的通信；第四，存储模块SD卡，该模块通过外接卡槽与微控制器连接，用于存储采集的人体动作信号；第五，按键控制模块，该模块通过两个按键控制数据采集的开始与结束

2)采集人体运动数据

实验的人体动作数据集共包括10名健康的参与者，其中6名男性，4名女性，年龄在24-27岁之间。如图3所示，参与者将硬件采集平台佩戴在人体脚踝的位置，并在户外自然状态下分别执行7种不同的人体日常动作：坐，躺，步行，上楼，下楼，跑步和骑车。实验中传感器的采样频率设为100Hz，其中加速度计的测量范围为±16g，运动能量信号通过10位的ADC模数转换器根据公式1计算得到。

其中，Voltage表示转换后的人体运动能量信号，measurement表示模数转换器的测量值。

每位参与者每种动作采集8次。实验的动作数据集共包含560个(10人×7 动作×8次)样本。在整个的动作数据采集过程中，要保证所有参与者以及每个参与者在做所有动作时，传感器节点放置在人体身上的位置、方向都要保持一致和不变。

3)提取人体动作特征，构造人体动作数据集

原始运动数据通过0.1-10Hz的巴特沃兹带通滤波器将原始信号中的静态成分和高频噪声滤除，并采用3点滑动平均滤波祛除原始信号中的干扰，利用滑动非重叠窗将滤波后的信号分割为多个信号窗，选择观测窗口长度为5秒，即500 个采样值。最后对每一个信号窗提取15种不同的时域和频域的特征，用于运动程度分类和卡路里估计的信号输入，提取的特征如表1所示：

表1提取特征

4)基于人体运动能量的运动程度分类

为了提高动作分类和卡路里估计的准确率，实验中将运动剧烈程度相近的动作合并为一个动作类型，而人体运动的剧烈程度由代谢当量MET值的大小来衡量。例如坐的MET值为1.3，躺的MET值为1.0，在实际的运动评估当中以上两种动作可以采用同一回归预测模型进行准确的卡路里估计。因此，在本实验中将7 种不同的人体动作划分为四种运动程度不同的动作类别，如表2所示。

表2人体动作类别描述

为了评价本发明提出的基于运动能量收集的人体运动评估方法，考虑到结果的公平性，实验采用对动作数据集中的动作数据进行离线识别的方式，测试时采用留一验证法，即从10个参与者的动作数据中选出9个人的数据做训练集，然后用剩下1个人的数据做测试，得到个体无关的动作识别率和卡路里估计准确率。表3给出了基于人体运动能量的运动程度分类准确率。

表3不同运动程度的分类准确率

5)基于人体运动能量的卡路里估计

因为基于单个通用模型的回归预测方法无法适用于所有不同动作的卡路里估计，因此根据不同运动程度的动作类别分别建立四个独立的随机森林回归模型，用于对特定动作类别进行准确的卡路里估计，运动评估方法流程如图4所示。

每个随机森林模型由多棵回归决策树构成，而每一棵回归树又由分裂节点和叶子节点两部分组成。其中叶子节点代表卡路里消耗值y，每一个分裂节点由特征x和阈值η组成。

在训练阶段，随机地选取训练样本和特征变量用于构建回归树，从第一个根节点开始，根据最小化误差函数f_x(Y,P)将变量分裂为当前节点的左孩子节点和右孩子节点，该分裂过程依次递归地进行直至所有叶子节点都达到最小样本数量。

其中，y_i表示第i个样本的实际卡路里消耗值，p_i表示对应的卡路里预测值， N为所有输入样本的数量。

在测试阶段，对于一个测试样本I从每一棵回归树的根节点开始遍历，根据判断条件f_x(y,p)＜η选择对应的遍历路径，该过程不断地重复进行直至到达任意一个叶子节点。当到达第t棵回归树的叶子节点时，该卡路里估计值v所对应的样本分布则被记录下来，最后随机森林中的所有回归树的样本分布的平均值作为该测试样本I的卡路里估计值，即

其中，T表示随机森林中回归树的总数量，v表示卡路里估计值。图5给出了随机森林的决策过程。

为了验证本发明的有效性，实验将与基于通用回归预测模型的卡路里估计和基于传统惯性传感器加速度计的卡路里估计进行对比，基于通用回归模型的卡路里估计是将所有不同动作都划分为同一动作类别，利用所有的动作能量数据训练一个随机森林回归模型用于卡路里估计。表4给出了卡路里估计的详细评价参数，基于特定动作类别的卡路里估计和基于通用回归模型的卡路里估计的均方根误差RMSE分别为1.09kcal/min和1.15kcal/min，与之对应的决定系数分别为0.93 和0.92。实验结果表明，基于通用回归模型的卡路里估计的均方根误差和平均绝对误差分别高出本发明的5.2％和4.2％，其原因就在于单个回归预测模型不能完全适用于所有的人体动作。

表4不同回归模型卡路里估计结果

从图5中可以看到，基于人体运动能量的卡路里估计方法与传统基于惯性传 感器加速度计的卡路里估计十分吻合。实验结果表明人体运动能量与卡路里消耗 有着密切的联系。在系统能耗方面，基于传统惯性传感器的运动程度分类和卡路 里估计方法，在采样频率为100Hz的情况下加速度计的功耗为每秒350微瓦， 而在相同情况下压电式能量采集器的功耗为每秒小于1微瓦，其功耗仅仅只有传 统方法的0.2％，因此摒弃传统惯性传感器能够有效地降低系统的功耗，从而实 现不间断地人体健康监测。

Claims (5)

1.一种基于运动能量收集的人体运动评估方法，其特征在于，包括以下步骤：

1)采集人体运动过程中的能量输出信号，提取用于运动程度分类和卡路里估计的动作特征向量，进而构造人体动作数据集；

2)从所述人体动作数据集中随机选取动作数据，提取动作特征向量，利用所述动作特征向量建立包含T棵分类决策树的随机森林分类预测模型；

3)利用随机森林分类预测模型中的每一棵分类决策树对测试样本进行判断，根据所有分类决策树的识别结果将预测类别最多的那一类作为该测试样本的动作类型；

4)从人体动作数据集中随机选取动作数据，提取动作特征向量，根据运动剧烈程度不同的动作特征向量分别建立四个独立的包含T棵回归决策树的随机森林回归预测模型；

5)对于所述测试样本，根据步骤3)的动作类型结果，选择对应的随机森林回归预测模型，让随机森林回归预测模型中的每一棵回归决策树进行判断，最后根据所有回归决策树的结果将叶子节点目标变量的加权平均值作为该测试样本的卡路里消耗。

2.根据权利要求1所述的基于运动能量收集的人体运动评估方法，其特征在于，步骤1)中，能量输出信号Voltage的表达式为：measurement表示佩戴于人体上的模数转换器的测量值。

3.一种基于运动能量收集的人体运动评估装置，其特征在于，包括：

微控制器模块，用于控制能量采集模块、三轴加速度计模块的采样频率和读写时序；并利用所述能量采集模块、三轴加速度计模块采集的数据对人体运行过程进行评估；

能量采集模块，用于采集人体运动过程中产生的能量信号；

三轴加速度计模块，用于采集人体运动过程中的加速度信号。

4.根据权利要求3所述的基于运动能量收集的人体运动评估装置，其特征在于，还包括：

存储模块，用于存储所述能量采集模块、三轴加速度计模块采集的运动信号数据。

5.根据权利要求3所述的基于运动能量收集的人体运动评估装置，其特征在于，还包括：按键控制模块，用于控制能量采集模块、三轴加速度计模块的工作开始时间和结束时间。