三轴加速计（精选三篇）
三轴加速计 篇1
近年来,人们对智能交互和健康监护等方面的需求日益迫切,使得基于加速度传感器的人体行为识别[1,2]在医疗保健、运动监测、能耗评估等领域受到了广泛的关注。与其相对的是基于计算机视觉的行为识别[3,4],相比之下,前者更能体现人体运动的本质,并且不受场景或者时间的限制,携带方便,成本较低,更适合推广应用[5]。
在人体行为识别中,行为分类器的构建对识别结果是至关重要的。目前,大部分的研究集中在对分类器构建算法的改进和优化上,采用的数据只是少部分比较集中的人的加速度来构建通用模型,并没有考虑到人体多样性等实际问题。
人体多样性简单地表现在性别、年龄、身高、体重等物理方面,更深入地表现在家庭背景及其行为方式等。Nicholas D.Lane等人[6]研究了人体多样性对行为识别的影响,作者在模型训练阶段采用相似度的概念,通过使用与用户相似度高的多人的原始加速度数据训练模型,达到数据分享的目的,但是计算量较大,所需时间较长。郭忠武等人[7]以健康青年人为研究对象,通过获取步态运动学参数,比较了男女之间步态的差异,得出了两性之间大多数步态参数的数值存在显著性差异的结论,并且分析了步态参数与身高、体重的相关性。也说明了年龄的不同对步态也会有不同程度的影响。
在日常活动中,人们会根据个人习惯将手机放在某个位置,常见的有上衣口袋、裤口袋、包中和手中,赵中堂[8]研究了多个设备被同时部署在人体不同位置的情况,得到了不同位置加速度不相同的结论。在过去的研究中,上面提到的四个手机位置被经常用到,但是并没有人说明究竟哪个位置对行为识别是最好的,因此大部分情况下建议使用多个传感器来提高识别精确度[9]。Ling Bao等人[10]使用五个二轴加速度传感器放在受试者身体的不同部位进行了无监督的数据采集。
针对以上问题,本文进行了基于人体多样性的行为分类和预测。将所有训练好的模型保存起来,用户输入基本信息后可立即获取对应的模型进行识别,不仅可以减少计算量,也减少了所需时间。
2人体行为识别过程(Human action recognition process)
人体行为识别主要包括模型训练和识别阶段,具体包括数据采集、数据预处理、特征提取和选择、模型训练、分类器识别五个模块。首先利用手机加速度传感器采集人体行为的原始加速度数据,为了提高识别精确度,需要对原始加速度数据进行去噪处理,然后提取并选择原始加速度数据的时域和频域特征,接着使用模型分类算法实现模型的训练和最终的行为预测识别。整个行为识别过程如图1所示。
2.1数据采集与预处理
根据实验需要,共采集了80个人的走路、跑步、上楼、下楼和静止的原始加速度数据,其中,性别包括男女,年龄包括两个区间段[20,30]、[50,60],身高包括两个区间段[160,170]、[170,180],体重包括两个区间段[55,65]、[65,75]。因此,根据性别、年龄、身高、体重,共有16种组合,本文选取了其中的5种组合,每种组合的志愿者数量为10人。
采集数据的过程中,为了覆盖人们常用的四个位置,共使用四部手机,均是小米公司生产的Redmi Note 3,以消除不同手机对结果产生的可能影响。在每个志愿者的每种行为中,分别将四个手机放到上衣口袋、裤口袋、手中和包中。要求志愿者的每种行为能够采集到80条数据,经过筛选后能够保证有70条数据。整个过程由志愿者独立完成,没有受到其他因素的干扰,以保证数据的质量。
为了方便加速度数据的采集,我们团队自己开发了一款手机APP,它不仅能够完成数据的采集,并且能够实时查看志愿者采集到的加速度数据的波形,可以根据波形进行数据的筛选。添加采集对象界面、设置界面、采集界面和加速度展示界面分别如图2(a)—图2(d)所示。
实际采集的加速度数据一般都有噪声,需要进行预处理,预处理的方法通常有平滑、去噪、归一化、加窗等。本文为了提高识别精确度,使用了带通滤波、频谱滤波(自定义,即选取频域中峰值较大的前四个),处理后可获得更加平滑的数据。
为了方便下一步的特征提取,本文使用加窗的方法分割原始加速度信号,使用窗口长度为256个样本点的矩形窗分割原始加速度信号,加速度信号的采样频率为64Hz,所以,加窗后的每个加速度信号的时间跨度为四秒,足以包含单个完整的动作。
2.2特征提取与选择
实验共提取了19个特征值,选择使用了13个特征,其中,时域特征包括过均值率、平均值、最小值、四分位距、绝对平均差、中位数,对原始加速度数据进行了快速傅里叶变换后,获得的频域特征包括质心、能量、熵、谱峰位置、标准差、平均值、偏度。
首先,由于人们放置手机的位置是不确定的,并不能保证手机的朝向和角度保持不变,而朝向和角度的改变会导致加速度传感器读数的多变性,进而影响数据分布的复杂性,进一步影响到后续步骤建立的行为识别模型的复杂性。为了消除朝向和角度的影响,我们对每个时刻的加速度进行合成。当某个时刻加速度传感器的读数为(ax,ay,az)时,合成加速度为:
主要特征值的计算公式如下:
(1)平均值
(2)绝对平均差
(3)标准差
式中,N为样本数,X为样本平均值,标准差是经常被使用的统计特征之一。标准差反映了加速度传感器数据的离散程度。由于人在静止时加速度数据是基本不变的,标准差几乎为零,而在运动时加速度数据会不停变化,其标准差总是远远大于零,因此标准差是识别静止与运动的重要特征。
(4)偏度
式中,N为样本数,X为样本平均值,σ为样本标准差。偏度是用来度量加速度传感器数据分布偏斜方向和程度的统计特征。
(5)熵
一般用于当行为间的能量相似时提供辅助的区分能力,其计算方法为:对信号X经离散傅里叶变换后,将各分量幅度的信息熵进行归一化。
2.3模型训练及识别算法
人体行为识别中,模型训练通常有两种方法,一是构建一个通用的模型,二是为每个用户构建一个个性化的模型。前者省时省事,更易于实现,但是没有考虑到人体多样性的问题,是以降低识别精确度为代价的,并不能满足大多数人的需求;后者与前者相比,识别精确度比较高,但是在模型的建立中,需要用户过多地参与,即通过采集训练人的加速度数据训练出个性化的模型,增加了用户的负担。
本文采集了多种多样的人的原始加速度数据,进行了多个模型的训练,可以根据用户的基本信息为其选择一个最优的分类模型。此举不仅减少了用户的负担,也提高了识别的精确度。
本文采用的模型训练及识别算法是著名的SVM(Support Vector Machine,支持向量机)。在机器学习领域,SVM是一个有监督的学习模型,通常用来进行模式识别、分类和回归分析。SVM通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少情况下亦能获得良好统计规律的目的。
3实验结果(The experimental results)
实验根据人体的多样性,通过训练多个模型,再根据每个用户的基本信息寻找出最匹配的模型。
性别、年龄、身高、体重四个变量中只有一个变化时,加速度数据的比较分别如图3—图6所示。
以上四张图直观地表明了性别、年龄、身高、体重的不同对加速度值的直接影响。
经过不断地实验,将年龄、身高、体重的区间长度均定为10,即年龄包括两个区间段[20,30]、[50,60],身高包括两个区间段[160,170]、[170,180],体重包括两个区间段[55,65]、[65,75],再加上性别区分,根据定量的思想选择不同的组合,每个组合随机选出九个人的数据做训练集,剩余一个人的数据做测试集,训练出模型后,使用对应的测试集得到识别精确度,另外使用所有人的数据训练出一个通用模型得到精确度,并且和只有一个属性不同时的模型精确度作比较,模型编号和测试集编号对应关系如表1所示。
其中身高的单位是厘米,体重的单位是千克,编号1和2只有性别不同,1和3只有年龄不同,2和4只有身高不同,1和5只有体重不同。测试结果如表2所示。
从表2数据可以得出结论:性别、年龄、身高、体重对行为识别的精确度是有影响的,对应区间的精确度高于通用模型和相对区间的精确度。
从每个组合中重新选择训练集和测试集进行多次实验,然后从所有数据集中再选择出其他组合进行同样的实验,得到的最终结论是一样的,充分证明了本文提出的方法的正确性。
4结论(Conclusion)
本文针对当前设计模型的不足,提出了使用智能手机三轴加速度传感器采集数据和SVM分类算法进行基于人体多样性的行为识别的思想,通过将性别、年龄、身高、体重四个人体多样性因素进行区间划分,使得每一类人都有一个对应的模型,不仅能够保证模型具有普遍性,也提高了识别精度。在实验过程中,我们同样考虑到加速度传感器种类和所放位置对行为识别的影响,并采取了相应的措施,以尽可能考虑到实际情况的复杂性。本文通过与通用模型和相对模型的识别结果进行比较,证明了本文方法的可行性。
参考文献
[1]Palaniappan A,Bhargavi R,Vaidehi V.Abnormal Human Activity Recognition Using SVM Based Approach[C].International Conference on Recent Trends in Information Technology,2012:97-102.
[2]Wei H X,He J,Tan J D.Layered Hidden Markov Models for Real-time Daily Activity Monitoring Using Body Sensor Networks[J].Knowledge and Information Systems,2011,29(2):479-494.
[3]Qian H M,et al.Recognition of Human Activities Using SVM Multi-class Classifier[J].Pattern Recognition Letters,2010,31(2):100-111.
[4]Khan Z A,Sohn W.Abnormal Human Activity Recognition System Based on R-transform and Kernel Discriminant Technique for Elderly Home Care[J].IEEE Transactions on Consumer Electronics,2011,57(4):1843-1850.
[5]王洪斌.基于三轴加速度传感器的人体行为识别研究[D].无锡:江南大学,2014.
[6]Nicholas D.Lane,et al.Community Similarity Networks[J].Personal and Ubiquitous Computing,2014,18(2):355-368.
[7]郭忠武,等.正常青年人步态运动学参数的研究[J].中国康复理论与实践,2002,8(9):532-533;544.
[8]赵中堂.自适应行为识别中的迁移学习方法研究[D].北京:中国科学院大学,2013.
[9]K.Van Laerhoven,A.Schmidt,H.-W.Gellersen.Multisensor Context Aware Clothing[C].Proceedings of the Sixth International Symposium on Wearable Computers,2002:49-56.
三轴加速计 篇2
在消费类市场，随着MEMS传感器正越来越多地集成到日益多样化的系列应用中，整个消费电子行业也进入了一个令人激动的发展阶段，越来越多的制造商将对MEMS传感器提供的强大功能和性能产生兴趣。根据Bourne Research公司的预测，在接下来的5年中，便携式消费电子产品中的MEMS传感器将以10％左右的速度增长。到2010年，消费类电子产品中使用的MEMS传感器的销售额预计将超过7.5亿美元。
全球最薄的加速度计
为了激发设计者的想象力，实现各种基于3轴加速计最终使用，飞思卡尔半导体日前宣布推出一种体积比以前的产品小77%的3轴数字输出加速计。这种全球最薄的加速计MMA7450L采用0.8mm厚的塑料矩栅阵列（LGA）封装，旨在满足功能丰富的便携式器件日益凸现的空间限制。MMA7450L是为了简化微处理器和微控制器（MCU）的集成而设计的，用于需要移动、加速或倾斜传感的手部运动和设备，是实施用户界面的手持机终端的理想之选。此次飞思卡尔推出的加速计是业界最薄的封装之一，建立了新的标准。
MMA7450L可以在 I2C和SPI界面总线上通信，数字输出功能可简化与MCU或微处理器的通信。它消除了对专用模数转换器的需要，使传感器可以和其他器件共享界面，从而进一步节约小型系统的空间。此外，便携式器件制造商可以将MMA7450L与无线平台直接相连，如飞思卡尔的i.MX架构或高度集成的8位MCU，将加速计应用到手机和便携式媒体器件中。MMA7450L可实现多种基于移动的功能，如倾斜滚动（tilt scrolling）、游戏控制、按键静音（tap to mute）和自由落体硬盘驱动保护。
除了提供机载数字输出外，MMA7450L还提供一系列嵌入特性，如阈值和脉冲或单击检测，可实现快速移动检测以及偏移校准，从而降低了对外部存储器的需求。MMA7450L可实现3个加速度灵敏度（2g、4g、8g）选择，这使设计人员可以灵活地选择特定应用所需的重力检测水平。MMA7450L是需要快速响应时间、高灵敏度、低电流、低电压运行和小封装待机模式的便携式消费电子产品的理想解决方案。
MMA7450L产品的特性包括：
数字输出（I2C和SPI）
小型的14针脚3mm x 5mm x 0.8mm LGA封装
XYZ：3轴灵敏度
高灵敏度
- 2g时为64 LSB/g
- 10位模式下8g时为64 LSB/g
低电流：400μA
待机模式：5μA
低电压运行： 2.4V~ 3.6V
可选的重力加速度： 2g、 4g或8g
强大的设计，可抗强度达10,000g的冲击
可编程的阈值中断输出
用于移动识别的水平检测
单击或双击识别
低重力三轴加速计应用
对于那些需要在小型封装中获得快速响应速度、低电流消耗、低电压的运行和休眠模式的客户来说，飞思卡尔在早些时候推出的MMA7360L、 MMA7340L和 MMA7330L三轴加速计是理想的移动感应解决方案。
飞思卡尔的MEMS传感器设备旨在实现1.5g/6g （MMA7360L）、3g/12g（MMA7340L）和4g/16g（MMA7330L）的可选敏感度。对检测多个便携式应用的降落、倾斜、移动、放置、震动和摇摆来说，选择不同强度的多轴敏感度功能至关重要。MMA73x0L模拟输出传感器采用3mmx5mmx1mm的基板栅格阵列（LGA）封装。
对移动和倾斜的微小变化的敏感性使MMA73x0L传感器非常适合用作移动和3D游戏产品的用户界面。多轴敏感性的提高及全运动范围特性使移动和游戏用户能对滚动、飞行、驾驶及执行其它快速响应时的非常细微的移动做出极其精确的响应。
利用飞思卡尔MMA73x0L传感器的支持技术，智能便携式电子产品用户能在其笔记本电脑、PDA和MP3播放器不慎掉落时更好地保护磁盘驱动器。当所有三个轴都处于零重力状态时，零重力检测功能就提供一个逻辑中断信号。三轴加速计的先进移动感应功能可以检测到设备的跌落时间，并采取相应措施，防止敏感电子组件遭到损坏。
MMA73x0L传感器还能提供旨在保护笔记本电脑的防盗应用支持技术。笔记本电脑安全系统内的加速计可用于检测异常移动，并发出警报声。
MMA7360L、MMA7340L 和 MMA7330L 的功能
小尺寸基板栅格阵列（LGA），3mmx5mmx1mm封装
零重力检测实现自由下落保护
XYZ：一台设备具有三轴敏感性
客户可以选择的重力范围：
MMA7360L：1.5g/6g
MMA7340L：3g/12g
MMA7330L：4g/16g
400 uA的低电流消耗
3 uA的休眠模式，延长了电池使用寿命
2.2 V ~ 3.6 V的低运行电压
自我检测功能
1 ms的快速供电响应时间
0.5 ms的支持响应时间
基于单片机的三轴加速度计步器设计 篇3
通过研究人行走的形态发现人在行走时会产生三个方向的加速度。利用加速度传感器捕捉人行走三个方向的加速度, 正好可以模拟人跑步时候形成的垂直、前, 侧向的加速度。正是由于三个方向的加速度测量, 所以做出来的计步器适合佩戴在人体任何部位。
1 计步器总体模块分析
计步器的总体结构框图如图1所示, 该计步器由STC89C52芯片、液晶显示模块LCD1602和加速度传感器ADXL345构成。工作过程如下:传感器检测到外界物理运动的三个方向的加速度, 通过芯片内部的模数转换把模拟信号转化为单片机可以识别的数字信号, 单片机获得数据信息再通过分析计算, 把最终信息输送给显示器。从液晶显示器上可以读出步数、总步数、路程以及运动消耗的卡路里。
2 计步器硬件设计
2.1 ADXL345功能分析
ADXL345是美国DI公司推出的一款低成本三轴加速度传感器。体积小利于制作成为便携计步器。该微型电容式加速度传感器融合了信号调理、低通滤波器, 并提供了加速度范围。
模块主要用于采集数据并且进行模数转换然后将加速度的变化值送到单片机, 然后单片机进行处理, 相当于整个系统的信号产生模块。ADXL345通过IIC的方式与单片机进行通信。其连接方式如图2所示。
2.2 单片机模块
本文采用单片机STC89C52, 内置EEPROM与MAX810容量为4 KB复位电路, 512字节RAM、32位I/O口线以及看门狗定时器、8 k字节的Flash, 此外3个16位定时器/计数器。
由STC89C52芯片、11.059 2 MHz晶振电路、复位电路三要素构成了最小系统。STC89C52芯片为单片机主控芯片, 复位电路和晶振电路都属于外部接入, 其接法简单。单片机连接电路如图3所示。
单片机的P0口接LED显示电路。P1.4, P1.5接ADXL345电路。P1.6, P1.7所接按钮为步数、里程、卡路里清零按钮。
2.3 显示模块
LCD也是一种低功耗产品, 如果设施考虑到功耗问题, 那么液晶显示器就是不错的节能选择。LCD的工作原理其实很简单就是通过电流诱发内部液晶分子由点连成线, 由线合成面, 三者相互配合点亮背部的小灯管, 这样就成了我们看见的LCD显示屏。
本文采用比较常用的1602作为显示模块。用于显示步数, 里程, 卡路里信息。其电路连接如图4所示。如果要封装起来用于实际开发可以选择型号更加小巧的显示器。
3 计步器软件设计
3.1 系统软件流程
跑步者竖向、前向和侧向的加速度通过数字滤波器变得平滑。由于不一样的人行走时会有不同加速度的输出范围, 所以算法中用动态参数的方式提供了一种自我调整的方法, 用来满足不同行人的检测的准确度。系统持续更新3轴加速的最大值和最小值, 每采样50次更新一次。平均值 (Max+Min) /2为动态阈值。接下来的50次采样利用此阈值判断个体是否迈步。由于阈值每50次采样更新一次, 这种选择具有自适应性也足够快。
步伐计数器根据x、y、z三轴加速度变化最大的一个轴计算步数。如果加速度变化太小, 计数将忽略。系统的软件流程如图5所示。
为了避免计数器过于敏感, 也就是当计步器因为步行或者跑步之外的原因而非常迅速或者缓慢的振动时, 步伐计数器也会认为步伐, 利用“时间窗口”排除无效振动。假设人最快的跑步速度为每秒5步, 最慢为每2 s一步, 两个有效步伐的时间间隔在时间窗口[0.2 s~2.0 s]内, 时间间隔超过此窗口则被排除。
3.2 算法实现
根据上述算法计算出步数之后, 我们可以根据设定的步长得到里程数。距离=步长*步数。
由一般测量卡路里参数与跑步速度之间的关系可得到卡路里公式。卡路里 (C/kg) =1.25*跑步速度。所以我们可以得到卡路里 (C/kg) =1.25*距离/跑步时间。最终可通过输入体重得到个体步行或者跑步一段时间后的卡路里。
4 结论
基于单片机的计步器, 实际测试数据如表1所示。
因此计步器为实验电路焊接在万能板上, 不能将传感器固定在腰上或者手腕上, 也是造成误差的重要因素。考虑到实际使用情况, 由测试数据表看出, 计步器总体功能在我们误差接受范围内。计步器能准确感应出人行走的步数并可通过显示屏显示步数、里程、卡路里, 实现同步、高效、准确的性能。
参考文献
[1]曹赟, 周宇, 徐寅林.加速度传感器在步态信号采集系统中的应用[J].信息化研究, 2009, 35 (9) :51-53.
[2]刘宗林, 李圣怡, 吴学忠.新型三轴加速度计[J].传感器技术学报, 2004, 17 (3) :488-492.
[3]孟维国.三轴加速度计ADXL345的特点及其应用[J].电子设计工程, 2007 (2) :47-50.