CN110458267A - 基于stc12和rfid技术的手环式一卡通系统 - Google Patents

基于stc12和rfid技术的手环式一卡通系统 Download PDF

Info

Publication number
CN110458267A
CN110458267A CN201910775455.3A CN201910775455A CN110458267A CN 110458267 A CN110458267 A CN 110458267A CN 201910775455 A CN201910775455 A CN 201910775455A CN 110458267 A CN110458267 A CN 110458267A
Authority
CN
China
Prior art keywords
module
acceleration
formula
data
card
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910775455.3A
Other languages
English (en)
Inventor
黄盼
刘淑娴
刘烨萌
卢方鹏
加得拉·阿尔青
黄英豪
冯轩
赵总
李艳萍
张卢昊
王君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjiang University
Original Assignee
Xinjiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinjiang University filed Critical Xinjiang University
Priority to CN201910775455.3A priority Critical patent/CN110458267A/zh
Publication of CN110458267A publication Critical patent/CN110458267A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G01C22/006—Pedometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • H04B1/3816—Mechanical arrangements for accommodating identification devices, e.g. cards or chips; with connectors for programming identification devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • H04B1/3827—Portable transceivers
    • H04B1/385—Transceivers carried on the body, e.g. in helmets
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • H04B1/40—Circuits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B5/00—Near-field transmission systems, e.g. inductive or capacitive transmission systems
    • H04B5/70—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/327—Short range or proximity payments by means of M-devices
    • G06Q20/3278—RFID or NFC payments by means of M-devices
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了基于STC12和RFID技术的手环式一卡通系统，主要涉及一卡通技术领域。包括一卡通单元，配置于穿戴式的手环终端，包括：输入模块、蓝牙模块、消息提醒模块、加速度采集模块、射频卡模块、控制模块，管理终端单元，配置于校园的外部设备，用于与一卡通单元实现数据交换，包括：主控模块、查看模块。本发明的有益效果在于：将健康穿戴设备与无线射频卡紧密整合在一起，既满足校园中学生对健康管理的需求，也满足校园卡的消费支付、门禁、会议考勤等使用要求，且计步采用聚类精度的评价标准进行关键特征值选择，运用MBSAS聚类算法实现姿态的识别，再为波峰检测选择最适阈值以达到自适应计步的效果。

Description

基于STC12和RFID技术的手环式一卡通系统
技术领域
本发明涉及一卡通技术领域，具体是基于STC12和RFID技术的手环式一卡通系统。
背景技术
随着时代的发展，校园卡、公交卡与运动手环等智能设备被人们广泛地使用。在高等院校，校园中的消费支付、门禁、会议考勤等都离不开校园卡的使用，校园卡成为学生们不可缺少的日常用品。但是以射频卡为主的校园卡体积小、无提醒功能且不具备数据可视化功能，特别是在冬季，尤其是北方城市，由于天气和衣着的原因，在一些需要使用校园卡的场所，学生需要在包或口袋中寻找射频卡，为此常常出现校园卡丢失或者拿取不方便等问题。
基于NFC SIM卡技术的新一代主流“一卡通”设备，虽然具有安全性高、可离刷卡等特性，但是不同厂容商之间存在NFCSIM兼性差和运营商之间独家设置NFCSIM卡，严格限制移动品牌模型与Android系统版本，最终导致难以在生活中大范围推广。此外，NFCSIM卡嵌入在智能手机中，在需要快速认证信息时效率不高，没有很好地解决无线射频卡在使用中产生的问题。
发明内容
本发明的目的在于提供基于STC12和RFID技术的手环式一卡通系统，它将健康穿戴设备与无线射频卡紧密整合在一起，既满足校园中学生对健康管理的需求，也满足校园卡的消费支付、门禁、会议考勤等使用要求，具有便利迅速、易寻找、不易丢失和数据可视化等特性，大大地提高用户的使用体验，有效地提高用户的生活品质，并在一定程度上减少了因遗失补卡所产生的费用。
本发明为实现上述目的，通过以下技术方案实现：
基于STC12和RFID技术的手环式一卡通系统，包括：
一卡通单元，配置于穿戴式的手环终端，包括：
输入模块，用于用户输入控制信息；
蓝牙模块，用于与用户的手机终端设备进行数据交换；
消息提醒模块，用于将数据以可视或可感知的方式通知用户；
加速度采集模块，用于获得用户的运动数据；
射频卡模块，用于存储信息，以及与外部设备进行数据交换；
控制模块，用于处理数据，所述数据包括通过蓝牙模块交换的数据，通过加速度采集模块采集的运动数据，通过用户输入的控制信息数据；
管理终端单元，配置于校园的外部设备，用于与一卡通单元实现数据交换，包括：
主控模块，处理不同服务模式下与一卡通单元交换的数据；
查看模块，就交换后的信息向用户和管理者进行展示或提醒。
优选的，所述输入模块具体为按键或触控屏；
所述控制模块使用STC12C5A60S2芯片对数据进行处理；
所述蓝牙模块使用DX-BT05 4.0低功率蓝牙无线数据透传通讯模块，使用CC2541插针；
所述消息提醒模块使用OLED显示、Android终端显示或者马达震动的方式对用户进行提醒；
所述加速度采集模块使用MPU6050模块；
所述射频卡模块使用MiFare卡，嵌在手环壳的内表面；
所述主控模块使用STC89C52与STC12C5A60S2芯片处理各种服务模式下采集的数据；
所述查看模块使用OLED显示、蜂鸣器鸣铃或者Android终端显示的方式向用户和管理者进行展示或提醒。
优选的，所述控制模块包括：
万年历模块，采用STC12C5A60S2中的PCA可编程计数矩阵产生的万年历，并通过蓝牙定时传输时间信息校准；
运动模块，对加速度采集模块获得的数据进行处理，获得用户的计步数据。
优选的，所述外部设备包括设置在食堂、超市、医院、机房、图书馆、门禁、会议室等场所的终端设备。
优选的，所述运动模块对加速度采集模块获得的数据进行处理，为使用基于聚类分析的MEMS自适应计步算法，所述计步算法包括以下步骤：
步骤1，三轴加速度信号合成，
MPU-6050加速度传感器是三轴的，可以测得传感器发生运动时的前向加速度(x轴)、侧向速度(y轴)和垂直加速度(z轴)，通过合成加速度的计算部分消除该因素产生的噪声，合成加速度公式如式1所示，
式1：
acom：合成后的加速度值，
ax：向前加速度值，
ay：侧向加速值，
az：垂直加速度值；
步骤2，平滑滤波处理
用于消除噪声及适应MEMS平台，选用中值滤波原理来实现线性滤波器，具体数学表示如式2所示；
式2：
m：加速度序列aN的窗口长度，
aavr：序列的中值，
N：为序列长度；
步骤3，运动姿态特征提取
采用时域特征中的均值av(式4所示)、标准差aδ(式5所示)、方差as(式6所示)、均方根arms(式7所示)、四分位距airq(式8所示)、相关系数acor(式9所示)、极大值amax(式10所示)及均值穿越次数acav(式11所示)，
(11).acav＝{ai|((ai＞av)∩(ai+1＜av))∪((ai＜av)∩(ai+1＞av)))
式(8)Q3中表示加速度序列的3/4点值，Q1表示加速度序列1/4点值；
步骤4，关键特征选择，
采用欧几里得距离作为每组加速度特征向量间的不相似测度，如式(12)所示，
式(12)中，xi，yi两组互不相同的加速度特征向量，N表示特征向量的长度；
加速度特征向量与运动姿态聚类之间的近邻测度函数采用最小近邻函数如式(13)所示，
式(12)中，C表示运动姿态聚类集合，y是聚类C中的一个加速度特征向量，x表示未聚类的加速度特征向量，表示两个向量间的欧几里得距离DM2；
步骤5，采用聚类精度作为评价标准，按一维特征对训练数据集中的所有人体运动姿态进行聚类分析，设聚类数目为k，Ni，j为第i个聚类中标识为运动姿态j的数量，则第i个聚类被分类为运动姿态j的权重为式(14)所示，
由此，每种运动姿态特征的聚类精度为式(15)所示。
据式(14)(15)对上文中提取8种加速度特征量进行聚类精度分析，分别对跑步、步行、站立、写字、上楼梯及下楼梯6种运动姿态采样加速度信息，并对其进行基于聚类分析的自适应MEMS计步算法，获得6中运动状态下的计步姿态识别和计步数据。
对比现有技术，本发明的有益效果在于：
提出了一种基于STC12及RFID技术的手环式一卡通系统的设计与实现的方案。从硬件和算法的角度解决了运动计步和无线射频设备整合难的问题，实现了消费支付、身份识别、自助服务与运动计步等功能。采用STC12C5A60S2型单片机大大的降低了整个系统的成本，运动计步采用了基于聚类分析的MEMS自适应计步算法，提高了计步的精度；使用MFRC522芯片来实现“一卡通”的功能，具有反应速度快、易移植、可二次开发和适用面广等特点。为了提高本系统的实用性，后期应当建立完善的数据库和保护机制。总体来说，本系统具有较大的推广和研究价值。
附图说明
附图1是本发明智能手环系统总体框图。
附图2是本发明的RFID“一卡通”终端总体框图。
附图3是本发明的3STC12芯片应用电路图。
附图4是本发明MFRC522芯片应用电路图。
附图5是本发明MPU6050应用电路图。
附图6是本发明CC2541蓝牙芯片应用电路图。
附图7是本发明震动马达应用电路。
附图8是本发明一卡通功能实现的算法流程图。
附图9是本发明人手臂摆动物理模型图。
附图10是本发明基于预处理的自适应动态阈值计步算法流程图。
附图11是本发明x,y,z轴加速度图。
附图12是本发明合成加速度平滑处理前后对比图。
附图13是本发明人体姿态特征提取图。
附图14是本发明姿态特征幅值和频域分析图(一)。
附图15是本发明姿态特征幅值和频域分析图(二)。
附图16是本发明算法流程。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
实施例1：基于STC12和RFID技术的手环式一卡通系统
1系统架构
1.1智能手环系统总体框图
本文采用STC12C5A60S2芯片作为该系统的控制模块，处理MPU6050模块采集到的数据。通过CC2541蓝牙模块实现系统与手机终端设备进行数据交换。系统产生的数据通过OLED显示、Android终端显示或者马达震动的方式来提醒用户。而一卡通系统中的MiFare卡嵌在手环壳的内表面。智能手环总体框图如图1所示。
1.2 RFID“一卡通”终端总体框图
本文终端采用STC89C52与STC12C5A60S2芯片作为控制模块，处理各种服务模式下采集的数据。手环式的一卡通设备通过MFRC522模块实现与一卡通终端设备的数据交换。交换后的信息通过OLED显示、蜂鸣器鸣铃或者Android终端显示的方式供用户与管理者查看。RFID“一卡通”终端总体框图如图2所示。
2系统硬件模块实现
2.1 STC12芯片应用电路图
本文采用STC12C5A60S2系列单片机作为整个手环与一卡通终端系统的主控，此应用电路在最小系统的基础上根据系统功能需求，设计了按键模块，MicroUSB接口电路模块，USB转串行接口的下载模块和LED状态指示灯模块。STC12芯片应用电路如图3所示。
2.2 MFRC522芯片模块
MFRC522是高度集成的非接触式(13.56MHz)读写芯片。此发送模块利用调制和解调的原理，并将它们完全集成到各种非接触式通信的方法和协议中(13.56MHz)。MFRC522芯片应用电路图如图4所示。
2.3万年历模块
本文出于成本及终端设备可以进行通信的原因，不采用专门的时钟芯片(DS1302等)来开发系统的万年历，而是采用STC12C5A60S2中特有的PCA(可编程计数矩阵)。来产生一个高精度的万年历。由于PCA仍采用外部晶振作为时钟源，晶振的工艺和使用的环境温度等因素均会使得晶振值与理想值之间有一定的误差。为了解决这个误差，本文采用App通过蓝牙定时传输时间信息校准的方案来保证本系统万年历的精度。
2.4加速度信息采集模块
MPU-6050为全球首例整合性6轴运动处理组件，相较于多组件方案，免除了组合陀螺仪与加速度器时间轴之差的问题，减少了封装的空间。当链接到三轴磁强计时，MPU-6050提供完整的9轴运动融合输出到IIC或者SPI端口，而在本系统中使用了IIC接口的MPU-6050模块。MPU6050应用电路图如图5所示。
2.5蓝牙串口模块
本文采用DX-BT05 4.0蓝牙模块,使用UART接口型，并支持SPP蓝牙串口协议，具有成本低，体积小，功耗低，收发灵敏度高等优点，只需要配备少许的外围元件既能实现与终端蓝牙设备的通信。CC2541蓝牙芯片应用电路图如图6所示。
2.6消息提醒模块
震动马达使用是有源直流电流驱动的738震动马达，仅需要通过与其相连的并行口置高电平并可驱动，通过设置延时函数的参数使得其按不同模型进行震动。由于STC12C5A60S2的拉电流不足以完美驱动738震动马达，故此震动马达使用灌电流的方式来驱动。震动马达实现电路图7所示。
3算法及软件实现
3.1一卡通功能的算法及软件实现
本文手环式一卡通业务功能主要包括以下几个方面：
(1)消费支付：使用手环式一卡通系统即可在食堂、超市、医院、机房、图书馆等配置一卡通终端设备的场所进行消费支付；
(2)身份识别：手环式一卡通可以在校门与宿舍门禁、会议考勤等设备终端上实现身份识别；
(3)自助服务：通过Android终端实现信息自助查询，系统信息更改与消费余额的充值提现。一卡通功能实现的算法流程图如图8所示。
基于新疆大学的使用环境下通过算法实现测试了门禁、食堂消费、洗浴水卡消费三种模式下系统的可靠性，数据如图9所示。总体识别准确度达到了96％以上，计费的精度达到了99％以上。由此可以体现本一卡通系统在不同环境和不同测试人员上都达到了较高的精度，达到了设计之初的识别和计费精度要求：以较小的成本实现了较高精确度。(水卡消费模式以10分钟消费的金额为测试标准)
(a)门禁模式测试结果
(b)食堂消费模式测试结果
(c)洗浴水卡模式测试结果
3.2计步算法及实现
人在运动或者走路时，手臂会出现在最高点，最低点循环摆动的过程，此过程看出一种类正弦波，如图9所示。
常用的计步算法，大体可以分为两类，一种是动态阈值检测法，是根据运动产生的类正弦波形的下降区间(或者上升区间)进行判断；另一种则是波峰(波谷)检测法，是根据波形的极值点的来判断步数。但是，这两类在对步数的检测和计量上都存在缺陷，两者的理论模型都是建立在理想的正弦波形上。然而，人步行或者运动产生的合加速度波形是不规则的，其中包含了许多毛刺和伪波。其次，上述两种步伐检测算法只是在波形的值域(幅度)上做一些分析和处理。显然，在真实的运动和步行场景中应该要考虑到合加速度的频域特性(人正常行走频域在0.5Hz-2Hz之间，运动的频域在2Hz-5Hz之间)。防止使用者坐立或其他情况下产生错误判定的步数(例如：使用者只是处于坐姿状态下，偶尔挥动了下手臂，若只分析值域特性，手环会将此过程作为步数误判下来)。
本文的设计与实现中采用了的计步算法，具体是基于聚类分析的MEMS自适应计步算法，介绍如下：
数据采集及其平台：为了实时且准确的获取到人体运动加速度信息，设计一套加速度信号采集装置(佩戴于手腕处)，硬件设计如图1所示。运动处理传感器MPU-6050集成3轴MEMS陀螺仪，3轴MEMS加速度计。本文中MPU-6050的采用IIC协议与STC12微控制器通信，MPU-6050的3轴加速度采样频率125Hz，数据采样范围-4g到4g，加速度灵敏度为16384 LSB/g，开启MPU-6050自带的低通滤波功能(0-5Hz)。
具体实际加速度计算公式如式(1)：
式(1)中LSB为加速度灵敏度，aR为实际加速度值，ao为MPU-6050直接读取的加速度值。
1.加速度信号的预处理
1.1三轴加速度信号合成
MPU-6050加速度传感器是三轴的，可以测得传感器发生运动时的前向加速度(x轴)、侧向速度(y轴)和垂直加速度(z轴)，如图2所示。
图11中可以观察到，向前加速度信号噪声较大，侧向加速度对非正常运动姿态具有较好的辨识度，垂直加速度对正常运动分类的辨识度最高。
在实际应用中，人体携带的加速度传感器方式的随意性会导致三轴加速度方向与人运动方向不一致，通过合成加速度的计算可以部分消除该因素产生的噪声。合成加速度公式如式(2)所示。
式(2)中acom表示合成后的加速度值，ax表示向前加速度值，表示侧向ay表示侧向加速值和az表示垂直加速度值。运用式(2)处理后的合成加速度如图3所示。
2.2平滑滤波处理
平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另一类是消除噪声。本文中主要为了达到消除噪声及适应MEMS平台故选用中值滤波原理来实现线性滤波器，具体数学表示如式(3)所示。经处理后的合成加速度信号如图3所示。
aavr＝Med{ai-v，…，ai-1，ai+1，...，ai+v}
式(3)中m为加速度序列aN的窗口长度，aavr为序列的中值，N表示为序列长度。
图12中，经过平滑处理的合成加速度相比未处理的，毛刺和伪波更少，更加平滑，有利于提高计步精度。
2.基于聚类分析的计步算法设计
3.1运动姿态特征提取
人体运动姿态包含的特征参数众多，常用的类型有时域特征、频域特征、小波变换特征及时频域特征。局部时域特征已被公认为一种有效的的行为表达方法，故本文从MEMS平台硬件性能和实时性的角度采用时域特征中的均值av(式4所示)、标准差aδ(式5所示)、方差as(式6所示)、均方根arms(式7所示)、四分位距airq(式8所示)、相关系数acor(式9所示)、极大值amax(式10所示)及均值穿越次数acav(式11所示)。
(11).acav＝{ai|((ai＞av)∩(ai+1＜av))∪((ai＜av)∩(ai+1＞av)))
式(8)Q3中表示加速度序列的3/4点值，Q1表示加速度序列1/4点值。每次共采样9000
个三轴加速度信号(包含跑步、步行、站立等姿态)合成3000个合加速度信号，经平滑滤波处理及三倍降采样后取1000个，分帧处理后为每帧50个合加速度信号，一个特征向量的长度为20，提取后如图4所示。
在图13中值，均值、标准差、方差、均方根和均值穿越次数对三种人体运动姿态具有较好的辨识度。而四分位距和相关系数的辨识效果一般，极大值几乎没有辨识的效果。
3.2关键特征选择
人体运动姿态的识别必须从性能和可用性方面提取关键特征进行处理。过多的特征会导致计算量过大，冗余度高，识别时间长，识别率并不能提高等问题，特征过于单一或不合适也会导致不能准确地进行识别分类。故而本文采用无监督学习的MBSAS聚类方法选取关键特征。
基于聚类的特征选择的方法运用高效率的MBSAS聚类算法按一维加速度特征聚类，然后根据聚类结果对特征排序，以选取关键特征。本文采用欧几里得距离作为每组加速度特征向量间的不相似测度(Dissimilarity Measure，DM)，如式(12)所示。
式(12)中，xi，yi两组互不相同的加速度特征向量，N表示特征向量的长度。
本文加速度特征向量与运动姿态聚类之间的近邻测度函数采用最小近邻函数如式(13)所示。
式(12)中，C表示运动姿态聚类集合，y是聚类C中的一个加速度特征向量，x表示未聚类的加速度特征向量，表示两个向量间的欧几里得距离DM2。
综上，为了衡量不同特征在分类中的作用，采用聚类精度。作为评价标准，按一维特征对训练数据集中的所有人体运动姿态进行聚类分析。设聚类数目为k，Ni，j为第i个聚类中标识为运动姿态j的数量，则第i个聚类被分类为运动姿态j的权重为式(14)所示。
由此，每种运动姿态特征的聚类精度为式(15)所示。
据式(14)(15)对上文中提取8种加速度特征量进行聚类精度分析，一共采样6种运动姿态(分别为跑步、步行、站立、写字、上楼梯及下楼梯)的加速度信息，每种运动姿态的数据训练集长度为10000，分析结果如表1所示。
表1.特征值的聚类精度表
特征 聚类精度 特征 聚类精度
均值 0.258 四分位距 0.251
标准差 0.211 相关系数 0.198
方差 0.301 极大值 0.112
均方根 0.203 均值穿越次数 0.289
据表1可知，在8中加速度信号特征中，均值、方差和均值穿越次数的聚类精度较高，分别达到了0.256，0.301和0.289。由于均值穿越次数聚类阈值(表2所示)过大影响整体分布，故本文采用均值和方差做为关键特征。
3.3 MBSAS算法设计
本文综合考虑算法的先进性和MEMS平台的适用性而选用MBSAS聚类方法来改进波峰检测计步算法，为解决在非正常运动产生的错误计步而造成的计步精度低的问题，同时避免复杂聚类算法难以适用于微控制器平台的局面。MBSAS聚类算法中的不相似测度如式(12)所示，近邻函数如式(13)所示，MBSAS算法伪代码如图5所示。
聚类的确定
■m＝1
■Cm＝{xi}
-For i＝2 to N
-Find Ck：d(xi，Ck)＝min1≤j≤md(xi，Cj)
-if(d(xi，Ck)＞θ)AND(m＜q)then
*m＝m+1
*Cm＝{xi}
-End{if}
■End{For}
模式分类
■For i＝1 to N
-如果xi没有分配到一个聚类中那么
-Find Ck：d(xi，Ck)＝min1≤j≤md(xi，Cj)
*Ck＝Ck∪{xi}
*如果有必要，更新向量表达式
-End{if}
■End{For}
图5.MBSAS聚类算法伪代码
图5中m为聚类数，Ck为当前操作聚类，θ为聚类阈值，q为最大聚类数，Cm表示新生产的聚类。向量表达式如式(16)所示。
式(16)中，式将x分到该聚类后Ck的势，是将x分到该聚类后的Ck的表达。
经图5和式(16)不难看出MBSAS都依赖于向量参与算法的顺序和θ值。选择不合适的的θ值可能导致无意义的聚类结果。下文中，将通过大量已知运动姿态的加速度信号数据集来训练得到一个最合适的θ值。
3.4人体运动姿态数据集训练MBSAS算法模型
上文中已经阐述向量参与算法的顺序和聚类阈值θ对于MBSAS算法如图5所示分类效果的重要性，因而本文将采集8中姿态(步行、跑步、站立(睡眠)、书写、上楼梯、下楼梯和人为制作计步姿态)的加速度信号数据(分别采样100000个)进行帧长为50帧的分帧处理后，每一种关键特征值提取2000个，每20个特征值为一组特征向量如图4所示，共计100个特征向量作为训练MBSAS算法模型的数据集得到的聚类阈值θ如表2所示。
表2.各种加速度特征训练后各种姿态的聚类阈值
人体运动姿态 均值 方差 均方根 标准差 均值穿越 极大值 相关系数 四分位距
步行 1.260 1.180 1.170 1.060 11.79 0.840 1.730 1.460
跑步 2.630 2.240 0.340 1.120 11.71 3.290 1.300 2.900
站立 2.060 1.410 0.280 1.680 20.45 1.610 1.610 2.780
传感器平放 0.730 0.270 0.100 0.450 14.80 1.490 1.420 1.500
上楼梯 3.240 0.840 0.460 0.990 8.370 0.440 3.450 1.310
下楼梯 1.970 0.300 0.280 0.550 6.410 0.160 2.760 0.790
书写姿态 0.510 0.490 0.070 0.820 20.28 1.530 1.780 1.590
人为制造计步 1.970 1.050 0.270 0.940 9.850 4.440 1.750 2.510
从表2中可以得知结合均值与方差可以较大间隔的识别八种运动姿态，从而与表1的分析结果相呼应。
为了提高聚类阈值θ适应性，将2种关键特征值训练后得到的聚类阈值θ依据聚类精度取加权平均数后得到最适聚类阈值θapp如式(18)所示。
式(17)中Cw(i)表示第i个特征值聚类精度占所有特征值聚类精度和值权重，称之为聚类精度权重系数。Ci为第i个特征值的聚类精度如式(15)所示。
由式(17)有：
式(17)，(18)中N为2，式(18)中θi为第i个特征值训练后的聚类阈值。
对于睡眠姿态，采样时间过长且其特征和站立基本吻合，这里不做单独训练将其归为一类。而对于向量参与算法的顺序，由于国内外对于加速度信号进行姿态识别没有一个权威有标识的数据集，故每次参与算法的向量都具有一定的随机性和无序性，本文默认向量参与算法的顺序为升序(1，2，…，N-1，N)。
表2中数据经式(17)和式(18)处理后的聚类阈值θapp如表3所示。
表3各种人体运动姿态对于的最适聚类阈值θapp
运动姿态 聚类阈值 运动姿态 聚类阈值
步行 1.860 上楼梯 2.090
跑步 2.518 下楼梯 1.185
站位(睡眠) 1.635 传感器平放 0.630
书写 0.506 人为制造计步 1.519
3.5基于MBSAS的自适应波峰检测计步算法的设计
本文采用的计步原理是基于MBSAS的自适应波峰检测，自适应体现在波峰检测时据聚类的不同，选择合适的加速度幅度阈值ath和频率阈值fth [17]。通过采集8种人体运动姿态下10000个加速度信号(每隔20msPC端从实验平台读取一个合成加速度信号)，每帧500个，对每一帧进行最适幅度阈值ath分析，用FFT频谱分析频率阈值fth如图14和图15所示所示。
据图6和图7分析可知，人体行走频率一般在1-2.5Hz范围内，跑步频率不超过5Hz，合加速度在5g-6g之间。由上文得知500个加速度的时间历程为10s左右，故步行计步为10-15步，跑步计步20-30步，上下楼计步分别为15-25步，其余人体运动姿态计步为0，故实验数据与实际情况是一致的。后取众数(出现次数最多的阈值)作为合适的阈值ath和fth如表4所示。
表4.最适幅度阈值ath与最适频率阈值fth
表4中的加速度值，在本文中未做归一化处理，对于表中的书写、传感器平放、站立和人为制造计步视为非正常人体运动姿态，应当选择足够大的幅度阈值和频率阈值4来防止非正常运动姿态下的错误计步，本实验中选择幅度阈值为100g，频率阈值为10达到不错的效果。
综上，由图14，图15和表4设计基于MBSAS的自适应波峰检测计步算法，算法流程如图16所示。
3.实验与分析
实验共采集7人(5男2女，年龄集中20-50岁，身高1.65-1.90m，体重50-90kg)的加速度信息，每人每种运动姿态采集10000个加速度信号(历时200s)来进行姿态识别与步数检测，实验结果如表5所示。
表5.基于MBSAS的自适应算法无自适应的波峰检测算法实验结果
运动姿态 真实步数/步 改进算法/步 计步精度/％ 传统波峰检测/步 计步精度/％ 姿态识别/％
步行 200 196 98.00 198 96.50 89.23
跑步 480 477 99.37 410 85.41 93.26
站位(睡眠) 0 0 100.0 96 0 88.32
书写 0 0 100.0 121 0 92.15
上楼梯 268 261 97.38 259 96.64 80.21
下楼梯 281 276 98.22 263 93.59 83.11
传感器平放 0 0 100.0 56 0 88.36
人为制造计步 0 0 100.0 211 0 89.69
表5中列出了基于聚类分析的自适应MEMS计步算法在八种运动姿态下的计步精度和姿态识别率，以及无自适应的波峰检测计步算法的计步精度。其中，无自适应的波峰检测计步算法的频率阈值与幅度阈值选择步行姿态最适阈值，故在较高频率的跑步、下楼梯等姿态计步精度偏低。在低频时，传统波峰检测和改进后的算法计步精度相差不大。
但在非正常运动姿态(书写、传感器平放等)基于聚类分析的自适应MEMS计步算法表现出卓越优势，而传统的波峰检测算法在此种情形下会出现较大的误差从而影响整体的计步精度和实用性。
4.结论
基于聚类分析的自适应MEMS计步算法，采用加速度合成和平滑滤波处理来减少伪波和毛刺的数量，提取人体运动姿态相关的时域特征，并运用聚类精度的评价标准来选取关键特征来降低算法的复杂性，经过100000个加速度信息进行训练，姿态的综合识别率达到了78.21％，算法的运算效率为0.36s，综合计步精度达到了99.07％，在非正常人体运动姿态下计步误差为0，相比无自适应或无分类的波峰检测算法有了显著性提高。相比文献中的算法运行效率低，相比文献中的算法姿态识别率偏低，后期需要从聚类算法选择上加以改进和完善。

Claims (5)

1.基于STC12和RFID技术的手环式一卡通系统，其特征在于，包括：
一卡通单元，配置于穿戴式的手环终端，包括：
输入模块，用于用户输入控制信息；
蓝牙模块，用于与用户的手机终端设备进行数据交换；
消息提醒模块，用于将数据以可视或可感知的方式通知用户；
加速度采集模块，用于获得用户的运动数据；
射频卡模块，用于存储信息，以及与外部设备进行数据交换；
控制模块，用于处理数据，所述数据包括通过蓝牙模块交换的数据，通过加速度采集模块采集的运动数据，通过用户输入的控制信息数据；
管理终端单元，配置于校园的外部设备，用于与一卡通单元实现数据交换，包括：
主控模块，处理不同服务模式下与一卡通单元交换的数据；
查看模块，就交换后的信息向用户和管理者进行展示或提醒。
2.根据权利要求1所述基于STC12和RFID技术的手环式一卡通系统，其特征在于，
所述输入模块具体为按键或触控屏；
所述控制模块使用STC12C5A60S2芯片对数据进行处理；
所述蓝牙模块使用DX-BT05 4.0低功率蓝牙无线数据透传通讯模块，使用CC2541插针；
所述消息提醒模块使用OLED显示、Android终端显示或者马达震动的方式对用户进行提醒；
所述加速度采集模块使用MPU6050模块；
所述射频卡模块使用MiFare卡，嵌在手环壳的内表面；
所述主控模块使用STC89C52与STC12C5A60S2芯片处理各种服务模式下采集的数据；
所述查看模块使用OLED显示、蜂鸣器鸣铃或者Android终端显示的方式向用户和管理者进行展示或提醒。
3.根据权利要求1所述基于STC12和RFID技术的手环式一卡通系统，其特征在于，所述控制模块包括：
万年历模块，采用STC12C5A60S2中的PCA可编程计数矩阵产生的万年历，并通过蓝牙定时传输时间信息校准；
运动模块，对加速度采集模块获得的数据进行处理，获得用户的计步数据。
4.根据权利要求1所述基于STC12和RFID技术的手环式一卡通系统，其特征在于，所述外部设备包括设置在食堂、超市、医院、机房、图书馆、门禁、会议室等场所的终端设备。
5.根据权利要求3所述基于STC12和RFID技术的手环式一卡通系统，其特征在于，所述运动模块对加速度采集模块获得的数据进行处理，为使用基于聚类分析的MEMS自适应计步算法，所述计步算法包括以下步骤：
步骤1，三轴加速度信号合成，
MPU-6050加速度传感器是三轴的，可以测得传感器发生运动时的前向加速度(x轴)、侧向速度(y轴)和垂直加速度(z轴)，通过合成加速度的计算部分消除该因素产生的噪声，合成加速度公式如式1所示，
式1：
acom：合成后的加速度值，
ax：向前加速度值，
ay：侧向加速值，
az：垂直加速度值；
步骤2，平滑滤波处理
用于消除噪声及适应MEMS平台，选用中值滤波原理来实现线性滤波器，具体数学表示如式2所示；
式2：aavr＝Med{ai-v，...，ai-1，ai+1，...，ai+v} i∈N，
m：加速度序列aN的窗口长度，
aavr：序列的中值，
N：为序列长度；
步骤3，运动姿态特征提取
采用时域特征中的均值av(式4所示)、标准差aδ(式5所示)、方差as(式6所示)、均方根arms(式7所示)、四分位距airq(式8所示)、相关系数acor(式9所示)、极大值amax(式10所示)及均值穿越次数acav(式11所示)，
(4).(5).(6).(7).
(8).airq＝Q3-Q1(9).(10).
(11).acav＝{ai|((ai＞av)∩(ai+1＜av))∪((ai＜av)∩(ai+1＞av))}
式(8)Q3中表示加速度序列的3/4点值，Q1表示加速度序列1/4点值；
步骤4，关键特征选择，
采用欧几里得距离作为每组加速度特征向量间的不相似测度，如式(12)所示，
式(12)中，xi，yi两组互不相同的加速度特征向量，N表示特征向量的长度；
加速度特征向量与运动姿态聚类之间的近邻测度函数采用最小近邻函数如式(13)所示，
式(12)中，C表示运动姿态聚类集合，y是聚类C中的一个加速度特征向量，x表示未聚类的加速度特征向量，表示两个向量间的欧几里得距离DM2；
步骤5，采用聚类精度作为评价标准，按一维特征对训练数据集中的所有人体运动姿态进行聚类分析，设聚类数目为k，Ni，j为第i个聚类中标识为运动姿态j的数量，则第i个聚类被分类为运动姿态j的权重为式(14)所示，
由此，每种运动姿态特征的聚类精度为式(15)所示。
据式(14)(15)对上文中提取8种加速度特征量进行聚类精度分析，分别对跑步、步行、站立、写字、上楼梯及下楼梯6种运动姿态采样加速度信息，并对其进行基于聚类分析的自适应MEMS计步算法，获得6中运动状态下的计步姿态识别和计步数据。
CN201910775455.3A 2019-08-21 2019-08-21 基于stc12和rfid技术的手环式一卡通系统 Pending CN110458267A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910775455.3A CN110458267A (zh) 2019-08-21 2019-08-21 基于stc12和rfid技术的手环式一卡通系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910775455.3A CN110458267A (zh) 2019-08-21 2019-08-21 基于stc12和rfid技术的手环式一卡通系统

Publications (1)

Publication Number Publication Date
CN110458267A true CN110458267A (zh) 2019-11-15

Family

ID=68488238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910775455.3A Pending CN110458267A (zh) 2019-08-21 2019-08-21 基于stc12和rfid技术的手环式一卡通系统

Country Status (1)

Country Link
CN (1) CN110458267A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112331300A (zh) * 2020-11-17 2021-02-05 南昌航空大学 基于加速度传感器的脑瘫儿童膝爬关节协同运动分析系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101669331A (zh) * 2007-04-20 2010-03-10 英特尔公司 在宽带无线接入网络中定位内容
US20130036438A1 (en) * 2010-04-09 2013-02-07 Cyber Ai Entertainment Inc. Server system for real-time moving image collection, recognition, classification, processing, and delivery
CN105549521A (zh) * 2015-11-16 2016-05-04 曹树槐 基于时域、加速度、运动频度及节点聚集的触发控制方法
CN106108866A (zh) * 2016-06-08 2016-11-16 瑞安市智造科技有限公司 一种学校智能手环
US20170105163A1 (en) * 2015-10-13 2017-04-13 The Board Of Trustees Of The University Of Alabama Artificial intelligence-augmented, ripple-diamond-chain shaped rateless routing in wireless mesh networks with multi-beam directional antennas
US20180172441A1 (en) * 2016-12-19 2018-06-21 Huami Inc. Determine wearing position of a wearable device

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101669331A (zh) * 2007-04-20 2010-03-10 英特尔公司 在宽带无线接入网络中定位内容
US20130036438A1 (en) * 2010-04-09 2013-02-07 Cyber Ai Entertainment Inc. Server system for real-time moving image collection, recognition, classification, processing, and delivery
US20170105163A1 (en) * 2015-10-13 2017-04-13 The Board Of Trustees Of The University Of Alabama Artificial intelligence-augmented, ripple-diamond-chain shaped rateless routing in wireless mesh networks with multi-beam directional antennas
CN105549521A (zh) * 2015-11-16 2016-05-04 曹树槐 基于时域、加速度、运动频度及节点聚集的触发控制方法
CN106108866A (zh) * 2016-06-08 2016-11-16 瑞安市智造科技有限公司 一种学校智能手环
US20180172441A1 (en) * 2016-12-19 2018-06-21 Huami Inc. Determine wearing position of a wearable device

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朱向庆等: "无线智能教学辅助管理系统设计", 《现代电子技术》 *
汪克峰等: "自适应k均值聚类算法在运动目标检测中的应用", 《江苏理工学院学报》 *
黄盼等: "STC12和RFID的手环式校园一卡通系统设计", 《单片机与嵌入式系统应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112331300A (zh) * 2020-11-17 2021-02-05 南昌航空大学 基于加速度传感器的脑瘫儿童膝爬关节协同运动分析系统

Similar Documents

Publication Publication Date Title
Slim et al. Survey on human activity recognition based on acceleration data
Lester et al. A practical approach to recognizing physical activities
Ghasemzadeh et al. Physical movement monitoring using body sensor networks: A phonological approach to construct spatial decision trees
CN109276255B (zh) 一种肢体震颤检测方法及装置
CN106210269A (zh) 一种基于智能手机的人体动作识别系统及方法
CN105528613A (zh) 一种基于智能手机gps速度与加速度数据的行为识别方法
CN110674875A (zh) 一种基于深度混合模型的行人运动模式识别方法
CN109976526A (zh) 一种基于表面肌电传感器和九轴传感器的手语识别方法
CN105816153A (zh) 一种睡眠监测系统及方法
CN107007263A (zh) 一种普适化的睡眠质量测评方法和系统
CN108764282A (zh) 一种类别增量行为识别方法和系统
WO2021004510A1 (zh) 基于传感器的分离式部署的人体行为识别健康管理系统
CN111708433A (zh) 手势数据采集手套及基于手势数据采集手套的手语手势识别方法
CN108958482A (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
CN105590506A (zh) 一种用于教练车的监控系统及其工作方法
CN109685148A (zh) 多类别人体动作识别方法及识别系统
CN105530581A (zh) 一种基于声音识别的智能穿戴设备和控制方法
CN103714331A (zh) 一种基于点分布模型面部表情特征的提取方法
Bi et al. Smartge: identifying pen-holding gesture with smartwatch
CN105574471B (zh) 用户行为数据的上传方法、用户行为的识别方法及装置
Ren et al. Monitoring of human body running training with wireless sensor based wearable devices
CN109086667A (zh) 基于智能终端的相似活动识别方法
CN110458267A (zh) 基于stc12和rfid技术的手环式一卡通系统
CN104850225A (zh) 一种基于多层次融合的活动识别方法
Wang et al. Handwriting recognition under natural writing habits based on a low-cost inertial sensor

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191115