基于慣性傳感器的短跑運(yùn)動腿部姿態(tài)監(jiān)測方法

楊 立 春

(合肥濱湖職業(yè)技術(shù)學(xué)院 機(jī)電與汽車工程學(xué)院，安徽 合肥 230000)

0 引 言

短跑運(yùn)動是田徑項目的一種，需要用盡可能快的速度跑過一定距離。從人體機(jī)能角度分析，在短跑運(yùn)動中，人們可以最大限度發(fā)揮速度本能[1]。在短跑運(yùn)動中，正確的腿部姿態(tài)是提高短跑運(yùn)動成績、保護(hù)運(yùn)動員安全的有效保障。通過對短跑運(yùn)動腿部姿態(tài)進(jìn)行檢測，可即時發(fā)現(xiàn)短跑過程腿部的錯誤姿勢等信息[2]，在提高短跑運(yùn)動員的成績水平方面具有重要意義，相關(guān)的短跑運(yùn)動腿部姿態(tài)監(jiān)測方法也受到人們的廣泛關(guān)注。

短跑運(yùn)動腿部姿態(tài)監(jiān)測是建立在對傳感裝置優(yōu)化配置和動態(tài)部署基礎(chǔ)上的，通常需要建立短跑運(yùn)動腿部姿態(tài)傳感器節(jié)點分配模型，構(gòu)建短跑運(yùn)動腿部姿態(tài)信息采樣模型，采用空間結(jié)構(gòu)優(yōu)化部署方法采集短跑運(yùn)動腿部姿態(tài)信息。在此基礎(chǔ)上結(jié)合多維節(jié)點分布式重組方法進(jìn)行短跑運(yùn)動腿部姿態(tài)傳感分布式重組和信息融合處理，實現(xiàn)對短跑運(yùn)動腿部姿態(tài)的監(jiān)測[3]。

目前，已有專家學(xué)者在短跑運(yùn)動腿部姿態(tài)監(jiān)測領(lǐng)域做出了一些較為成熟的研究結(jié)果，如統(tǒng)計特征分析方法、傳感融合跟蹤分析方法和決策樹監(jiān)測方法等。文獻(xiàn)[4]提出了一種基于GMM的人體運(yùn)動姿態(tài)追蹤與識別方法，該方法采用改進(jìn)GMM算法提取運(yùn)動視頻圖像中的前景信息，結(jié)合幀間差分法分析各個差值對應(yīng)的學(xué)習(xí)率，得到二值化前景圖像，將二值化前景圖像的像素與高斯B均值比較，得到運(yùn)動視頻背景圖像，再結(jié)合Shi-Tomasi算法提取其中的特征點并進(jìn)行追蹤，實現(xiàn)對人體運(yùn)動姿態(tài)的實時追蹤。但該方法的追蹤識別過程抗干擾性不好，數(shù)據(jù)監(jiān)測的準(zhǔn)確性較差。文獻(xiàn)[5]提出了一種基于模板模型的實時人體姿態(tài)跟蹤方法，該方法首先對運(yùn)動姿態(tài)信息進(jìn)行采集，根據(jù)采集結(jié)果進(jìn)行運(yùn)動姿態(tài)特征數(shù)據(jù)分析，在此基礎(chǔ)上建立運(yùn)動姿態(tài)數(shù)據(jù)量化挖掘模型，與模板模型相比較，檢測出錯誤運(yùn)動姿態(tài)信息，實現(xiàn)對運(yùn)動姿態(tài)的有效監(jiān)測。但是該方法存在計算復(fù)雜度較高和結(jié)果輸出過程穩(wěn)定性較差的問題。

隨著傳感器技術(shù)的發(fā)展，采用無線傳感器網(wǎng)絡(luò)進(jìn)行短跑運(yùn)動腿部姿態(tài)信息采集，能夠提高對短跑運(yùn)動的動態(tài)信息分析和技術(shù)指導(dǎo)能力。因此，針對現(xiàn)有方法中存在的問題，本文提出基于慣性傳感器的短跑運(yùn)動腿部姿態(tài)監(jiān)測方法。采用無線傳感器網(wǎng)絡(luò)進(jìn)行短跑運(yùn)動腿部姿態(tài)信息采集的分布式節(jié)點設(shè)計，在運(yùn)動員腿部安裝壓力傳感器和慣性傳感器進(jìn)行數(shù)據(jù)采集，并采用相關(guān)匹配濾波檢測方法進(jìn)行干擾數(shù)據(jù)濾波，實現(xiàn)短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)優(yōu)化采集和監(jiān)測。進(jìn)行仿真測試，證明了該方法有效性。

1 短跑運(yùn)動腿部姿態(tài)信息采集傳感組網(wǎng)設(shè)計

1.1 信息采集過程中分布式傳感器節(jié)點部署

為了實現(xiàn)對短跑運(yùn)動過程腿部姿態(tài)有效監(jiān)測，需要結(jié)合人體運(yùn)動腿部的肌肉骨骼特征，采用姿態(tài)傳感器進(jìn)行運(yùn)動腿部姿態(tài)信息采樣，構(gòu)建運(yùn)動腿部姿態(tài)數(shù)據(jù)采集模型，進(jìn)行傳感器節(jié)點布置。

圖1 短跑運(yùn)動腿部姿態(tài)監(jiān)測傳感器節(jié)點配置

首先需要采用傳感器融合跟蹤識別的方法[6]，建立腿部姿態(tài)信息采集慣性傳感器融合模型，實現(xiàn)對短跑運(yùn)動腿部姿態(tài)全信息感知，構(gòu)建腿部姿態(tài)信息傳感器節(jié)點優(yōu)化調(diào)度模型，短跑運(yùn)動腿部姿態(tài)監(jiān)測傳感器節(jié)點配置結(jié)構(gòu)如圖1所示。

短跑運(yùn)動腿部姿態(tài)監(jiān)測的系統(tǒng)裝置主要分為慣性傳感器設(shè)備、數(shù)據(jù)檢測設(shè)備、腿部姿態(tài)數(shù)據(jù)信息處理設(shè)備和人機(jī)交互裝置，讀取短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)，以讀取的數(shù)據(jù)信息為基礎(chǔ)建立傳感信息融合跟蹤模型[7]，得到腿部姿態(tài)信息采集分布式傳感器部署模型為

(1)

其中，g表示傳感器陣列部署適應(yīng)度函數(shù)，μ表示每個傳感器信息特征節(jié)點的中心，L表示2個特征節(jié)點之間的平均測度距離，n表示傳感器個數(shù)，n=1,2,…,i,…,n。對慣性傳感器節(jié)點進(jìn)行傳輸信道均衡控制，采用多模信息采集方法建立短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)融合模型，得到腿部姿態(tài)信息采樣迭代公式

(2)

其中w為無線傳感器的互信息量，e表示帶寬效率，t表示時間窗口。設(shè)在時間段[ti-1,ti]內(nèi)短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)采集慣性傳感器節(jié)點能量開銷為pi，采用腿部姿態(tài)數(shù)據(jù)空間欠采樣技術(shù)，進(jìn)行慣性傳感器配置，構(gòu)建腿部姿態(tài)數(shù)據(jù)采集均衡調(diào)度模型

(3)

其中Δ?為增益系數(shù)。結(jié)合人體肌肉骨骼的優(yōu)化組合模型，構(gòu)建慣性傳感器的連續(xù)信息轉(zhuǎn)發(fā)鏈路模型[9]，得到傳感器連續(xù)信息轉(zhuǎn)發(fā)過程的能量開銷

E=(Einitial-E)×C

(4)

其中Einitial表示慣性傳感器的Sink節(jié)點初始能量，E表示短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)采集的能量開銷。在此基礎(chǔ)上，基于ZigBee協(xié)議進(jìn)行短跑運(yùn)動腿部姿態(tài)信息采集的組網(wǎng)設(shè)計，完成傳感器節(jié)點的部署設(shè)置。

1.2 短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)采集

采用無線傳感器網(wǎng)絡(luò)進(jìn)行短跑運(yùn)動腿部姿態(tài)信息采集的分布式節(jié)點設(shè)計，在運(yùn)動員腿部安裝壓力傳感器和慣性傳感器，根據(jù)傳感器的輸出振蕩幅值進(jìn)行信息融合和關(guān)聯(lián)挖掘，進(jìn)行短跑運(yùn)動腿部姿態(tài)信息采集傳感器節(jié)點均衡部署，采用空間均衡調(diào)度方法進(jìn)行慣性傳感器網(wǎng)絡(luò)節(jié)點的自動配置[9-10]。假設(shè)各個傳感器的節(jié)點snm通信范圍是已知的(m表示每個傳感器中含有的節(jié)點數(shù)量)，在姿態(tài)數(shù)據(jù)生成中，設(shè)定傳感器節(jié)點配置最優(yōu)角度為θ，設(shè)置短跑運(yùn)動腿部姿態(tài)負(fù)載為l，結(jié)合空間節(jié)點組合定位方法，構(gòu)建慣性傳感器節(jié)點均衡部署模型，得到腿部姿態(tài)信息采樣最優(yōu)節(jié)點定位模型

(5)

其中q為傳感器數(shù)據(jù)傳輸過程統(tǒng)計特征值，r表示節(jié)點通信半徑，A表示慣性傳感器節(jié)點分布量化集。在此基礎(chǔ)上，結(jié)合自適應(yīng)加權(quán)控制方法進(jìn)行慣性傳感器的組合配置[11]，采用融合跟蹤技術(shù)，得到傳感器節(jié)點采集到腿部姿態(tài)數(shù)據(jù)組合分布

(6)

其中k為短跑運(yùn)動腿部數(shù)據(jù)的目標(biāo)狀態(tài)，β表示狀態(tài)轉(zhuǎn)移量。根據(jù)短跑運(yùn)動腿部數(shù)據(jù)的均衡采樣結(jié)果，進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)信息重組，結(jié)合傳感量化跟蹤識別方法進(jìn)行腿部姿態(tài)數(shù)據(jù)優(yōu)化監(jiān)測。

2 短跑運(yùn)動腿部姿態(tài)監(jiān)測方法

2.1 傳感量化跟蹤識別

在上述采用無線傳感器網(wǎng)絡(luò)進(jìn)行短跑運(yùn)動腿部姿態(tài)信息采集分布式節(jié)點設(shè)計的基礎(chǔ)上，進(jìn)行短跑運(yùn)動腿部姿態(tài)監(jiān)測優(yōu)化，本文提出基于慣性傳感器的短跑運(yùn)動腿部姿態(tài)監(jiān)測方法。根據(jù)傳感器輸出振蕩幅值進(jìn)行信息融合和關(guān)聯(lián)挖掘，假設(shè)短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)捕捉的干擾分量為I，采用相關(guān)成分檢測方法建立短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)捕捉模糊性融合模型，結(jié)合適應(yīng)度函數(shù)進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)融合跟蹤識別

(7)

其中λ表示融合項系數(shù)。在此基礎(chǔ)上，構(gòu)建短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)采樣融合跟蹤系統(tǒng)，假設(shè)融合中心已獲得t-1時刻的短跑運(yùn)動腿部姿態(tài)信息，采用殘差測量方法構(gòu)建慣性傳感器信息采樣統(tǒng)計分析模型，在慣性傳感器網(wǎng)絡(luò)傳輸信道中，通過對短跑運(yùn)動腿部姿態(tài)信息狀態(tài)估計，得到短跑運(yùn)動腿部姿態(tài)信息采樣輸出表達(dá)式

(8)

其中ρ表示慣性傳感器節(jié)點均勻分布概率密度函數(shù)，d表示Sink節(jié)點間的歐式距離，j表示分布在監(jiān)測區(qū)域內(nèi)的姿態(tài)慣性融合特征量。采用分簇式壓縮感知方法，在自適應(yīng)學(xué)習(xí)模式下進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)檢測，跟蹤檢測識別輸出結(jié)果為

(9)

其中N為慣性傳感器采集的短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)相關(guān)性特征量，α為混合聚類節(jié)點的關(guān)聯(lián)維數(shù)。根據(jù)上述分析，構(gòu)建短跑運(yùn)動腿部姿態(tài)信息傳感量化跟蹤識別模型，進(jìn)行姿態(tài)監(jiān)測設(shè)計。

2.2 模糊自適應(yīng)融合調(diào)度及數(shù)據(jù)監(jiān)測輸出

根據(jù)短跑運(yùn)動腿部姿態(tài)信息監(jiān)測輸出的特征聚類結(jié)果進(jìn)行模糊自適應(yīng)融合調(diào)度處理，采用相關(guān)匹配濾波檢測方法進(jìn)行干擾數(shù)據(jù)濾波[12]，則傳感器在長周期運(yùn)行條件下量化噪聲Q滿足

(10)

Z=pη×(G×m-Q)

(11)

綜上分析，實現(xiàn)短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)的優(yōu)化采集和監(jiān)測。

3 仿真實驗與結(jié)果分析

為了驗證本文所提的基于慣性傳感器短跑運(yùn)動腿部姿態(tài)監(jiān)測方法的實際應(yīng)用性能，設(shè)計如下仿真實驗。

實驗條件設(shè)置情況如下：實驗在MATLAB平臺上進(jìn)行，采用PCI9054 LOCAL總線進(jìn)行短跑運(yùn)動腿部姿態(tài)監(jiān)測的總線傳輸，設(shè)置短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)有效傳送率為120 MB/s，對短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)采樣比特序列大小為S=5 000，自適應(yīng)迭代次數(shù)K1=400、K2=500。采用ADSP21160處理器對短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)進(jìn)行硬件集成(圖2)。

圖2 短跑運(yùn)動腿部姿態(tài)監(jiān)測實驗硬件集成

在硬件集成設(shè)計的基礎(chǔ)上，設(shè)定短跑運(yùn)動腿部姿態(tài)監(jiān)測的PPI_CLK周期為24 ms，信道寬度B=1 000 Hz，初始采樣頻率設(shè)定為1 200 kHz，采樣時間間隔6 ms，短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)采樣時長1 024 ms。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)監(jiān)測，得到原始監(jiān)測數(shù)據(jù)采集輸出(圖3)。分析圖3可知，在采用點數(shù)不斷變化的情況下，監(jiān)測數(shù)據(jù)輸出的幅值波動情況較為穩(wěn)定，幅值基本保持在[-2,2]dB，證明基于慣性傳感器短跑運(yùn)動腿部姿態(tài)監(jiān)測方法的檢測過程抗干擾能力較強(qiáng)，輸出結(jié)果較為穩(wěn)定。

圖3 短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)采集輸出

結(jié)合傳感量化跟蹤識別方法，進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)自動監(jiān)測，根據(jù)短跑運(yùn)動腿部姿態(tài)信息監(jiān)測輸出的特征聚類結(jié)果進(jìn)行模糊自適應(yīng)融合調(diào)度處理，得到有效數(shù)據(jù)監(jiān)測輸出(圖4)。

圖4 短跑運(yùn)動腿部姿態(tài)有效數(shù)據(jù)監(jiān)測輸出

分析圖4可知，利用基于慣性傳感器的短跑運(yùn)動腿部姿態(tài)監(jiān)測方法進(jìn)行短跑運(yùn)動腿部姿態(tài)監(jiān)測的可靠性較高，腿部力矩、沖量和荷載值輸出結(jié)果較為穩(wěn)定。

為進(jìn)一步測試所提的基于慣性傳感器短跑運(yùn)動腿部姿態(tài)監(jiān)測方法的有效性，設(shè)計對比實驗。將本文方法與文獻(xiàn)[4]中的基于GMM人體運(yùn)動姿態(tài)的追蹤與識別方法和文獻(xiàn)[5]中的基于模板模型實時人體姿態(tài)跟蹤方法進(jìn)行對比，測試不同方法下短跑運(yùn)動腿部姿態(tài)監(jiān)測輸出信噪比，對比結(jié)果見表1。

表1 短跑運(yùn)動腿部姿態(tài)輸出信噪比對比(dB)

分析表1可知,隨著實驗迭代次數(shù)的不斷增加，不同短跑運(yùn)動腿部姿態(tài)監(jiān)測方法的結(jié)果輸出信噪比也相應(yīng)發(fā)生變化。信噪比表示輸出結(jié)果中有效信號與噪聲的比例，信噪比值越高表明有效信號占有量越大。表1所示結(jié)果可以表明基于慣性傳感器方法進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)監(jiān)測的精度較高，結(jié)果準(zhǔn)確性、有效性更強(qiáng)。

4 結(jié) 論

建立短跑運(yùn)動腿部姿態(tài)傳感器節(jié)點分配模型，采用空間結(jié)構(gòu)優(yōu)化部署方法，進(jìn)行短跑運(yùn)動腿部姿態(tài)信息采集，有助于提高短跑運(yùn)動成績。本文提出基于慣性傳感器短跑運(yùn)動腿部姿態(tài)監(jiān)測方法。采用無線傳感器網(wǎng)絡(luò)進(jìn)行短跑運(yùn)動腿部姿態(tài)信息采集分布式節(jié)點設(shè)計，在運(yùn)動員腿部安裝壓力傳感器和慣性傳感器，根據(jù)傳感器的輸出振蕩幅值進(jìn)行信息融合和關(guān)聯(lián)挖掘，進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)的信息重組。結(jié)合傳感量化跟蹤識別方法，進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)自動監(jiān)測。根據(jù)短跑運(yùn)動腿部姿態(tài)信息監(jiān)測輸出的特征聚類結(jié)果進(jìn)行模糊自適應(yīng)融合調(diào)度處理，實現(xiàn)短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)優(yōu)化監(jiān)測硬件系統(tǒng)設(shè)計。經(jīng)實驗分析得知，該方法進(jìn)行短跑運(yùn)動腿部姿態(tài)數(shù)據(jù)監(jiān)測輸出信噪比較高，信息檢測準(zhǔn)確性較好。