CN112762934B - 下肢运动方向预测装置和方法 - Google Patents

Abstract

本发明揭示了一种下肢运动方向预测装置，包括：传感单元，用以采集下肢的姿态信号；控制单元，采用Mahony算法对下肢的运动方向进行推算，其中，控制单元包括用以对所述的姿态信号进行误差补偿的PI控制器，该PI控制器的输入参数K_p和K_i通过机器学习模型进行预测。本发明还揭示了一种下肢运动方向预测方法。本发明结合机器学习模型对PI控制器的输入参数K_p和K_i进行调节，获取个人室内定位的前进方向精确推算。

Description

下肢运动方向预测装置和方法

技术领域

本发明属于室内定位技术领域，具体涉及一种下肢运动方向预测装置和 方法。

背景技术

个人导航系统(Personal Navigation System，PNS)主要是指一种能够跟 踪行人实时位置以及人体运动状态的定位系统，其在公共安全、医疗健康、 智慧出行等领域具有广泛的应用前景和实用价值。个人室内前进方向推算是 指以人体下肢作为研究对象，通过测量手段获取人体运动时下肢的运动信息， 包括下肢的运动姿态、加速度、肌电信号等，通过分析上述运动信息，获取 人体不同运动模式下的前进方向，该过程是个人导航系统必不可少的测试技术。

人体前进方向测量方法主要包括全球定位系统、视觉定位技术、无线传 感器定位技术、惯性测量技术等测量方法。

基于卫星定位的室外定位技术日趋成熟，但是在室内场景中卫星信号受 到建筑物遮挡的影响，无法满足室内场景中行人前进方向推算的需要。

基于视觉传感器的个人室内定位的前进方向推算原理是通过视觉传感 器获取目标所在环境的场景信息，采用图像处理技术将目标从图像中分割出 来，利用智能算法推算目标的位置，实现前进方向的推算。然而视觉传感器 容易受光照条件、图像分辨率和自动对焦速度的影响，采集到的视觉图像具 有不稳定性，图像处理量巨大，对图像处理技术和智能推算算法要求较高。

基于无线传感器的个人室内定位的前进方向推算原理是通过部署在检 测区域内大量的传感器节点，采用无线通信方式形成的一个多跳的自组织网 络系统，协作地感知、采集和处理网络覆盖区域中感知的对象信息，并发送 给观察者。然而由于室内环境障碍物多，人群流动等大量不确定的因素；建 筑结构复杂会使信号发生反射、折射和散射现象，造成信号的衰减损失；无 线干扰源较多，容易对定位结果产生影响等，仍然存在前进方向结果稳定性差、通信距离限制的问题。

基于惯性传感器的个人室内前进方向推算的原理是通过使用惯性传感 器感知行人在行走过程中的加速度、角速度等数据，并利用这些数据对行人 的前进方向进行推算，随着微机电系统技术的发展，采用MIMU的个人室内 相对定位系统具有独立工作、体积小、易于在人体上安装与携带、价格相对低廉等特点，其已经成为定位和导航领域一种非常重要的技术。然而MIMU 的精度不高，在仅依靠MIMU对航向进行解算的过程中，就会出现当人体运 动模式发生改变时，在方向上会出现较大误差的问题，因此采用常规的惯性 导航方法无法满足个人室内前进方向的精度要求。

近年来，随着微惯性传感器技术和生物肌电技术的飞速发展，MIMU、 sEMG等传感器被广泛应用于运动体能研究、步态监测、人体工程学等测量 领域。因MIMU、sEMG具备体积小、重量轻、成本低等优势，将其固定于人体下肢膝盖侧面处在人体行走时不会造成影响，因此一种改进Mahony算 法的下肢运动方向推算方法及可穿戴装置将为个人室内定位的前进方向推算 提供一条更为便捷的途径。

发明内容

本发明一实施例提供一种下肢运动方向预测装置和方法，用于解决现有技 术中稳定性差、精度不高的问题，包括：

一实施例中，一种下肢运动方向预测装置，包括：

传感单元，用以采集下肢的姿态信号；

控制单元，采用Mahony算法对下肢的运动方向进行推算，其中，

控制单元包括用以对所述的姿态信号进行误差补偿的PI控制器，该PI控制 器的输入参数K_p和K_i通过机器学习模型进行预测。

优选的，在上述的下肢运动方向预测装置中，所述姿态信号至少包括角速 度信号、加速度信号和肌电信号。

优选的，在上述的下肢运动方向预测装置中，所述控制单元用以

提取加速度信号和肌电信号的特征信号；

根据所述的特征信号构建机器学习模型，并调节参数K_p和K_i；

将参数K_p、K_i以及加速度信号的向量外积e作为PI控制器的输入信号，PI 控制器的输出信号对所述的角速度信号进行误差补偿；

通过四元数微分方程对误差补偿后的角速度信号进行求解，获得下肢运动 前进方向角，同时更新所述的向量外积e。

优选的，在上述的下肢运动方向预测装置中，加速度信号和肌电信号的特 征信号，表示为：

其中，N为该步的采样点数，k为步数序号，a_i表示该步中第i个采样点的 合加速度值，sEMG(i)为该步中第i个采样点的sEMG信号值，ACC_MAV(k)为第k 步的加速度信号MAV特征值，sEMG_MAV(k)为第k步的表面肌电信号MAV特征 值。

优选的，在上述的下肢运动方向预测装置中，所述机器学习模型为神经网 络模型。

优选的，在上述的下肢运动方向预测装置中，所述神经网络模型包括输入 层、隐藏层和输出层，

假设X＝[x₁,x₂,...,x_n]^T为输入，其输出设为Y＝[y₁,y₂,...,y_n]^T，输入层到隐藏层的 权值设为v_ih，隐藏层第h个神经元的阈值设为γ_h，隐藏层有N个神经元阈值， 隐藏层到输出层的权值设为w_hj，激活函数采用Sigmod函数，输出层第j个神经 元的阈值设置为θ_j，输出位l维向量，学习率为η，

神经网络模型的构建方法包括：

(1)输入层到隐藏层：

(2)经过隐藏层的激活函数：

b_h＝f(α_h-γ_h)

(3)隐藏层到输出层：

(4)经过输出层的激活函数：

(5)预测值与真实值误差：

(6)层与层之间的权值调整：

(7)迭代终止条件：误差小于设置的误差阈值时，迭代终止。

一实施例中，还公开了一种下肢运动方向预测方法，包括：

采集下肢的姿态信号；

采用Mahony算法对下肢的运动方向进行推算，其中，

通过PI控制器对所述的姿态信号进行误差补偿，该PI控制器的输入参数 K_p和K_i通过机器学习模型进行预测。

与现有技术相比，本发明结合机器学习模型对PI控制器的输入参数K_p和 K_i进行调节，获取个人室内定位的前进方向精确推算。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员 来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施方式中方向预测装置的示意结构图；

图2是本申请一实施方式中方向预测方法的流程图。

具体实施方式

本发明以个人室内相对定位为应用背景，公开了一种改进Mahony算法的下 肢运动方向推算方法，个人室内前进方向推算算法通过四元数推导的理论重力 加速度向量与通过加速度计测量的实际重力加速度向量进行向量外积表示误差， 构造PI控制器来控制补偿值的大小，其中利用惯性传感器(Micro Inertial Measurement Unit,MIMU)和表面肌电传感器(surface Electromyography,sEMG) 信号的绝对值均值(Mean Absolute Value,MAV)特征值作为输入，K_p和K_i值作 为输出，采用神经网络建立K_p和K_i预测模型，根据建立的预测模型得到的K_p和K_i代入PI控制器中，实现人体前进方向的推算。

本发明还公开了一种改进Mahony算法的下肢运动方向推算的可穿戴装置， 包括MIMU模块、sEMG模块、电源模块、控制单元、通信模块以及上位机显示模块构成。所述控制器单元、MIMU模块、sEMG模块均通过电源模块供电。 所述控制器模块通过串口通信(Universal Asynchronous Receiver/Transmitter,UART)与MIMU模块连接，通过模/数转换器(Analog-to-Digital Converter,ADC) 接口与sEMG模块输出端连接，采集MIMU以及sEMG模块的数据输出，并对 采集到的数据进行处理，将处理得到的前进方向发送到上位机进行显示。本装 置应用了嵌入式技术、定位导航技术、生物肌电技术等多信息融合技术，实现 了个人室内定位前进方向的推算。

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体 实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描 述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有 其他实施例，都属于本申请保护的范围。

图1是一示例性实施例提供的一种方向预测装置的示意结构图。预测装置 为可部署于人体下肢部位的可穿戴装置，包括传感单元、控制单元、通信模块、 上位机显示模块和电源。

电源模块用以为传感单元、控制单元和通信模块进行供电。

传感单元包括MIMU模块和sEMG模块。MIMU模块包括MPU9250芯片， 用于采集人体下肢行走状态下的惯性信息数据。通过UART通讯与控制单元连 接，实时采集MPU9250输出的惯性信息数据。MPU9250输出的惯性信息数据 包括加速度传感器输出的加速度信息、陀螺仪输出的角速度信息；sEMG模块包 括MyoWare肌肉传感器，该MyoWare肌电传感器通过检测电极之间的电势来 测量肌肉活动，采用按扣式ECG电极贴片，该电极贴片采用固体凝胶作为导电体，用于获取实验人员下肢腿部胫骨前肌的表面肌电信号规律信息，将MyoWare肌电传感器的信号SIG引脚线接入控制单元的ADC端口，经控制单元内部的模 数转换后进行肌电信号采集，获取肌电信号，所述肌电传感器沿着肌肉的纵向 中线与肌纤维平行。

控制单元通过获取的惯性信号和表面肌电信号进行信号处理，采用Mahony 算法，根据MIMU和sEMG信号的特征值建立的K_p和K_i预测模型对算法中PI 控制器的K_p和K_i参数进行自适应调节，实现个人室内前进方向的推算。

K_p和K_i预测模型可以为隐马尔科夫模型(HMM)、深度神经网络模型(DNN)、 卷积神经网络模型(CNN)、长短时记忆模型(LSTM)中的任意一种。可以理解的 是，以上仅为举例说明，本实施例同样适用于其他机器学习模型。

控制单元与上位机显示模块之间通过通信模块进行无线通讯，无线通信模 块可以为多种，如蓝牙模块、3G/4G移动通信模块、无线局域网通信模块等。

以神经网络学习模型为例，图2是一示例性实施例提供的一种方向预测方 法的流程图。

假设加速度测量出实际重力加速度向量为G，经过单位化处理为理论重 力加速度向量/>经过单位化处理为/> 和/>存在偏差，这个偏差很大程度由陀 螺仪数据产生的角速度误差引起，利用向量外积表示误差e，计算公式如下：

其中θ为和/>向量的夹角，由于对/>和/>进行外积前，已经对/>和/>做单位 化处理，将上式转化为：

e＝sinθ (2)

对采集到的惯性信号和表面肌电信号进行平滑滤波处理，降低噪声的影响， 对滤波后的加速度信号和表面肌电信号进行特征提取提取，计算公式如下所示：

其中N为该步的采样点数，k为步数序号，a_i表示该步中第i个采样点的合 加速度值，sEMG(i)为该步中第i个采样点的sEMG信号值，ACC_MAV(k)为第k步 的加速度信号MAV特征值，sEMG_MAV(k)为第k步的表面肌电信号MAV特征值。

利用采集到的加速度信号和表面肌电信号进行特征值对K_p和K_i的预测模型 的构建，该模型的构建的过程主要分为训练和预测两个过程，训练过程中对采 集到的MIMU和sEMG信号进行平滑滤波、特征提取、归一化等预处理，将处理的得到的特征值输入到BP神经网络中进行迭代学习训练，采用BP神经网络 机器学习的方式构建基于MIMU/sEMG信息的K_p和K_i预测模型，BP神经网络 主要由输入层、隐藏层以及输出层构成，层与层之间采用全互连方式，同一层 神经元之间不连接。

假设X＝[x₁,x₂,...,x_n]^T为输入，其输出设为Y＝[y₁,y₂,...,y_n]^T，输入层到隐藏层的 权值设为v_ih，隐藏层第h个神经元的阈值设为γ_h，隐藏层有N个神经元阈值， 隐藏层到输出层的权值设为w_hj，激活函数采用Sigmod函数，输出层第j个神经 元的阈值设置为θ_j，输出位l维向量，学习率为η。利用BP神经网络进行预测， 步骤如下：

(1)输入层到隐藏层：

(2)经过隐藏层的激活函数：

b_h＝f(α_h-γ_h) (6)

(3)隐藏层到输出层：

(4)经过输出层的激活函数：

(5)预测值与真实值误差：

(6)层与层之间的权值调整：

(7)迭代终止条件：误差小于设置的误差阈值时，迭代终止。

通过训练过程得到K_p和K_i的BP神经网络预测模型，在预测过程中将得到 的BP神经网络预测模型对测试数据进行预测，得到对应的K_p和K_i预测值，构 建PI控制器来控制补偿值δω，计算公式如下：

δω＝K_p·e+K_i·∫e (12)

其中K_p为比例增益，K_i为积分增益。得到补偿值之后，将其补偿到角速度ω 上，即可得到修正后的ω，将补偿后的ω代入四元数微分方程中即可更新当前四 元数，更新四元数后又可得到新的从而可以得到新的δω，持续进行误差补偿， 通过更新后的四元数得到欧拉角，假设四元数向量为Q＝[q₀ q₁ q₂ q₃]^T，欧拉角计 算公式如下。

其中为前进方向角。

通过改进的Mahony算法推算得到的前进方向角代表了行人行进过程中下 肢运动的前进方向，由于在正常行走的情况下，行人的下肢运动方向与行人前 进方向相同，从而得到个人室内定位的前进方向。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他 性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那 些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方 法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中 还存在另外的相同要素。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的 范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实 施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过 程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施 方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目 的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例 和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数 形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/ 或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以 限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和 原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个 或多个实施例保护的范围之内。

Claims (6)

1.一种下肢运动方向预测装置，其特征在于，包括：

传感单元，用以采集下肢的姿态信号；

控制单元，采用Mahony算法对下肢的运动方向进行推算，其中，

控制单元包括用以对所述的姿态信号进行误差补偿的PI控制器，该PI控制器的输入参数K _p 和K _i 通过机器学习模型进行预测，

所述机器学习模型为神经网络模型，

所述神经网络模型包括输入层、隐藏层和输出层，

假设为输入，其输出设为/>，输入层到隐藏层的权值设为v _ih ，隐藏层第h个神经元的阈值设为γ _h ，隐藏层有N个神经元阈值，隐藏层到输出层的权值设为w _hj ，激活函数采用Sigmod函数，输出层第j个神经元的阈值设置为θ _j ，输出位l维向量，学习率为/>，

神经网络模型的构建方法包括：

（1）输入层到隐藏层：

;

（2）经过隐藏层的激活函数：

;

（3）隐藏层到输出层：

;

（4）经过输出层的激活函数：

;

（5）预测值与真实值误差：

;

（6）层与层之间的权值调整：

;

（7）迭代终止条件：误差小于设置的误差阈值时，迭代终止。

2.根据权利要求1所述的下肢运动方向预测装置，其特征在于，所述姿态信号至少包括角速度信号、加速度信号和肌电信号。

3.根据权利要求2所述的下肢运动方向预测装置，其特征在于，所述控制单元用以

提取加速度信号和肌电信号的特征信号；

根据所述的特征信号构建机器学习模型，并调节参数K _p 和K _i ；

将参数K _p 、K _i 以及加速度信号的向量外积e作为PI控制器的输入信号，PI控制器的输出信号对所述的角速度信号进行误差补偿；

通过四元数微分方程对误差补偿后的角速度信号进行求解，获得下肢运动前进方向角，同时更新所述的向量外积e。

4.根据权利要求3所述的下肢运动方向预测装置，其特征在于，加速度信号和肌电信号的特征信号，表示为：

;

其中，N为该步的采样点数，k为步数序号，a _i 表示该步中第i个采样点的合加速度值，sEMG(i)为该步中第i个采样点的sEMG信号值，ACC _MAV (k)为第k步的加速度信号MAV特征值，sEMG _MAV (k)为第k步的表面肌电信号MAV特征值。

5.一种下肢运动方向预测方法，其特征在于，包括：

采集下肢的姿态信号；

采用Mahony算法对下肢的运动方向进行推算，其中，

通过PI控制器对所述的姿态信号进行误差补偿，该PI控制器的输入参数K _p 和K _i 通过机器学习模型进行预测，

所述机器学习模型为神经网络模型，

所述神经网络模型包括输入层、隐藏层和输出层，

假设为输入，其输出设为/>，输入层到隐藏层的权值设为v _ih ，隐藏层第h个神经元的阈值设为γ _h ，隐藏层有N个神经元阈值，隐藏层到输出层的权值设为w _hj ，激活函数采用Sigmod函数，输出层第j个神经元的阈值设置为θ _j ，输出位l维向量，学习率为/>，

神经网络模型的构建方法包括：

（1）输入层到隐藏层：

;

（2）经过隐藏层的激活函数：

;

（3）隐藏层到输出层：

;

（4）经过输出层的激活函数：

;

（5）预测值与真实值误差：

;

（6）层与层之间的权值调整：

;

（7）迭代终止条件：误差小于设置的误差阈值时，迭代终止。

6.根据权利要求5所述的下肢运动方向预测方法，其特征在于，所述姿态信号至少包括角速度信号、加速度信号和肌电信号，还包括：

提取加速度信号和肌电信号的特征信号；

根据所述的特征信号构建机器学习模型，并调节参数K _p 和K _i ；

将参数K _p 、K _i 以及加速度信号的向量外积e作为PI控制器的输入信号，PI控制器的输出信号对所述的角速度信号进行误差补偿；

通过四元数微分方程对误差补偿后的角速度信号进行求解，获得下肢运动前进方向角，同时更新所述的向量外积e。