面向能量回收的MIMU人体运动检测识别方法研究及系统实现

摘要

人体能量回收是一个新兴的研究领域，如何充分回收人体肌肉做负功时消耗的能量是目前的研究热点之一。现有的相关能量回收装置尚不能实时有效地判断肌肉何时做负功，浪费了许多潜在的可回收能量，导致能量回收效率偏低。为了提高能量回收效率，同时降低人体运动的能量消耗，需要获得肢体的实时运动姿态和运动模式，从而根据不同的运动姿态和运动模式控制能量回收的时机。本文以惯性测量和模式识别理论为基础，对面向能量回收的人体运动姿态检测和人体运动模式识别方法进行了深入研究，并设计实现了基于MIMU的人体运动检测识别系统，能够实时检测人体的运动姿态和运动模式，为提高能量回收装置的回收效率奠定了基础。
　　本研究主要内容包括：⑴以STM32F103TB为处理器，选用9轴MIMU芯片MPU9250，设计了基于MIMU的人体运动检测识别硬件系统。分析了MIMU的主要系统误差，针对零偏误差、灵敏度误差、非正交误差和坐标系未对准误差进行了误差建模，对MIMU整机标定方法和基于椭球拟合的磁力计标定方法进行了实验研究，为提高系统检测识别的精度奠定了基础。⑵将角度退化修正算法与基于扩展卡尔曼滤波器的四元数姿态解算算法相结合，提高了解算姿态角的稳定性;对人体运动易引入振动干扰的问题，设计了观测噪声协方差自动调节算法，降低了振动干扰的影响;针对基于扩展卡尔曼滤波器的四元数姿态解算算法的姿态角易受畸变磁场影响的问题，设计了基于卡尔曼滤波器的方向余弦姿态解算算法，并与基于扩展卡尔曼滤波器的四元数姿态解算算法结合使用，保证了运动检测识别系统受到畸变磁场干扰时俯仰角和横滚角的稳定性。⑶设计了双滑动窗口数据分割算法，并选用时域特征中的标准差和偏度以及频域特征中的离散余弦变换系数作为特征信息。通过仿真实验，对比研究了基于BP神经网络的分类算法和基于支持向量机的分类算法的优缺点。在此基础上，分别训练了基于BP神经网络和基于支持向量机的人体运动模式分类器，用于识别行走、上楼、下楼和慢跑等四种运动模式，并对比分析了两类分类器的识别效果;针对运动模式切换时易出现误分类的问题进行了改进，有效地提高了两类分类器的识别率。⑷采用本文所设计的运动检测识别软硬件系统分别进行了系统标定实验、人体腿部运动姿态的检测和分类器识别实验。系统标定实验结果表明，标定后的航向角误差降低为标定前的7.6％，俯仰角误差降低为标定前的22.7％，横滚角误差降低为标定前的44.4％;姿态检测实验结果表明，采用本文改进的姿态解算算法能获得更为准确的人体运动姿态信息;分类器的多次识别实验结果表明，本文改进的基于支持向量机的人体运动模式分类器具有较好的识别效果，平均识别率超过了96％。本文实现了人体腿部运动姿态的检测和对行走、上楼、下楼及慢跑等运动模式的识别，为提高人体能量回收效率提供了一种可行的解决方案，具有一定的应用价值。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 基于微惯性技术的人体运动检测识别国内外研究动态

1．2．1 国外研究动态

1．2．2 国内研究动态

1．3 论文的主要内容和章节安排

第二章 人体运动检测识别系统硬件设计及系统标定研究

2．1 人体运动检测识别系统硬件设计

2．1．1 系统硬件整体设计

2．1．2 微处理器外围电路设计

2．1．3 MPU9250外围电路设计

2．2 MIMU误差建模研究

2．2．1 系统误差建模

2．2．2 陀螺仪漂移误差建模

2．3 MIMU整机标定方法研究

2．3．1 标量场校准法

2．3．2 两平面旋转法

2．3．3 重力场校准法

2．3．4 转台旋转激励法

2．4 基于椭球拟合的磁力计标定方法研究

2．5 系统标定实验

2．5．1 基于椭球拟合的磁力计标定实验

2．5．2 MIMU整机标定实验

2．5．3 MIMU标定效果验证

2．6 本章小结

第三章 人体运动姿态解算算法研究

3．1 惯性测量中常用坐标系

3．2 坐标变换及姿态更新算法

3．2．1 方向余弦法

3．2．2 欧拉角法

3．2．3 四元数法

3．2．4 欧拉角与方向余弦、四元数的关系

3．2．5 欧拉角与方向余弦、四元数的比较

3．3 姿态解算算法研究与改进

3．3．1 卡尔曼滤波器

3．3．2 扩展卡尔曼滤波器

3．3．3 基于扩展卡尔曼滤波器的四元数姿态解算算法

3．3．4 姿态解算算法抗振动干扰改进

3．3．5 基于卡尔曼滤波器的方向余弦姿态解算算法

3．4 人体腿部运动姿态测量

3．5 本章小结

第四章 人体运动模式识别方法研究

4．1 数据分割的算法设计

4．2 特征信息的提取及归一化处理

4．3 基于BP神经网络的分类算法研究

4．3．1 BP神经网络基本原理

4．3．2 BP神经网络的学习算法

4．3．3 BP神经网络的仿真分析

4．4 基于支持向量机的分类算法研究

4．4．1 线性支持向量机

4．4．2 非线性支持向量机

4．4．3 支持向量机核函数

4．4．4 多类支持向量机

4．4．5 支持向量机的仿真分析

4．5 人体运动模式识别效果分析

4．5．1 特征信息选取及分析

4．5．2 BP神经网络的训练

4．5．3 支持向量机的训练

4．5．4 BP神经网络的识别效果验证

4．5．5 支持向量机的识别效果验证

4．5．6 运动模式切换时分类器的误识别问题及改进方法

4．6 本章小结

第五章 人体运动检测识别系统实现与性能分析

5．1 系统标定实验

5．1．1 实验电路与测试环境

5．1．2 实施方案与结果分析

5．2 腿部运动姿态测量实验

5．3 运动模式识别实验

5．4 本章小结

第六章 总结与展望

6．1 本文工作总结

6．2 未来工作展望

致谢

参考文献

攻读硕士学位期间发表的论文