基于加速度傳感器的體質檢測自適應計次*

韓蘭俠，徐方超，孫 鳳，張一民，賈 瀟

（1.沈陽工業大學機械工程學院，遼寧 沈陽 110870；2.北京體育大學運動人體科學學院，北京 100084）

0 引 言

隨著國民體質檢測的健全和深入，人們對國民體質檢測的效率和實用性有了更高的要求。在第5次國民體質檢測中將受試人群的年齡增加到79 歲，并為60 ～79 歲的老年人新增了2 min原地高抬腿和30 s坐站指標［1］。針對越來越多的檢測指標，各種檢測設備的智能化升級也成了亟需解決的問題。隨著對可穿戴傳感器技術的深入理解，將不斷涌現出面向垂直應用領域的新型智能可穿戴設備［2］?？纱┐髟O備目前應用于各個領域，主要是對各種信號的收集與實時反饋。Attal F 等人［3］應用可穿戴傳感器來識別人們生活中的各種動作，為傳感器的動作識別領域提供的一些基礎。陳航科等人［4］將傳感器姿態測量與信號融合做到精準測量姿態角。Sucerquia A 等人［5］設計制造了一種新型可穿戴壓敏鞋墊，從鞋墊傳感器中獲取壓力信息，進而分析人的步態情況。Heng W Z等人［6］只使用一個加速度計，通過加速度計測到的數據來判斷老年人的跌倒風險。因此，正確使用傳感器是實現智能化的基礎。

目前被大家熟知的計數算法主要包括零速檢測法、自相關分析法、譜分析法、有限狀態機法以及波峰檢測法等。自相關分析法主要依據所采集數據之間的相關性和閾值設置來判斷［7］，此種方法容易受到與檢測無關的信號的擾動。Cho Y等人［8］根據不同的運動方式設置不同的加速度閾值來實現計算步數的功能，準確率很高。朱莊生等人［9］在設定的時間內設置多個閾值，需要同時滿足多條件，才會計一步。王鑫等人［10］利用電容式傳感器和卡爾曼濾波實現對紙張的精準計數。以上相關算法大多應用于紙張計數和步數計數，很少涉及到關于體測指標的計數，因此要根據體測的具體情況設計檢測算法。

針對以上問題，在峰值檢測算法的基礎上改進設計一種自適應峰值檢測算法，依靠運動時腿部產生的加速度與運動狀態之間的關系，分析每一個腿部動作所對應的最大加速度，設置加速度閾值以識別不同的動作，對不同的動作采取不同的峰值檢測算法參數進行次數的識別。利用高斯濾波器去除偽波峰，利用膝關節抬高角度確保計次動作為標準動作，根據兩項指標的時間限制設置2 min和30 s的時間提醒。通過實驗驗證表明，該算法能很好地實現不同運動狀態下的計次功能，并且所計次數基本為標準動作。

1 系統平臺搭建

1.1 總體設計

系統結構如圖1 所示。實驗平臺通過藍牙適配器USB-HID與JY901 傳感器模塊進行連接。為提高檢測的便利性，檢測模塊使用藍牙連接方式進行數據傳輸，所采用的藍牙傳輸模塊為USB-HID。傳感器通過串口與PC 端連接實現實驗數據的記錄與分析。

圖1 信號采集系統結構

1.2 模塊介紹

姿態角信號采集主要由姿態角傳感器、主控芯片、藍牙模塊和電源模塊組成。姿態角傳感器為JY901，集成了陀螺儀、加速度計和地磁場傳感器。工作電壓3.3 ～5 V，最高200 Hz數據輸出速率。既能高效處理數據，又能降低電池消耗。主控芯片可以持續接收傳感器的數據，數據通過藍牙傳輸到電腦端。姿態角信號采集模塊的尺寸約為51.3 mm×36 mm×15 mm。傳感器模塊JY901，信號輸出豐富，可輸出多種信號，包括三軸加速度、三維角速度、三維角度、三維磁場等。加速度范圍為±16gn，角速度范圍為±2 000°／s，角度范圍為±180°。該模塊信號輸出準確穩定，加速度信號穩定度0. 01gn，角速度信號穩定度為0.05°／s，姿態測量穩定度為0.01°。

2 數據預處理

將采集到的原始數據通過低通濾波的方式去除因噪聲而產生的毛刺，增強數據的實用性和穩定性。Bondan S 等人［11］使用相同的分類算法比較原始數據和低通濾波之后的數據，結果顯示：在大部分情況下，濾波后的數據用于分類的系統性能更好。常用的數據預處理方法包括滑動平均濾波器、低通濾波器和卡爾曼濾波器等［12］。選取高斯濾波方法對采集數據進行預處理。高斯濾波器［13］是一個應用范圍很廣，并在頻率領域里效果很顯著的低通濾波器，ax（t），ay（t），az（t）分別為t時刻x，y，z軸的加速度信號，記，則高斯濾波公式為

式中G（t）＝e（-t2／2σ2）為零均值高斯核，其中，1／σ2＝2.25。以高抬腿x軸加速度為例，高斯濾波前和濾波后的波形如圖2所示。由圖中可以明顯地看出，濾波前后的加速度曲線變化，濾波后的曲線圖濾除掉大部分干擾信號，讓圖像變得更光滑。

圖2 高斯濾波前后加速度波形

3 計次算法

3.1 峰值檢測算法

峰值檢測算法就是根據人體在做相應動作時產生的加速度的曲線變化特征，這種變化特征存在明顯的波峰波谷，1個峰值則記為1 次。用傳感器收集數據時，往往會產生部分噪聲干擾，容易形成偽波峰和偽波谷。因此，在計次時要能準確識別偽波峰，獲取真正的波峰，再進行計次統計。

通過對做高抬腿和坐站動作進行分析，加速度變化為-0.15 ～0.1gn，基于動作特征，波峰檢測算法流程如圖3所示。

圖3 峰值檢測算法流程

1）峰值檢測算法一般會選取三軸合加速度，但經過合加速度與單軸加速度對比發現，x軸加速度更符合計次要求。因此，選取受試者做高抬腿和坐站動作時的x軸加速度數值。2）選取在2 s 內獲得潛在峰值，利用加速度閾值-0.15 ～0.1gn進行初次判斷，排除因傳感器產生的噪聲影響計數正確率。3）根據步驟（2）確定的潛在峰值，對其前后1 s內峰值進行比較，如果潛在峰值最大，則記為1次。

3.2 自相關檢測算法

自相關分析算法是根據加速度相鄰2個變化周期之間的相關系數來判斷是否完成1次動作。當測試人員在做高抬腿和坐站動作時，因腿部運動產生的加速度呈規律性變化，根據其規律性變化實現計次。該算法就是利用當前計次的加速度變化范圍和上一計次的加速度變化范圍之間的關系，根據其關系的具體大小來判別次數。具體操作過程如下：

1）獲得1次周期變化的加速度標準差

式中u為該周期內加速度序列｛a1，a2，…，an｝的均值。根據不同的人測試過程所展現的加速度序列的差異，經過多次試驗確定標準差的閾值設置為0.2。

2）計算2次計次之間的自相關系數

式中μ（m，t）和σ（m，t）分別為加速度序列｛a（k），a（k＋1），…，a（k＋t＋1）｝的均值和標準差。但即便是相同的動作，不同的人來做所得到的結果也不完全一致。因此，t是一個變化的量。將t的變化范圍選定為tmin～tmax，通過將式（4）計算自相關系數ρ（m，t）。當ρ（m，t）達到最大值時，t值為加速度變化一個周期的時間

經過多次計算，分析每次獲取加速度自相關系數之間的差異，多次試驗后獲取閾值0.5 進行計次判斷。自相關算法流程如圖4所示。

圖4 自相關檢測算法流程

3.3 自適應峰值檢測算法

3.3.1 算法原理

在常規峰值檢測算法中，通常利用固定時間窗口、固定加速度閾值達到計次、計數或者計步的要求，但是當動作速度變化周期性不明顯且有標準動作要求時，會導致檢測的準確率下降。同時人們在做高抬腿和坐站動作時的頻率是不一樣的，如果只依據加速度來進行計次，會出現計次結果不準確或者將不標準的動作計入總數內的情況。為了判斷動作做的標準與否，進行自適應加速度閾值和時間鄰域窗口的檢測后，加入角度判別，這樣在實現計次功能的同時，確保所有計次動作滿足標準要求。

3.3.2 閾值設置

將做高抬腿和坐站動作時采集的加速度數據對比可知，兩種動作加速度峰值是有差異的（如圖5 所示）。對采集到的加速度數據進行統計，如圖6所示。統計結果顯示：做標準高抬腿動作時，加速度峰值有98%在［0.1，0.5］gn；做標準坐站動作時，加速度峰值有99%在［0，0.1］gn。故此，加速度變化幅值可作為區分2個動作的閾值。另外，根據國家標準，對做高抬腿動作的腿抬高高度設置角度為大于等于80°，此角度閾值同樣滿足坐站動作的標準需求。根據人體正常做標準高抬腿動作時的頻率設置時間閾值為［0.96，1.76］s，而做標準坐站時的頻率設置時間閾值為［1.58，3.75］s。

圖5 高抬腿與坐站加速度差異

圖6 最大加速度分布

3.3.3 自適應峰值檢測算法

自適應峰值檢測算法根據做高抬腿和坐站動作時的加速度變化與時間頻率的不同實現計次，利用角度變化確定動作標準與否。算法流程如圖7所示。

圖7 自適應峰值檢測算法流程

1）利用滑動固定時間窗口確定加速度潛在峰值，限制加速度閾值進行初次判斷。峰值小于0.1gn為坐站動作，大于等于0.1gn為高抬腿動作。2）計算潛在峰值與前一峰值的時間差，利用2 個動作的頻率不同進行第二次識別。時間差在［0.96，1.76］s內為高抬腿動作；在［1.58，3.75］s內為坐站動作。高抬腿動作的前后鄰域設置為1 s，坐站動作的前后鄰域設置為2 s，若確定的潛在峰值在前后鄰域內為最大值，則進入角度判別。3）判斷此時的膝蓋彎曲角度是否大于等于80°，如符合要求，則記1 次；如不符合角度閾值設置，則重新計次。4）根據首次判斷的動作，設置時間要求為2 min或者30 s，知道提示時間結束，顯示總次數，計次完成。

4 試驗與結果分析

4.1 試驗設計

根據國家體質檢測對2 min原地高抬腿和30 s坐站的動作標準設計試驗過程如下：2 min 原地高抬腿的動作要求，受試者在2 min內快速的進行左右腿交替高抬腿動作，腿抬高角度約為80°（膝蓋抬高的高度與受試者同側髂棘和髕骨垂直距離的中點高度相當），具體動作分解如圖8（a）所示。30 s 坐站動作要求，受試者端坐在方箱上，雙臂交叉放在胸前，背部保持挺直狀態，受試者快速站起呈完全直立姿勢后再坐回方箱（高43 cm）上，此時記為1 次坐站，具體動作分解如圖8（b）所示。

圖8 高抬腿動作和坐站動作分解

為驗證檢測算法的準確性，每組受試者隨機做8 個不標準高抬腿動作。針對以上動作標準結合搭建的系統平臺選取4人進行試驗，并將采集到的16組數據進行計數統計和算法分析。

4.2 試驗結果與分析

根據以上采集的所有數據，分別采用3 種檢測方法進行處理，處理結果如表1。圖9 為高抬腿和坐站動作計次效果。

表1 高抬腿動作和坐站動作結果對比

圖9 高抬腿動作和坐站動作計次效果

由圖10可看出，3 種檢測算法都能實現對體測指標高抬腿和坐站動作的計次要求，其中峰值檢測算法準確率在91.25%左右，自相關檢測算法的準確率在92.75%左右，而自適應峰值檢測算法的檢測正確率可達到98.25%以上。但是，從表1中可以看出，峰值檢測算法和自相關檢測算法對于不滿足標準的動作也計入總數內。因此，以角度為基礎的計次，更符合高抬腿和坐站動作需求。由表1 的統計結果可知，自適應峰值檢測算法不僅能準確識別動作次數還能自動過濾掉不標準的動作，符合體測的要求。

圖10 不同算法計次正確率

5 結 論

針對常規峰值檢測算法對人體姿態和動作識別能力差的問題，設計了一種能自適應判斷不同運動狀態的自適應峰值檢測算法，在滿足腿部抬高一定角度的標準動作下實現計次。該算法在融合峰值檢測算法的基礎上對不同動作的加速度有良好的適應性，通過對不同運動狀態參數的設置，確定潛在峰值區間、時間閾值、改變鄰域窗口實現精準計數。測試結果表明，高抬腿動作計次正確率可達到99.75%，坐站動作計次正確率可達到98.25%以上。為促進體質檢測技術集成化和智能化的發展提供了算法基礎。