1、西北工业大学明德学院本科毕业设计论文1摘要基于惯性传感器的运动识别系统是模式识别的一个新兴领域，克服了传统基于视频的动作识别的诸多缺点和限制，具有更高的可操作性和实用性。所以本文首先着重介绍了如何利用惯性传感器进行动作的分类，及其原理。在对运动进行识别的算法中，比较常用的算法有神经网络、支持向量机、隐马尔科夫模型等，这些算法不是很直观，而且相对来说比较复杂，因此本文采用的是 k-means 均值聚类算法，本文的工作流程如下：首先通过握在被测实验对象手中的惯性传感器采集动作信息，然后通过无线传输模块将数据传输到 PC 机，进而对数据进行动作自动截取和动作特征提取，最后利用选定的识别算法对动作进行
2、识别。在本文中，用于实现动作识别的几种动作为向上、向下、向左、向右和画圈，随后对该动作进行动作捕捉，并采用快速傅里叶变换（Fast Fourier Transform, FFT）进行特征提取，最后采用 K-means 均值聚类进行识别，识别率为 69%。本文的重点在于数据的特征提取，及惯性传感器的运动识别，分别用到了快速傅里叶变换，及 K-mean 均值聚类两种算法。关键词：惯性传感器，K-means 均值聚类, FFT西北工业大学明德学院本科毕业设计论文2ABSTRACTInertial sensor based motion recognition system is an emergin
3、g field. It overcomes the disadvantage of traditional video based gesture recognition, and has higher maneuverability and practicability. So this article introduces how to classify motions with inertial sensor, and its working principle.The most common algorithm for motion recognition is Neural Netw
4、orks (NN), support vector machine (SVM), hidden Markov models (HMM), etc. These algorithms are not so intuitive and relatively complex in algorithm. So this paper adopts k-means clustering for inertial sensor based motion recognition. The workflow is as flows: first of all, the inertial sensor fixed
5、 in subjects hand is used to collect motion information; and then, the data is transmitted to PC by wireless transmission module, followed by data preprocessing, feature extraction and selection. Finally, the motion is recognized by k-means clustering，This paper exploits the inertial sensors for the
6、 recognition of the following motions: up, down, left, right and the circle. The algorithm used for feature selection is Fast Fourier Transform (FFT), and the algorithm for recognition is K-means clustering.So this article is focused on feature extraction, and motion recognition. The corresponding a
7、lgorithms are fast Fourier transform, and K-means clustering algorithm.KEY WORDS：Inertial sensors, K-means clustering, FFT西北工业大学明德学院本科毕业设计论文3目录第一章 前言 .41.1研究的背景和意义 .41.2 基于惯性传感器的运动识别国内外现状 .51.3 传感器的分类 .61.4 本文的组织结构 .10第二章 数据采集和特征提取算法 .122.1 惯性传感器的结构 .122.2 数据采集 .122.3 数据的特征提取 .132.4 离散傅里叶变换(DFT) .16
8、2.4.1 快速傅里叶变换(FFT) .172.4.2 快速傅里叶变换 FFT 的应用 .182.4.3 算法基本原理 .19第三章 基于惯性传感器的运动识别 .213.1 运动识别主要算法 .213.2K-means 算法介绍 .223.3Kmeans 文本聚类 算法优化 .233.4 初始聚类中心的选择 .243.5K一均值聚类算法的算法流程 .243.6 SOM 算法介绍 .253.7 实验内容 .27西北工业大学明德学院本科毕业设计论文43.8 实验结果 .30第四章 结论 .34参考文献 .34西北工业大学明德学院本科毕业设计论文5第一章 前言1.1研究的背景和意义由于加速度现象在生
9、活中无处不在，例如，刷牙、洗脸、走路、跑步等人体的日常活动都会产生加速度。因此，在众多的传感器中，利用加速度传感器测量的加速度信号来识别人的运动状态（或活动）受到世界各地研究人员的广泛重视。 所谓“加速度信号”是指人们在日常生活中由于身体运动产生的人体动作信号。通过对这种运动信号进行有效的处理，就可以判断产生该信号的是哪一种动作，从而判断做出这种动作的人的意图。基于加速度传感器的人体运动模式识别除了应用于智能人机交互外，还可应用于智能监控、健康监控、基于手持设备的上下文感知及人体运动能量消耗评估等领域，有着非常广阔的应用前景。 伴随着微型机电系统(MEMS)技术的不断发展与成熟，价格低廉、体积
10、小、灵敏度高的 MEMS 加速度传感器开始广泛地应用于手机、笔记本、游戏机等嵌入式电子消费产品。2007 年苹果公司的 iPhone 手机、任天堂的 Wii 游戏机火爆销售一度轰动业界，这其中，加速度传感器功不可没，它所带来的全新使用体验以及独特的人机交互方式不仅造就了产品本身的巨大成功，更是给日趋同质化的电子整机市场注入了新鲜血液。同时，这种加速度传感器可以精确的获取手持嵌入式设备用户的运动加速度信号，为基于加速度传感器的人体运动模式识别提供了数据方便获取的保障。随着人们对惯性传感器研究的不断深入，基于惯性传感器的人体动作分析已然成为新的研究领域，受到国内外研究者的广泛关注，并进行了卓有成效
11、的研究。基于惯性传感器的人体运动分析与识别在以下方面有着重要意义： （1）游戏动画与电影制作 西北工业大学明德学院本科毕业设计论文6通过采集人体的各种动作的相关数据，再通过相关软件技术将这些数据加载到电脑动画中，从而实现动画制作和相关游戏开发。同时，基于惯性传感器的动作分析与识别在电影制作中也有广泛的应用，尤其很多电影中的一些高难度动作，根据人体动作数据通过电脑技术制作出这些动作，效果也很好。 （2）体育竞技 人体动作分析与识别在体育相关领域应用也相当广泛，特别是在我们这样的体育强国中。通过对各种运动中动作的研究，把采集到的相关动作数据加以科学的分析和利用，不仅能够对运动员的训练水平和技术动作
12、产生促进作用，有效减小运动伤害，而且对运动员损伤的治疗也有一定的帮助。如在国家举重队，利用高速摄像机采集举重运动员的动作信息，通过 SIMI 等动作分析软件或惯性传感器动作捕捉配套软件研究他们的动作，从而对运动员动作做出科学有效的改进。 （3）临床应用 临床应用主要体现在医疗保健和康复训练两个方面2。随着生活质量的提高，人们越来越关注医疗保健。通过长时间采集记录人的运动数据，分析人体运动规律和能量消耗等指标，从而为人们提供健康方案。同时，人体运动分析在康复训练方面也有广泛应用。通常，手术后的肢体康复训练对医疗效果影响很大，医生通过分析人体运动，对正在进行康复训练的病人的动作情况、训练时间和强度
13、等进行分析，随时了解他们的恢复情况，及时对康复方案进行改进。另外，通过佩戴在老年人身上的惯性传感器可以识别他们的动作，对跌倒等突发性事件作出反应，及时发出信号求助。 1.2基于惯性传感器的运动识别国内外现状惯性传感器采集到的信号除了人们想要的动作信息外，还包含有噪声。所以首先要对采集的信息进行预处理，之后才能进行下一步工作。在基于惯性传感器的动作识别中，预处理一般有重采样、加窗、滤波、归一化等。Khan A.M 等人12在其研究中，就利用 3 阶滑动平均滤波器来对加速度信号进行噪声滤除。而文献13中对原始信号的处理采用了重采样技术，达到了规整数据的目的。 西北工业大学明德学院本科毕业设计论文7
14、近年来，在基于传感器数据的动作识别中，特征提取方法主要有三种方法：时域分析法、频域分析法和时频分析法。常用的时域特征有：均值、方差或标准差、均方根、及时域积分等频域特征主要有：FFT 系数、能量、能谱密度、频域熵等。此外还有时频分析法，例如，Wang 等人在其研究中就使用了小波分解来提取他们需要的特征。随着人体动作识别研究的不断深入，也出现了一些新的特征，例如，研究者就提取了四分位间距作为其识别的特征，使用 HMM分类时，提出了一种谱系数特征。 分类就是通过分类算法将某一未知类别样本匹配到某一已知类别中，从而确定该未知样本的类别。常见的分类算法有：最近邻法、贝叶斯（Bayes）分类法、BP 神
15、经网络分类法、决策树算法、支持向量机（SVM ）算法、隐马尔科夫（HMM）算法等。 在基于惯性传感器的动作识别领域，这些传统分类方法仍然得到了很多研究者的青睐，并在实际应用中证明了其可靠的识别率。2006 年，Daniel Olgu 等人就在基于传感器的动作识别中引入了 HMM 算法，他们分别在 3 名受试者的右手、左臀、胸 3 个部位固定了 3 个加速度计，对坐、跑、蹲、走、站立、爬行、躺下动作进行了识别，识别率达到 92.13%。2007 年，Piero Zappi27等人通过穿戴在双臂上的 19 个三轴加速度计，利用贝叶斯分类器对修车工人的基本修车动作进行了识别，识别率高达 98%。20
16、08 年，Jhun-Ying Yang28等人选取了 7 个测试者，研究了日常生活中的站、坐、走、跑、吸尘、洗衣服、刷牙 7 种动作，分别采用人工神经网络分类器和最近邻算法进行了识别，达到了95.24%和 87.17%的识别率。同年，Zhenyu He29等人准备了一部内置了三轴加速度计的手机，测试了 67 个受试者手持手机时的 17 种动作，使用了支持向量机分类器，识别率达到了 87.36%。2010 年，Yu-Jin Hong30等人将 3 个三轴加速度计分别固定在 15 名受试者的大腿、腰部、前臂三个部位，采用决策树分类器对站、坐、走、跑、挥手等 18 种日常动作进行了识别，识别率达到
17、92.58%。Ling Bao31和 Dean M. Karantonis32等人也分别用决策树分类器对人体跌倒进行了识别，识别率也到达了 80%以上。 西北工业大学明德学院本科毕业设计论文81.3传感器的分类传感器是将物理、化学、生物等自然科学和机械、土木、化工等工程技术中的非电信号转换成电信号的换能器。相应的英文单词为 Sensor 或Transducer。注意,若在英文文献中 Sensor 和 Transducer,甚至还有 Actuator 同时出现时,则 Transducer 应译为 “换能器”,是指将自然科学和工程技术中的非电能量转换成电能的设备。而 Actuator 应译成“执行
18、器”,定义为将电信号转换成物理、化学、生物等自然科学和机械、土木工程技术中的非电信号的换能器或转换为实际动作( 如平动、转动、通断、发光、发声、发热等)的设备。传感器可从不同角度分类。从被测量不同,分为几何机械量(例如尺寸、角度、表面参数、位移、速度、加速度、角位移、角速度等),热工量(例如温度压力、流量、密度、黏度、质量等), 光学量( 强度、功率、波长、频率、相位、速度、脉宽、延迟、折射率、束散角等),声学量,生物参数,医学量(生理参数)等。从传感器的输出不同,可分为模拟信号(连续波和脉冲波),数字信号,电压和电流等传感器。大致分为1)光纤传感器;(2) 集成传感器 ;(3)MEMS 传感
19、器;(4) 模糊传感器;(5) 智能传感器;(6)多功能传感器;(7) 模型传感器 ;(8)网络传感器;(9)生物传感器;，本文用到的是MEMS 惯性传感器。传感技术的发展从产品结构来说经历了由利用物理学中场的定律和运动定律等构成的结构型传感器,到利用物质法则构成的物性型传感器,再到如今采用微电子和微机械加工技术制造出来的新型 MEMS 传感器的几十年发展过程.MEMS 传感器的门类品种繁多,分类方法也很多。按其工作原理,可分为物理型、化学型和生物型三类。按照被测的量又可分为加速度、角速度、压力、位移、流量、电量、磁场、红外、温度、气体成分、湿度、pH 值、离子浓度、生物浓度及触觉等类型的传感
20、器。综合两种分类方法的分类体系如图 1。其中每种 MEMS 传感器 MEMS 传感器具有体积小、质量轻、响应快、灵敏度高、易批产、成本低、可测量各种物理量、化学量和生物量等优势,在航天、航空、航海、兵器、机械、化工等领域又有多种细分方法。如微加速度计,按检测质量的运动方式划分,有角振动式和线振动式加速度计;按检测质量支承方式划分,有扭摆式、悬臂梁式和弹簧支承方式;按信号检测方式划分 ,有电容式、电阻式和隧道电流式;按控制方式划分,有开环和闭环式。 MEMS 传感器不仅种类繁多,而且用途广泛。作为获取信息的关键器件, MEMS 传感器对各种传感装备的微型化发展起着巨大的推动作用,已在太空卫星、运
21、载火箭,航空航天设备、飞机、各种车辆、生物医学及消费电子产品等领域中得到了广泛的应用。制造技术的西北工业大学明德学院本科毕业设计论文9日益精进使 MEMS 传感器的参数指标和性能不断提高,与多种学科的交叉融合又使传感器不断推陈出新,应用领域不断拓宽。MEMS 传感器的发展以 20 世纪 60 年代霍尼韦尔研究中心和贝尔实验室研制出首个硅隔膜压力传感器和应变计为开端。压力传感器是影响最为深远且应用最广泛的 MEMS 传感器 ,其性能由测量范围、测量精度、非线性和工作温度决定。从信号检测方式划分, MEMS 压力传感器可分为压阻式、电容式和谐振式等; 从敏感膜结构划分,可分为圆形、方形、矩形和 E
22、 形等。进入 21 世纪以来,在市场引导、科技推动、风险投资和政府介入等多重作用下, MEMS 传感器技术发展迅速,新原理、新材料和新技术的研究不断深入, MEMS 传感器的新产品不断涌现。目前, MEMS 传感器正向高精度、高可靠性、多功能集成化、智能化、微型化和微功耗方向发展。借助新型材料,如 SiC、蓝宝石、金刚石及 SOI 开发出的各种新型高可靠 MEMS 传感器,如温度传感器、气体传感器和压力传感器具有耐高温、耐腐蚀和防辐照等性能,进一步提高了MEMS 传感器的精度和可靠性。纳米管、纳米线、纳米光纤、光导、超导和智能材料也将成为制作纳米传感器的材料。MEMS 传感器向纳米级发展将产生
23、多种传感器,如气体、生物和化学传感器,使 MEMS 传感器的种类更加多样化。新的加工技术,如先进的 MEMS 制作和组装技术使 MEMS 传感器体积更小、功耗更低且性能更高,如具有耐振动和抗冲击的能力。利用专门的集成设计和工艺,如与 CMOS 兼容的 MEMS 加工技术和芯片上集成系统(SoC)技术可把构成传感器的敏感元件和电路元件制作在同一芯片上,能够完成信号检测和信号处理,构成功能强大的智能传感器,满足传感器微型化和集成化的要求。传感器集成化是实现传感器小型化、智能化和多功能的重要保证。MEMS 传感器一直是研究的热点和重点,是各国大力发展的核心和前沿技术,引起了各国研究机构、大学和公司的
24、高度重视,欧美和日本等国显示出了明显的领先优势。国内的一些高校和研究机构已着手 MEMS 传感器技术的开发和研究,但在灵敏度、可靠性及新技术能力提升方面与国外相比还存在较大差距。许多 MEMS 传感器品种尚未具备批量生产的能力,离产品的实用化和产业化还很远,有待于进一步提高和完善。MEMS 传感器是利用集成电路技术工艺和微机械加工方法将基于各种物理效应的机电敏感元器件和处理电路集成在一个芯片上的传感器。MEMS 是微电子机械系统的缩写,一般简称微机电。图 2 为 MEMS 的原理图西北工业大学明德学院本科毕业设计论文10MEMS 传感器主要用于控制系统。利用 MEMS 技术工艺将 MEMS 传感器、MEMS 执行器和 MEMS 控制处理器都集中在一个芯片上,则所构成的系统称为 MEMS 芯片控制系统。图 3 表示了 MEMS 控制系统。微控制处理器的主要功能包括 A/D 和 D/A转换,数据处理和执行控制算法。微执行器将电信号转换成非电量,使被控对象产生平动、转动、声、光、热等动作。系统接口单元便于同高层的管理处理器通信,以适合远程分布测控.
