ZnO/Ecoflex自驱动柔性压电传感器及其人体姿态监测微系统设计

压力传感器是可穿戴电子设备的重要组成部分,但在能量供应、灵活性和皮肤适应性方面仍存在各种问题。研制了一种主要由ZnO/Ecoflex复合薄膜构成的自驱动柔性压力传感器,并构建了人体姿态监测系统,可用于动态监测人体姿态信号和其他运动参数。在外部压力应力的作用下,所制备的传感器表现出优异的灵敏度(0.068 V/N)、良好的线性度(约0.98)、宽的测量范围(5~80 N)以及卓越的耐久性(超过10000次循环)。此外,基于制备的传感器设计了硬件电路,建立了人机交互测试系统,实现了对人体姿态信号的远程传输功能。因此,这项工作不仅开发了一种新型的无铅化自驱动压力传感器,还设计了人体姿态监测微系统,为信号处理和智能传感提供了新思路,在医学研究、个性化识别和人机交互方面具有重要的应用潜力。

基于无迹卡尔曼滤波和小波分析的IMU传感器去噪技术研究

获得精确的姿态信息是跌倒检测的关键。文中在姿态角解算问题中提出一种基于无迹卡尔曼滤波和小波滤波的改进方法,通过Savitzky-Golay滤波器和小波滤波融合算法对加速度计以及陀螺仪数据进行降噪处理,利用降噪后的加速度数据对陀螺仪数据进行PI积分补偿,将补偿后的陀螺仪数据进行Mahony解算,其结果作为无迹卡尔曼滤波的状态信息;其次通过加速度值解算,将其结果作为无迹卡尔曼滤波的量测信息实现姿态解算。实验表明,在静态条件下,相对于常见的扩展卡尔曼滤波融合切比雪夫滤波算法,该方法使IMU传感器原始加速度计精度提高了83.3%,姿态角标准差平均减少了0.00193,能够有效地减少随机噪声。零点漂移、高斯噪声对IMU传感器姿态角信号的影响,使跌倒检测系统在复杂的环境条件下具有较高的精度以及稳定性。

基于加速度传感器的人体姿态跟踪角度算法

人类肢体的运动可以简化为像连杆的刚性运动,而运动着的四肢与躯干之间总能形成一个角度关系.利用在人体手臂上固定三轴加速度传感器,通过一定的变换能实时计算出手臂与躯干上固定点的角度信息.基此设计了一种新的改进角度算法,通过实验对结果数据进行分析,并利用软件建立人体模型,在OSG平台上进行仿真,证明了算法的正确性以及在人体姿态跟踪中应用的可行性.

无线传感器网络人体姿态识别算法

根据无线传感器网络与人体姿态识别技术的特点,设计了一套基于CC2430微控制射频芯片、MMA7260QT三轴模拟加速度传感器和人机交互图形界面的人体姿态识别系统。提出了一种人体姿态识别算法,通过实验论证了该算法的合理性和可行性,为后续应用开发奠定了基础。

基于加速度传感器的人体姿态识别系统

设计了一种基于加速度传感器的人体姿态识别系统,系统采用MPU-6050九轴运动处理传感器采集人体的运动轨迹信号。当人体在做日常的一般运动以及突发跌倒时,三轴陀螺仪和三轴加速度计分别将其测量的模拟量转化为3个16位可输出的数字量,得到的结果直接送入单片机进行相关处理,然后经nRF2401无线传输模块传送到接收计算机。对人体的各种日常姿态进行检测,通过对各项实验数据进行观察分析,确定了人体跌倒的阈值以及根据人的生理特征设置了发生跌倒的倾斜角度,两者相结合进行人体姿态的识别与判读。在试验条件下,系统对跌倒识别的准确率平均为95%。

基于双循环Transformer的三维人体姿态估计

针对视觉传感器采集到的图像进行三维人体姿态估计,提出一种双循环Transformer网络模型,有效地从二维关键关节点中提取时空维度高相关性特征,增大感受野,从而提高三维姿态估计的精度。通过在视觉传感器采集得到的公开数据集Human3.6M上的仿真实验,验证了双循环Transformer算法的性能。分析结果表明,最终估计得到的三维人体关节点的平均关节点位置偏差MPJPE(Mean Per Joint Position Error)为41.6 mm,相比于现有方法有一定提升,可以应用到许多下游相关工作中,有着较强的应用价值。

基于惯性传感器的人体姿态角度测量方法研究进展

介绍了基于微机械电子系统(micro-electro-mechanical system,MEMS)级惯性测量单元的人体姿态角度测量方法研究进展。对基于单一传感器与组合式传感器的2种姿态角度测量方法及运用分别进行了阐述,并总结其优缺点。探讨了不同惯性测量单元组合用于姿态测量的方法及其优缺点,得到在不同情况下使用不同方法的结论。指出惯性传感技术拥有广阔的应用前景,进一步对该技术与其他技术的融合进行研究和开发可为人类的健康提供更有价值的技术与产品。

基于双Kinect传感器的三维人体姿态跟踪方法

三维人体姿态估计与跟踪是机器视觉中的热点问题。为了提高人体姿态跟踪的稳定性,以人体关节点自由度向量的方法表示人体运动姿态,使用无迹卡尔曼滤波方法对人体姿态进行跟踪,并搭建了一套基于双Kinect传感器的人体姿态跟踪系统。对比于传统的人体运动捕捉系统,该系统可实现在简单动作下准确稳定的三维人体姿态跟踪,在复杂动作下反映运动过程的特殊性质,并用于运动生物力学的性能评估。

基于惯性传感器的人体动作捕捉系统

针对目前人体动作捕捉系统采集节点数量少、动作采样精细度不足、成本高等问题,设计一套基于MEMS惯性传感器的47节点人体动作捕捉系统。该系统通过在人体关节部位佩戴传感器节点,实时采集关节部位的精细运动数据;运动数据汇聚后通过Wi-Fi发送至上位机进行数据处理与姿态再现,从而实现手势识别、碰撞检测、物体交互等功能。经实验测试,该系统能够正确采集人体姿态数据,驱动虚拟人运动,具有采集数据节点多、动作精细、实时性强等特点,可应用于动漫、虚拟现实、影视、体感游戏等领域。

基于三轴加速度传感器人体姿态识别的特征选择

为解决人体运动模式识别中姿态分类问题,详细研究了人体姿态识别的特征选择.通过统计三轴加速度传感器的x轴、y轴、z轴等信号,获得标准差、偏度和峰度等117种特征.将Fisher score、relief-F和Chi square 3种算法与层次分类方法相结合选择出特征子集,采用支持向量机对动作进行分类.实验表明,利用3种特征选择算法所选择出的特征集有助于较高精度地识别站立、坐和躺3种静态动作以及走、上楼、下楼3种动态动作,且有利于后续进行低复杂度在线识别方法研究.

基于图像和IMU传感器的生物行为分析系统设计

在小鼠行为学实验中,仅使用数字图像处理技术无法对小鼠行为进行全面检测和分析。针对这一问题,文中提出基于图像和IMU传感器结合的生物行为检测方法。该方法在Python编程环境下,利用数字图像处理技术对小鼠运动视频进行检测跟踪,获得小鼠的运动行为学参数。同时,使用本实验室设计的无线蓝牙微型IMU传感器测量小鼠的三轴加速度、三轴角速度、三轴磁力,对测量数据使用扩展卡尔曼滤波算法进行解算以获得小鼠的姿态等体态变化信息。实验结果表明,该系统能较好地自动分析出小鼠的运动行为信息和姿态信息,并能在生物行为分析系统界面上实时显示出行为信息。

基于长短时记忆网络的人体姿态检测方法

针对在循环神经网络(RNN)网络结构下较为遥远的历史信号无法传递至当前时刻的问题,长短时记忆(LSTM)网络作为RNN的一种变体被提出,在继承RNN对时间序列优秀的记忆能力的前提下,LSTM克服了这种时间序列的长期依赖问题,并在自然语言处理与语音识别领域有较好的表现。对于人体行为动作中也存在作为时间序列的长期依赖问题与使用传统滑窗算法采集数据时造成的无法实时检测的问题,将LSTM扩展应用到人体姿态检测,提出了基于LSTM的人体姿态检测方法。通过目前智能手机中一般都带有的加速度传感器、陀螺仪、气压计和方向传感器实时采集的时序数据,制作了包含3 336条带有人工标注数据的人体姿态数据集,对行走、奔跑、上楼梯、下楼梯和平静五种日常持续性行为姿态与跌倒、起立、坐下和跳跃这四个突发行为姿态进行预测分类。对比LSTM网络与该研究领域内常用的浅层学习算法、深度学习全连接神经网络与卷积神经网络,实验结果表明,所提方法使用端对端的深度学习的方法相比基于所制作数据集的人体姿态检测算法模型的正确率提高了4.49个百分点,验证了该网络结构的泛化能力且更适合姿态检测。

人体倾角姿态图仪的研制

介绍一种采用倾角测量技术的人体姿态图仪 ,该仪与采用重力测量技术的同类设备相比较 ,具有以下特点 :1)由倾角传感器获取人体摇动角度信息 ,便于在各种人体支承器具上测试患者的平衡功能 ;2 )采用球底平台使人体与地面形成点接触 。

改进随机森林及其在人体姿态识别中的应用

针对随机森林算法静态性、容易陷入局部最优等问题,提出了一种蜜蜂交配优化的随机森林算法,并将该算法应用于基于加速度传感器的人体姿态识别。设计了一套以三轴加速度传感器MMA7260与无线通信模块CC2430相结合的数据采集系统,采集了五种日常行为和一种异常行为;从加速度值中提取了近斜率、前后差、均值、均方根和信号幅值面积5类特征矢量;采用改进的随机森林算法训练行为模型和进行分类识别。实验结果表明:该算法能有效地识别六种行为,具有较高的分类预测准确率和行为识别率,且具有较强的稳定性、鲁棒性、全局寻优和抗噪声能力。

分布式电磁人体运动姿态检测装置研究

根据肢体间相对空间角度构成人体运动姿态及无线电磁空间角度检测原理 ,提出分布式电磁人体姿态检测方法 ,研制出单臂运动姿态检测装置 。

基于无线体域网的人体姿态多级分层识别算法

为解决无线体域网WBAN(Wireless Body Area Network)中人体姿态识别率低、算法复杂的问题,设计了一种以多层分级理论为基础的人体姿态多级分层识别算法。考虑到使用者的舒适度,将九轴加速度陀螺仪传感器(VG350)做成腰带佩戴在腰部实时采集数据。运用加速度向量幅值(SVM:Signal Vector Magnitude)、角度、角加速度和位移等参量,通过对实际测量数据的分析,将坐、蹲、弯腰、慢走和跑等姿态进行识别。实验结果表明,该算法简单,姿态识别率高达96.5%。

基于IMU模块的救援机器人姿态显示系统设计

Mini IMU姿态传感器中带有三轴陀螺仪和三轴加速度计,利用其模块放置在机器人可以实现机器人的姿态显示。履带式机器人在灾后进行巡检搜救,对陌生的地形情况,姿态信息显得极为重要。对此,将Mini IMU模块连接在机器人主控板上面,在飞思卡尔DP512单片机μC/OS-II操作系统中,将数据整合转发给上位机,上位机软件接受到数据信息后,进行数据处理,再用OpenGL虚拟现实技术将机器人姿态复原在上位机中。完成整个设计后,实际让机器人进行旋转、攀爬,和在上位机中得到的数据进行对比测量实验,用误差分析的方法对实验结果分析及评估,具有较强的实时性、准确性、可靠性。

运用开端神经网络进行人体姿态识别

通过迁移深度神经网络在图像识别方面的经验,提出了一种基于Inception神经网络和循环神经网络结合的深度学习模型(InnoHAR),该模型端对端地输入多通道传感器的波形数据,利用1×1卷积对多通道数据的有机组合,不同尺度的卷积提取不同尺度的波形特征,最大池化过滤微小扰动造成的假阳性,结合时间特征提取(GRU)为时序特征建模,充分利用数据特征完成分类任务。相比已知最优的神经网络模型,在识别准确度上有近3%的提升,达到了state-of-the-art的水平,同时可以保证低功耗嵌入式平台的实时预测,且在网络结构组成上更加丰富,具有更大的潜力和挖掘空间。

基于人体姿态的PSO-SVM特征向量跌倒检测方法

在可穿戴设备检测人体跌倒情况时,单一采用加速度阈值判别方法不能完整表征人体跌倒行为变化的信息,导致对跌倒信息误判。为此,提出了一种基于人体姿态的PSO-SVM特征向量跌倒检测算法。首先通过MEMS加速度传感器节点采集人体姿态数据,并利用共轭梯度法对采集的数据进行优化处理,降低非线性误差;然后,利用支持向量机SVM(Support Vector Machine)分类器检测跌倒行为,并通过粒子群PSO(Particle Swarm Optimization)算法对SVM参数进行优化,获得最佳分类模型,根据SVM分类模型对采集的姿态数据进行分析,判断是否跌倒;最后根据人体姿态角,构建融合人体姿态角的PSOSVM特征向量,检测跌倒过程的具体信息。实验结果表明:该检测方法取得95.5%的识别率,能够较好地区分其他非跌倒性动作,检测精度较其他方法较高,均方根误差较小,有较好的鲁棒性。

用于人体姿态估计传感的菲涅尔透镜设计

随着虚拟现实和体感游戏的兴起,人体姿态估计越来越受到关注。针对基于热释电红外传感器的人体姿态估计系统中的菲涅尔光学微结构透镜进行设计,在分析了锥形偶次非球面的理论公式后,计算得到各级非球面系数。通过仿真分析,当材料选为聚甲基丙烯酸甲酯(PMMA),探测器采用6个敏感元面积为2×1 mm^2、视场角为100°×100°的LHI968探测器时,得到菲涅尔透镜整体尺寸为28 mm×32 mm,前表面曲率半径为43.7 mm,后表面曲率半径为45.2 mm,中心厚度为0.6 mm。最终仿真结果显示,各探测器光能利用率分别为96.70%、94.8%、96.95%、97.75%、90.65%和90.15%,可以满足对人体不同部位红外光的响应,从而实现人体姿态的精确估计。