基于加速度传感器的步态分析研究

吉林农业科技学院机械与土木工程学院 程浩天 佟沐霖 封龙龙 韩越强 程相羽 刘浩 常影

引言

加速度传感器自问世以来被广泛应用到各个领域，它的工作原理为牛顿第二定律A=FM。现如今基于加速度传感器对坐起和步态运动所产生的动作数据，同时随着社会的发展，应用场景也在实时的改变和更新，因此在对坐起和步态运动的数据处理方法也有了很大的更新，并且应用宽度也在不断扩展[1-3]。很多研究学者对加速度传感器的数据采集和人体相关生理活动进行了相关的研究，然后对数据进行特征提取和分类。福州大学的杨文辉针对加速度传感器步态识别的研究场景单一的缺点问题，进行了相关的研究，提出了多场景变换角度进行步态识别[4]。

图1 App的界面

沈阳工业大学涂斌斌围绕步态识别的关键步骤，针对自适应性的预处理方法、异常检测方法和征提取方法分别进行研究[5]。传统的病理步态识别方法需要有一定的专业性才能够进行处理，且过程比较复杂，虽然准确率高，但是由于要求较多，应用起来仍然受限，因此针对这个问题，燕山大学的潘秀芳考虑到过程和成本等多个因素，进行了相关的研究[6]，如图2所示。

图2 传感器放置位置

跌倒这一个过程对人身体有很大危害，浙江大学赵祥欣针对生活中这一个问题进行了相关的研究，为了能够识别跌倒并且降低跌倒的危害，提高识别率，采用了3维加速度传感器进行了相关的研究和，还提出了基于该加速度数据进行识别从而分析步态以及跌倒情况[7]，如图3所示。

图3 系统结构及信号流向示意图

Heikki J.Ailisto等人考虑了设备的便携性，提出了一种用于识别便携式设备载体的简便且自然的方法。该方法使用由嵌入在便携式设备中的传感器产生的加速度信号。当用户携带设备时，将加速度信号与存储的模板信号进行比较。该方法包括查找各个步骤，对其进行归一化和平均化，将其与模板对齐并计算互相关性（用作相似性度量）。在36个测试对象的试验中，平均错误率达到6.4%[8]。

验证了基于加速器步态识别的可行性。通过加速度传感器对人体不同位置的测量，就比如说人的手臂，腕关节，脚腕，腰部[9]，胸部，脚踝[10]部位，但本文测量坐起和步态数据主要分为三大方面，就是上中下三个方面，五个部位，分别是右手手腕，左手手臂，腰部右侧，右大腿和左脚腕。之所以本文选择这五个部位，是因为其可以体现上肢，中部和下肢的人体主要运动数据，并且可以给实验数据带来更直观的分析。右大腿内侧和左脚腕的位置，则是针对下肢动作。因为腰腹位置接近人体中心,该处的加速度数据可以很好地反映人体的运动信息。同时在不断的研究和数据的对比分析中，多个部位的加速度传感器的数据采集，数据准确率得到了大大的提高，但是整体性和实验者的佩戴便捷性与舒适度变得更低，同时运动的便捷性，也会对实验数据产生误差。所以本文结合之前的设计与方案，采用整体性佩戴方案，一体式方便被测人员的穿戴，在不减少加速度传感器个数的同时，实现对更多复杂动作的识别，更利于实际的应用。

本文设计了一套采用加速度传感器BWT901CL采集人体步态运动时的三位加速度信号的便携式数据采集装置，基于此装置采集的数据进行步态分析。该装置便于穿戴并且不影响佩戴者的正常活动。本文重点分析了利用MATLAB软件对数字滤波函数的应用以及卡尔曼滤波算法降噪的方法处理数据。结果表明,本文数据处理和分析方法合理。

1 传感器选择和数据采集方案设计

本实验所用的数据装置是维特智能九轴蓝牙陀螺仪传感器,该传感器依托内部的三轴陀螺仪、三轴加速度计、三轴欧拉角、三周磁场、姿态解算器等可以进行倾角测量、振动测量、姿态测量，稳定性高。传感器还可以利用蓝牙2.0与USB接线连接、蓝牙距离可达10米（无障碍物）。

2 信号预处理

对数字信号进行预处理的方法有很多种，例如减弱因无穷级数截断而产生的吉布斯现象的加窗法、归一化、倾斜校正、滤波器等方法。这里本文选用了IIR滤波器对数据进行滤波处理、Detrend函数对数据进行去噪和去趋势处理。

人体动作识别中采集的数据一般都是人体所产生的动作的一段时间的加速度信号,一般来说，所产生的数据信号长度比较长。采集的人体运动信号数据会出现一些影响特征提取和数据分析的杂音，实验中为了避免杂音的影响，运用滤波器对数据进行去噪处理，如本文不采用方法对数据进行去趋势或特征提取，整个实验结果就会产生偏差，或者出现错误。

去噪可以去除一些无用的干扰数据。滤波器的阶数选用为10阶、采用Butterworth,采样频率为100Hz，截止频率为40Hz。通过matlab中的filterDesigner来完成滤波器的设置,在filterDesigner中设置完自己想要的参数以后点击design filter即可得到所设计的IIR数字滤波器。将设计完的滤波器的文件命名Filter_IIR.m。本文可以在滤波器的函数中发现设置的参数，其中N为滤波器的阶数，FS为采集频率，FC为截止频率。为了方便使用滤波器，在Matlab中另外创建一个脚本文件调用前面所创建的滤波器函数。

加速度的预处理当中本文采用Detrend函数进行去趋势，数据去趋势，就是对数据减去一条最优（最小二乘）的拟合直线、平面或曲面，使去趋势后的数据均值为零。

3 数据分析

步态特征提取是步态分析算法的主要部分。在数据分析中有多种分类算法中，本文选用了卡尔曼滤波器，它适用于每一个有外部变量的自回归移动平均系统或可用有理传递函数表示的系统，转换成用状态空间表示的系统后，通过卡尔曼滤波进行最优化自回归数据处理，可以基于上一状态预测出的结果预测现在的状态，将系统预测值和实际测量值不断进行协方差递归，算出最优值。

实验者进行实验时，行走步态平缓，速度的实际值图像波动也趋于平缓，但仍可通过加速度图像拐点的峰值波动判断行走时摆手动作是否发生。位移图像的实际值曲线放大了加速度突变阶段的影响，估计值更加贴近人体行走时的步态规律,速度与位移的估计值变化趋势趋于一致。

4 总结

对去趋势处理后的图像初步分析，设置一个均值,观察记录峰值落在均值点波动一定范围内的频率,通过对采集的多组数据进行统计得出，若以0.4作为极大值的读值点，则约有80%到90%的极大值分布在该读值点以上。因此本文通过观察这个分界线的值，就可以设定一个正负区间的截止数值，通过截止数值，本文就可以在坐起还是正常步态的动作所测量的数据的基础上提高数据的比对分析率。同时通过正负截止数值，也可以过滤一些离散性高的数据点，使本文设定的截止数值区间与极值区间有比较明显的划分度。