基于加速度傳感器的步態分析研究

吉林農業科技學院機械與土木工程學院 程浩天 佟沐霖 封龍龍 韓越強 程相羽 劉浩 常影

引言

加速度傳感器自問世以來被廣泛應用到各個領域，它的工作原理為牛頓第二定律A=FM?，F如今基于加速度傳感器對坐起和步態運動所產生的動作數據，同時隨著社會的發展，應用場景也在實時的改變和更新，因此在對坐起和步態運動的數據處理方法也有了很大的更新，并且應用寬度也在不斷擴展[1-3]。很多研究學者對加速度傳感器的數據采集和人體相關生理活動進行了相關的研究，然后對數據進行特征提取和分類。福州大學的楊文輝針對加速度傳感器步態識別的研究場景單一的缺點問題，進行了相關的研究，提出了多場景變換角度進行步態識別[4]。

圖1 App的界面

沈陽工業大學涂斌斌圍繞步態識別的關鍵步驟，針對自適應性的預處理方法、異常檢測方法和征提取方法分別進行研究[5]。傳統的病理步態識別方法需要有一定的專業性才能夠進行處理，且過程比較復雜，雖然準確率高，但是由于要求較多，應用起來仍然受限，因此針對這個問題，燕山大學的潘秀芳考慮到過程和成本等多個因素，進行了相關的研究[6]，如圖2所示。

圖2 傳感器放置位置

跌倒這一個過程對人身體有很大危害，浙江大學趙祥欣針對生活中這一個問題進行了相關的研究，為了能夠識別跌倒并且降低跌倒的危害，提高識別率，采用了3維加速度傳感器進行了相關的研究和，還提出了基于該加速度數據進行識別從而分析步態以及跌倒情況[7]，如圖3所示。

圖3 系統結構及信號流向示意圖

Heikki J.Ailisto等人考慮了設備的便攜性，提出了一種用于識別便攜式設備載體的簡便且自然的方法。該方法使用由嵌入在便攜式設備中的傳感器產生的加速度信號。當用戶攜帶設備時，將加速度信號與存儲的模板信號進行比較。該方法包括查找各個步驟，對其進行歸一化和平均化，將其與模板對齊并計算互相關性（用作相似性度量）。在36個測試對象的試驗中，平均錯誤率達到6.4%[8]。

驗證了基于加速器步態識別的可行性。通過加速度傳感器對人體不同位置的測量，就比如說人的手臂，腕關節，腳腕，腰部[9]，胸部，腳踝[10]部位，但本文測量坐起和步態數據主要分為三大方面，就是上中下三個方面，五個部位，分別是右手手腕，左手手臂，腰部右側，右大腿和左腳腕。之所以本文選擇這五個部位，是因為其可以體現上肢，中部和下肢的人體主要運動數據，并且可以給實驗數據帶來更直觀的分析。右大腿內側和左腳腕的位置，則是針對下肢動作。因為腰腹位置接近人體中心,該處的加速度數據可以很好地反映人體的運動信息。同時在不斷的研究和數據的對比分析中，多個部位的加速度傳感器的數據采集，數據準確率得到了大大的提高，但是整體性和實驗者的佩戴便捷性與舒適度變得更低，同時運動的便捷性，也會對實驗數據產生誤差。所以本文結合之前的設計與方案，采用整體性佩戴方案，一體式方便被測人員的穿戴，在不減少加速度傳感器個數的同時，實現對更多復雜動作的識別，更利于實際的應用。

本文設計了一套采用加速度傳感器BWT901CL采集人體步態運動時的三位加速度信號的便攜式數據采集裝置，基于此裝置采集的數據進行步態分析。該裝置便于穿戴并且不影響佩戴者的正?；顒?。本文重點分析了利用MATLAB軟件對數字濾波函數的應用以及卡爾曼濾波算法降噪的方法處理數據。結果表明,本文數據處理和分析方法合理。

1 傳感器選擇和數據采集方案設計

本實驗所用的數據裝置是維特智能九軸藍牙陀螺儀傳感器,該傳感器依托內部的三軸陀螺儀、三軸加速度計、三軸歐拉角、三周磁場、姿態解算器等可以進行傾角測量、振動測量、姿態測量，穩定性高。傳感器還可以利用藍牙2.0與USB接線連接、藍牙距離可達10米（無障礙物）。

2 信號預處理

對數字信號進行預處理的方法有很多種，例如減弱因無窮級數截斷而產生的吉布斯現象的加窗法、歸一化、傾斜校正、濾波器等方法。這里本文選用了IIR濾波器對數據進行濾波處理、Detrend函數對數據進行去噪和去趨勢處理。

人體動作識別中采集的數據一般都是人體所產生的動作的一段時間的加速度信號,一般來說，所產生的數據信號長度比較長。采集的人體運動信號數據會出現一些影響特征提取和數據分析的雜音，實驗中為了避免雜音的影響，運用濾波器對數據進行去噪處理，如本文不采用方法對數據進行去趨勢或特征提取，整個實驗結果就會產生偏差，或者出現錯誤。

去噪可以去除一些無用的干擾數據。濾波器的階數選用為10階、采用Butterworth,采樣頻率為100Hz，截止頻率為40Hz。通過matlab中的filterDesigner來完成濾波器的設置,在filterDesigner中設置完自己想要的參數以后點擊design filter即可得到所設計的IIR數字濾波器。將設計完的濾波器的文件命名Filter_IIR.m。本文可以在濾波器的函數中發現設置的參數，其中N為濾波器的階數，FS為采集頻率，FC為截止頻率。為了方便使用濾波器，在Matlab中另外創建一個腳本文件調用前面所創建的濾波器函數。

加速度的預處理當中本文采用Detrend函數進行去趨勢，數據去趨勢，就是對數據減去一條最優（最小二乘）的擬合直線、平面或曲面，使去趨勢后的數據均值為零。

3 數據分析

步態特征提取是步態分析算法的主要部分。在數據分析中有多種分類算法中，本文選用了卡爾曼濾波器，它適用于每一個有外部變量的自回歸移動平均系統或可用有理傳遞函數表示的系統，轉換成用狀態空間表示的系統后，通過卡爾曼濾波進行最優化自回歸數據處理，可以基于上一狀態預測出的結果預測現在的狀態，將系統預測值和實際測量值不斷進行協方差遞歸，算出最優值。

實驗者進行實驗時，行走步態平緩，速度的實際值圖像波動也趨于平緩，但仍可通過加速度圖像拐點的峰值波動判斷行走時擺手動作是否發生。位移圖像的實際值曲線放大了加速度突變階段的影響，估計值更加貼近人體行走時的步態規律,速度與位移的估計值變化趨勢趨于一致。

4 總結

對去趨勢處理后的圖像初步分析，設置一個均值,觀察記錄峰值落在均值點波動一定范圍內的頻率,通過對采集的多組數據進行統計得出，若以0.4作為極大值的讀值點，則約有80%到90%的極大值分布在該讀值點以上。因此本文通過觀察這個分界線的值，就可以設定一個正負區間的截止數值，通過截止數值，本文就可以在坐起還是正常步態的動作所測量的數據的基礎上提高數據的比對分析率。同時通過正負截止數值，也可以過濾一些離散性高的數據點，使本文設定的截止數值區間與極值區間有比較明顯的劃分度。