付 斌，付 鑫，崔建国，朱江平(哈尔滨商业大学 轻工学院， 哈尔滨 150028)

随着社会的发展，人口老龄化现象也愈加明显，老人的健康安全成为了人们关注的焦点，为了判断老人是否处在异常状态[1]，需要对老人的日常行为进行监测.常见的监测方法有两种[2]:基于图像分析和基于可穿戴传感器设备，前者成本高、系统局限性大，本文选择后者.

人体运动分析，指的是通过MEMS传感器获取人体运动的信息，再经过理论分析来解释人体的运动[3-5].中科院自动化所吴健康教授的运动捕捉研究小组[6-7]，其团队研制的MMocap动作捕捉系统，由16个惯性传感器(包含加速度计、陀螺仪、磁强计)节点和一个主控元件组成，数据通过蓝牙装置传到计算机中，利用贝叶斯算法进行数据融合，计算出单个节点姿态，但是受到了测量距离的限制.

本文采用WIFI通讯的MEMS传感器采集运动数据，不仅使用方便而且增加了测量距离.将7个传感器模块置于老人的7个相关部位，再通过坐标变换将四元数信息转化到腰部坐标系下，并组建标准矩阵，提取标准矩阵中的特征，用支持向量机完成动作的识别.

1 运动识别系统搭建

本文采用型号为WT901WIFIC的九轴WIFI姿态传感器作为人体运动数据的采集装置，ICM42605作为主控芯片，其中集成了三轴加速度计、三轴陀螺仪以及型号为AK8963的磁强计，WT901模块利用卡尔曼滤波技术可输出三轴加速度、三轴角速度、三轴姿态角、四元数信息，微处理器以50Hz的采样频率采集WT901模块输出的信号，并通过WIFI-06模块以115200的波特率将数据上传至PC端上位机.图1为本文的总体流程图.

图1 总体流程图Figure 1 Overall flow chart

2 识别过程

2.1 坐标变换

在坐标变换[8-11]过程中一共涉及到两种坐标系，分别是地理坐标系和载体坐标系，其中地理坐标系是显示载体在地理环境中相对姿态位置的坐标系，简称为n系，载体坐标系是数据采集装置所在的坐标系.本文将传感器模块放置在老人的7个相关部位，每个部位都是一个载体坐标系，因为传感器是绑定在老人身上的，所以可以将传感器与其所在部位共同视为刚体，其中每个部位对应的载体坐标系分别是，腰部(h系)、左臂(f1系)、右臂(f2系)、左小腿(e1系)、左大腿(e2系)、右小腿(g1系)、右大腿(g2系)这7个坐标系统称为b系，本文以h系作为基准，将其余载体坐标系的四元数信息变换到h系下，同一时间内h系中有7组四元数信息，将该信息组成标准矩阵就可以表示同一时间内老人7个部位的姿态变化和位移变化.

(1)

由式(2)～(7)可推导出老人其余6个部位坐标系到h系的旋转变换矩阵，分别是：

(2)

(3)

(4)

(5)

(6)

(7)

传感器模块的位移信息可以由加速度的在运动时间内的定积分来求得，若要将各个传感器测得的四元数信息转化到h系下，则需要将位移信息融入到旋转变化矩阵当中，形成一个既能代表旋转变换又能代表平移变换的齐次坐标变换矩阵，则四元数之间的坐标变换公式由式(8)确定：

(8)

其中：q0、q1、q2、q3为转换前四元数；q00、q10、q20、q30为转换后四元数；R为旋转变换矩阵；T=(XYZ)为传感器模块的平移量.

2.2 标准矩阵

四元数(Quaternions)是William Rowan Hamilton在1843年爱尔兰提出的数学概念[12]，可用来表示人体运动关节的姿态旋转，其中包含了加速度、角速度、姿态角的信息，另外四元数转换组合比很多矩阵转换组合在数字上稳定，所以四元数可以作为一个动作识别的信息.

老人在完成一个动作时，老人7个部位会同时测量到四元数信息，需要把各个部位的四元数利用坐标变换，转化到h系下，然后将转换后的四元数组成代表一个完整动作的标准矩阵，用C表示，标准矩阵是7×4的矩阵，由式(9)确定：

(9)

2.3 特征提取

特征提取的是否恰当对多运动模式识别的精度有很大影响.一般信号的分析方法分为基于时域、基于频域和基于时频域的分析方法[10].其中时域特征的提取计算复杂度低，耗时较短，本文选择均值、方差等特征分析数据，相关特征定义如下：

1)均值的计算公式由式(10)确定：

(10)

2)方差计算公式由式(11)确定

(11)

3)极差计算公式由式(12)确定

R=max(X)-min(X)

(12)

其中：R为极差，max(X),min(X)分别为样本数据X的最大、最小值.

4)四分位距计算公式由式(13)确定

IQR=Q3-Q1

(13)

其中：IQR为四分位距；Q1为第一四分位数；Q3为第四四分位数.

5)偏度计算公式由式(14)确定

(14)

6)绝对中位偏差计算公式由式(15)确定

mad=median(|xi-median(X)|)

(15)

其中：mad为绝对中位偏差；median为中位数；xi为样本观测值；X为样本序列.

2.4 动作识别算法

本文通过两层算法，来完成五个动作的识别.第一层算法通过设定标准矩阵均值的阈值范围[13-15](th.C(mean))来判定静态动作坐起和卧起.标准矩阵特征值分布情况如图2、图3所示，从图2中可以看出，坐起的th.C(mean)在-0.2～-0.25之间，卧起的th.C(mean)在0.2～0.32之间，两个动作阈值范围差别明显，故选择C(mean)作为识别坐起和卧起的特征值.然后进入第二层算法，通过设定标准矩阵方差的阈值范围(th.C(var))来判定动态动作走和上下楼梯.从图3中可以看出，上楼的th.C(var)在0～0.001之间，下楼梯的th.C(var)在0.01～0.017之间，走的th.C(var)在0.004～0.01之间，动态动作阈值范围差别明显，故选择C(var)作为识别上、下楼梯和走的特征值.识别流程图如图4所示.

图2 五个动作标准矩阵均值特征分布情况Figure 2 The distribution of the mean feature of the five action standard matrix

图3 五个动作标准矩阵方差特征分布情况Figure 3 Distribution of variance characteristics of five action standard matrices

图4 识别流程图Figure 4 Identification flow chart

3 实验与分析

本文设计了两组实验来验证识别方法的有效性，第一组实验仅用C(mean)和C(var)作为特征值通过两层基于阈值的识别算法识别五个动作.第二组实验是融合标准矩阵四分位距、偏度等共6维特征作为输入，用支持向量机进行分类识别.本文采集了1 000组标准动作特征值，其中75%的特征值作为训练集，25%的数据作为测试集.

表1列出了第一组实验五个动作的识别结果.识别率K定义为：

(16)

其中：i为正确检测动作的个数；Mj为测试动作个数.

表1 第一组实验五个动作识别率

表2列出了支持向量机产生的混淆矩阵，表1中第一行与第一列标注如下：US代表上楼；DS代表下楼；W代表走；SU代表坐起；LU代表卧起，表2中混淆矩阵的综合识别率达到了95.46%，基本满足识别要求.

表2 五个动作的混淆矩阵

表3列出了第二组实验五个动作的识别结果.

从表1、表3可以看出，使用多种特征值的支持向量机，平均识别率提高了18.4%，虽然识别率有明显的提高，但相对于基于阈值的两层算法来说，计算量较大，识别速度相对较慢，在老人所处环境比较固定的情况下，可以考虑使用第一种识别算法.

表3 五个动作识别率

4 结 语

本文采用7个MEMS传感器放置在老人的7个相关部位，通过坐标变换的方法，将传感器的数据变换到腰部坐标系下，通过变换后的数据计算标准矩阵特征值，用其表示老人的动作，最后分类器的综合识别率达到了89%以上.相较于传统的多传感器识别人体姿态，使用的传感器数量较少，识别率较高，另外MEMS传感器体积小、佩戴方便、价格低廉和操作简单，有很好的工程应用价值.