基于惯性传感器信息融合的人体步态采集分析系统及方法与流程

本发明涉及了一种基于惯性传感器信息融合的人体步态采集分析系统及方法。

背景技术：

康复助残下肢外骨骼和军用负重外骨骼需要帮助穿戴者行走站立或者辅助穿戴者承载，二者应具有协调一致的步态规律。为实现下肢外骨骼良好的步态跟踪与控制，并提高其动态稳定性，需对穿戴者的步态数据进行步态信息采集和步态数据的分类、跟踪与预测等分析。

(1)随着传感技术和数字化技术的发展，可用来检测人体运动步态信息的方法也越来越多，常用的方法主要包括图像序列解析、肌电信号检测、角度/角速度检测和加速度计检测等。

(2)图像序列解析:利用计算机视觉技术从图像序列中检测运动及运动物体并对其进行运动分析、跟踪或识别；肌电信号检测：表面肌电信号是一种复杂的表皮下肌肉电活动在皮肤表面处的时间和空间上的综合结果，通过机电传感器检测人体表面的肌电信号，对其进行运动步态检测与分析；角度/角速度检测：通过陀螺仪等角速度传感器输出数据进行积分运算，计算人体运动角度，进而进行人体步态跟踪预测分析等；加速度计检测方法：利用加速度传感器检测重力矢量分量，计算人体肢体运动角度进而进行步态跟踪和分析运算等。

图像序列解析：实时检测步态数据上成本大、数据处理量大且延时严重

肌电信号检测：所用的传感器及配套装置价格高，信号识别分类难度大，并且肌电信号检测受到检测位置、汗水、温度等的影响，很容易受到信号干扰，可重复性不高

角度/角速度检测：由于采用积分算法，导致误差持续累积，使得所求关节角误差逐渐增大

加速度计检测方法：仅适用于静态解算，未推广至动态关节角度解算。

技术实现要素：

本发明的技术解决问题是：克服现有技术的不足，提供了一种基于惯性传感器信息融合的人体步态采集分析系统及方法。

本发明的技术解决方案是：基于IMU信息融合的人体步态采集分析系统，包括至少2片IMU传感器、2片三轴加速度计传感器、控制器、上位机；

其中两片相同的IMU传感器安装在人体至少一侧的大、小腿上，且保证同轴同向安置于大腿和小腿外侧位置，用于将其敏感到的大、小腿肢段的加速度、角速度信息传输至控制器；

两片相同的加速度计传感器同轴同向安置于一块条形钢板上，且保证传感器敏感轴x轴方向平行于钢板长边、敏感轴z轴方向平行于钢板短边，并将条形钢板安装在腰部后背中心位置，且保证钢板长边与人体脊柱方向相平行并记录安装位置到髋关节转轴距离，用于敏感人体腰部脊柱方向的加速度信息并传输至控制器；

控制器根据接收到的大、小腿肢段的加速度、角速度信息得到膝关节角度信息传输至上位机，根据接收的人体腰部脊柱方向的加速度信息进行差分运算，得到人体腰部的姿态信息传输至上位机；

上位机根据接收到的膝关节角度信息结合穿戴者腿长得到穿戴者步频与步长信息，再根据腰部姿态信息结合腰部加速度计传感器安装位置信息得到穿戴者步频与步长信息，根据这两种步频与步长信息确定最终穿戴者更可靠的步态信息并存储；步态信息存储完成后，根据每一时刻的步态信息，对不同步态进行分类；最后根据当前时刻步态数据和之前时刻步态信息，建立人体步态预测模型，进行步态预测。

进一步的，控制器根据接收到的2个加速度传感器的人体腰部脊柱方向的加速度信息得到人体腰部脊柱方向姿态信息，具体实现方式如下：首先，定义人体背部坐标系o-xyz，人体背部沿着脊椎向上方向为x轴正方向，人体背部平面与水平面交线左侧方向为z轴正方向，与x、z轴垂直前向方向为y轴正方向；

然后根据2个加速度计传感器的三轴加速度信息采用差分解算方法得到滤去运动导致的动态误差之后的三轴加速度信息a，该加速度信息即为人体背部坐标系下分量a_x、a_y、a_z，a_x、a_z为人体背部姿态下的重力矢量分量；

最后根据重力矢量分量信息即可计算出人体背部姿态信息的大小：俯仰角和横滚角g为重力加速度；俯仰角为绕着z轴方向旋转的角度，横滚角为绕着y轴方向旋转的角度。

进一步的，所述的差分解算方法具体如下：同轴同向安装在一块钢板上的2个加速度计传感器采集的加速度分别为a₁、a₂，其与重力加速度g、两个加速度计传感器的安装矢量R₁、R₂、安装位置r₁、r₂、旋转角速度ω₁、ω₂相关，则采用差分解算方法滤出运动干扰加速度后的值为：

进一步的，控制器根据接收到的大、小腿肢段的加速度、角速度信息得到膝关节角度信息，具体实现方式如下：

首先，根据加速度信息采用重力矢量投影方法计算得到大、小腿肢段加速度姿态信息；

然后，根据陀螺仪输出角速度信息采用积分算法得到大、小腿肢段角速度姿态信息；

之后，根据大、小腿肢段角速度姿态信息和加速度姿态信息进行信息融合得到处理后的大、小腿肢段姿态信息；

最后根据融合后的大、小腿肢段姿态信息之差得到膝关节角度信息。

进一步的，所述的信息融合步骤如下：

(1)、针对角速度姿态信息计算建立状态方程其中X₁为根据陀螺仪输出计算的角速度姿态信息，X₂为陀螺输出误差，u_k为陀螺仪输出角速度信息，T为计算时间间隔；

(2)针对加速度计计算姿态信息建立量测方程其中Y_k为根据加速度计输出计算的角速度姿态信息，R_k为加速度计输出误差；

(3)根据每k时刻陀螺仪和加速度计输出值进行递推计算，计算出处理后的大、小腿肢段姿态信息。

进一步的，上位机根据每一时刻的步态信息，采用支持向量机算法建立步态分类模型，利用步态分类模型对不同步态进行分类。

进一步的，所述的之前时刻步态信息至少为当前时刻之前的四个时刻点的数据。

进一步的，一般选择4-7个时刻点数据。

进一步的，建立人体步态预测模型采用对神经网络模型进行的方式实现，其中神经网络的输入量为：

其中I_m为输入量，为当前时刻的前N时刻的步态信息；

输出量为：其中O_m为输出量，为当前时刻的步态信息。

基于惯性传感器信息融合的人体步态采集分析方法，步骤如下：

(1)在人体至少一侧的大、小腿上安装两片相同的IMU传感器，且保证同轴同向安置于大腿和小腿外侧位置，用于将其敏感到的大、小腿肢段的加速度、角速度信息；

将两片相同的加速度计传感器同轴同向安置于一块条形钢板上，且保证传感器敏感轴x轴方向平行于钢板长边、敏感轴y轴方向平行于钢板短边，并将条形钢板安装在腰部后背中心位置，且保证钢板长边与人体脊柱方向相平行并记录安装位置到髋关节转轴距离，用于敏感人体腰部脊柱方向的加速度信息；

(2)将大、小腿肢段的加速度、角速度信息进行处理得到膝关节角度信息；根据接收的人体腰部脊柱方向的加速度信息进行差分运算，得到人体腰部的姿态信息；

(3)根据膝关节角度信息结合穿戴者腿长得到穿戴者步频与步长信息；根据腰部姿态信息结合腰部加速度计传感器安装位置信息得到穿戴者步频与步长信息；

(4)根据步骤(3)中的两种步频与步长信息确定最终穿戴者更可靠的步态信息并存储；

(5)预设时间段内的步态信息存储完成后，根据每一时刻的步态信息，采用支持向量机算法建立步态分类模型，对不同步态进行分类；

(6)最后根据当前时刻步态数据和之前时刻步态信息，采用神经网络，建立人体步态预测模型，进行步态预测。

本发明与现有技术相比有益效果为：

本发明系统和方法与外骨骼机器人相配套，目前，不管在民用康复助残行走训练外骨骼机器人控制方面，还是在军用负重外骨骼机器人控制方面，均需要对人体正常步态数据进行步态信息采集和步态数据的分类、跟踪与预测等分析，以便实现下肢外骨骼步态跟踪与控制，并提高其动态稳定性。

本文提出了一种基于惯性传感器信息融合的人体步态采集分析系统及方法。该系统由2个加速度计、2个IMU传感器的惯性传感器网络、绑带、控制器、无线传输模块、上位机组成。该系统可以实现人体步态规律的实时非接触测量，并通过传感器不同输出数据的信息融合处理，建立人体步态规律的准确的数学模型，并融合支持向量机、神经网络模型等算法实现人体步态规律的分类、跟踪与预测。

附图说明

图1为本发明系统示意图；

图2为本发明流程图。

具体实施方式

下面结合附图对本发明做详细说明。

本文提出的系统如图1所示，由2个加速度计、2个MEMS型IMU传感器的惯性传感器网络、绑带、控制器、上位机组成，如图1所示。该系统可以实现人体步态规律的实时非接触测量，并通过传感器不同输出数据的信息融合处理。具体说明如下

(一)传感器布局

两片相同的IMU传感器安装在人体至少一侧的大、小腿上，且保证同轴同向安置于大腿和小腿外侧位置，用于将其敏感到的大、小腿肢段的加速度、角速度信息传输至控制器；

两片相同的加速度计传感器同轴同向安置于一块条形钢板上，且保证传感器敏感轴x轴方向平行于钢板长边、敏感轴y轴方向平行于钢板短边，并将条形钢板安装在腰部后背中心位置，且保证钢板长边与人体脊柱方向相平行并记录安装位置到髋关节转轴距离，用于敏感人体腰部脊柱方向的加速度信息并传输至控制器；

(二)控制器

控制器包括核心处理单元、电源模块、无线通信模块(WIFI或者蓝牙模块)、惯导网络传感器控制与通讯模块等，进行传感器采集控制、传输、存储等工作。控制器通过无线通讯模块将数据传送至上位机进行数据处理分析。电源模块为传感器网络、控制器供电。惯导网络传感器控制与通讯模块主要功能是发送控制指令采集传感器信号并传输回控制器供核心处理单元进行信号处理。

控制器中的核心处理单元主要完成下列两个工作：

1、根据接收到的大、小腿肢段的加速度、角速度信息得到膝关节角度信息传输至上位机，具体实现方式如下：

首先根据加速度信息采用重力矢量投影方法计算得到大、小腿肢段加速度姿态信息；

然后，根据角速度信息采用积分算法得到大、小腿肢段角速度姿态信息，

之后，根据这两种大、小腿肢段姿态信息进行信息融合得到处理后的大、小腿肢段姿态信息；信息融合方法为针对加速度、角速度分别计算的姿态信息特点建立卡尔曼滤波模型建立，具体实现方式如下：(1)、针对角速度姿态计算建立状态方程其中X₁为陀螺计算姿态角，X₂为陀螺输出误差，u_k为k时刻陀螺仪输出角速度信息，T为计算时间间隔；(2)针对加速度计计算姿态建立量测方程其中Y_k为加速度计k时刻计算的姿态信息，R_k为加速度计输出误差；(3)根据每k时刻陀螺仪和加速度计输出值进行递推计算，计算出准确的姿态信息。

最后，根据大、小腿肢段姿态信息之差得到膝关节角度信息。

2、根据接收的人体腰部脊柱方向的加速度信息进行差分运算，得到人体腰部的姿态信息传输至上位机；上述姿态信息的确定步骤如下：

首先，定义人体背部坐标系o-xyz，人体背部沿着脊椎向上方向为x轴正方向，人体背部平面与水平面交线左侧方向为z轴正方向，与x、z轴垂直前向方向为y轴正方向；

然后根据2个加速度计传感器的三轴加速度信息采用差分解算方法得到滤去运动导致的动态误差之后的三轴加速度信息a，该加速度信息即为人体背部坐标系下分量a_x、a_y、a_z，a_x、a_z为人体背部姿态下的重力矢量分量；

上述差分解算方法具体如下：同轴同向安装在一块钢板上的2个加速度计传感器采集的加速度分别为a₁、a₂，其与重力加速度g、两个加速度计传感器的安装矢量R₁、R₂、安装位置r₁、r₂、旋转角速度ω₁、ω₂相关，由于两传感器安装在同一块钢板上，所以两传感器敏感到的角速度相同，则采用差分解算方法滤出运动干扰加速度后的值为：

最后根据重力矢量分量信息即可计算出人体背部姿态信息的大小：俯仰角和横滚角g为重力加速度；俯仰角为绕着z轴方向旋转的角度，横滚角为绕着y轴方向旋转的角度。俯仰角方向根据a_x、a_y方向确定，横滚角方向根据a_z方向确定。

(三)上位机

上位机根据接收到的膝关节角度信息结合穿戴者腿长得到穿戴者步频与步长信息，再根据腰部姿态信息结合腰部加速度计传感器安装位置信息得到穿戴者步频与步长信息，根据这两种步频与步长信息确定最终穿戴者更可靠的步态信息并存储；步态信息存储完成后(每种外骨骼步态控制需要的步态情况均采集最少行走10个周期)，根据每一时刻的步态信息采用支持向量机算法建立步态分类模型，对不同步态进行分类，为外骨骼步态分类控制提供理论依据；最后根据当前时刻步态数据和之前时刻步态信息，采用神经网络，建立人体步态预测模型，得以对外骨骼步态预测控制提供理论依据。具体建立人体步态预测模型的步骤如下：

(3.1)保存每一时刻步态信息；

(3.2)计算神经网络模型每时刻的输入量：其中I_m为输入量，为当前时刻k的前N时刻的步态信息；

(3.3)计算神经网络模型每时刻的输出量：其中O_m为输出量，为当前时刻的步态信息；；

(3.4)选择合适的神经网络模型，本文采用RBF神经网络，将每时刻的输入量和输出量加载至RBF神经网络模型中，进行训练；

(3.5)导出训练好的RBF神经网络模型参数，用于步态信息预测。

如图2所示，本发明基于惯性传感器信息融合的人体步态采集分析方法，步骤如下：

(1)在人体至少一侧的大、小腿上安装两片相同的IMU传感器，且保证同轴同向安置于大腿和小腿外侧位置，用于将其敏感到的大、小腿肢段的加速度、角速度信息；

将两片相同的加速度计传感器同轴同向安置于一块条形钢板上，且保证传感器敏感轴x轴方向平行于钢板长边、敏感轴y轴方向平行于钢板短边，并将条形钢板安装在腰部后背中心位置，且保证钢板长边与人体脊柱方向相平行并记录安装位置到髋关节转轴距离，用于敏感人体腰部脊柱方向的加速度信息；

(2)将大、小腿肢段的加速度、角速度信息进行处理得到膝关节角度信息；根据接收的人体腰部脊柱方向的加速度信息进行差分运算，得到人体腰部的姿态信息；

(3)根据膝关节角度信息结合穿戴者腿长得到穿戴者步频与步长信息；根据腰部姿态信息结合腰部加速度计传感器安装位置信息得到穿戴者步频与步长信息；

(4)根据步骤(3)中的两种步频与步长信息确定最终穿戴者更可靠的步态信息并存储；

(5)预设时间段内的步态信息存储完成后，根据每一时刻的步态信息，采用支持向量机算法建立步态分类模型，对不同步态进行分类，为外骨骼步态分类控制提供理论依据；

(6)最后根据当前时刻步态数据和之前时刻步态信息，采用神经网络，建立人体步态预测模型，为外骨骼步态预测控制提供理论依据。

方法中具体步骤的实现可以与系统采用相同的处理方式，此处不过多进行赘述。

本发明未详细说明部分属于本领域技术人员公知常识。