基于MEMS傳感器與Zigbee網(wǎng)絡(luò)的人體手臂運(yùn)動(dòng)狀態(tài)測量和識(shí)別方法研究.pdf

1、人體運(yùn)動(dòng)捕捉和檢測技術(shù)廣泛應(yīng)用于影視創(chuàng)作、電子游戲、動(dòng)作分析、體育科研訓(xùn)練、康復(fù)醫(yī)療、虛擬現(xiàn)實(shí)、人機(jī)交互和機(jī)器人全自主控制等領(lǐng)域，具有十分廣闊的應(yīng)用前景。MEMS慣性傳感器是微電子機(jī)械系統(tǒng)(Micro-Electro-Mechanical Systems，MEMS)傳感器，具有小型化、低功耗、低成本和抗干擾能力強(qiáng)等優(yōu)點(diǎn)。MEMS慣性傳感器的出現(xiàn)和發(fā)展，促進(jìn)了基于MEMS可穿戴式慣性傳感器的人體運(yùn)動(dòng)捕捉和檢測方法的發(fā)展?；贛EMS可穿戴

2、式慣性傳感器的人體運(yùn)動(dòng)捕捉和檢測方法的基本原理是用戶在身體各部位穿戴慣性測量單元，利用MEMS慣性傳感器測量加速度和角速度等人體運(yùn)動(dòng)信息，通過解算得到人體運(yùn)動(dòng)的姿態(tài)角變化，進(jìn)而利用模式識(shí)別方法對人體運(yùn)動(dòng)狀態(tài)和姿態(tài)角進(jìn)行識(shí)別分類，達(dá)到人體運(yùn)動(dòng)捕捉和檢測的目的。相比于其他人體運(yùn)動(dòng)捕捉和檢測方法，該方法具有輕便簡潔、成本低廉、穿戴方便和實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn)。但由于MEMS陀螺儀較大的漂移誤差和運(yùn)動(dòng)加速度等因素的影響，姿態(tài)角估計(jì)計(jì)算精度不高，導(dǎo)致人體

3、運(yùn)動(dòng)狀態(tài)識(shí)別率低。基于此，本文開展基于MEMS可穿戴式慣性傳感器的人體運(yùn)動(dòng)捕捉和檢測方法的研究工作，以人體手臂運(yùn)動(dòng)狀態(tài)測量和識(shí)別為目標(biāo)，重點(diǎn)對高精度姿態(tài)角解算和模式識(shí)別的特征提取進(jìn)行研究，以期實(shí)現(xiàn)高精度的人體運(yùn)動(dòng)狀態(tài)檢測和識(shí)別。
　　首先，論文確定了基于Zigbee無線傳輸?shù)南到y(tǒng)結(jié)構(gòu)方案，在此基礎(chǔ)上完成了系統(tǒng)方案總體設(shè)計(jì)。整個(gè)系統(tǒng)由基于MEMS傳感器的運(yùn)動(dòng)檢測模塊、Zigbee無線網(wǎng)絡(luò)數(shù)據(jù)通信模塊以及上位機(jī)運(yùn)動(dòng)識(shí)別算法模塊組成。M

4、EMS傳感器運(yùn)動(dòng)檢測模塊負(fù)責(zé)測量手臂運(yùn)動(dòng)過程中的角速度、加速度和磁場信息，通過Zigbee無線網(wǎng)絡(luò)將測量數(shù)據(jù)上傳到PC機(jī)，在PC機(jī)上基于Labview平臺(tái)完成姿態(tài)角解算和運(yùn)動(dòng)識(shí)別。
　　姿態(tài)角的測量和解算是該方法的關(guān)鍵之一，論文對此進(jìn)行了深入的分析和研究。闡述了慣性系統(tǒng)和姿態(tài)參考系統(tǒng)姿態(tài)角解算的優(yōu)缺點(diǎn);為了提高姿態(tài)角估計(jì)計(jì)算精度，論文利用卡爾曼濾波數(shù)據(jù)融合方法，把慣性系統(tǒng)和姿態(tài)參考系統(tǒng)有效地結(jié)合起來，并根據(jù)載體運(yùn)動(dòng)加速度的大小，適

5、時(shí)調(diào)整卡爾曼濾波器的量測噪聲方差的大小，以此減弱卡爾曼濾波過程中運(yùn)動(dòng)加速度對姿態(tài)角解算精度的影響，達(dá)到提高姿態(tài)角估計(jì)計(jì)算精度的目的。仿真分析和實(shí)驗(yàn)研究都表明，論文提出的基于預(yù)測調(diào)整觀測噪聲方差的卡爾曼濾波算法，比傳統(tǒng)方法能獲得更高的姿態(tài)角估計(jì)計(jì)算精度。在此基礎(chǔ)上，論文分析了手臂運(yùn)動(dòng)方式，建立了手部運(yùn)動(dòng)軌跡解算模型，并具體對畫橫線、豎線、斜線和封閉線等四種典型手臂運(yùn)動(dòng)方式進(jìn)行了分析，解算得到相應(yīng)手腕處的運(yùn)動(dòng)軌跡。實(shí)驗(yàn)結(jié)果驗(yàn)證了該人體手臂運(yùn)

6、動(dòng)狀態(tài)解算模型的正確性。此外，論文還建立了軌跡計(jì)算誤差模型，分析了姿態(tài)角對軌跡計(jì)算精度的影響情況。
　　運(yùn)動(dòng)狀態(tài)的識(shí)別是另一個(gè)要解決的關(guān)鍵問題。傳統(tǒng)的典型方法是提取傳感器測量信號(hào)的時(shí)域特征作為模式識(shí)別算法的輸入，但時(shí)域特征容易受到人體、環(huán)境等因素影響，導(dǎo)致特征值之間的差異不明顯，模式識(shí)別的識(shí)別率不高。論文把手部運(yùn)動(dòng)軌跡特征值和傳感器測量信號(hào)的時(shí)域特征值相結(jié)合，使用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對畫橫線、豎線、斜線和封閉線等四種典型手臂運(yùn)

7、動(dòng)狀態(tài)進(jìn)行了識(shí)別研究，識(shí)別率較傳統(tǒng)方法得到明顯提高，分別達(dá)到97.14％和100％。
　　在完成了MEMS傳感器測量單元和算法研究的基礎(chǔ)上，建立了基于Zigbee的無線傳輸測試系統(tǒng)。設(shè)計(jì)了具有數(shù)據(jù)接收、姿態(tài)角計(jì)算、軌跡計(jì)算、特征值提取、BP神經(jīng)網(wǎng)絡(luò)識(shí)別、顯示和數(shù)據(jù)保存等功能的Labview軟件，對整個(gè)系統(tǒng)功能進(jìn)行了測試。測試結(jié)果表明， Zigbee網(wǎng)絡(luò)無線數(shù)據(jù)傳輸正常，上位機(jī)數(shù)據(jù)檢測、處理程序運(yùn)行穩(wěn)定，能實(shí)現(xiàn)四種手臂運(yùn)動(dòng)狀態(tài)的正確