基于动态时间规整算法的惯性传感器初始位置识别方法

摘要

本发明公开一种基于动态时间规整算法的惯性传感器初始位置识别方法，包括信号采集：将惯性传感器固定在具体应用要求的初始位置，然后采集一段时间内惯性传感器的原始信号；信号预处理：去噪和剔除异常点，以滤除原始信号采集过程中的系统噪声和剔除在通信与传输过程中所产生的异常值；基于动态时间规整算法对预处理后的信号进行计算相似度；输出惯性传感器初始位置的识别结果；利用动态时间规整算法对惯性传感器处于初始位置时的信号与正确初始位置信号进行相似性度量化，从而对惯性传感器初始位置的正确与否进行识别和判断；该方法可以适用于不等长的时间序列，且可以适用于在时间轴上存在偏移的情况，同时不需要前期采集大量样本。

说明书

技术领域

本发明涉及一种基于动态时间规整算法的惯性传感器初始位置识别方法，是一种可以自动对惯性传感器的空间姿态及初始位置进行识别的方法。

背景技术

近年来，随着互联网、物联网、MEMS和可穿戴设备等技术的发展，惯性传感器单元（Inertial Measurement Unit, IMU）在各行各业中得到了广泛和深入地应用。具体到医疗领域，惯性传感器单元在健康监测、跌倒预警、动作捕获与识别、步态分析等方面均有大量的研究。

然而，大量研究结果表明，惯性传感器的初始位置会影响到后续的数据处理过程，甚至是应用的结果。譬如：在可穿戴设备的应用中，如果惯性传感器的初始位置佩戴错误，则可能会导致错误的结果，诸如：跌倒事件误报、动作识别错误等。因此，在对惯性传感器的数据进行分析之前，需要对惯性传感器的初始位置进行判断和识别。

目前，通用的方法包含两类：（一）利用模板匹配方法，譬如：欧式距离法、相关系数法等来度量惯性传感器的初始位置与“金标准”的初始位置之间的相似性。然而该类方法通常仅适用于等长的时间序列，且对序列在时间轴上的偏移敏感；（二）采用人工智能和机器学习等方法，譬如：人工神经网络、支持向量机、极限学习机、决策树、随机森林算法等。遗憾的是，该类方法中通常包含许多可调参数，且为了建立一个泛化性能良好的识别模型，前期需要采集大量的样本数据。

综上所述，在惯性传感器单元的应用过程中，为了简化后续数据分析与处理的算法，同时为了避免不必要因素的干扰，在使用之前，有必要对惯性传感器单元的初始位置进行识别。此外，在一些远程应用的场景下，无法通过肉眼观察惯性传感器单元的初始位置时，一种能够自动对惯性传感器单元的初始位置进行识别的方法则显得尤为重要。

因此，有必要设计一种新的基于动态时间规整算法的惯性传感器初始位置识别方法，以解决上述技术问题。

发明内容

针对背景技术中存在的问题，本发明的目的是提供一种基于动态时间规整算法的惯性传感器初始位置识别方法，可以适用于不等长的时间序列，且可以适用于在时间轴上存在偏移的情况，同时不需要前期采集大量样本。

本发明的技术方案是这样实现的：一种基于动态时间规整算法的惯性传感器初始位置识别方法，包括以下步骤：S1、信号采集：首先将惯性传感器单元固定或佩戴在具体应用要求的初始位置，然后采集一段时间内惯性传感器的原始信号；S2、信号预处理：去噪和剔除异常点，以滤除原始信号采集过程中的系统噪声和剔除原始信号在通信与传输过程中所产生的异常值；S3、基于动态时间规整算法对预处理后的信号进行计算相似度；S4、输出识别结果：输出利用时间规整算法计算出的最短路径值。

在上述技术方案中，所述惯性传感器包括3轴加速度、3轴陀螺仪和3轴磁力计。

在上述技术方案中，所述系统噪声包含高频随机噪声、工频干扰噪声和低频人工引入噪声。

在上述技术方案中，所述信号预处理包含平滑滤波、小波去噪、低通滤波、高通滤波、带通滤波、中值滤波和导数滤波。

在上述技术方案中，所述导数滤波包含一阶、二阶或更高阶。

在上述技术方案中，所述基于动态时间规整算法进行相似度计算时包括预设的多个不同模式下的惯性传感器初始位置信号模板库。

本发明基于动态时间规整算法的惯性传感器初始位置识别方法，包括信号采集、信号预处理、基于动态时间规整算法对预处理后的信号进行相似度计算和输出识别结果，其利用动态时间规整算法对惯性传感器处于初始位置时的信号与正确的初始位置的信号进行相似性度量化，从而对惯性传感器初始位置的正确与否进行识别和判断。与传统方法相比，该方法可以适用于不等长的时间序列，且可以适用于在时间轴上存在偏移的情况，同时不需要前期采集大量样本。

附图说明

图1为本发明基于动态时间规整算法的惯性传感器初始位置识别方法流程示意图；

图2为动态时间规整算法基本原理图；

图3为惯性传感器佩戴位置示意图；

图4为惯性传感器穿戴在前臂时的DTW最短路径示意图；

图5为惯性传感器穿戴在上臂时的DTW最短路径示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明所述的一种基于动态时间规整算法的惯性传感器初始位置识别方法，包括：

步骤：S1、信号采集。首先将惯性传感器单元固定或佩戴在具体应用要求的初始位置，然后利用对应的信号采集软件采集一段时间内的惯性传感器的原始信号。这里的惯性传感器通常包括3轴加速度、3轴陀螺仪和3轴磁力计，而需要指出的是，在本发明所提出的方法中，信号采集过程不需要限定惯性传感器单元和信号采集软件的类型，即硬件和软件的类型，同时也不需要限定采样频率的大小。只要能够输出原始的惯性传感器信号即可。

步骤：S2、信号预处理。为了消除额外干扰因素的影响，需要对采集到的原始信号进行预处理。该步骤主要包含两个子模块：去噪和剔除异常点。去噪的目的主要是滤除信号采集过程中的系统噪声，即高频随机噪声、工频干扰噪声、低频人工引入噪声；而剔除异常点的目的是剔除信号在通信与传输过程中丢包所产生的异常值。在具体的实施案例中，该步骤的具体实现方法包括但不局限于以下常用的几种方法：平滑滤波、小波去噪、低通滤波、高通滤波、带通滤波、中值滤波、导数滤波，其中，导数滤波包含一阶、二阶或更高阶等。

步骤：S3、基于动态时间规整算法对预处理后的信号进行计算相似度。该步骤是整个识别算法的核心，该步骤的输入除了经过上述步骤S1和S2处理后的待识别的信号，还包括预设的多个不同模式下的惯性传感器初始位置信号模板库。这里提到的不同模式指的是惯性传感器不同的应用场景。譬如：当惯性传感器佩戴在手臂上时，通常要求初始位置是手臂自然下垂状态，且惯性传感器的X、Y和Z轴中的某个轴与重力加速度方向一致。

在此步骤中，动态时间规整（Dynamic Time Warping, DTW）算法是一种通过计算最小代价的时间弯曲路径来对时间序列的形态进行匹配映射的相似性度量方法，它最早被应用于语音信号的处理。

基于动态时间规整算法的基本原理如图2所示，例如，假设有两个长度分别为 和的时间序列和。距离矩阵由和的欧式距离的平方构成，即：

在距离矩阵中寻找一条路径使得和的相似性最高，即将和进行延伸和缩短后，两个时间序列的距离最短。

考虑到路径中的元素需要满足边界约束、单调性和连续性约束等条件，因此，可以通过动态规划方法进行最优路径的求解。定义累积矩阵来记录最短路径，即：

步骤：S4、输出识别结果。该步骤的输出是利用动态时间规整算法计算出的最短路径值R，R越小表明待识别信号与指定模式下的模板信号即“金标准”信号之间的相似度越高。通过设定一定的阈值，即可判定当前的惯性传感器位置是否符合要求，即是否佩戴错误或异常。这里的阈值需要根据不同的应用场景模式选择不同的信号源，即加速度传感器或陀螺仪或磁力计的不同方向（X轴或Y轴或Z轴）而确定。

以下结合图3和图4以及图5对本发明进行具体实施方式进行分析：

在本实施例中，分别采集在完成肩肘部分的4个动作，即肩关节前屈、肩关节外展、前臂旋前旋后、手触腰椎时的上肢运动惯性传感器数据，其中默认惯性传感器穿戴在前臂为“金标准”位置，而惯性传感器穿戴在上臂为错误的位置。本实施例中惯性传感器模块的采样率为40Hz。

数据采集前，先将两个惯性传感器分别佩戴在患者偏瘫侧的前臂和上臂，如图3所示。

图4和图5描述了当惯性传感器模块穿戴在不同的位置，即前臂和上臂时，肩关节前屈动作的运动信号与“金标准”运动信号之间的DTW算法得出的最短路径图。从图中可以看出，当惯性传感器模块的穿戴位置正确时，如图4所示，其DTW最短路径R为5.8337 ，当惯性传感器模块的穿戴错误的位置时，如图5所示，其DTW最短路径R为11.6908，明显可以看出穿戴位置正确时的DTW最短路径R小于穿戴错误的DTW最短路径R，即5.8337 < 11.6908。

下表1详细列出了四个肩肘部分的动作下惯性传感器分别穿戴在前臂和上臂时的DTW最短路径结果。从表中可以直观地看出，当惯性传感器的初始位置不同时，利用DTW算法计算出的最短路径存在显著差异。在本实施例中，当将最短路径的阈值L设为7时，并对惯性传感器的初始位置进行识别，可以得到100%的正确率。

表1 四个肩肘部分的动作下惯性传感器分别穿戴在前臂和上臂时的DTW最短路径结果

动作名称前臂DTW最短路径上臂DTW最短路径肩关节前屈5.833711.6908肩关节外展4.43679.8612前臂旋前旋后6.109513.6624手触腰椎5.219312.6413

本发明基于动态时间规整算法的惯性传感器初始位置识别方法，包括信号采集、信号预处理、基于动态时间规整算法对预处理后的信号进行相似度计算和输出识别结果，其利用动态时间规整算法对惯性传感器处于初始位置时的信号与正确的初始位置的信号进行相似性度量化，从而对惯性传感器初始位置的正确与否进行识别和判断。与传统方法相比，该方法可以适用于不等长的时间序列，且可以适用于在时间轴上存在偏移的情况，同时不需要前期采集大量样本。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。