找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
查看: 9656|回复: 4
打印 上一主题 下一主题
收起左侧

使用多个惯性传感器进行动作捕捉相关设计方案(防止老年人跌倒)

[复制链接]
跳转到指定楼层
楼主
ID:382336 发表于 2018-9-10 19:32 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
摘要

近坠检查对于医学研究来说非常重要,因为它可以帮助医生诊断与跌倒相关的疾病,同时也可以提醒医生和患者可能的跌倒。然而,在人们的日常生活中,近瀑布与其他日常生活活动(ADLs)有很多相似之处,这使得近瀑布很难被发现。为了发现adl与近身下降之间的细微差别,准确地识别出后者,整个人体的运动需要被电脑生成的化身捕捉和显示。

本文采用一个由中央控制主机和十个传感器节点组成的无线惯性运动捕获系统来捕获人体运动。系统中的十个传感器节点都有一个三轴加速度计和一个三轴陀螺仪。它们分别附着在人体的不同位置上,记录人体的角度和加速度数据,利用基于欧拉角的算法来捕捉人体的运动,具体来说就是单旋转顺序算法和最优旋转顺序算法。

根据捕获10个adl的实验结果,单旋转阶算法和最优旋转阶算法都能在不明显失真的情况下跟踪正常人体运动,而最优旋转阶算法具有较高的精度和较低的数据漂移。与以往的磁力计惯性系统相比,该系统降低了硬件复杂度和软件计算量,同时保证了捕获人体运动的合理准确性。

1介绍



本论文基于正在进行的“瀑布与近瀑布评估研究与评估”(大张旗鼓)项目,该项目的目标是结合不同的瀑布与近瀑布研究技术,保护老年人不跌倒。


本章首先介绍了运动捕捉系统的开发动机和选择惯性传感器的原因。然后给出本文工作的目标和主要贡献,然后是论文的提纲。



1.1的动力


由于生活水平的提高和医疗保健的进步,越来越多的加拿大老年人独自生活在家中,几乎没有受到任何监督。然而,这些老年公民中的大多数在发生紧急情况时仍需要某种程度的监测。在这种紧急情况下,医务人员不可能持续监测这些人。一个主要的担忧是这些在家办公的老人可能会摔倒并受伤——这是日常生活中经常发生的意外事件。超过三分之一的65岁以上的人每年至少会摔倒一次,其中约有10%到15%会造成严重伤害[1,2]。为防止老年人提前跌倒,应考虑近坠检测。


近坠检测对于医学研究帮助医生诊断与跌倒相关的疾病是非常重要的,同时也可以帮助医生和患者(家庭)警惕近坠,提前保护老年人,防止与跌倒相关的伤害。近降是指在下降和正常活动之间的一种状态,可以认为是潜在的下降。由于不同的人对近坠有不同的感受,所以很难给它下一个定义。从根本上说,近距离摔倒可以看作两步动作:第一步是主体失去平衡,第二步是主体立即恢复平衡。在人们的日常生活中,随时随地都可能发生近坠现象。如果人们不能控制自己的平衡,那么一个接近的下跌很容易变成一个真正的下跌。因此,研究和检测近震是非常重要和必要的。

现有的研究主要集中在跌落检测方面,而对近跌落检测的研究很少。以[3]为例,提出了一种基于单带运动传感器的跌落检测系统,该系统可以检测出四种类型的跌落(向前、向后、向左、向右倾斜)以及其他预先选定的正常活动,准确率为97%。在[4]中,C. Dinh等人提出了基于模糊逻辑和神经网络的实时跌落检测方法。通过在人体上安装一个加速度计,它可以检测到四种类型的跌落(向前、向后、横向和崩塌),准确率高达94%。提出了一种基于模糊一类支持向量机的跌落检测系统。在该系统中,使用两台摄像机来捕捉运动,结果表明99%的瀑布都能被正确检测到。虽然这些系统可以以很高的精度捕获不同的瀑布,但当使用它们进行接近瀑布检测时,准确率会显著下降。目前的瀑布探测系统通常根据瀑布和正常活动之间的不同特征来探测瀑布。然而,在接近瀑布时,人们身体的位置或方向、心率和血压的变化并不像在瀑布时那么显著。此外,近瀑布与其他日常生活活动(adl)有许多相似之处,这使得近瀑布很难被识别和识别。与此同时,上述系统只能告诉医生有跌落发生,但无法提供更多关于跌落是如何发生的以及受试者在跌落发生前做了什么事情的信息。由于人体可能有不同的生理特征,比如走路的方式和坐姿,所以只有被检测到的跌倒并不能帮助医生诊断个别受试者跌倒的原因。此外,研究人员无法在实验室环境中找到产生“真正的”近地坠落”的好方法,这使得近地坠落的研究非常困难。


从临床角度来看,为了研究和检测近坠,最有效和直接的方法是监测人体在近坠发生时的运动,比如视频。然而,在现实生活中,不可能在人们的房子里安装摄像头,并在考虑到保护人们隐私的基础上不断地捕捉运动。为了避免这一问题,同时还能记录有用的运动信息,本研究采用了运动捕捉技术。近落点探测是一个非常具有挑战性的课题,也是整个大张旗鼓项目的目标。作为大张旗鼓项目的一部分,本文的目标是使用动作捕捉技术来持续记录受试者正常活动的动作,并通过计算机化身来展示这些动作。通过观看阿凡达播放这些ADL动作,医生可以直观的研究和分析正常活动的相关特征,以后可以用于正常活动中的准跌落检测和识别。运动捕捉技术也可以与跌落检测系统相结合,以提高精度。通常坠落检测系统不是100%准确。通过结合动作捕捉系统,一旦检测到摔倒,医生可以使用收集到的动作信息生成一个虚拟化身,重复这个动作,进一步检测它是真正的摔倒还是正常的活动。


运动捕捉是一种实时记录人体或其他系统运动信息,并使用记录信息显示运动的过程。它被用于机器人[6,7]、合成环境以及教育[8]、培训[9,10]和娱乐[11,12]的工具。它也显示了在近地下降探测应用中的巨大优势。有了运动捕捉系统,可以避免不断监测受试者的心率、肌肉强度或血压。同时,运动捕捉提供了身体各部分的运动信息,便于近身检测算法的实现。

近年来,在虚拟现实、生物力学和生物医学等领域,为人体运动捕捉技术开发了大量的运动捕捉系统。这些系统包括机械传感系统、光学传感系统、声学传感系统、磁传感系统和惯性运动捕捉系统。机械运动捕捉系统,如吉普赛[13]和测量和ShapeWrap[14]使用外骨骼连接到铰接的身体部分来测量关节角度。然而,佩戴外骨骼不仅会限制表演者的实际动作,而且会在很长一段时间内让人不舒服。光学运动捕捉系统通常是基于测量光源发出的光或物体反射的光。典型的系统是Vicon[15]和Qualisys[16]。它受到计算机动画界和电影业的青睐。但它的缺点也很明显:它依赖于一些复杂的设备,比如特殊的光源发生器、标记或摄像头,这些设备限制了房间空间的活动范围。声学/超声波跟踪系统,如蟋蟀定位系统,通过计算发电机和标记[17]之间的距离来检测位置。它要求在测试环境中的不动点上放置一个或多个声音产生装置,并在人体的部分上附加几个声音标记。声学传感器通常比机械传感器提供更大的探测范围。然而,由于风速、温度和环境中的气流等因素都影响声速,从而影响距离检测的准确性,因此它们的准确性会受到不同因素的影响。通过安装在人体各节上的小磁传感器来感知地球磁场或人工产生的磁场,还可以获得位置和方向信息。多年来,这一直是一种流行的运动跟踪方法。然而,不幸的是,这些磁性系统往往有很高的功耗,它们对环境中的铁磁体极为敏感。

理想的运动捕捉技术必须满足几个要求。该系统成本低、功耗低,能够承受光学、声学或电磁噪声等环境干扰,能够跟踪多个用户并保持合理的精度,可在不同环境下使用,不受距离限制。上述运动捕捉系统不能满足描述的需求的主要原因是依赖于人工生成的“源”和标记来确定方向和位置信息[18,19]。那些“来源”,并标记在光学和声学系统中,就可以很容易地看到它的光源(如激光、红外和灯泡)或声音发电机应首先放在固定的点在实验室环境和标记应附加测试人员接收的信号“来源”。


摘要近年来,随着微电子机械惯性传感器的发展,基于被动测量物理量来确定传感器的定位成为可能。惯性传感器避免了与当前技术相关的问题,最终允许在几乎无限的范围内捕捉运动。惯性传感器运动捕获系统通常使用加速度计测量重力相关矢量和陀螺仪测量角速度的变化。目前有各种各样不同的惯性传感系统被提出和发展,以解决特定的问题。例如,在[20]中使用可穿戴微惯性传感器(加速度计和陀螺仪)提出了一种无处不在的人体上肢运动捕捉系统。在[21]中,一个三轴加速度计被用来监测某些人的运动和姿势。此外,在[22]中还提供了一个同时使用加速度计和陀螺仪的跌倒检测系统,用于识别四种静态姿势:站立、弯曲、坐卧。现有的惯性运动捕捉系统通常检测人体的某些部位,或只检测特定类型的运动。本文提出了一种利用惯性传感器的无线运动捕捉系统,该系统可以捕捉到我们日常生活中几乎所有的基本日常活动。同时,所记录的运动信息可进一步用于医学研究中的近地落点检测。



1.2目标与贡献


本文提出了一种基于惯性传感器的无线运动捕获系统,用于记录相关运动信息并捕获选定的10个adl。适应的可移植性和多种户外要求人体动作捕捉系统,所以那些被监控仍然能够执行日常活动-传感器单元包含一个tri-axis加速度计和tri-axis陀螺仪,不需要任何额外的光源或声音发电机。这个基于惯性传感器的运动捕捉项目的主要目标包括:


?使用低成本和低功耗可穿戴动作捕捉系统捕捉ADLs接近摔倒的研究。


?发展低基于欧拉角算法ADL动作捕捉。?构建视觉计算机阿凡达模型显示主体的动作。


本项目提出的运动捕捉系统的主要贡献如下:


?这个动作捕捉系统可以捕获完整的人类身体动作有些以前的研究只能检测人体运动的一部分。实验中选取的10个adl几乎涵盖了老年人日常生活中的所有基本活动,而以往的研究只关注其中的一些运动。


?可以减少硬件成本只用加速度计和陀螺仪等相结合的磁力计Quaternion-based动作捕捉系统(23、24)。前者可以降低硬件的复杂性和成本。


?相比传统的欧拉angle-based算法[25],一个最佳的旋转算法获得精度高。


?创建的《阿凡达》动画可以极大地帮助医生在研究和分析正常活动的特点,基于这医生可以进一步研究near-falls的特性。同时,这个动画可以给医生直观的图片,告诉他们跌倒是如何发生的,并帮助他们诊断与跌倒相关的疾病。


如上所示,该惯性传感器运动捕获系统不仅在医学研究中显示出巨大的潜力,在近距离探测中,也在其他应用,如计算机动画,视频游戏和虚拟现实。



1.3论文大纲


本文的其余部分结构如下:第二章回顾了刚体定位的不同表示方法。介绍了现有的人体运动建模算法。第三章介绍了基于欧拉角的人体运动捕获算法。详细讨论了单旋转顺序算法和最优旋转顺序算法。第四章讨论了用于人体运动捕捉实验的微光传感器系统的硬件结构。本章还介绍了SHIMMER平台中使用的TinyOS环境和NESC语言。第五章介绍了实验的环境和实验步骤。实验的一些准备工作在实施前已经完成,包括传感器的校准、过夜漂移测试和测量。第六章介绍了基于欧拉角的人体运动捕获算法的实现,并对实验结果、数据处理和仿真分析进行了讨论。并与以往的惯性运动捕获系统进行了比较。最后一章是简短的总结和结论。同时也为进一步的研究提供了建议。


2运动捕捉



20世纪70年代和80年代,运动捕捉(或运动跟踪)最初是生物力学研究中的一种摄影测量分析工具。随着[26]技术的成熟,这一技术后来扩展到教育、培训、体育,最近又扩展到电视、电影和视频游戏的电脑动画。运动捕捉的主要任务是及时记录系统(在本例中是人体)的相关运动数据,以便即时或延迟分析和回放。除了捕捉身体运动的方位和位置信息外,该技术还被应用于面部和肌肉块的变形检测;例如区分手势[27]。

本节介绍了人体运动捕捉的背景,包括人体运动捕捉中坐标系的概念和刚体方向表示方法。在此基础上,讨论了现有的几种运动捕获算法以及已有的几种运动捕获系统。



2.1人体运动捕捉中的坐标系


为了表示刚体的方向,通常选择附加在合适惯性坐标系上的坐标系,然后描述这些坐标系内的所有向量。人体运动捕获系统通常有两种坐标系:参考坐标系和人体坐标系。参考坐标通常指向一些在运动过程中没有改变的固定方向。因此,在参考坐标系中,其他坐标系的旋转和位移都可以表示为一些动态运动序列。而体坐标系是根据安装的传感器来定义的,为运动分析提供了测量依据。


在讨论人体运动捕捉方法之前,有必要定义几种方法


- - - - - -

论文中使用的符号。在这里,选择earth作为reference, let -, - and


轴线分别为向南、向东、向向上辐射的正交参考坐标系。是

身体坐标的正交三轴对齐到传感器电路板的X, Y, z轴。由于传感器板附着在体节上,忽略运动中肌肉的任何变形,因此体节可以表示为在体坐标系中不变的向量。地-体坐标系对构成描述人体运动的坐标系。



Z e                                                                      Z b






yexb




X e                                                                      Y b


2.1地球坐标系和人体坐标系


图2.1显示了人体运动捕捉中使用的地球坐标系和人体坐标系。将重力方向与加速度计和陀螺仪测得的角信息相结合,可以把身体运动看作是在地球坐标系中的身体坐标的旋转。运动捕获的主要任务是利用惯性信息找到两个坐标系之间的关系。



2.2刚体方向表示方法


人体可以被建模为一组相关的刚体。刚体是忽略变形的有限尺寸实体的理想化。在不变形的情况下,连杆、关节、肢节和躯干可以简化为固定形状的节段,排列成树状结构。指定身体的姿势或姿态涉及到描述每一节的位置和方向。结构中各个环节之间的自然关系将决定各个部分的位置和方向是单独描述还是相对描述。具体来说,肌肉和骨骼结构限制了各个部分的运动范围。因此,要正确模拟人体运动,必须考虑许多因素。这些因素包括表示所有方向、计算效率、存储容量和算法的能力。

刚体为固体,完全非弹性,为可变形体提供了方便的简化模型,对运动建模的限制较少。有许多方法用来表示刚体的方向,但每一个都有一些警告。可能的方法包括方向余弦,欧拉角,齐次矩阵和四元数和矢量角对。



2.2.1方向余弦


向量的方向余弦是向量与三个坐标轴[28]之间的角度的余弦。


Z e


2.2方向余弦


那么,


(2.1)


其中,表示与对应轴对齐的单位向量。。方向余弦是





(2.2)



(2.3)



(2.4)





(2.5),


在哪里,方向角,向量和正向量之间的角

——设在。


方向角表示简单直观。然而,由于它不能描述刚体的动态变化,特别是当坐标随时间变化时,因此在体运动捕获系统中并不常用。



2.2.2欧拉角旋转


传统的方向表示方法之一称为欧拉角,它描述刚体的方向使用三个旋转对应于指定的轴。利用欧拉角,任何坐标系都可以看作是参考坐标系[29]连续旋转的集合。



2.3欧拉角


如图2.3所示,欧拉角为与、轴对应的三个旋转角。欧拉角是通过考虑旋转产生的


所述的平移角可表示为横摇(或横摇)、俯仰(或由横轴、横轴、横轴、横轴、横轴、横轴等组成


仰角)和偏航(或方位角)分别。

用欧拉角来表示旋转是很简单的。新坐标中的向量可以用旧坐标中的相同向量乘以相应的旋转矩阵来表示。然而,三角函数的奇异性是欧拉角旋转的主要缺点。



2.2.3同构矩阵的转换


齐次矩阵是既包含位置信息又包含旋转信息的矩阵。在机器人技术中,参考坐标中的位置被定义为位置向量[30]

(2.6)



(2.7)

X e



然后,

2.4向量[30]的一般变换

(2.9)

wh



代表                                                                       atrix是齐次变换,

通常表示为。该方法既包含了刚体的位置信息,又包含了刚体的方向信息,可以更直接、更全面地描述刚体的运动。然而,齐次矩阵也存在奇点问题。



2.2.4四元数和矢量角对


四元数是一个扩展复数的数字系统。1843年,爱尔兰数学家威廉·罗文·汉密尔顿爵士首次对其进行了描述,并将其应用于三维空间[31]中的力学。

四元数使用三个“虚构”部分和一个“真实”部分。虚部通常被认为是一个向量。实部称为标量。四元数可以由


(2.11)


(2.12)


其中,为三维空间的标准正交基,为虚部向量,为实部。直观上,这三个虚部描述了a

矢量和实部表示矢量的旋转角度。四元数具有以下[31]性质

(2.13) (2.14) (2.15) (2.16)


对于任何给定的四元数,都有两个可以使用的单位四元数





    (2.17)

表示它。他们是

它们都表示相同的方向。在这里,被用作单位四元数和


(2.18)

同样,四元数也可以写成复数的三角函数,

9)

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?1 = ? ? ? ? ? ? 1?1                                                                       (2.20)

上述方程的平移,其中向量。

图2.5显示了一个围绕矢量旋转的几何接口


2.5四元数旋转算子几何[32]的事实,向量可以认为是四元数与

作为一个问题                                                                        实部被


零。这种表示被称为矢量角对,它只使用一个矢量和一个旋转角度来描述三维空间中的旋转。这种方法避免了奇点,只涉及两个三角函数而不是三个连续的欧拉旋转。然而,这种方法需要更多的方向信息来评价新的旋转四元数除了地球引力。为了获得这一信息,人们通常使用加速度计、陀螺仪和磁强计作为传感器节点,它不仅可以检测重力的方向,还可以检测地球磁场的方向。


方向余弦、欧拉角、齐次变换矩阵和四元数、矢量角对在图形和机器人领域都得到了广泛的应用。方向余弦既简单又直观。但是,在表示动态旋转时出现了一些困难。齐次变换矩阵既包含旋转方向又包含位置信息,可以直接、全面地描述运动。而使用矩阵将不可避免地增加计算复杂度。四元数和向量对只需要存储7个数字,而在齐次矩阵中需要存储16个数字来表示旋转。虽然这种方法在运动捕获应用中得到了广泛的应用,但是为每个传感器节点添加磁强计将涉及到硬件和软件的复杂性。



2.3现有的身体运动捕捉算法


近年来,利用加速度计、陀螺仪等惯性传感器跟踪人体各部位运动的尝试越来越多。加速度计根据重力测量运动物体的加速度,陀螺仪测量旋转角速度。这些传感器还可以与磁强计结合使用,磁强计可以在运动过程中探测到地球磁场的方向。由于对这一领域的研究已经进行了多年,在此基础上讨论了多种基于不同方向表示方法的算法。例如,四元数姿态滤波器在[18,33]中得到了应用,目前在惯性传感器和磁传感器联合使用时被广泛应用于人体运动捕捉。另一个例子是使用在[34]中可以找到的齐次矩阵。这种方法在机器人技术中很流行,它既考虑了每个部分的方向,也考虑了运动过程中整个身体的位置变化。

相对于其他方法,方向余弦更容易在三维空间中描述静态方向,但动态运动表示的困难也很明显。本文讨论了基于四元数的姿态滤波器和基于均匀矩阵的运动捕捉方法。它们都使用三个传感器节点(即,加速度计,陀螺仪和磁强计),用于定位跟踪和定位检测。


2.3.1基于四元数的姿态滤波器用于全身运动捕捉


图2.6是[18]中使用的互补四元数姿态估计滤波器的框图。这个过滤器接受三个独立传感器的输入,加速度计,磁强计和陀螺仪。它们中的每一个都是一个三轴装置,这些轴对齐在一起形成一个正交的三维体坐标系(,,)相对于参考坐标系(,,)。滤波器的输入由陀螺仪(,,)测得的三个角速度、加速度计(,,)测得的三个加速度和体坐标系中磁矢量(,,)测得的三个磁矢量组成。其输出为单元四元数,包含刚体的方向信息。

2.6

基于四元数的姿态滤波器[18]


从图2.6的方框图中可以看出,四分之一是根据陀螺仪采集的角速度数据估算出来的。

用此关系式可以得到速率四元数


  (2.21)

其中所示积为四元数积,为体坐标系[18]中陀螺仪测量的角速度。


新的估计可以

在此基础上进行计算,其中


[18]:

?


,定义为


(2.23)


得到每步的四元数后,通过Eq.(2.20)计算得到相应的方向。


在无误差、无噪声的环境中,单位四元数只能用陀螺仪来计算。然而,在现实中,角速率传感器获取数据时总是存在误差。这种误差会在每一步累积,使得方向计算结果与实际值相差很大。因此,为了修正误差,利用加速度计和磁强计的数据来得到不变的地球重力和磁场方向。每一步的误差向量为


重力矢量和磁场的实测值在哪里

(2.24)




基于当前方向估计的计算值(在最后一步计算)。一旦获得了误差信息,这个误差就可以用高斯-牛顿迭代法进行修正。


基于四元数的姿态滤波器不受方向奇异性的影响,可以通过反馈不断修正漂移误差。这种滤波器的特性使得它特别适用于具有高线性加速度的人体捕获应用。为了提高这种基于四元数的姿态滤波器的精度,许多研究者开始考虑在这种结构中加入卡尔曼滤波器的其他最优算法。实验结果表明,该方法具有较好的性能[35,36]。



2.3.2基于齐次矩阵的人体运动捕获方法


提出了一种基于齐次矩阵的实时铰接人体运动捕获算法。如图2.7所示,两个连接段用两个不同的体坐标表示,其中段有三个正交-,


-和-轴和线段也有三个正交-、-和-轴。它们都由三轴加速度计、三轴磁强计和三轴陀螺仪组成。是相对于部分旋转的旋转轴。角的定义是关节角度,通过这个角度,节段相对于节段旋转。

2.7物理段模型及其正交定义

坐标[34]


根据关节角度和旋转轴的方向表示,得到了节段坐标系与节段坐标系之间的旋转矩阵


可以表示为[30]吗


让和                                                                        为坐标中的重力分量


——分别由加速度计测量。


nd                                                                        地球磁场是组成部分吗


分别用附在线段和线段上的磁力仪测量。那么,段的旋转可以表示为


(2.26)



   (2.27)



在哪里



框架

e简化为[34]



由式(2.26)可得

29)












在哪里


角速度测量系统的组成部分-。让


卡尔曼滤波器中的状态向量。


e


红色由坐标中的陀螺仪控制



,

哪个可以用作




当考虑刚体的位置时,这里使用齐次矩阵来描述位置信息,定义为


其中为节段的物理长度,为关节角。连接段的方向可以描述为这些齐次矩阵的乘积。

该方法在均匀矩阵中表示单个或连通段的方向和位移。但是,质量矩阵的乘法运算降低了计算效率。


3基于欧拉角度的身体运动捕捉

算法



如第二章所述,基于四元数的姿态滤波器和基于均匀矩阵的方法都需要三个传感器:陀螺仪、磁强计和加速度计。然而,在一个传感器板上构建这三个传感器将大大增加硬件技术和算法计算的复杂性。虽然现在有一些商业产品将三个传感器组合成一个传感器节点,但是价格通常很高。为了降低成本,降低复杂程度,降低精度不确定,提出了一种利用三轴加速度计和三轴陀螺仪跟踪十种adl的运动捕获系统。采用了基于欧拉角的体运动捕获算法,而不是基于四元数的姿态滤波器或基于同构矩阵的方法,具有简单直观、计算复杂度低的特点。本章讨论了两种基于欧拉角的体运动捕获算法。

欧拉角和旋转矩阵广泛用于表示动态方向的变化。每个旋转都可以写成一个旋转矩阵。如果一个向量旋转到不同的方向,它可以表示为一个向量乘以相应的矩阵具有一定的顺序。欧拉角通常对用户来说更加熟悉,它们的值更加直观和可预测,这些角可以很容易地从陀螺仪收集到的旋转速率转换。该方法主要考虑的是奇异性,因为旋转矩阵中的所有元素都是三角函数。在数学中,奇异性通常发生在分母为零,而分子等于一个常数的时候,或者是一些函数,比如正切函数,当旋转角度相交时,它会从原点跳到原点。然而,本文讨论的基于欧拉角的算法不涉及正切函数,所有的adl都是正常的活动。在实验中,传感器的采样率为每秒50个采样。由于每个试样的体段的旋转速度几乎不能达到90度,所以没有发生奇点。



3.1运动捕捉采用单旋转顺序算法


基本的测试环境很简单。佩戴多个传感器节点的测试对象可以执行可跟踪、记录和监视的特定操作。对于每一个动作,被试都有一个开始的姿势;这个线段的初始位置可以表示为地球坐标系中的一组向量,其中,2,n代表不同的样本。由于附着在物体段上的传感器在运动过程中会随物体段一起变化,所以物体段向量,其中,2,n为样本,在物体坐标系中,在运动过程中始终是固定的。忽略体段传感器方向的微小偏移量,体坐标等于运动前的地球坐标,即,。



3.1.1欧拉角在地球坐标系和物体坐标系之间的旋转


图3.1显示了地球坐标和身体坐标之间的三个基本旋转。其中,roll,为参考x轴的旋转,俯仰,为参考y轴的旋转,偏航,为参考z轴的旋转。



用地球参考坐标系为,,体坐标系为,,,对应的rota

关于矩阵由:



(3.1)




(3.2)




(3.3)

s是y轴以一定角度旋转的旋转矩阵,为


x轴以一个角度旋转的旋转矩阵。欧拉角通常定义为:首先旋转x轴坐标,然后旋转y轴坐标,最后旋转z轴坐标。因此,总旋转矩阵可以写成,即相对于参考坐标(地球坐标)旋转身体坐标:


在地球系统中,表示为


(3.5)



(3.6)

Eq.(3.5)和Eq.(3.6)反映了人体运动捕捉应用中人体与地球坐标系的关系。本章的算法基于这些基本方程。



3.1.2单旋转顺序算法


图3.2显示了使用陀螺仪描述身体部分方向跟踪的方框图。由陀螺仪采集的角速度记为


对应于X Y Z轴。积分(时间)后,这些角速度转换为旋转角度,即,俯仰,偏航和横摇。旋转矩阵是基于这些旋转角度,可以计算出新的方向。



3.2单旋转顺序算法框图


是由陀螺仪传感器收集的吗

步进,角速度


同位角由

r和

(3.7)(3.8)(3.9)

(3.11)


其中,是物体坐标系到地球坐标系的旋转矩阵,并且

(3.12)


因此,向量的每一个当前位置都可以由原向量乘成一系列旋转矩阵来计算。这种方法非常直观,因为所有的方向信息都是由旋转角度直接转换的。理想情况下,如果传感器节点中使用的陀螺仪具有足够高的灵敏度和精度,那么仅使用角速度数据就可以实现方向跟踪。但由于灵敏度和环境干扰的限制,陀螺仪数据往往含有噪声和漂移,导致误差累积。同时,旋转序列的确定也比较困难。这里,假设旋转首先是X轴,然后是Y轴,最后是Y轴。然而,在现实中,由于三个更新后的角速度是同时得到的,很难说哪个轴首先旋转。



3.2运动捕捉采用最优旋转顺序算法


在上述单旋转顺序算法中,先假设旋转X轴,然后是Y轴,最后是Z轴。然而,在真正的人体运动中并不总是如此。虽然仿真前可以选择不同的顺序,但在计算过程中总是固定不变的。在本节中,我们将讨论顺序如何影响方向检测结果,以及具有更好性能的最优旋转顺序算法。



3.2.1旋转顺序如何影响方向


惯性运动捕捉系统利用加速度计和陀螺仪来确定物体的方向。这样一个物体的运动可以看作是不同身体部分的一系列旋转。由陀螺仪采集的角速度数据包含了给定身体部分的旋转信息。时间积分之后,一个角速度被转换成一个旋转的角度。三个欧拉角对应三个轴:俯仰、偏航、横摇,如图3.1所示。如果旋转序列是

设为:先旋转x轴,再旋转y轴,最后旋转z轴,其旋转矩阵如式(3.4)所示。


欧拉角序列可以自然地分为两类:一类序列没有重复轴(即, XYZ, YZX, ZXY, ZYX, XZY, YXZ);类型2序列重复第一个轴作为最后一个轴(即, XYX, XZX, YXY, YZY, ZXZ, ZYZ)。总共有12个可能的旋转序列。由于实验中每个样本都考虑了这三个轴,因此这里只讨论类型1序列。

图3.3显示了旋转顺序如何影响旋转向量的示例。考虑一个从方向开始的向量??=(0,1,0).在图3.3 (a)中,??首先对x轴旋转45°,然后45°z轴。这就产生了一个结果变换向量??1 =(0.5、0.5?0.707)。在图3.3 (b)中,反转旋转的顺序,即,对z轴旋转45°和45°轴获得



很明显这与旋转顺序不同。

n z轴的旋转45°


3.3旋转矢量


由不同的订单



3.2.2最优旋转顺序算法


由于旋转顺序会对方向检测结果产生显著影响,因此需要一种确定物体节段旋转顺序的方法。陀螺仪和加速度计的组合在运动捕捉应用中得到了广泛的应用。由于地球重力场的方向不随时间变化,通过加速度计提供参考,以检查陀螺方向估计的结果。在使用角速度进行动作捕捉时,一个重要的考虑因素是旋转顺序或旋转顺序。


在实验中,陀螺仪传感器同时收集X、Y、Z轴的三个角速度,因此很难确定旋转发生的顺序。图3.4给出了使用陀螺仪和加速度计实现的方向跟踪过程的框图。


3.4最优旋转顺序算法框图


在图3.4中,考虑了所有六个可能的旋转序列,即:X-Y-Z, Y-Z-X, Y-X-Z, Z-X-Y, Z-Y-X, X-Z-Y。因此,根据上述序列可以生成6个不同的旋转矩阵,记为,,,,



,

和。让我们参考地球坐标和重力方向


表示在体坐标系中估计的地球重力。重力方向是地球坐标系中的一个固定向量。通过将所有六个可能的旋转矩阵(独立地)相乘,得到了样本的六个估计重力向量




30.



(3.15)


产生最小误差的旋转矩阵(如上所述)随后作为步进旋转矩阵使用。下一个步骤的姿态,被计算为

(3.16)


与单旋转顺序算法相比,最优旋转顺序算法利用加速度计获得的数据检测地球重力方向,作为估计真实旋转序列的参考。因此,它将得到更精确的运动捕捉结果。


身体运动捕捉系统架构



在这项运动捕捉研究中使用的惯性无线传感器是在最新版本的SHIMMER(用智能模块化、移动性和实验可重用性来感知健康)平台上开发的。SHIMMER是Realtime Technologies Ltd.推出的一款小型无线传感器平台,设计为可穿戴传感器单元,它可以将无线心电图(ECG)、肌电图(EMG)、GSR(皮肤电反应)加速度计、陀螺仪、倾斜传感器和磁传感器结合在一起,实时记录和传输生理和运动数据。

在本研究中,一个三轴加速度计和一个三轴陀螺仪被合并到一个微光单元来检测运动数据。本节概述SHIMMER硬件体系结构并讨论所包含的硬件子系统。介绍了在SHIMMER平台中使用的软件。



4.1 SHIMMER系统硬件图


图4.1显示了闪烁基板连接和集成设备[38]的框图。SHIMMER系统由低功耗MSP430F1611单片机,三轴加速度计,三轴陀螺仪,无线通信模块,IO和内存扩展(高达2GByte MicroSD)组成。微控制器控制设备的完整操作,并提供操作警报和消息。角速度和地球重力分别由陀螺仪和加速度计测量。数据可以通过无线连接发送到计算机或存储在MicroSD设备中。SHIMMER还具有功率控制功能,包括软功率开关、功率监控和低电量关机。



4.1微光系统示意图


本章将详细讨论每个子系统的功能描述。它们是微控制器,加速度计,陀螺仪,无线通信模块,IO和内存扩展。



4.1.1 MSP430F1611混合信号单片机


SHIMMER系统使用的处理器是德州仪器公司的16位超低功耗微控制器MSP430F1611,它是在便携式测量应用中设计的。它有两个内置的16位定时器,一个快速的12位ADC,双12位DACs,一个或两个通用同步/异步接收器/发射机(USART), I2C, DMA和48 I/O引脚。MSP430F1611单片机为内存密集型应用程序和大型C-stack需求[39]提供了扩展的10Kbyte RAM和48Kbyte flash。在这个身体动作捕捉系统中,使用8通道12位ADC将陀螺仪测量的数据从模拟信号转换为数字信号。三轴陀螺仪数据和三轴加速度计数据转换使用了单片机内置ADC的6通道。



4.1.2 MMA7361三轴MEMS(微机电系统)加速度计


MMA7361L是飞思卡尔半导体公司生产的一种低功耗、低剖面电容式三轴微机械加速度计。典型的特征包括信号调节,单极低通滤波器,温度补偿,自我测试,0g-detect(探测到线性自由落体)和g-select(允许在两种灵敏度之间进行选择)。零-g偏置和灵敏度是出厂设置,不需要外部设备。MMA7361L也有睡眠模式,使其理想的手持电池供电电子[40]。

这种微小的三轴加速度计已经在许多不同的应用中得到应用,例如在3d游戏中倾斜和运动感知、图像稳定性、手机中的文本滚动和运动拨号、导航中的电子罗盘倾斜补偿以及在笔记本电脑或PC上的下降和接近下降检测。



4.1.3陀螺仪


陀螺仪是一个微光扩展模块,提供三轴角速率传感与刚性板实现,以确保垂直z轴。它集成了双轴角速率陀螺仪来执行复杂的运动传感应用。陀螺板采用下一代MEMS技术,提供更高的性能。所述陀螺板通过内部连接器销连接到所述微光主板,并包含在微光外壳内。在固定的参考输出下,陀螺仪板运行一个二次低跌落电源调节器(LDO),以改进电源噪声抑制[41]。主要功能包括[42]:

?零信号偏移校准参考水平

?Auto-zero控制精密传感应用程序?陀螺温度传感监测精度


?二级电力经常拒绝系统噪声?可编程的指标


?针孔重置


陀螺仪提供500度/秒的全量程和2.0mV/度/秒的灵敏度。当与SHIMMER的集成加速度计结合时,两者都提供了完整的6度自由运动捕捉。


4.1.4无线通信模块


作为一个无线平台,SHIMMER确保了802.15.4和蓝牙无线电解决方案的高质量通信,但这两个无线电不能同时操作。

IEEE 802.15.4是一个标准,它指定了低速率无线个人区域网络(lr - wpan)的物理层和媒体访问控制,主要关注于设备之间的低成本、低速无所不在的通信。重点是附近设备的低成本通信,几乎没有底层基础设施,打算利用这一点进一步降低功耗。

蓝牙(IEEE 802.15.1)是一种专有的开放无线技术标准,用于在固定和移动设备上进行短距离(使用短波长的无线电传输)数据交换,创建具有高安全[44]级别的个人区域网络(pan)。802.15.4与蓝牙无线电的关键特性比较如表4.1所示。选择应该基于应用程序需求和可用资源。

4.1 802.15.4和蓝牙[38]的特点



广播

802.15.4

蓝牙

权力配置文件

数据速率

20 - 250kbit /s

1 Mbit / s

网络延时设备数量每个网络预置的应用网络范围复杂,安全性和可靠性高

15 - 30 ms

2 - 20多岁的女士

2 - 65000

8

没有

是的

10 - 100

10米

简单的非常高

复杂的

媒介

虽然IEEE 802.15.4由于能耗低、范围宽、对更多设备的容忍度高,有利于遥测系统,但蓝牙保持较高的数据传输速率。由于有10个传感器,每个传感器将大量数据传输到计算机上进行实时运动再现,所以在这次运动捕捉实验中选择蓝牙进行通信。现在大多数医疗设备都与蓝牙兼容,这使得结合其他医疗设备进行近距离探测研究变得更加容易。



4.1.5 IO和内存扩展


SHIMMER平台提供内部和外部扩展。内部扩展用于内部传感器子板,其中可以选择更多的传感器。外部扩展是一个18引脚头,可用于用户充电,编程和拴传感器扩展。通过外部扩展头,可以配置一个SPI(串行外围接口)和一个UART(通用异步收发器)接口来访问MicroSD卡中的数据。MicroSD卡可以手动安装在闪烁底板上,以合并额外的内存资源。容量可达2Gbytes,这允许在闪烁器运行时、网络中断或更换电池时额外存储数据。还增加了SD主机数据旁路功能,以提高可用性。它结合了宽带模拟多路复用器和三态逻辑缓冲的某些信号路由到外部连接器提供直接和立即访问闪存使用外部SD-flash卡控制器高速数据传输[38]。



4.2 SHIMMER系统软件环境


SHIMMER平台使用TinyOS操作系统实现、测试和验证SHIMMER嵌入式软件(固件)。TinyOS是为低功耗无线设备设计的基于开源组件的操作系统[38,45]。用TinyOS编写的语言称为NESC (Network Embedded Systems C)[46],它是一种基于组件的、事件驱动的编程语言,用于为TinyOS平台构建应用程序。它是C编程语言的扩展,组件“连接”在TinyOS上运行应用程序。TinyOS操作系统在SHIMMER平台上的功能包括:

?MicroSD闪存?脂肪文件系统


?内部IP堆栈802.15.4。提供服务


?蓝牙配置、连接管理和流媒体数据传输?实时时钟模块


?外围控制和配置?电源监控

TinyOS是用NESC编程语言编写的嵌入式操作系统,是一组协作的任务和过程。这个编程环境支持各种低功耗设备,具有几千字节的内存和无线通信能力[45]。它是为网络传感器设计的,硬件要求最低。NESC是C的一个扩展,旨在体现TinyOS[47]的结构概念和执行模型,并使用定制的NESC编译器。

4.2

NESC应用[40]


图4.2显示了NESC应用的基本思想。应用程序由一个或多个连接在一起的组件组成,以形成可执行文件。对于每个应用程序,都有一个连接内部组件的顶级配置。NESC应用程序的基本要素如下:

组件:提供并使用定义良好的双向接口来构建NESC应用程序块。每个组件都有一个“规范”,一个代码块,声明它提供(实现)的函数和它使用(调用)的函数。NESC有两种组件:配置和模块。

模块:提供应用程序代码,实现一个或多个接口。

配置:将其他组件组装在一起,将组件使用的接口连接到其他组件提供的接口,即“连接”。

接口:声明接口提供程序必须实现的一组称为“命令”的函数,以及接口用户必须实现的另一组称为“事件”的函数。接口是双向的,它是访问组件的唯一点。


命令:接口提供程序必须实现的函数。

事件:由接口提供程序声明,但接口用户必须根据需求实现它们。

TinyOS和NESC更详细的信息可以在[45-47]中找到。


5运动捕捉实验



由于大张旗鼓的项目是针对老年人跌倒和接近跌倒的检测,从理论上讲,在实验中应该对老年人进行测试。然而,涉及到老年人的实验可能有一些健康考虑。例如,他们是否可以根据自己的身体状况佩戴这些传感器进行长时间的实验,是否有保护措施防止他们在实验中意外受伤。相反,年轻人通常比老年人强壮和健康得多,研究年轻人的正常活动可以帮助医生了解老年人的行为。同时,本文提出的人体运动捕捉系统只是一个比较大张旗鼓项目目标的原型,需要大量的实验来验证其可行性、可靠性和安全性。在未来,一旦系统通过一系列的实验得到很好的测试,并且方法在年轻人身上得到验证,老年人可以在医生的指导下在实验室环境中进行测试。在实验中,两名男性受试者(受试者#1和#2)和一名女性受试者(受试者#3)在20 - 30岁之间进行选择adl的测试。为了在电脑中创造出一个完整的身体化身,我们选取了10个微光传感器,对人体进行计数,并采集运动数据。十是一个最小的数字,根据这个数字可以生成一个全身化身。在该系统中增加传感器可以提高捕获结果的准确性,但减少传感器的数量将直接影响adl的识别。所有微光传感器的采样率为每秒50个样品。进行的动作捕捉实验过程如图5.1所示。


传感器校准

复位和安装传感器

10 ADLs传感器测试

每个ADL实验的过程

开始传感器

停止传感器执行ADL

数据处理



5.1人体运动捕捉实验流程图


实验前完成传感器标定,使传感器误差最小化,并记录尺度参数。传感器标定后,由于传感器易发生数据漂移误差,如果漂移显著,则无法保证结果的准确性,因此需要进行隔夜传感器漂移测试。另外,在实验前还需要确定传感器节点的安装位置。为了进一步的工作,需要记录测试对象的相应的身体段测量数据。接下来,执行10个ADL实验,在此过程中,测试对象按照图5.1中所示的每个ADL测试的虚线块中的步骤进行操作。本节的其余部分将对每一个步骤进行更详细的解释。




5.1传感器校准


传感器标定是实验的关键步骤,可以最大限度地减少传感器本身引起的误差。利用加速度计和陀螺仪标定微光节点意味着可以获得参数,这些参数可用于将传感器采集的数据转换为具有物理意义的单元数据。理想情况下,这可以通过使用每个传感器数据表中的信息来实现,而无需进行任何校准。然而,在现实中,传感器的测量数据可能因设备而异。可能的原因包括正常的制造波动,环境温度和电源电压。由于传感器有两种:加速度计和陀螺仪,因此它们的校准将分别进行。



5.1.1加速度计标定


对于加速度计的标定,三个轴分别标定[40,48,49]。当在一个轴上校准加速度计时,首先,让加速度计坐在一个水平的桌子上,选择的轴向下指向大约20秒。由地球重力引起的加速度被测量为。然后,翻转传感器,让轴向上指向20秒,测量值是


。基于这两个值,期望值???对应于0g(中点


的价值

和)可以很容易地计算。记录了这个0g值


它将会从真正的实验值中去掉。

acc





式中为加速度计数据标定值,其单位为(1 =重力加速度,9.81 m/s2)。为轴加速度计原始值。为轴的计算中点。在这里,和的值只对一个传感器的特定轴有效,它们应该在校准时为每个传感器中的每个轴找到并记录。



5.1.2陀螺仪标定


陀螺仪以单位度/秒来测量角速度。可以通过以下步骤[50]进行校准:


度/秒的价值:


(5.2)


其中,为静止陀螺仪返回的值,为1843。这个值来自于厂家和2.731号。对10个传感器重复上述步骤,记录每个传感器每轴的静止值,这些值可用于计算实验中真实的旋转值。

当所有的传感器都被很好地校准并且相应的值被正确地记录时,惯性传感器就为实验做好了准备。



5.2隔夜传感器漂移测试


在对所有传感器进行标定后,还要考虑另一个影响传感器精度的因素:漂移。在ADLs运动捕获实验前,进行了夜间漂移试验。在这个测试中,所有10个微光传感器整夜都处于活动状态,以监视在孤立环境中漂移的数据。在实验室中,十个微光传感器被放置在一个平面上,在漂移测试期间保持在一个位置,没有任何移动。然后,在每个传感器上逐个打开蓝牙连接,进行数据记录。连接完成后,所有传感器可连续采集数据到车载SD卡,采样率为每秒50个采样。然后,让这些传感器(将数据写入SD卡)连续运行大约16个小时,从下午5:28到次日上午09:54(16小时26分钟)。在测试期间,总共提供了约296万个样品。图5.2 (a)为传感器#1加速度计的x轴数据(见表5.2),图5.2 (b)为同一传感器陀螺仪在测试期间的x轴数据。图中红线表示漂移试验开始时采集的数据,蓝线表示漂移试验结束时(16小时后)采集的数据。



(a)加速度计x轴数据

(b)陀螺仪x轴数据

5.2传感器1采集的x轴原始数据


从上面的两幅图可以看出,在夜间漂移测试开始时收集的数据和在测试结束时收集的数据几乎是重叠的。


显然,根据测试结果,没有明显的漂移。表5.1为传感器1 X轴漂移试验结果。

5.1传感器1的加速度计和陀螺仪平均漂移



传感器# 1

轴加速度

轴角速率0.3662°/秒

传感器灵敏度图5.2中起始数据的平均值和实际数据中原始数据误差的平均值

0.0038 g 2060.4752 - 2061.7841

1836.2929 - 1836.7791

-1.3089

-0.4862

0.005克

0.178°/秒

对于其他传感器,漂移试验结果与此相似,表明实验中使用的传感器具有合理的漂移性能,传感器采集的数据精度较高。



5.3人体测量点和传感器节点位置的确定


在实验中,传感器需要正确且牢固地安装在受试者的身体部位。人体上传感器节点位置的选择对于实验是至关重要的,因为人体不同部分的运动有很大的差异。在将传感器节点安装到测试对象的身体上之前,先测量并记录每个身体部分的长度,以确定传感器的最佳位置。图5.3显示了10个传感器的测量点和传感器安装位置。这些传感器位置是在医生的指导下挑选出来的,以使受试者在运动中穿着时感到舒适,并减少运动中身体变形的影响。在实验中,所有的传感器都用带子固定在测试对象的身体上。

传感器节点由10个矩形框表示,分别为:2、4、8、10、16、12、13、18、21和23。为了简化实验,将每个传感器节点匹配到特定的体段位置,而不为不同的主体替换传感器位置。图中为每个测点和传感器位置的编号方案


5.3如表5.2所示。根据图5.3所示,所有的传感器都应该被附加

牢牢地放在身体各部分的中间。监测传感器在中间的部分,确保传感器的数量最少,以跟踪整个身体的运动捕捉。

5.3传感器位置及测量点[51]5.2测量点及传感器位置



传感器没有。

数量

位置

传感器没有。

数量

位置

- - - - - -

1

左腕关节

传感器# 6

13

传感器# 3

2

离开下臂

- - - - - -

14

臀部

- - - - - -

3

左肘

- - - - - -

15

左臀骨左大腿

传感器# 7

4

上臂

传感器# 4

16

- - - - - -

5

左肩

- - - - - -

17

左膝盖

- - - - - -

6

胸部

传感器# 10

18

左小腿

- - - - - -

7

右肩右上臂

- - - - - -

19

左脚踝

传感器# 2

8

- - - - - -

20.

右臀骨

- - - - - -

9

右肘右下臂

传感器# 1

21

右腿

传感器# 5

10

- - - - - -

22

右膝

- - - - - -

11

右手腕

传感器# 8

23

右小腿

传感器# 9

12


回来

- - - - - -

24

右脚踝


图5.3显示了在受试者#1上测量的体节长度信息。如图5.3所示,肩部长度为第5点到第7点的测量距离。这些长度数据将用于计算机头像模型的建立,并且每个主题都不同。

5.3受试者1的体节长度



体段肩宽(5-7)右上臂(7-9)右下臂(9-11)左上臂(3-5)左下臂(1-3)身体躯干(6-13)

长度(厘米)

体段臀围(15-20)右大腿(20-22)右小腿(22-24)左大腿(15-17)左小腿(17-19)臀部高度(13-14)

长度(厘米)

39

28

30.

38

28

42.5

30.

38

28

43

53

6


5.4十种adl的人体运动捕捉实验


经过标定和漂移试验,所有传感器准备好进行运动捕捉实验。实验在物理治疗实验室进行。其中,两名男性受试者(指受试者#1和受试者#2)和一名女性受试者(指受试者#3)接受测试,以执行全部10个选定adl。由于三个受试者在实验中使用相同的adl进行测试,所以在数据处理中只使用从受试者#1中收集的数据进行运动再现,稍后将对此进行讨论。

为了模拟人们日常生活中最常见的活动,我们选择了以下10个adl进行实验,因为大多数人的日常活动都包含一个或多个adl。


(1)从躺到站(2)从站到坐

(3)先坐着,然后弯腰系鞋带

(4)先站着,然后往前走,转身,最后向后走


(5)先站好,然后身体弯曲,从地上捡起一个物体(球)。(6)先站好,然后用右手向前伸


(7)先站好,然后用右手向上伸

(8)先站好,然后踩在凳子上,保持5秒钟,最后从凳子上走下来

(9)先站起来,然后用11级的台阶爬上楼梯,然后转身坚持5秒钟,最后从楼梯上走下来,再转身回去

(10)动作顺序如下:先站起来,然后躺下,站起来,坐下来,系鞋带,站起来,向前走,弯腰从地板上捡起物体(球),前伸,上伸,从凳子上踩下。

实验前应正确测量和记录体节段长度(见表5.3),并建立10个传感器的安装位置,如图5.3所示。每个受试者的实验分为四个步骤:复位和安装传感器、启动传感器、受试者执行adl和停止传感器。其中,第(1)步执行一次,对每个ADL执行第(2)步到第(4)步。

步骤(1)复位并安装传感器

这10个传感器在连接到受试者的身体部分之前会被同时重置。正如SHIMMER硬件描述中提到的,每个传感器中的16位计数器通过这个并行重置来计数和生成时间戳。时间戳每2.05秒滚动一次,当传感器开始收集数据时,时间戳会被标注到数据上。由于所有传感器同时复位,在ADLs实验中,不同传感器产生的时间戳应该是相同的。这个时间戳信息对于数据处理中的数据同步非常重要,稍后将对此进行讨论。当所有的传感器都同步复位后,它们就会被附着在被试身体的各个部分上,这些部分是在前几部分确定的位置上。一旦传感器被安装,他们将保持附着在受试者的身体部分,直到整个十个ADLs实验完成。

步骤(2)启动传感器

所有的传感器都安装在身体上之后,在受试者执行任何ADL之前,首先需要将它们连接起来。在开始时,受试者保持初始姿势,等待中央主机通过蓝牙网络向每个传感器发送“开始”命令。蓝牙网络通常只能同时连接7个终端(传感器节点),连接速度会随着终端数量的增加而减慢。由于总共有10个传感器,所以实验中使用的方法是将命令从中央主机一次发送到传感器,以减少单个计算机传感器的延迟。一旦一个传感器从主机接收到“开始”命令,它就开始测量加速度和角速度数据并记录到SD卡。该传感器节点启动后,与上位机的连接终止,下位传感器以相同方式连接。当所有传感器都启动时,第一步就完成了。

步骤(3)受试者执行ADL

通常情况下,测试对象应该保持5秒钟的起始姿势,以确保所有10个传感器都已启动,减少传感器之间的漂移差异,甚至排除其独立的数据波动。在此之后,受试者将保持同样的姿势5秒,在数据处理过程中,这段时间的数据将用于零误差补偿。然后,受试者开始执行特定的ADL,重复5次(第十次ADL除外)。在一个ADL中的两个重复动作之间,受试者保持5秒钟的起始姿势,根据这个姿势,每个重复动作都可以很容易地辨别出来。例如在ADL 2实验中,当实验对象坐下来站起来的时候,他/她会保持站着的姿势,再等5秒钟,然后重复5次,最后回到原来的姿势。在ADL No. 10中,不同动作之间也存在5秒间隔。然后整个ADL序列重复三次。每次重复步骤(2)到(4),以确保从重复的ADL No. 10中收集的数据存储在三个不同的文件中。


步骤(4)停止传感器

在受试者完成ADL后,一个“停止”命令被一个接一个地发送到每个传感器,就像“开始”命令一样。受试者需要保持初始姿势5秒钟,以确保所有传感器都断开连接。


在物理治疗实验室里,有一个前置摄像头和一个侧置摄像头记录受试者的运动。每个ADL实验的视频都是由这两个摄像头记录下来的。在数据处理过程中,将可视化的动作捕捉结果与视频进行比较,判断动作捕捉是否成功。图


5.4显示受试者在执行ADL No. 2时,侧面摄像机所拍摄的视频快照。

(一)站起来                                                                                                                  (b)坐下

5.4侧摄相机实验快照


6实验结果及数据处理



实验结束后,将存储在每个SHIMMER传感器节点SD卡中的数据进行处理,得到被试的模拟动作。闪烁传感器的采样率是每秒50个样品。由于传感器是串行初始化的(在实验过程中一个接一个地打开),所以在进行任何处理和模拟之前,有必要同步所有数据文件。在对所有传感器节点的数据进行同步后,对采集到的数据采用最优旋转顺序算法。



6.1数据预处理


SD卡中存储的数据只是原始数据,首先要利用传感器标定得到的参数将其转换为具有物理意义的数据。在应用体运动捕捉算法之前,还需要做更多的数据预处理工作。它们是数据同步和零误差补偿。



但是数据同步


数据同步的目的是找出延迟??(即两个传感器在不同时间启动所造成的时差)基于传感器采集的数据中的ADL运动起始点。数据不同步的主要来源是传感器没有同时启动,因此它们开始在不同的时间将数据存储在SD卡中。因此,有一个时间延迟??数据之间由任意两个传感器收集。理想情况下,如果在一个ADL中所有的body段开始完全同时移动,同步数据并丢弃这个时间延迟??,可以设置一个阈值来确定在传感器数据文件中开始移动的位置。然而,在现实中,不同的身体部分并不是同时开始运动的,而是有时差的??两个身体部分之间开始移动。例如,在行走ADL时,受试者可以先移动右腿,然后再移动左腿。虽然这个时间差通常很小(不到2秒),但是它仍然不能被忽略,这使得同步很难实现。


传感器


(a)按时间戳划分的传感器数据

(b)样品传感器数据


传感器测量数据

一个诽谤联盟运动

运动

起点

传感器

起点


6.1从传感器#1和传感器#2收集的数据


图6.1显示了从传感器#1和传感器#2收集的数据示例。粗体波形表示ADL实验中存储在SD卡中的加速度或角速度数据。运动起点是身体部分开始运动的数据样本。传感器起始点是传感器开始将数据记录到SD卡的数据样本。对于每个数据示例,都有一个相关的时间戳。时间戳是由传感器中的内部计数器在大约2秒的时间内滚动产生的。由于传感器(因此计数器)是通过同时重置来启动的,所以在不同传感器中同时测量的所有数据样本都应该与相同的时间戳相关联。这是实现精细数据同步的重要线索(稍后将详细讨论)。在图6.1 (a)中,一开始,传感器1和2被重置为同时计数,但传感器1首先由计算机通过无线连接启动。因此,它的传感器起点实际上比2号传感器的起点要早。同时,传感器2附着的体段比传感器1附着的体段移动的更早。同步的目标是找出延迟。由于数据中没有明显的时间信息,同步只能基于数据样本。图6.1 (b)展示了基于样本的传感器数据,其中运动起点是两个传感器之间寻找延迟的关键点。将讨论一个两步同步方案。第一步是粗同步,可以发现延迟??+ ??1基于不同传感器数据中的运动起点,第二步是精细同步,可以发现延迟??1 .基于时间戳。那么,延迟呢??很容易计算。通过消除延迟??在传感器1中,这两个传感器是同步的。

在这里,由于一个传感器节点中的加速度计和陀螺仪是同时启动的,所以它们的数据是同步的。因此,仅以传感器#1和传感器#2中陀螺仪采集的角速度数据为例,如图6.2所示。为了简单起见,只显示x轴数据。



6.2

传感器1 (a)与x轴角速率数据的比较

传感器# 2(b)


在每个图中,圆形突出显示了附着在身体部分上的不同传感器的运动起点。显然,两个传感器之间大约有250个样品延迟。


为了同步数据,采用了粗同步和细同步两步同步方案。将X、Y、z轴角速度数据的绝对值相加,将这三个轴的信息进行组合,使波动更加显著,如图6.3所示。

6.3传感器1 (a)采集的XYz轴角速度数据的绝对值和

传感器2 (b)


1)粗同步

在粗同步过程中,需要通过分析SD卡中存储的数据,找出每个个体段开始移动的点(样本)。为了找到起点,设置了H1和H2两个阈值。如果一个样本数据大于H1,那么它就是一个可能的起点,如果第二个条件是


(6.1)


若满足,则起始点为X,否则,由于X点仅为噪声峰值,将被丢弃,如图6.3 (a)箭头所示。

需要仔细决定。图中的圆圈表示每段运动的正确起点。

2)良好的同步

每个传感器数据文件的起始点之后,即,找到每段身体运动的开始时间,现在整个身体的运动可以很容易的同步。对于精细同步,首先选取一个传感器的起始点作为参考点(这里选择传感器#1),然后根据其他传感器粗同步得到的起始点,找到与参考时间戳相同的最近点。一旦获得了这些点,两个传感器之间的延迟就通过直接减去一个点来计算。在此基础上,将传感器采集到的数据的第一部分(长度等于延迟)与另一部分相比要提前连接。现在,这两个传感器是同步的。然后,将此方法应用于所有数据,并对ADL进行同步,如图6.4所示。

6.4传感器1 (a)和传感器XYz轴角速度数据的绝对值和

2 (b)同步之后


6.1.2零误差补偿


如第五章所述,所有传感器在实验前都经过了仔细的校准。然而,从传感器采集的数据来看,受试者开始移动前采集的角速度数据不为零。相反,有一个偏移量是传感器的零误差。如果这个偏移量混入真实的角速度,运动捕捉会随着时间的推移而变得更糟,因为误差会累积起来。因此,这个在一个ADL中假设为常数的零误差应该得到补偿。

对于每个ADL,在所有传感器连接良好并等待另一段时间之前,受试者将保持一个启动姿势。因此有一段时间从所有的10个传感器被连接到主体开始移动。对于每个传感器来说,在一个特定的ADL中,角速度的零误差可以认为是这段时间的平均值,因为在受试者保持初始姿势时,不应该有角速度。然后,用计算出的零误差减去实际物体运动的角速度,即,保持初始姿势周期的平均值。由于在不同的ADL实验中,零误差会发生变化,不同的传感器会有不同的误差,所以这个过程应该适用于每个单独的角速度数据。表6.1比较了1号传感器采用零误差补偿前后X、Y、z轴平均角速度数据的偏移量。显然,在表6.1中,通过应用这个数据预处理过程,平均偏移量大大减少。

6.1零补偿前后偏移量比较

传感器1中的角速度数据



传感器# 1

x轴角速度(o/sec)

y轴角速度(o/sec)

z轴角速度(o/sec)

之前抵消为零

0.0320

0.2595

0.1110

误差补偿后的误差补偿

-0.0024

0.0240

-0.0005


6.2人体运动捕捉仿真结果


经过数据同步和零误差补偿后,采用前面讨论的最优旋转顺序算法,得到了每个ADL中受试者的身体运动。为了跟踪被试的全身运动,首先需要计算每个身体部分的三维空间中的位置和方向信息。例如,图6.5显示了在第二次ADL中左腿的位置(最初站着坐着,如第5章所述)。

6.5左腿位置在三维空间使用最优旋转顺序

算法


在这里,为了简化模拟,左大腿的长度被缩放到1(单位长度)


和向量                                                                        是用来表示原始位置的吗




? ?? ?? ?? ?≈0样本(例如,1500)。一旦获得了一个体段的位置和方向数据,就可以很容易地扩展到其他体段和所有adl。


计算完所有的身体部分位置后,使用OpenGL语言生成一个简单的化身模型,可以在电脑屏幕上查看。该模型展示了受试者身体在每个ADL中的动态运动,并再现了受试者的运动,与实验视频类似。化身模型的虚拟维度与实验前测量的实际测试对象的物理维度成正比。

(a)站立姿势


(b)坐姿

6.6 ADL 2的视频快照与头像模型对比


在图6.6 (a)和(b)中,将站立和坐立姿势的avatar模型与视频快照进行对比。在图中,成功实现了第二个ADL的运动捕获。实际上,对于实验中的所有adl,使用最优旋转顺序算法的avatar模型可以成功的跟踪被试的运动。为了显示所有ADL跟踪的结果,图6.7中使用了第5章中讨论的ADL序列10,因为该序列包含实验中测试的大多数ADL。具体地说,在图6.7中,话题# 1执行以下动作序列:最初站好(1),然后躺下(2 - 5),站起来(6 - 9),坐下来,系鞋带(10 - 12),站起来,向前和向后走(13 - 16),弯腰捡一个对象(球)从地板上(17 - 18),(11日)伸向前,向上到达(研讨会)到最后一步,从凳子上(能力)。在这里,由于本研究中主体的绝对位移并不重要,因此将参考点设置为髋关节周围的交点,并固定在坐标系中,如图6.7(1)所示。

t





(1)(2)

(6)(7)

(11)(12)

(3)(4)(5)

(8)(9)(10)

(13)(14)(15)



(16)(17)

(21)(22)

(26)(27)

(18)(19)(20)

(23)(24)(25)

(28)(29)(30)

6.7捕获受试者110ADL的计算机模型


根据该ADL序列的运动捕获结果,基于欧拉角的加速度和角速度的最优旋转顺序算法可以连续、准确地跟踪日常生活活动。通过在每个身体部分安装10个传感器,受试者的移动可以通过从传感器收集的数据在计算机上很好地捕捉到。这不仅在医疗保健应用上、在电影拍摄上、在虚拟现实等方面提供了巨大的潜力。



6.3运动捕捉结果讨论


在运动捕获数据处理过程中,有两件事值得讨论。首先是单旋转顺序与最优旋转顺序算法的比较。二是在《阿凡达》模型中可以看到的一种现象

受试者转身,发生在ADL 4号(向前走,转身,向后走)和ADL 9号(上楼梯,转身,下楼梯)。



6.3.1单级和最优旋转顺序算法的比较


对于单旋转顺序算法,旋转顺序必须固定在六个旋转顺序之一:X-Y-Z, Y-X-Z, Z-X-Y, X-Z-Y, X-Z-Y或X-Z-Y。而在最优旋转顺序算法中,旋转顺序是不固定的。它是通过估算和测量地球重力方向的比较来确定的。因此,最优旋转顺序算法可以修正每步旋转顺序引起的误差,避免单次旋转顺序算法产生的误差累积。例如,图6.8展示了用单级和最优旋转顺序算法得到的ADL 9号(上下台阶)左大腿位置的比较。红线是用最优旋转顺序得到的位置信息,蓝线是用单旋转顺序(即Z-X-Y)。



6.8左大腿位置使用单(Z-X-Y)和最佳旋转顺序

算法


在图6.8中,对于单旋转顺序算法,当受试者开始移动时,左大腿位置向量的z轴数据开始偏离实际值,误差随着实验时间的延长而累积。这个错误也很容易反映在avatar模型的移动中,如图6.9所示。

(1) (2) (3) (4) (5) (a)采用最优旋转顺序算法的运动捕获结果

(6) (7) (8) (9) (10) (b)采用单旋转顺序算法的运动捕获结果

6.9 ADL 9的运动捕捉结果对比

最优旋转顺序算法


这里测试ADL 9号上下楼梯。图6.9 (a)和(b)中的五位数分别对应于受试者每次上楼前的站立姿势。显然,采用最优旋转顺序算法计算的avatar模型能够很好地恢复到原来的位置,而单次旋转顺序由于积累的误差无法恢复到原来的位置。与单一旋转算法相比,每一步计算6个旋转矩阵会增加算法复杂度,但最优旋转顺序算法具有更好的捕获效果和更高的精度。在本文中,由于精度是直接影响医生运动识别的关键因素,进而影响近距离下降检测结果,因此在每天ADLs捕获的大张旗鼓项目中采用了最优旋转顺序算法。单旋转顺序算法可以应用于精度不高但算法复杂度低的应用中。



6.3.2转弯时的运动畸变°左右


对于所有adl的运动捕捉结果,所有日常生活活动都可以进行合理的跟踪,但有一个例外,即,当被摄体转向in时


ADL 4号和ADL 9号如图6.10和6.11所示。图6.10 (a)显示了一个模型在ADL 4中向前行走的序列,运动被很好地捕捉到了。然而,如图6.10 (b)所示,在模型转回后,回走模型发生了畸变。具体来说,受试者的背部向后弯曲很多,而其他身体部分看起来都很正常。在图6.11中发生了同样的事情,其中一个模型正在上下楼梯。

(1)(2)

(3)(4)(5)

(一)向前走



(6) (7) (8) (9) (10)

(b)向后走

6.10 ADL 4号向前走并返回

(1)(2)

(6)(7)



6.11

(3)(4)(5)

(a)爬楼梯

             (8)(9)(10)

(b)下楼梯

ADL 9号上下楼梯


这种现象的原因是,当两个传感器连接到受试者背部时,穿过它们的线实际上与受试者背部不平行。相反,这里有一个角度,如图6.12所示。


主题模型

背面传感器

参考点



6.12向前走并返回


因此,假设受试者背部平行于z轴(z轴向上指向空间),当受试者转身时,模型背部会向后弯曲


并返回,如图6.12所示。



6.4与以往工作比较


表6.2显示了该系统与以往一些惯性运动捕获系统的比较。触觉运动服由Y. Fujimori等人在2009年[52]推出,其目的是将运动信息与接触信息相结合,实现高精度的全身运动捕捉。加速度计跟踪系统是由L. Dong等人开发的,目标是跟踪所有的日常身体活动,并具有良好的准确性。在[54]中,S. Y. Sun等人使用微SMU(传感器测量单元)进行下肢运动捕捉。z.l Lin等人在[55]中提出了一种利用超小型化惯性测量单元(IMU)进行上半身运动捕捉的方法。

表6.2中的一个挑战是如何比较不同系统的准确性。现有的基于分类的跌倒检测系统通常通过统计实验中正确跌倒和错误跌倒的次数来检测跌倒,在此基础上可以很容易地计算出准确率的百分比。然而,基于计算机生成的虚拟角色和真实的被试的动作,很难获得精确的准确性。首先,电脑创造的化身通常比真人简单得多,所以他们有不同的体型。其次,在生成头像时,没有考虑人体的物理约束和运动过程中的变形。最后,还没有一种标准的方法可以测量化身和主体之间的位置和方向的差异。目前,一些研究使用基于惯性传感器系统的计算机头像与基于光学和图像传感器的头像进行比较,以获得更直观的比较,因为后者可以达到非常高的精度,并已在计算机动画、模式识别等各种应用中得到验证。然而,本文主要研究的是惯性传感器运动捕获系统。如果在本研究中实现基于光学传感器的avatar,整个工作将会加倍。在未来,光学传感器可以包括在大张旗鼓的项目,进一步比较和接近下降的检测。这里定义了三个等级,根据临床实际使用情况粗略比较准确率:

(1)好。生成一个3D电脑头像,捕捉整个身体的运动,没有明显的失真,所有捕捉到的运动都可以被眼睛清晰的识别。

(2)媒介。生成3D电脑头像,捕捉部分肢体动作,不存在明显失真,捕捉到的动作都能被眼睛清晰识别,部分信息丢失。

(3)相对较低。生成一个2D电脑头像,捕捉整个身体或部分身体动作,没有意义失真,所有捕捉到的动作都能被眼睛识别。

在表6.2中,除了加速度计跟踪系统外,之前的所有系统都使用加速度计、陀螺仪和磁力仪进行运动数据采集。与仅使用加速度计和陀螺仪的SHIMMER传感器系统相比,在系统中加入磁强计作为触觉运动服会增加成本,增加硬件设计和算法计算的复杂性。此外,磁力仪对环境中其他磁场的干扰非常敏感。触觉运动系统要求受试者在运动过程中穿着西服,这会让受试者感到不舒服并限制他们的运动。而在本论文中,十个微光传感器通过独立的带子连接在身体的部分,这是灵活和轻,并允许自由运动,没有任何限制。对于加速度计跟踪系统,虽然在系统设计上比SHIMMER系统复杂度低,但使用2轴加速度计捕获重力相关向量会损失1自由度(自由度)。同时,由于没有角度信息的补偿,存在漂移问题,精度相对较低。

以前的大多数系统都使用有线通信和传感器之间的数据传输,或者传感器和计算机之间的数据传输,比如触觉运动套装、SMU和IMU。这种策略限制在一个相对较小的区域内的运动,在身体上佩戴金属丝很容易阻碍受试者的运动。SHIMMER传感器采用无线通信技术,每个传感器节点上都有SD卡,可以连续记录运动数据,支持任何不受距离限制的运动捕捉。

在实验中,SHIMMER传感器用10种adl捕捉了3名受试者的全身运动,这些adl涵盖了老年人的所有基本日常活动。而触觉运动套装只测试伸展和躺下的活动,而SMU则专注于下半身的运动,比如弯曲和伸展大腿和小腿,IMU则研究上半身的运动,比如举起手臂。

根据以上系统,所有的3D虚拟人都能准确捕捉特定的运动。触觉运动服将接触信息与运动信息相结合,能够高精度跟踪全身运动。然而,硬件和软件的成本和复杂性都相对较高。尽管SMU和IMU系统也很精确,但它们只关注部分的身体运动,而不是整个身体的运动。此外,使用磁力仪也会带来干扰问题。与其他系统相比,加速度计跟踪系统的复杂性和成本最低,但精度也相对较低。SHMMER传感器系统在硬件设计、系统实现和计算方面具有成本低、复杂度低的优点。它的无线功能支持户外或日常活动,不受距离限制。它舒适灵活,在许多应用中显示出很高的潜力,特别适用于日常运动捕捉和近距离下降检测。


6.2与之前工作的比较



系统

本文介绍了一种微光传感器系统

触觉运动适合[52]

[53]中的加速度计跟踪系统

微传感器测量单元(SMU) [54]

超小型化惯性测量单元(IMU) [55]

指标


3-axis accelerometer 3-axis gyroscope 3-axis magnetometer Tactile sensors

传感器

三轴加速度计三轴陀螺仪

两轴加速度计

三轴加速度计三轴陀螺仪三轴磁力仪

三轴加速度计三轴陀螺仪三轴磁力仪

传感器节点大小(????)

53×32×25

运动传感器:43 35××18触觉传感器:120×180

- - - - - -

- - - - - -


27××23日11

传感器的位置

上下肢(4)、上下肢(4)、胸部(1)、臀部(1)

一台中央计算机十个微光传感器


机载电源单元无线媒体

上下肢(4)上下肢(4)胸(1),臀部(1)背部,前部,鞋子1台中央电脑10个运动传感器几个触觉传感器额外的动力单元有线高

上臂(2)、上小腿(4)、躯干(1)

上下腿(4)

上臂(4)、手(2)、头(1)、颈(1)、肩(2)、背(2)

系统组件


一台电脑,四架SMU





七个运动传感器

十二WB-3 IMU

电源通信硬件复杂度算法复杂度

- - - - - -

额外电源有线介质

额外电源有线介质

无线低

低:3×3矩阵乘法

高:4×4矩阵乘法

高:4×4矩阵乘法

高:4×4矩阵乘法

高:4×4矩阵乘法

测试动作

坐,站,走,躺,捡,向前和向上,系鞋带,爬楼梯。

坐下后伸展身体,躺下

一系列的活动:站立,摆动腿,坐,躺,倾斜身体

加合,弯曲和伸展大腿;弯曲并伸展大腿和小腿。

举起右臂或左臂;举起双手

获取结果

准确捕捉所有的动作

准确捕捉所有的动作

捕获了大部分的动作,但失去了手臂的运动2D全身模型非常低相对较低

准确捕捉所有下半身动作3D全身模型介质

准确捕捉所有的上半身动作

阿凡达成本的准确性

3D全身模型低好

立体全身模型高好

3D上半身模型


7结论与未来工作



7.1总结与结论


由于近距离跌倒与人们日常生活活动的相似性,准确捕捉人们的身体运动,帮助医生研究正常活动的特征,进一步发现近距离跌倒是至关重要的。本文基于商用SHIMMER平台,提出了一种基于可穿戴惯性传感器(即加速度计和陀螺仪)的完整人体运动捕捉系统,并在实验室环境下进行了测试。


在ADL实验前,10个微光传感器被很好地校准以获得有用的单位数据,因为传感器采集的原始数据只是没有单位的数字。然后对所有传感器进行过夜漂移测试,测试各传感器节点的数据漂移情况。在ADL实验中,首先测量了人体各节段的长度。在测量的基础上,在医生的指导下仔细选择人体上的所有传感器位置,使受试者在运动过程中感到舒适,减少变形影响。在此之后,三个不同的实验对象在实验室环境中进行了9个预先定义的典型ADL和1个ADL序列。这些选择的adl几乎涵盖了人们日常生活中的所有基本活动。在数据处理中,采用单旋转顺序算法和最优旋转顺序算法将传感器采集到的惯性数据转换为方向和位置信息。最后,OpenGL语言制作的电脑头像显示了所有捕捉到的动作,这可以帮助医生直观地研究和分析这些adl。

根据夜间漂移的结果,加速度计和陀螺仪在采集加速度和角度数据时,精度较高,没有明显的数据漂移。同时,本项目中精心选择的传感器在人体上的安装方案,可以得到全身的运动覆盖,保证传感器数量最少,是一种高效、最优的布置方式。单旋转算法与最优旋转算法的比较表明,虽然两种算法都能捕捉到被试的所有运动,但后一种算法的精度更高。在单旋转顺序算法中,随着时间的推移,虚拟形象的运动逐渐偏离实际主体的运动。这是因为固定的矩阵旋转顺序会使旋转误差随时间累积。而最优旋转顺序算法通过在每一步使用最优旋转矩阵来减小误差,从而使捕获结果与时间无关。虽然最优旋转顺序算法在每一步都需要进行更多的计算,但是由于捕获结果的准确性较高,所以更适合于捕获正常的活动,因为被试的运动需要一直或长时间的监控。最后,动画显示,所创建的avatar可以连续准确的捕捉到所有受试者的动作,准确性足以帮助医生研究基于avatar的那些活动特征。

与表6.2所示的一些以前的惯性运动捕获系统的比较说明了使用SHIMMER系统进行全身运动捕获的优点。与其他惯性传感器运动捕获系统相比,该系统仅采用加速度计和陀螺仪,而不采用磁力计和所述传感器的组合,降低了硬件和算法计算的复杂度,但仍能达到较高的精度。无线通信和车载SD卡扩展了日常运动捕捉的应用,在adl和病人住所的位置没有限制。此外,背带是灵活和轻,确保自由的运动没有运动限制。在实验中,三个受试者测试了10个adl。选择这些ADLs来涵盖老年人日常活动的所有基本活动。然而,大多数以前的系统只选择了一些adl。实验结果表明,该闪烁系统能够连续准确地捕捉到10个adl,且无明显漂移。该惯性传感器运动捕获系统不仅在医学研究中显示出巨大的潜力,而且在计算机动画、视频游戏和虚拟现实等其他应用领域也显示出巨大的潜力。


7.2未来的工作


对于这个body motion capture项目,虽然可以很好的捕捉被试的动作,但是仍然存在一些问题需要解决,在未来的工作中对于near falls检测应用的改进。



7.2.1现行制度存在的问题需要解决


现行制度需要解决的主要问题有:

1。要解决回转运动的再现问题。


如第6.3.2节所讨论的,当主体转回的时候,后退行走的模型是扭曲的。由于很明显,这个问题来自于非平行的人通过背部的传感器回到直线上,所以在实验中可以首先测量他们之间的角度来避免这个误差。然后,它可以用来纠正前进和后退的区别。

2。数据可以通过无线连接传输到中央主机,而不是存储在SD卡中。

对于目前的系统,传感器采集的所有数据首先存储在SD卡中,并在实验后进行读出处理。该方案不能实现计算机模型的实时显示。因此,无线网络将被建立允许实时数据收集和身体运动再现。



7.2.2未来应用的改进


除了当前系统中存在的上述两个问题外,还可以进行其他改进以获得更好的运动捕获性能。

1。将监测实际的日常生活活动,而不是预先定义的adl

在这个项目中,我们在实验中测试了9个预先确定的ADL和1个固定的ADL序列。在未来,实验将扩展到实际受试者的日常生活动作中,这意味着受试者将不会被限制只能按照预先设定的动作移动。如果该系统能够在较长一段时间内跟踪人们日常生活的每一项活动,就可以应用于近距离瀑布探测应用。


2。老年人可以作为测试对象。

老年人将会参与到这个项目中来,而不仅仅是年轻人。然后可以研究年轻人和老年人的运动差异,并对系统硬件或运动捕捉算法进行相应的调整。

3所示。传感器数量和传感器大小可以减少。


虽然微光传感器又小又轻,但是在身体上戴上十个微光节点是不方便的,尤其是对老年人来说。同时,如果传感器没有附着在选定的位置上,或者在运动过程中传感器没有紧固在物体上,则会降低捕获结果的准确性。因此,可以进行更多的实验来研究传感器编号与精度的关系,在保持精度的同时减少传感器编号。此外,还可以使用更多的技术来减小传感器节点的大小,甚至可以将传感器嵌入衣服中,而不是使用带子。

4所示。可以建立标准的评价体系来评价系统的准确性


与大多数现有的基于分类结果直接显示准确率百分比的跌倒检测系统不同,动作捕捉系统很难根据化身的动作计算准确率百分比。首先,阿凡达的外形通常比真人更简单。其次,没有一个标准的方法来测量人体和化身之间的方位或位置差异。如今,基于光学传感器或摄像机记录信息的计算机动画可以非常精确地捕捉到面部细微的动作。在未来,可以生成基于摄像头和光学传感器的阿凡达,与创建阿凡达的惯性运动捕获系统进行比较,以便进一步比较。由于它们的形状相同,可以放在相同的3D空间中,通过比较可以直观地显示出它们之间的差异,帮助计算精度。

5。结合其他传感器实现近坠检测

惯性运动捕捉系统可以捕捉人们日常生活中的所有运动。然而,仅使用惯性传感器很难区分接近瀑布和其他正常活动的区别。在未来,应该考虑其他技术,如压力传感器。由于近身坠落涉及到失去平衡和获得平衡运动,因此检测身体质量中心的位置将有助于检测平衡。当一个人站着的时候,他/她只用两只脚支撑全身,保持平衡。因此,身体的重心应该在两英尺之间。当质心离开这个区域时,这个运动可以被认为是失去平衡。如果身体重心再次回到足部区域,这个动作可以对应于恢复平衡的动作。压力传感器可以检测到脚下的压力,并根据收集到的压力计算出身体的质量中心。结合压力传感器和惯性运动捕获系统,进一步的实验可以在实验室环境中检测到近地坠落。


完整的Word格式文档51黑下载地址:
国外的动作捕捉论文.zip (15.29 MB, 下载次数: 31)


分享到:  QQ好友和群QQ好友和群 QQ空间QQ空间 腾讯微博腾讯微博 腾讯朋友腾讯朋友
收藏收藏1 分享淘帖 顶 踩
回复

使用道具 举报

沙发
ID:419005 发表于 2019-1-11 10:19 | 只看该作者
本人也在做这块的研究,交流QQ 6230146
回复

使用道具 举报

板凳
ID:402913 发表于 2019-8-15 10:29 | 只看该作者
很棒的资料
回复

使用道具 举报

地板
ID:883177 发表于 2021-2-8 22:23 来自手机 | 只看该作者
讲的很全面的资料
回复

使用道具 举报

5#
ID:582255 发表于 2021-2-13 21:43 | 只看该作者
好文章
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

手机版|小黑屋|51黑电子论坛 |51黑电子论坛6群 QQ 管理员QQ:125739409;技术交流QQ群281945664

Powered by 单片机教程网

快速回复 返回顶部 返回列表