论文部分内容阅读
近年来,随着微机电(Micro-Electro-Mechanical-Systems, MEMS)技术和无线体域网(Wireless Body Area Network, WBAN)的发展,可穿戴的健康监护系统应运而生。作为健康监护系统的一个分支,基于无线体域网的人体运动姿态识别逐渐受到研究者的重视,成为了该领域的研究热点之一。传统的人体姿态识别研究中,人体运动信号的采集大都仅采用加速度传感器,导致存在信号单一、系统稳定性差和姿态角解算精度低等问题。为此,研究者们提出了增加传感器节点数目和设计完善的传感器融合算法等方案,但随之带来了系统便携性和佩戴舒适度降低,以及需精确建模等缺点。基于此,本文研究了基于多传感器信息融合的人体姿态识别方法。首先构建了一套基于WBAN的人体运动信息采集平台,实现了人体运动信息的实时采集、传输、显示和存储。然后,设计了基于PI调节和互补滤波器的人体姿态角解算算法,将运动数据实时解算为人体姿态角数据。最后,在设计和实施人体运动实验的基础上,将姿态角数据、加速度特征和高度信息作为特征参数,构建了基于粗分类的姿态识别算法,实现了人体日常运动姿态的准确识别。本文的主要工作如下：(1)在现有惯性测量模块的基础上,设计了一种便携式的人体运动传感器终端。该终端主要由传感器组件(三轴加速度传感器、三轴磁力计、三轴陀螺仪各一个)、WIFI无线传输、微控制器和SD卡存储等模块组成,可实时连续地向上位机提供人体运动过程中的加速度、角速度等主要运动信息和周围磁场强度、高度等环境信息；采用VB开发环境,设计并开发了人体运动监测中心,以实时接收和动态显示传感器终端的数据。同时,还具有传感器校准和数据存档、查询等简单的数据库管理等功能。(2)针对传统人体姿态角解算算法中存在的稳定性差和解算精度低等问题,提出了一种基于PI调节和互补滤波器的人体姿态角解算算法。利用四元数计算人体的姿态角变化,将惯性测量模块的姿态测量值与观测值之间的偏差作为PI调节输入；采用互补滤波对多传感器数据进行融合,求取人体实时姿态,实现了高精度姿态角数据的稳定输出。(3)设计人体运动数据采集实验,利用采集的人体运动数据进行姿态角度求解及特征提取,并构建分类算法对运动姿态进行粗分类,以缩小人体姿态识别的范围；结合各粗分类算法设计决策树式的姿态识别方法,避免了复杂的人体运动模型重构过程,实现了人体日常运动姿态的准确识别。