CN116108873A - 基于rfid/imu融合的运动姿势评估系统 - Google Patents
基于rfid/imu融合的运动姿势评估系统 Download PDFInfo
- Publication number
- CN116108873A CN116108873A CN202211595286.3A CN202211595286A CN116108873A CN 116108873 A CN116108873 A CN 116108873A CN 202211595286 A CN202211595286 A CN 202211595286A CN 116108873 A CN116108873 A CN 116108873A
- Authority
- CN
- China
- Prior art keywords
- tag
- rfid
- information
- positioning
- gesture
- 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.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 48
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 37
- 230000001133 acceleration Effects 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 11
- 210000001015 abdomen Anatomy 0.000 claims description 10
- 230000005021 gait Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 206010003549 asthenia Diseases 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000003187 abdominal effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000000386 athletic effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 210000001364 upper extremity Anatomy 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 210000000689 upper leg Anatomy 0.000 abstract description 5
- 244000309466 calf Species 0.000 abstract description 3
- 210000001624 hip Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 210000003128 head Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 210000002683 foot Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000027089 Parkinsonian disease Diseases 0.000 description 2
- 206010034010 Parkinsonism Diseases 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 208000012639 Balance disease Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000002310 elbow joint Anatomy 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 208000003906 hydrocephalus Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06K17/0022—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 arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—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 arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于RFID/IMU融合的运动姿势评估系统,在人体特定部位佩戴姿势定位标签,在手臂、上臂、大腿、小腿及脚部佩戴RFID标签,其中利用无线传输技术如蓝牙、ZigBee等技术将IMU数据传输至处理单元,利用RFID阅读器阅读RFID标签,并将阅读信息传输至处理单元,处理单元对传输到的数据滤波处理后,再利用信息融合技术如改进的卡尔曼滤波及限制条件,获取各个标签精确位置信息,继而人体的运动姿势信息,进行三维显示或者传输至其他平台。
Description
技术领域
本发明涉及人体运动姿态模型重建领域,尤其涉及一种基于RFID/IMU融合的运动姿势评估系统。
背景技术
姿势是指身体各部位在空间的相对位置,姿势变化能反映人体骨骼、肌肉、内脏器官、神经系统等各组织间的力学关系。姿势评估在运动康复中的应用贯穿整个运动训练及康复治疗过程,通过姿势评估,能快速准确地发现患者的痛点,如动态姿势经过动态平衡测量评估,从本体、前庭、视觉、重心分布等方面进行检测,能够定量评估帕金森病患者姿势平衡障碍,并有针对性地安排康复训练,改善帕金森病患者步态。不同的步态姿势能够表征患有某种对应疾病的可能性更高。例如醉酒步,临床上称为共济失调,这种姿势很危险,不仅平衡能力差、易摔跤,还可能提示脑肿瘤、脑出血、小脑病变等情况;磁性步,这种走路姿势支撑力不足、平衡性差,尤其是老年人,容易因此摔倒。在临床上,是正压性脑积水病人典型症状。
姿势评估能够帮助运动员或特种人员精确发现个体的薄弱链,继而个性化地针对性地指导运动员或特种人员进行科学有效的运动训练及运动康复,例如利用Y平衡测试对中长跑运动员进行身体功能性评估能够对下肢损伤起到很好的预判作用。
目前,人体动态姿势追踪的传感技术:惯性传感器、声传感器、磁传感器、机械传感器及视觉传感器。其中,基于惯性传感器追踪系统是利用安装在跟踪身体关键位置的加速度计、陀螺仪、磁力计等基本MEMS传感器采集运动数据,通过数据融合算法,实现多目标的协同运动跟踪。声学跟踪系统是以超声波脉冲,使用信号到达时间和三角测量或相位相干方法来确定位置。基于磁传感器的追踪系统使用放置在目标身上的磁传感器,测量由发射器产生的低磁场,通过融合计算三维位置信息和旋转信息。基于机械的运动跟踪方法由刚性或者柔性测角器组成的可穿戴式外骨骼结构直接跟踪身体关节的运动角度,提供无遮挡的身体姿态信息。基于视频传感器的追踪系统以视频方式对人体运动状态进行监控和识别,且利用图像或者视频处理技术,以获取身体姿态信息。基于惯性跟踪系统随着时间产生的累计误差和漂移将影响其位置信息,致使姿势判别误差较大。基于声学跟踪系统在跟踪中可能收到声音反射或者音频干涉的影响,尤其在相对封闭的空间内,影响更为严重。基于磁传感器其跟踪系统,由于受供电的影响,应用时间和精度难以保证。基于机械的运动跟踪系统,佩戴的设备相对较多,对运动姿势有所影响。基于视频方式的跟踪系统,为目前精度最高的系统,受空间遮挡对其影响较大,对空间要求比较严苛。
RFID射频识别技术即采用无线射频信号读取和传输电子标签所存储的信息,RFID技术具有非视距传输、识别速度快等特点,而RFID技术中用到的存储信息的电子标签具有体积小、成本低廉、可重复使用等优点。基于RFID的室内定位方法就是通过已知位置的读写器,对标签进行定位。基于测距的方法是指通过各种测距技术对目标设备与各标签之间的实际距离进行估计,再通过几何方式来估计目标设备的位置。常用的基于测距的定位方法有:基于信号到达时间(Time of Arrival,TOA)定位、基于信号到达时间差(TimeDifference of Arrival,TDOA)定位、基于RSSI定位、基于信号到达角(Angle of Arrival,AOA)等。单纯地RFID定位误差大,精度难以满足姿势识别的要求。
发明内容
本发明为克服现有技术的不足,提供一种基于RFID/IMU融合的运动姿势评估系统。在人体特定部位如腰部、胸部、头部佩戴姿势定位标签,在手臂、上臂、大腿、小腿及脚部佩戴RFID标签,其中利用无线传输技术如蓝牙、ZigBee等技术将IMU数据传输至处理单元,利用RFID阅读器阅读RFID标签,并将阅读信息传输至处理单元,处理单元对传输到的数据滤波处理后,再利用信息融合技术,获取各个标签精确位置信息,继而人体的运动姿势信息,进行三维显示或者传输至其他平台。
本发明的技术方案是基于RFID/IMU融合的运动姿势评估系统,包括:
姿势定位标签:感知运动状态和RFID标签,并将IMU信息传输至处理单元;
RFID定位标签单元:提供个体部位位置识别标识;
RFID阅读器:阅读各个所述RFID标签信息,提供RFID阅读器标识;
处理单元:接收所述姿势定位标签的IMU信息并对其滤波,接收所述RFID阅读器阅读的RFID标签信息,利用信息融合技术,获取各个标签的位置信息,根据先验知识得到姿势信息;
通信显示模块:将所述处理单元获取的姿势信息显示出来或者传输至其他模块。
可优选,所述姿势定位标签包括
IMU传感器,用于感知固定部位的信息,不限于三维加速度,三维角速度及磁场信息。
RFID标签,用于标识特定部位,
无线传输模块,用于将IMU信息传输所述处理单元,
供电电池,用于为所述姿势定位标签提供电源,
固定带,用于将所示姿势定位标签固定到指定位置。
可优选,所述RFID定位标签单元中的RFID标签为有源射频标签,用于标识特定部位,是RFID阅读器阅读对象;
可优选,所述RFID阅读器,可阅读所述RFID定位标签单元,并且可将阅读标签的信息不限于:读取时间、信息强度及标签编号传输至所述处理模块。
可优选,所述处理模块,包含无线通信模块、有线通信模块、滤波模块及信息处理模块,用于接收并处理所述姿态定位标签和所述RFID阅读器传输信息,产生各标签位置信息,将位置信息经所述通信显示模块,将其显示或者传输。
进一步,所述姿势定位标签的IMU进行坐标转换获取加速度,利用四元数法进行坐标转换如下式1所示,
alp=qalq-1(1)
其中,al=[0,a],
a=[ax,ay,az]是姿势定位标签输出加速度,
q为当前姿势定位标签的信息四元数,
进一步,设置训练者t时刻腰部运动起点转化后加速度为(ax1t,ay1t,az1t),腹部运动起点转化后坐标为(ax2t,ay2t,az2t),胸部运动起点转化后坐标为(ax3t,ay3t,az3t),则将人体作为一个整体的加速度可将三点加速度求和,其中放置传感器安装方向错误,则先判断。
以x轴为例,
Ifax1t*ax2t≥0,thenax1t*ax3t≥0则认为正确
Ifax1t*ax2t≥0,thenax1t*ax3t<0则认为传感器三需要整理,则
ax3t=-ax3t
Ifax1t*ax2t<0,thenax1t*ax3t<0则认为传感器一需要整理,则
ax1t=-ax1t
then ax1t*ax3t≥0则认为传感器二需要整理,则
ax2t=-ax2t
整理后的,整个人体的加速度值为
进一步,利用惯性步态模型,
SLk=afk+bSk+C(7)
其中,SLk为第k步的步幅,
fk为第k步行走的所用时间的倒数,即fk=tk-tk-1,
Sk为第k步内的加速度值得方差,
其中,ak为第k步内的加速度的均值,
其中,N为当前一步内的采样点数,
a、b、C为待求系数,一般与身高、腿长及运动环境有关,可由实验经验获得。
方法如下:在当前环境下,求出3-4的步态信息,及测量步长,继而可获得a、
b、C值。
进一步,所述定位标签的定位技术是利用LANDMARC-R算法进行定位,首先利用信号距离损耗模型,
其中,r为待求标签距离距所述RFID阅读器的距离,
r0为参考标签距离距所述RFID阅读器的距离,
Pr为待求标签到所述RFID阅读器的信号强度耗损,
Pr0为参考标签到所述RFID阅读器的信号强度耗损,
a为路径损耗指数,εr为遮蔽因子,fp(x,y,z)为环境干扰函数。
利用公式(8)求出标签i到各个所述RFID阅读器的位置向量di=(ri1,ri2,…rik)。
其中,定位标签包括姿态定位标签和RFID定位标签单元。
根据所述RFID阅读器的坐标和所述待测标签i与各RFID阅读器的距离di,求出各标签所在位置。
进一步,根据实验环境和人体三维模型要求,设定限定条件(1)和限定条件(2),并利用限定条件作为参考条件,利用LANDMARC求出各个参考位置,此算法本文称为LANDMARC-R算法。
限定条件(1),上述腰部姿势定位标签到胸部姿势定位标签,胸部姿态定位标签到腰部姿态定位标签,腹部姿态定位到胸部姿态定位标签的距离分别为L=(l12,l13,l23),且l12,l13,l23为定置,在运动过程中细微变动,利用惯性传感器值加速度变化值进行修订。
限定条件(2),根据人体模型,标签佩戴位置满足以下条件:
如,定位标签i到定位标签j的位置满足一定有最大值和最小值,即LRMij
LRMij>LRMijmin
LRMij<LRMijmax(9)
其中,定位标签i与定位标签j佩戴位置在所有动作中最值,LRMijmin为最小值,LRMijmax为最大值,实际中根据身体指标确定,其中此处定位标签包括姿态定位标签和RFID定位标签单元。
进一步,利用限定条件(1),求取距离-损耗模型即式(8)中环境参数a,εrfp(x,y,z),详细如下:
取腰部姿态定位为参考标签,结合式(10)则可求出εrfp(x,y,z)。
利用卡尔曼滤波滤波,根据身体自身限制条件,作为滤波器限制条件,提高定位精度。
进一步,假设系统现在的状态是K,则系统模型如下:
其中,X(k)为标签在k时刻的位置,U(k)是k时刻对系统的控制输入,此处无控制输入;Wk为系统的过程噪声,在此处假设过程噪声服从高斯分布,与状态变量相互独立,A通常为描述目标状态转换的状态转移矩阵或者过程增益矩阵,B为系统增益参数,Z(k)是k时刻的数据测量值,H通常为观测矩阵,Vk为观测噪声,观测噪声服从高斯分布。
其中,W~N(0,Q),V~N(0,R)。
Xcal(k)=AX(k-1) (12)
rk=Z(k)-HXcal(k) (14)
K(k)=P(k)-HT[HP(k)HT+R(k)]-1 (15)
X(k)=Xcal(k)+K(k)rk (16)
其中,Xcal(k)和X(k)为k时刻卡尔曼滤波后的估计值和预测值,和P(k)为k时刻状态状态变量估计误差和预测误差的协方差矩阵,K(k)为k时刻的卡尔曼滤波增益,Q为预测噪声协方差矩阵,R测量噪声协方差矩阵,rk为Z(k)的新息量,对应的协方差矩阵为
在正常的环境中,rk服从均值为0的高斯分布,则信号出现异常(人体遮挡或者环境干扰时),rk不在服从均值为0的高斯分布,则增加抗干扰信息,
其中,设阈值为C,其值由多次实验获得。
选择两个相邻或者特殊的两点作为校验条件,例如在上肢选择上臂、手臂两点作为校验条件。
此处,X(k)i为i处卡尔曼滤波后的位置,为列向量。
有益效果:
本发明利用射频识别单元(RFID)和惯性测量单元(IMU)融合技术进行定位,惯性测量单元和射频标签新型标识点,为系统定位提供参考标签,利用不同标签位置校准惯性测量单元,继而提高其精度,达到姿势识别的要求。
本发明设计通过采集放置在身体特定部位的FRID标签及姿势定位标签信息,利用信息融合技术获取人体主要关键部位的姿势,继而依据运动时序建立精确地运动姿态模型,以便后期对运动状态的评估。
附图说明
图1为RFID/IMU融合的运动姿势评估系统框图;
图2为定位标签佩戴示意图;
图3为姿势定位标签构成示意图;
图4为RFID阅读器构成示意图;
图5为系统融合处理单元构成示意图;
图6为RFID标签阅读器放置位置示意图。
附图说明:
姿势定位标签-1,惯性传感器-101,RFID标签-102,无线传输模块-103,供电电池-104;
RFID定位标签单元-2;
RFID阅读器-3,RFID阅读模块-301,通信模块-302,供电模块-303;
处理单元-4,通信模块-401,IMU滤波-402,信息融合模块-403,姿势信息-404;
通信显示模块-5。
具体实施方式
本发明的目的提供一种基于RFID/IMU融合的运动姿势评估系统,通过佩戴便携式的传感器和信息融合技术,获取各个标签精确位置信息,继而人体的运动姿势信息。
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1,如图1所示,本发明基于RFID/IMU融合的运动姿势评估系统包括:姿势定位标签1,RFID定位标签单元2,RFID阅读器3,处理单元4,通信显示模块5。
具体地,姿势定位标签1,感知运动状态和提供RFID标签,将IMU信息传输至处理单元;
RFID定位标签单元2,提供个体部位位置识别标识;
RFID阅读器3,阅读各个所述RFID标签信息,提供RFID阅读器标识;
处理单元4,接收所述姿势定位标签的IMU信息并对其滤波,接收所述RFID阅读器阅读的RFID标签信息,利用信息融合技术,获取各个标签的位置信息,根据先验知识得到姿势信息;
通信显示模块5,将所述处理单元获取的姿势信息显示出来或者传输至其他模块。
本发明通过在人体特定部位如腰部、胸部、头手佩戴姿势定位标签,在手臂、上臂、大腿、小腿及脚部佩戴RFID标签,并利用无线传输技术将运动中特定部位的IMU数据和RFID标签信息传输至处理单元,滤波处理后,再利用信息融合技术,获取各个标签精确位置信息,继而得到人体的运动姿势信息,从而实现人体运动姿势的重建。
进一步地,如图2所示,所述姿态定位标签1佩戴位置,在腰部、腹部、胸部、头手佩戴姿势定位标签1,尤其是,腰部与腹部姿态定位标签要求用一条弹性固定带进行固定,并且在同一高度上;胸部和腹部佩戴的姿势定位标签1,在同一条直线上,头部姿态定位标签放置额前中央处。在上臂上端、肘关节上端,小臂末端、大腿上端、膝关节上部、脚踝上部放置所述RFID标签2。
进一步,如图3所示,姿态定位传感器包括惯性传感器101,RFID标签102,无线传输模块103,供电电池104。
所述惯性传感器101,获得人体运动的三维信息及步态信息如步幅、步频等,此处所述惯性传感器101由三轴加速度计ADXL345、三轴陀螺仪ITG3205、三轴磁力计HMC5583L组成。
所述RFID标签102采用有源电子标签,由天线,射频模块,控制模块,存储模块组成。
无线传输模块103采用ZigBee、蓝牙、WIFI等无线传输模块,将所述惯性传感器101数据传输至处理单元4。
所述供电电池104,包括无线充电模块、电源管理模块、电池等,为所述惯性传感器101、RFID标签102、无线传输模块103提供电能。
所述固定带,用于将姿态标签1固定到特定位置。
作为优选,所述RFID定位标签单元02主要有由天线,射频模块,控制模块,存储模块、无线充电模块、电源管理模块及储能电池组成。
作为优选,所述RFID阅读器3主要由RFID阅读模块301,通信模块302,供电模块303组成。其中,所述RFID阅读模块301由天线、控制模块和射频通信模块组成。用于读取所述姿态定位标签1中RFID标签102及所述RFID标签2信息。
所述通信模块302,作为优选,选择无线通信模块,便于安装。
所述电池模块303含无线充电模块、电源管理模块及储能模块,为所述RFID阅读模块301,通信模块302供电。
作为优选,处理单元4主要由通信模块401,IMU滤波402,信息融合模块403以及姿势信息404组成,其用于提供数据滤波,信息融合定位及三维运动姿势重建。
所述通信模块401,用于接收姿态定位标签1中无线传输模块103传输的数据和RFID阅读器3中通信模块302传输数据,同时也用于外部数据输入和三维运动姿态信息交互,例如所述RFID阅读器3的位置信息的输入,将三维运动姿态信息输出显示器或者其他系统。
所述IMU滤波402,用于对于所述姿态定位标签1中IMU数据进行滤波处理,
所述信息融合模块403,用于对所述姿态定位标签1和所述RFID数据进行处理,继而获取标签的位置信息,
所述姿势信息404,用于三维运动姿态模型重建。
进一步,IMU滤波402、信息融合模块403、姿势信息404采用硬件即DSP等处理芯片,此处可将数据传输至服务器进行处理。
实施例2
一种基于RFID/IMU融合的运动姿势评估新方法,其中工作流程为:首先搭建定位环境,安装所述RFID阅读器并记录其坐标位置,并将RFID阅读器坐标输入所述处理单元4;再者按照图2要求佩戴所述姿势定位标签1和所述RFID定位标签单元2,并获取腰部、腹部及胸部的姿势定位标签的坐标,和标识所述姿势定位标签1和所述RFID定位标签单元2的佩戴位置;然后,在静止状态对姿势定位标签1中惯性传感器校准,最后数据融合算法计算各个标签位置并进行三维运动姿势模型重建。
进一步,所述姿势定位标签中惯性传感器进行坐标转换获取加速度,利用四元数法进行坐标转换如下式1所示,
alp=qalq-1(1)
其中,al=[0,a],
a=[ax,ay,az]是姿势定位标签输出加速度,
q为当前姿势定位标签的信息四元数,
进一步,设置训练者t时刻腰部运动起点转化后加速度为(ax1t,ay1t,az1t),腹部运动起点转化后坐标为(ax2t,ay2t,az2t),胸部运动起点转化后坐标为(ax3t,ay3t,az3t),则将人体作为一个整体的加速度将三点加速度求和,其中放置传感器安装方向错误,则先判断。
以x轴为例,
Ifax1t*ax2t≥0,thenax1t*ax3t≥0则认为正确
Ifax1t*ax2t≥0,thenax1t*ax3t<0则认为传感器三需要整理,则
ax3t=-ax3t
Ifax1t*ax2t<0,thenax1t*ax3t<0则认为传感器一需要整理,则
ax1t=-ax1t
then ax1t*ax3t≥0则认为传感器二需要整理,则
ax2t=-ax2t
整理后的,整个人体的加速度值为:
进一步,利用惯性步态模型,
SLk=afk+bSk+C(7)
其中,SLk为第k步的步幅,
fk为第k步行走的所用时间的倒数,即fk=tk-tk-1,
Sk为第k步内的加速度值得方差,
其中,ak为第k步内的加速度的均值,
其中,N为当前一步内的采样点数,
a、b、C为待求系数,一般与身高、腿长及运动环境有关,由实验经验获得。方法如下:在当前环境下,求出3-4步态信息,及测量步长,继而可获得a、b、C值。
进一步所述定位标签的定位技术,采用LANDMARC-R算法进行姿态定位,首先利用信号距离损耗模型,
其中,r为待求标签距离距所述RFID阅读器的距离,
r0为参考标签距离距所述RFID阅读器的距离,
Pr为待求标签到所述RFID阅读器的信号强度耗损,
a为路径损耗指数,εr为遮蔽因子,fp(x,y,z)为环境干扰函数。
利用公式8求出标签i到各个所述RFID阅读器的位置向量di=(ri1,ri2,…rik)。
其中,定位标签包括姿态定位标签和RFID定位标签单元。
根据所述RFID阅读器的坐标和所述待测标签i与各RFID阅读器的距离di,求出各标签所在位置。
进一步,根据实验环境和人体三维模型要求,设定限定条件(1)和限定条件(2),并利用限定条件作为参考条件,利用LANDMARC求出各个参考位置,此算法本文称为LANDMARC-R算法。
限定条件(1),上述腰部姿势定位标签到胸部姿势定位标签,胸部姿态定位标签到腰部姿态定位标签,腹部姿态定位到胸部姿态定位标签的距离分别为L=(l12,l13,l23),且l12,l13,l23为定置,在运动过程中细微变动,利用惯性传感器值加速度变化值进行修订。
限定条件(2),根据人体模型,标签佩戴位置满足以下条件:
如,标签i到标签j的位置满足一定有最大值和最小值,即LRMij
LRMij>LRMijmin
LRMij<LRMijmax(9)
其中,标签i与标签j佩戴位置在所有动作中最值,LRMijmin为最小值,LRMijmax为最大值,实际中根据身体指标确定。
进一步,利用限定条件(1),求取距离-损耗模型即式(8)中环境参数a,εrfp(x,y,z),详细如下:
取腰部姿态定位标签为参考标签,结合式(10)则可求出εrfp(x,y,z)。
利用卡尔曼滤波滤波,根据身体自身限制条件,作为滤波器限制条件,提高定位精度。
进一步,假设系统现在的状态是K,则系统模型如下:
其中,X(k)为标签在k时刻的位置,U(k)是k时刻对系统的控制输入,此处无控制输入;Wk为系统的过程噪声,在此处假设过程噪声服从高斯分布,与状态变量相互独立,A通常为描述目标状态转换的状态转移矩阵或者过程增益矩阵,B为系统增益参数,Z(k)是k时刻的数据测量值,H通常为观测矩阵,Vk为观测噪声,观测噪声服从高斯分布。
其中,W~N(0,Q),V~N(0,R)。
Xcal(k)=AX(k-1) (12)
rk=Z(k)-HXcal(k) (14)
K(k)=P(k)-HT[HP(k)HT+R(k)]-1 (15)
X(k)=Xcal(k)+K(k)rk (16)
其中,Xcal(k)和X(k)为k时刻卡尔曼滤波后的估计值和预测值,和P(k)为k时刻状态状态变量估计误差和预测误差的协方差矩阵,K(k)为k时刻的卡尔曼滤波增益,Q为预测噪声协方差矩阵,R测量噪声协方差矩阵,rk为Z(k)的新息量,对应的协方差矩阵为
在正常的环境中,rk服从均值为0的高斯分布,则信号出现异常(人体遮挡或者环境干扰时),rk不在服从均值为0的高斯分布,则增加抗干扰信息,
其中,设阈值为C,其值由多次实验获得。
选择两个相邻或者特殊的两点作为校验条件,例如在上肢选择上臂、手臂两点作为校验条件。
此处,X(k)i为i处卡尔曼滤波后的位置,为列向量。
本发明提出的一种高精度、低成本的运动姿势模型重建新方法。
本发明公开了一种基于RFID/IMU融合的运动姿势评估新方法,该方法在人体特定部位如腰部、胸部、头部佩戴姿势定位标签,在手臂、上臂、大腿、小腿及脚部佩戴RFID标签,其中利用无线传输技术如蓝牙、ZigBee等技术将IMU数据传输至处理单元,利用RFID阅读器阅读RFID标签,并将阅读信息传输至处理单元,处理单元对传输到的数据滤波处理后,再利用信息融合技术如改进的卡尔曼滤波及限制条件,获取各个标签精确位置信息,继而人体的运动姿势信息,进行三维显示或者传输至其他平台。可应用在残疾人康复、生活、娱乐等领域,可以获得更好的社会和经济价值。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于RFID/IMU融合的运动姿势评估系统,其特征在于,所述系统包括:
姿势定位标签:感知运动状态和RFID标签,并将IMU信息传输至处理单元;
RFID定位标签单元:提供个体部位位置识别标识;
RFID阅读器:阅读各个所述RFID标签信息,提供RFID阅读器标识;
处理单元:接收所述姿势定位标签的IMU信息并对其滤波,接收所述RFID阅读器阅读的RFID标签信息,利用信息融合技术,获取各个标签的位置信息,根据先验知识得到姿势信息;
通信显示模块:将所述处理单元获取的姿势信息显示出来或传输至其他模块;
所述姿势定位标签中IMU进行坐标转换获取加速度,利用四元数法进行坐标转换如下式(1)所示:
alp=qalq-1(1)
其中,al=[0,a],
a=[ax,ay,az]是姿势定位标签输出加速度,
q为当前姿势定位标签的信息四元数,
进一步,设置训练者t时刻腰部运动起点转化后加速度为(ax1t,ay1t,az1t),腹部运动起点转化后坐标为(ax2t,ay2t,az2t),胸部运动起点转化后坐标为(ax3t,ay3t,az3t),则将人体作为一个整体的加速度将三点加速度求和,其中放置传感器安装方向错误,则先判断;
以x轴为例,
Ifax1t*ax2t≥0,thenax1t*ax3t≥0则认为正确;
Ifax1t*ax2t≥0,thenax1t*ax3t<0则认为传感器三需要整理,则
ax3t=-ax3t
Ifax1t*ax2t<0,thenax1t*ax3t<0则认为传感器一需要整理,则
ax1t=-ax1t
then ax1t*ax3t≥0则认为传感器二需要整理,则
ax2t=-ax2t
整理后的,整个人体的加速度值为:
进一步,利用惯性步态模型
SLk=afk+bSk+C(7)
其中,SLk为第k步的步幅,
fk为第k步行走的所用时间的倒数,即fk=tk-tk-1,
Sk为第k步内所采集得到的加速度值的方差,
其中,ak为第k步内的加速度的均值,
其中,N为当前一步内的采样点数,
a、b、C为待求系数,一般与身高、腿长及运动环境有关,可由实验经验获得;方法如下:在当前环境下,求出(3)-(4)的步态信息,及测量步长,继而获得a、b、C值;
所述定位标签定位技术,利用LANDMARC-R算法进行定位,首先利用信号距离损耗模型,
其中,r为待求标签距离距所述RFID阅读器的距离,
r0为参考标签距离距所述RFID阅读器的距离,
Pr为待求标签到所述RFID阅读器的信号强度耗损,
Pr0为参考标签到所述RFID阅读器的信号强度耗损,
a为路径损耗指数,εr为遮蔽因子,fp(x,y,z)为环境干扰函数;
利用公式(8)求出标签i到各个所述RFID阅读器的位置向量di=(ri1,ri2,…rik);
其中,定位标签包括姿态定位标签和RFID定位标签单元;
根据所述RFID阅读器的坐标和所述待测标签i与各RFID阅读器的距离di,求出各标签所在位置;
根据实验环境和人体三维模型要求,设定限定条件(1)和限定条件(2),并利用限定条件作为参考条件,利用LANDMARC求出各个参考位置,此算法本文称为LANDMARC-R算法;
限定条件(1),上述腰部姿势定位标签到胸部姿势定位标签,胸部姿态定位标签到腰部姿态定位标签,腹部姿态定位到胸部姿态定位标签的距离分别为L=(l12,l13,l23),且l12,l13,l23为定置,在运动过程中细微变动,利用惯性传感器值加速度变化值进行修订;
限定条件(2),根据人体模型,标签佩戴位置满足以下条件:
如,标签i到标签j的位置满足一定有最大值和最小值,即LRMij
LRMij>LRMijmin
LRMij<LRMijmax(9)
其中,标签i与标签j佩戴位置在所有动作中最值,LRMijmin为最小值,LRMijmax为最大值,实际中根据身体指标确定;
进一步,利用限定条件(1),求取距离-损耗模型即式(8)中环境参数a,εrfp(x,y,z),详细如下:
取腰部姿态定位标签为参考标签,结合式(10)则可求出εrfp(x,y,z);
利用卡尔曼滤波滤波,根据身体自身限制条件,作为滤波器限制条件;
进一步,假设系统现在的状态是K,则系统模型如下:
其中,X(k)为标签在k时刻的位置,U(k)是k时刻对系统的控制输入,此处无控制输入;Wk为系统的过程噪声,在此处假设过程噪声服从高斯分布,与状态变量相互独立,A通常为描述目标状态转换的状态转移矩阵或者过程增益矩阵,B为系统增益参数,Z(k)是k时刻的数据测量值,H通常为观测矩阵,Vk为观测噪声,观测噪声服从高斯分布;
其中,W~N(0,Q),V~N(0,R)
Xcal(k)=AX(k-1)(12)
rk=Z(k)-HXcal(k)(14)
K(k)=P(k)-HT[HP(k)HT+R(k)]-1(15)
X(k)=Xcal(k)+K(k)rk(16)
其中,Xcal(k)和X(k)为k时刻卡尔曼滤波后的估计值和预测值,和P(k)为k时刻状态状态变量估计误差和预测误差的协方差矩阵,K(k)为k时刻的卡尔曼滤波增益,Q为预测噪声协方差矩阵,R测量噪声协方差矩阵,rk为Z(k)的新息量,对应的协方差矩阵为
在正常的环境中,rk服从均值为0的高斯分布,则信号出现异常(人体遮挡或者环境干扰时),rk不在服从均值为0的高斯分布,则增加抗干扰信息,
其中,设阈值为C,其值由多次实验获得;
选择两个相邻或者特殊的两点作为校验条件,例如在上肢选择上臂、手臂两点作为校验条件;
此处,X(k)i为i处卡尔曼滤波后的位置,为列向量
2.根据权利要求1所述的基于RFID/IMU融合的运动姿势评估系统,其特征在于,所述RFID定位标签单元中的RFID标签为有源射频标签,用于标识特定部位。
3.根据权利要求1所述的基于RFID/IMU融合的运动姿势评估系统,其特征在于,所述RFID阅读器,阅读所述RFID标签,并且将阅读包括:读取时间、信息强度及标签编号在内的标签的信息传输至所述处理单元。
4.根据权利要求1所述的基于RFID/IMU融合的运动姿势评估系统,其特征在于,所述处理单元,包含无线通信模块、有线通信模块、滤波模块及信息处理模块,用于接收并处理所述姿态定位标签和所述RFID阅读器传输信息,产生各标签位置信息,将位置信息经所述通信显示模块显示或传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595286.3A CN116108873B (zh) | 2022-12-12 | 2022-12-12 | 基于rfid/imu融合的运动姿势评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595286.3A CN116108873B (zh) | 2022-12-12 | 2022-12-12 | 基于rfid/imu融合的运动姿势评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116108873A true CN116108873A (zh) | 2023-05-12 |
CN116108873B CN116108873B (zh) | 2024-04-19 |
Family
ID=86264768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211595286.3A Active CN116108873B (zh) | 2022-12-12 | 2022-12-12 | 基于rfid/imu融合的运动姿势评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108873B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116019442A (zh) * | 2022-12-12 | 2023-04-28 | 天津大学 | 基于uwb/imu融合的运动姿势评估系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013160286A1 (en) * | 2012-04-23 | 2013-10-31 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for estimating the position and orientation using an inertial measurement unit fixed to a moving pedestrian |
CN108120438A (zh) * | 2017-12-15 | 2018-06-05 | 北京工商大学 | 一种基于imu和rfid信息融合的室内目标快速跟踪方法 |
CN108759834A (zh) * | 2018-04-28 | 2018-11-06 | 温州大学激光与光电智能制造研究院 | 一种基于全局视觉的定位方法 |
CN108955683A (zh) * | 2018-04-28 | 2018-12-07 | 温州大学激光与光电智能制造研究院 | 基于全局视觉的定位方法 |
CN109541533A (zh) * | 2018-11-26 | 2019-03-29 | 东南大学 | 一种基于无迹卡尔曼滤波的rfid标签室内跟踪方法及设备 |
CN109827568A (zh) * | 2019-01-29 | 2019-05-31 | 东北大学秦皇岛分校 | 基于mems传感器的多层建筑中行人高度位置估计方法 |
CN211236692U (zh) * | 2019-12-27 | 2020-08-11 | 一飞(海南)科技有限公司 | 一种基于rfid集群内部导航定位装置、无人机、飞行器 |
CN111854762A (zh) * | 2020-08-05 | 2020-10-30 | 翟瑞永 | 一种基于卡尔曼滤波算法的三维定位方法及其定位系统 |
CN214098224U (zh) * | 2020-12-31 | 2021-08-31 | 北京师范大学-香港浸会大学联合国际学院 | 一种智能扫描机器人 |
-
2022
- 2022-12-12 CN CN202211595286.3A patent/CN116108873B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013160286A1 (en) * | 2012-04-23 | 2013-10-31 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for estimating the position and orientation using an inertial measurement unit fixed to a moving pedestrian |
CN108120438A (zh) * | 2017-12-15 | 2018-06-05 | 北京工商大学 | 一种基于imu和rfid信息融合的室内目标快速跟踪方法 |
CN108759834A (zh) * | 2018-04-28 | 2018-11-06 | 温州大学激光与光电智能制造研究院 | 一种基于全局视觉的定位方法 |
CN108955683A (zh) * | 2018-04-28 | 2018-12-07 | 温州大学激光与光电智能制造研究院 | 基于全局视觉的定位方法 |
CN109541533A (zh) * | 2018-11-26 | 2019-03-29 | 东南大学 | 一种基于无迹卡尔曼滤波的rfid标签室内跟踪方法及设备 |
CN109827568A (zh) * | 2019-01-29 | 2019-05-31 | 东北大学秦皇岛分校 | 基于mems传感器的多层建筑中行人高度位置估计方法 |
CN211236692U (zh) * | 2019-12-27 | 2020-08-11 | 一飞(海南)科技有限公司 | 一种基于rfid集群内部导航定位装置、无人机、飞行器 |
CN111854762A (zh) * | 2020-08-05 | 2020-10-30 | 翟瑞永 | 一种基于卡尔曼滤波算法的三维定位方法及其定位系统 |
CN214098224U (zh) * | 2020-12-31 | 2021-08-31 | 北京师范大学-香港浸会大学联合国际学院 | 一种智能扫描机器人 |
Non-Patent Citations (1)
Title |
---|
吴金凯;蔡成林;甘才军;孙凯;: "基于手机传感器的行人室内定位算法", 桂林电子科技大学学报, no. 05, 25 October 2019 (2019-10-25) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116019442A (zh) * | 2022-12-12 | 2023-04-28 | 天津大学 | 基于uwb/imu融合的运动姿势评估系统 |
CN116019442B (zh) * | 2022-12-12 | 2024-05-14 | 天津大学 | 基于uwb/imu融合的运动姿势评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116108873B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104757976B (zh) | 一种基于多传感器融合的人体步态分析方法和系统 | |
Picerno et al. | Joint kinematics estimate using wearable inertial and magnetic sensing modules | |
Roetenberg et al. | Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors | |
Roetenberg | Inertial and magnetic sensing of human motion | |
US8165844B2 (en) | Motion tracking system | |
Roetenberg et al. | Ambulatory position and orientation tracking fusing magnetic and inertial sensing | |
Olivares et al. | Wagyromag: Wireless sensor network for monitoring and processing human body movement in healthcare applications | |
CN108836346A (zh) | 一种基于惯性传感器的人体步态分析方法和系统 | |
Cereatti et al. | Accurately measuring human movement using magneto-inertial sensors: techniques and challenges | |
Horenstein et al. | Validation of magneto-inertial measuring units for measuring hip joint angles | |
CN116108873B (zh) | 基于rfid/imu融合的运动姿势评估系统 | |
Hindle et al. | Inertial-based human motion capture: A technical summary of current processing methodologies for spatiotemporal and kinematic measures | |
US20160030806A1 (en) | Exercise ability evaluation method, exercise ability evaluation apparatus, exercise ability calculation method, and exercise ability calculation apparatus | |
Loose et al. | Gait patterns in standard scenarios: Using Xsens MTw inertial measurement units | |
Yahya et al. | Accurate shoulder joint angle estimation using single RGB camera for rehabilitation | |
CN115655265A (zh) | 一种基于惯性传感的行人导航室内定位方法 | |
Lin et al. | Residual neural network and long short-term memory–based algorithm for estimating the motion trajectory of inertial measurement units | |
Janidarmian et al. | Affordable erehabilitation monitoring platform | |
Qiu et al. | Heterogeneous data fusion for three-dimensional gait analysis using wearable MARG sensors | |
TW200950748A (en) | Portable record and analysis system of exercise track and a track building method | |
CN116019442B (zh) | 基于uwb/imu融合的运动姿势评估系统 | |
Nwanna | Validation of an Accelerometry based method of human gait analysis | |
CN112741586B (zh) | 一种基于胶囊内镜人体内位置获取系统的位置获取方法 | |
CN111539507B (zh) | 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法 | |
Madrigal et al. | Hip and lower limbs 3D motion tracking using a double-stage data fusion algorithm for IMU/MARG-based wearables sensors |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |