基于MEMS傳感器與Zigbee網(wǎng)絡的人體手臂運動狀態(tài)測量和識別方法研究.pdf

1、人體運動捕捉和檢測技術廣泛應用于影視創(chuàng)作、電子游戲、動作分析、體育科研訓練、康復醫(yī)療、虛擬現(xiàn)實、人機交互和機器人全自主控制等領域，具有十分廣闊的應用前景。MEMS慣性傳感器是微電子機械系統(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等優(yōu)點。MEMS慣性傳感器的出現(xiàn)和發(fā)展，促進了基于MEMS可穿戴式慣性傳感器的人體運動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動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動信息，通過解算得到人體運動的姿態(tài)角變化，進而利用模式識別方法對人體運動狀態(tài)和姿態(tài)角進行識別分類，達到人體運動捕捉和檢測的目的。相比于其他人體運動捕捉和檢測方法，該方法具有輕便簡潔、成本低廉、穿戴方便和實時性強等優(yōu)點。但由于MEMS陀螺儀較大的漂移誤差和運動加速度等因素的影響，姿態(tài)角估計計算精度不高，導致人體

3、運動狀態(tài)識別率低?；诖?，本文開展基于MEMS可穿戴式慣性傳感器的人體運動捕捉和檢測方法的研究工作，以人體手臂運動狀態(tài)測量和識別為目標，重點對高精度姿態(tài)角解算和模式識別的特征提取進行研究，以期實現(xiàn)高精度的人體運動狀態(tài)檢測和識別。
　　首先，論文確定了基于Zigbee無線傳輸?shù)南到y(tǒng)結構方案，在此基礎上完成了系統(tǒng)方案總體設計。整個系統(tǒng)由基于MEMS傳感器的運動檢測模塊、Zigbee無線網(wǎng)絡數(shù)據(jù)通信模塊以及上位機運動識別算法模塊組成。M

4、EMS傳感器運動檢測模塊負責測量手臂運動過程中的角速度、加速度和磁場信息，通過Zigbee無線網(wǎng)絡將測量數(shù)據(jù)上傳到PC機，在PC機上基于Labview平臺完成姿態(tài)角解算和運動識別。
　　姿態(tài)角的測量和解算是該方法的關鍵之一，論文對此進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;為了提高姿態(tài)角估計計算精度，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)有效地結合起來，并根據(jù)載體運動加速度的大小，適

5、時調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動加速度對姿態(tài)角解算精度的影響，達到提高姿態(tài)角估計計算精度的目的。仿真分析和實驗研究都表明，論文提出的基于預測調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)角估計計算精度。在此基礎上，論文分析了手臂運動方式，建立了手部運動軌跡解算模型，并具體對畫橫線、豎線、斜線和封閉線等四種典型手臂運動方式進行了分析，解算得到相應手腕處的運動軌跡。實驗結果驗證了該人體手臂運

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

7、動狀態(tài)進行了識別研究，識別率較傳統(tǒng)方法得到明顯提高，分別達到97.14％和100％。
　　在完成了MEMS傳感器測量單元和算法研究的基礎上，建立了基于Zigbee的無線傳輸測試系統(tǒng)。設計了具有數(shù)據(jù)接收、姿態(tài)角計算、軌跡計算、特征值提取、BP神經(jīng)網(wǎng)絡識別、顯示和數(shù)據(jù)保存等功能的Labview軟件，對整個系統(tǒng)功能進行了測試。測試結果表明， Zigbee網(wǎng)絡無線數(shù)據(jù)傳輸正常，上位機數(shù)據(jù)檢測、處理程序運行穩(wěn)定，能實現(xiàn)四種手臂運動狀態(tài)的正確