吴 旭， 张中良， 程卫东， 董永贵

(1.北京交通大学 机械与电子控制工程学院，北京 100044；2.清华大学 精密测试技术及仪器国家重点实验室，北京 100084)

现代生活中，随着计算机技术的发展，办公室人群需要长期坐在屏幕前工作。长时间处于同一坐姿会对人体的视力、脊椎等造成损伤，并且研究表明久坐存在致命的风险[1]，所以现代化办公模式下的健康办公受到了广泛关注。在工作期间适当活动能够有效避免久坐对身体的损害，但是人们往往会忽略这一细节。因此对人体的坐姿情况进行监测并且能够适时给出活动提醒是有必要的。

目前针对人体坐姿识别，主要采用基于传感器和基于机器视觉两种方式[2]。基于传感器进行坐姿识别是通过多个传感器进行坐姿检测，并借助数据融合算法提高检测精度[3]，例如Braun团队[4]提出在座椅上安装多个电容传感器进行坐姿识别。此方法在使用过程中为了提高检测精度需要数量较多的传感器，硬件成本高。基于机器视觉进行坐姿识别则是通过对视频流或图像序列进行分析从而得到坐姿信息[5]。Kinect深度摄像机[6-7]可以提供高分辨率的深度和视觉信息，为深度图像的人体姿态检测技术提供了相应的硬件支持。研究学者将Kinect应用于人体坐姿信号的检测和识别[8-9]中，简化了信号获取过程，但是存在判断指标单一、复杂环境下效果欠佳[9]的问题，可靠性较差。

对此，笔者提出了一种使用单个电场传感器对人体坐姿情况进行监测的方法。根据电场传感器的测量原理，由于电信号的频率较低，人体体表与电极之间的阻抗可以等效为耦合电容，当人体与传感器之间发生相对运动时，耦合电容相应发生改变，对测量信号的特征产生影响，通过对采集的电信号进行特征分析，能够准确分辨出座椅上人体的四种状态。与电容传感器相比，电场传感器具有结构简单、安装方便的优点，且使用单个电场传感器降低了成本。同时，基于电场传感器进行坐姿识别相比于机器视觉，具有更高的可靠性和精确度。同时使用嵌入式处理器对所测信号进行处理，将坐姿类别和时长通过蓝牙传输到手机上进行显示，并对被监测人给出运动提醒。

1 测量装置

1.1 电场传感器

电场传感器测量电极[10]是以PCB板为基底制作的，包括了4层PCB板结构，如图1(a)所示，底层PCB板用于构造绝缘层和电极感应层。其中，用于阻止电极感应层与外部的直接接触的绝缘层是依靠PCB板上的阻焊层构成的，用于感应外界电场的电极感应层由PCB板中的整层的导电金属构成；主动屏蔽层位于底层和顶层的中间，由2层PCB板直接相连构成，用于减弱寄生电容的影响，提高测量电极探测电场的能力；顶层PCB板用于焊接电路元器件和布置电路的走线，并通过敷铜构成屏蔽地层。除了PCB板外，测量电极还包括一个金属屏蔽壳。为了屏蔽外界噪声对电路的干扰，屏蔽地层与金属屏蔽壳均连接地线。

测量电极的测量电路主要由单位增益缓冲器电路和反向放大电路两部分构成。单位增益缓冲器电路主要由一块LMP7721芯片构成。LMP7721是一种具有极低的输入偏置电流(±20 fA)和高共模抑制比(100 dB)的精密运算放大器，凭借其优异的性能可以有效地降低电路自身的噪声干扰。电极感应层与LMP7721的正端输入连接，并且为了提供直流偏置路径接入了一个偏置电阻Rb，以使电路在工作时所产生的偏置电流通过Rb流入地线中。为形成单位反馈，LMP7721负端直接与LMP7721输出端相连接，并且与主动屏蔽层通过一个电阻Ra相接，以产生主动屏蔽作用。反向放大电路由一个OPA2333构成，它是具有低失调电压特性(10 μV)的运算放大器，主要作用是将测量到的信号放大到适合采集的范围。

为了保证当被测对象离测量电极较远时也能够感应到信号，偏置电阻Rb需要设置一个较大的值，以提高信号输出幅值和测量灵敏度。在这里取Rb=10 GΩ[11]。

测量电极实物图如图1(b)所示。测量电极的整体厚度为6.28 mm，电极感应面的直径为40 mm，且方向朝外。电极其他部分和测量电路均被包裹在一块直径为42 mm的铝制金属屏蔽壳内，电源、地和信号输出通道由一条三芯屏蔽线提供[10]。

图1 测量电极结构及实物图[10]

1.2 调理电路

当人坐在椅子上时，所产生的活动信号频率很低，在100 Hz以下。电场传感器测量电极的信号调理电路包括低通滤波电路和陷波电路。首先对信号进行低通滤波，设置截止频率为100 Hz。测量电极在采集坐姿信号时，由于周围环境中充斥着工频电场，信号会受到干扰，为了防止测量电极在干扰下测量到的信号出现饱和的情况，在测量过程中，需要对50 Hz信号进行陷波。

1.2.1 低通滤波电路

低通滤波器选用巴特沃斯滤波器，其在通带范围内平坦度最好。低通滤波仿真电路如图2所示，使用的是Sallen-Key滤波电路，两级RC电路的电阻和电容值分别相等，运算放大器选用的是OPA2314，它具有低功耗和低噪声的优点。

图2 低通滤波仿真电路图

低通滤波器截止频率要求在100 Hz附近，确定电容值为C1=C2=100 nF，其截止频率计算公式为

(1)

式中，电阻值为R1=R2=15 kΩ，算得截止频率约为106 Hz。当品质因数为0.707时，滤波器通带边缘会比较平坦，此时R4/R3≈0.6，取R4=10 kΩ，R3=15 kΩ。使用TI公司的TINA-TI仿真软件进行分析，得到仿真Bode图如图3所示，滤波器截止频率约为110 Hz，并且相位失真较小。

图3 低通滤波仿真Bode图

1.2.2 陷波电路

陷波使用的电路是双T网络带阻有源陷波器，图4为50 Hz陷波电路仿真电路图。

图4 50 Hz陷波器仿真电路图

图4中，R1=R2=2R3，C1=C2=0.5C3，f0=50 Hz，取C1=4.7 nF，R4=2 kΩ，R5=10 kΩ，根据f0=1/(2πRC)，得到R1=680 kΩ。其中运算放大器选用德州仪器生产的OPA2314。使用TINA-TI软件中的信号分析仪得到仿真Bode图如图5所示，陷波器中心频率为49.74 Hz，并以-47.25 dB衰减，与理论估算50 Hz相差0.26 Hz，绝对误差约为0.5%。

图5 50 Hz陷波器仿真Bode图

2 测量原理

人体坐在座椅上与电场传感器非接触，测量电极透过人体体表穿戴的衣物，通过电容耦合的方式能够提取到人体体表的电信号。这种电信号一般是电压信号，可以是人体内部产生的内源信号，也可以是外界电场耦合到人体所产生的外源信号[11]。

在测量过程中，测量电极放置在座椅靠背上，以非接触的方式获取人体体表的电信号，如图6所示。由于电信号的频率较低，人体体表与电极间的阻抗可简单等效为耦合电容，测量电路的等效模型如图7所示。由于当人体靠在椅背上时衣物上的静电同样会耦合到电容上，需要在输入端设置偏置电阻Rb，起到释放静电减小干扰的效果。理论上，测量电路的输入电阻Rin远大于偏置电阻Rb，因此，输入端的等效阻抗约等于偏置电阻Rb。

电极与人体之间形成的耦合电容为

(2)

式中，S为电极与人体间的耦合面积；d为电极与人体之间的耦合距离；ε为电极与人体之间耦合介质的介电常数。因为布制衣料中充满空气，可近似假定ε=ε0。耦合面积S取决于电极极板的几何尺寸，因此对于制作完成的电极，耦合面积S固定不变。耦合条件对输出信号的影响主要是由耦合距离d的改变所引起的。根据图7可知，耦合距离d增大时，耦合电容CE变小，输出信号幅值减小，反之，输出信号幅值增大。

图6 人体活动信号测量原理

图7 测量电路等效模型[11]

采用上述理论设计的座椅监测人体活动装置，人体距离测量电极远近的变化导致信号的幅值与形状发生变化，可根据信号的特征判断人体的动作。

3 信号采集与分类

3.1 坐姿信号采集

使用电场传感器测量电极进行人体坐姿信号的采集。受试者身高165 cm，体重80 kg。采集受试者在实验室办公桌前工作6 h的信号，采样频率为200 Hz，信号做去均值处理，所得到的结果如图8所示。在传感器采集信号的同时使用电脑摄像头在受试者旁边进行拍摄，作为人体活动的视频记录。通过将视频中人体行为与实测信号相结合进行分析，可以将信号分为图9所示的A、B、C、D四类。

图8 人体活动实测信号

A类信号如图9(a)所示，信号幅值在±0.6 V左右，为人坐在椅子上，人体靠在椅背上，与传感器全面接触并对其施加了较大的压力；B类信号如图9(b)所示，信号幅值在±0.05 V以外，为人坐在椅子上，但人体不与传感器接触或轻微碰触到传感器，没有动作或者存在一些肢体动作幅度很小的活动，如进行书写、打字等；C类信号如图9(c)所示，信号幅值在±0.04 V以内，为人不在椅子上，得到的信号为空间中的环境电场信息；D类信号如图9(d)所示，尖峰信号表示人体发生较大的动作，如身体有幅度较大的晃动，或者人在坐下或离开椅子的过程。从图9中可以看到每类信号在幅值与形状上会存在差异，说明测量电极能够对人体的坐姿信息进行识别。

图9 代表信号波形

3.2 分类算法——BS序列

对于一维时间序列X=(x1,x2,…,xN)，由嵌入式方法通过坐标延时得到m维相空间矢量:

P(i)=(xi,xi+τ,…,xi+(m-1)τ)

(3)

式中，m为嵌入维数；τ为延迟时间，在相空间反映时间序列的特征信息。然后将二维相空间划分为2M×2M个网格(box)，如图10所示。如果信号的相空间轨迹穿过某一网格box[u(i),v(i)]，则该网格被标记并计算其到对角线的距离，将此距离作为该网格的得分(score)。距离计算公式为

dis(i)=|u(i)-v(i)|,1≤u(i),v(i)≤2M

(4)

图10 网格化相空间[12]

滑动窗长为n时，一个滑动窗长内的时间序列片段映射到网格化相空间，计算所有被标记网格的得分之和(Box-Score,BS)，即

(5)

式中，N为时间序列的长度。并且在分析轴承故障信号的过程中，如图11所示，发现BS序列不仅能够凸出信号中的尖峰，而且非峰值的位置在BS序列中都得到了抑制，所以BS序列也可以称为峰值特征曲线。

图11 轴承信号和其BS序列

应用基于相空间重构的快速寻峰算法中的BS序列计算作为坐姿信号分类的方法。计算BS序列仅涉及整型数据，避免了浮点数的运算，有利于在嵌入式系统中实现。对于调幅信号，BS序列还存在类似于包络解调的效果，可以将感兴趣的信号凸显出来。

3.3 坐姿信号分类

电场传感器所采集到的坐姿信号中，坐姿信息主要以调幅的形式调制在50 Hz工频信号上，还有一部分包含在尖峰中，符合BS序列的应用范围。

将图8所示的坐姿信号进行相空间重构，信号采样频率为200 Hz，时间延迟τ=5 ms，计算其BS序列。以第1小时信号为例，信号如图12(a)所示，计算得到BS序列如图12(b)所示。从信号的BS序列中可以看到较为清晰的界限，因此可以通过设定阈值的方法对坐姿信号进行分类，大于阈值Th1为类别Ⅰ，小于阈值Th2为类别Ⅲ，处于阈值Th1和Th2之间为类别Ⅱ。结合图12(a)和12(b)两个曲线分析，代表人体活动幅度较大的D类信号正处于斜率很大的尖峰信号所在位置处。因此，对原始序列的BS序列再次计算BS序列，得到图12(c)所示的序列，这一序列仅将信号梯度变化大的D类信号凸显出来。计算序列中尖峰的个数，如图12(c)中红色圆圈所示，可以得到D类信号的个数。根据各类信号特征，可以得出A类信号是类别Ⅰ中不属于D类信号的部分，同理，B类、C类信号分别是类别Ⅱ、类别Ⅲ中不属于D类信号的部分。

图12 第1小时信号及其BS序列

将算法处理结果与摄像头的拍摄记录进行统计和对比，结果如图13所示。通过计算拍摄记录与算法处理结果之间的相对误差，来评估算法的准确度。其中A类、B类、C类、D类信号的相对误差分别为2.33%、1.87%、3.38%、10.86%。结果表明，采用计算峰值特征曲线的方法可以有效地对人体坐姿信号进行分类。

图13 摄像头记录与算法标记结果比较

4 测量结果显示

将信号分类方法移植到STM32单片机中，信号经测量装置采集后由单片机进行处理，将坐姿类别与时长通过蓝牙发送到手机上进行显示。手机显示界面如图14所示。

手机显示内容如下。

① Total Time：蓝牙连接后当前采集人体数据的总时间。

② 左上指示表：人体靠在椅背上的时间。

图14 手机显示界面

③ 右上指示表：人体不靠在椅背上的时间。

④ 左下指示表：人体发生幅度较大的动作的时间。

⑤ 右下时间表：记录人体4 h内坐在椅子上和离开椅子活动的时间，显示情况具体如下。

当连续坐着30 min以内时，相应时间区域显示为绿色，如图15(a)所示。

当连续坐着30 min～2 h时，相应记录图形为橙色，如图15(b)所示。若在这个时间范围内站起来活动离开椅子，离开椅子对应的图形为蓝色：若离开椅子的时间小于5 min，下次记录坐着的时间依然为橙色，并且相加超过2 h记为红色；若离开椅子活动时间大于等于5 min，下次记录坐着时间为绿色。

当连续坐着时间超过2 h时，相应记录图形为红色，并且离开椅子活动10 min后，下次记为绿色，否则记为红色。

图15 坐姿显示示意图

5 结束语

针对人体坐姿监测问题，研究了一种基于单只电场传感器的人体坐姿信号测量方法，并对测量装置和测量原理进行了说明。通过实验可以看到，电场传感器所采集的坐姿信号中，坐姿信息主要以调幅的形式调制在50 Hz工频信号上，还有一部分在尖峰中。并且信号在幅值和形状上存在差异，可以分出坐姿类别，得到人体在座椅上的状态信息。测量结果在手机上进行显示可以方便地提示人们及时调整自己的姿态以及进行适当的活动。

目前所用的测量装置仅是通过单人监测的实现说明该方法能够实现坐姿监测的功能，在后续研究中还需要对不同体征的人群进行测试，并对测量装置及其功能进行调试和完善。