（生物医学工程专业论文）基于加速度的人体步态信息多尺度熵研究.pdf

a b s t r a c t s t u d y i n ga n dp r o c e s s i n gp h y s i o l o g i c a ls i g n a l sh a v eb e e nt h ef o c u so fh u m a nh e a l t h a n dm e d i c a lr e s e a r c hf o ral o n gt i m e g a i ti sr e l e v a n tt op h y s i o l o g i c a lf a c t o r s s u c ha s h u m a np h y s i o l o g i c a ls t r u c t u r e ，m o v e m e n tc o n t r o ls y s t e m ，a n dp s y c h o l o g i c a lf a c t o r s a st h ef i n g e r p r i n t s ，i tc o n t a i n si n d i v i d u a ls p e c i f i ci n f o r m a t i o n a c c e l e r a t i o n ，a sa l l i m p o r t a n ta s p e c to fg a i ti n f o r m a t i o n ，c o n t a i n sal o to fi n f o r m a t i o na b o u tb o d ym o t i o n s y s t e m ，a n dr e f l e c t st h ec h a r a c t e r i s t i c so fh u m a n sm e t a la n dm o v e m e n ts t a t e i nt h ep a p e r , e x p e r i m e n t sa r ed e s i g n e do nt h eb a s eo fs i g n a la c q u i s i t i o ns y s t e mb ya3 a x i sa c c e l e r o m e t e rm m a 7 2 6 0 qa n dad a t aa c q u i s i t i o nc a r du a b 2 0 0 0 a q a t f i r s t ， t h eo r i g i n a ld a t ao f3a x i sa c c e l e r a t i o n sa r ea c q u i r e df r o md i f f e r e n ts u b j e c t si n d i f f e r e n ts t a t e s t h e n , c o o r d i n a t ea x i sc o n v e r s i o na l g o r i t h mi sd e s i g n e dt og e tt h e r e l i a b l ed a t af o rt h es t u d yo fm u l t i - s c a l ei n f o r m a t i o ne n t r o p y a f t e rr e s e a r c h i n ga n dc o m p a r i n gs e v e r a lm e t h o d st oa n a l y z et h ee n t r o p y , t h em e t h o d o ft h em u l t i s c a l ee n t r o p yi ss e l e c t e dt oa n a l y z ea c c e l e r a t i o ns i g n a l s a n da f t e rt h e r e l e v a n tr e s e a r c ho ft h ee n t r o p yc u r v e s ，i ti sf o u n dt h a tt h ec u r v e sh a v eav e r yg o o d r e p e a t a b i l i t y c o m p a r e dw i t hi t sp o w e rs p e c t r u m ，t h ea d v a n t a g e so fm u l t i - s c a l e e n t r o p yi nd a t aa n a l y s i sa r eo b v i o u s t h er e s u l t ss h o wt h a tt h em e t h o do fm u l t i s c a l e e n t r o p yc a nb e t t e r r e f l e c tt h ed e t a i l so ft h ea c c e l e r a t i o n c h a r a c t e r i s t i c s a f t e r e x t r a c t i n gt h ec h a r a c t e r i s t i c sp o i n t so ft h em u l t i s c a l ee n t r o p yc u r v ea n da n a l y z i n g t h e m ，i ti sf o u n dt h a tt h ew a v ec r e s t so fc u r v ef r o md i f f e r e n ts u b j e c t sh a v ed i f f e r e n t d i s t r i b u t i o n a tt l l es a m et i m e s e l f - c o r r e l a t i o na n dc r o s s c o r r e l a t i o nc a l c u l a t i o nr e s u l t s s h o wt h a tc u r v e sf r o mt h es a m es u b j e c ta r ev e r ys i m i l a r , w h i l et h o s ef r o md i f f e r e n t s u b j e c t sa r eq u i t ed i f f e r e n t i nt h ee n d ，t h ea n a l y s i so ft h em u l t i s c a l ee n t r o p yc u r v e s f o ra b n o r m a lg a i ts h o wt h ec h a n g i n gt r e n d so ft h ec h a r a c t e r i s t i c sp o i n t sa n de n t r o p y k e y w o r d s ：g a i t ，m u l t i - s c a l ee n t r o p ya n a l y s i s ，w a v e l e tt r a n s f o r m ，a c c e l e r a t i o n 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得盘星盘鲎或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名：衣、1 旗蝤 签字日期： 沙。扩年彳月7 日 学位论文版权使用授权书 本学位论文作者完全了解基盗盘鲎 有关保留、使用学位论文的规定。 特授权丞鲞盘鲎可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：客0 酝兑舀 签文月：矽奄扩年鼍月彳日 导师繇嗜口砖 签字日期岔悄专年7 月7 e t 第一章绪论 1 1 研究背景 第一章绪论 生理信号的分析和处理是现代生物医学工程中的一个具有重要意义的研究 领域。步态特征蕴含了可以表征人体静止和运动状态的大量信息，属于生理信号 中具有特异性的一类。那么什么是步态呢? 步态是人在步行时姿态的统称，人体 的生理功能、病理学甚至精神状态的各种变化都会不同程度地影响人体的步态。 可以说，步态从一个侧面反映出了人的健康状况和病态特征和特异性的特征。步 态分析就是运用各种先进的测试手段和测试技术对人体在行进过程中的各种力 学信息( 如脚与地面之间的相互作用力，各关节在空间的坐标位置等) 和运动学信 息( 如加速度等) 进行实时测试，并在此基础之上计算出某些反应人体步态特点 的特征参数，从而实现对人体运动定量分析的目的。 步态作为一种生物特征，具有不受距离影响、非侵犯性、难以伪装、受环境 影响小等独特的优点，因而近年来备受关注。国内外的许多知名大学和研究机构， 如美国麻省理工学院、中国科学院自动化研究所等，都广泛展开了步态识别研究 工作。步态的独特性为人的身份识别和认证提供了有效线索，对医疗上的异步病 态、偏瘫等疾病的预防、诊断和康复也可以起到很显著的辅助作用。在现代化的 体育训练中，也可以通过步态特征来监测运动员的体能消耗情况、动作准确程度 等，制定科学的训练方案。此外，步态在机器人的行走、人的行为理解等科学研 究上也占有举足轻重的地位。随着测试技术和处理方法的日臻完善，步态研究广 泛地用于骨科、假肢设计、运动医学、神经内外科等诸多领域。成为生物力学的 一个重要分支。 m u r r a ymp 等早期的医学研究表明【m 】：人的步态中有2 4 种不同的成分，如 果把这2 4 种成分都考虑到，则步态是为个体所特有的。在j o h a n s s o n 早期的物理心 理学实验中，受试者能够仅仅通过观察附着在运动中人的几个关节上的灯泡的运 动轨迹( m l d ，m o v i n gl i g h td i s p l a y s ) 识别运动的类型。后来k o z l o w s k il 等人的实 验表明：熟人的身份【3 】、人的性别【4 】都能够通过这种m l d 实验识别出来，证明了 人可以通过观察m l d 图像就可以感知人的运动模式，能达到自动识别的目的。 近年来，步态分析这一跨学科领域的研究成果进一步说明了在步态视频序列中含 有人的身份信息。从生物力学的角度来看，人的步态包含身体上百种肌肉和关节 的综合运动。这些运动对所有人来说都遵从基本的双足模式，然而不同的人其运 动又有差异，例如相对时序和幅度的不同。这些差异是整个肌肉和骨架( 身体的 第一章绪论 重量、肢体的长度、骨骼的结构) 的函数。因为结构难以复制，所以步态被认为 是个体特有的，且完全决定于几百个运动学参数。这些运动学参数包括特定关节 点的角速度、加速度以及肢体的边界等。以上领域的研究是步态识别作为一种生 物认证技术的科学依据。步态识别已成为步态信息研究的一个重要分支。 正常人的步态有定的共性，遵循着大致相同的规律。但是，不同的人又有 各自的生理特点和行走习惯，我们能从人走路的姿势认出自己熟悉的人，这体现 了步态个性的一面。正是由于步态具有这样的个性，使之成为生物识别技术中除 指纹、虹膜、脸像和声音等以外可以采用的另一项生物特征。近年来，国外对步 态识别的研究工作日益增多，国内还少有相关的文献报道。目前，国外基于步态 的生物识别技术主要有以下几种方法： ( 1 ) 基于步态的时空参数如步频、步长等进行识别，该方法利用人行走的周 期性以及步频和步长之间的线性关系进行识别。n i y o g i 和a d e l s o n 提出了一种使 用步态时空特征进行识别的方法。但由于人的步频和步长与身高、腿长等生理特 征是密切相关的，而凭身高、腿长是不能唯一地确定一个人的，所以如何排除身 高、腿长等对识别的影响是要进一步研究的问题； ( 2 ) 基于人体行走时的图像进行“特征步态”的分析，这也是目前应用最广 泛的方法。使用图像的识别主要包括从背景图像中检测出运动人体，在视频中对 运动人体进行跟踪，提取运动特征，运动识别等几个部分。但是图像识别主要运 用于实验室中或者运动员的运动识别和研究，其所需要的设备和条件较复杂，并 不适用于人体长时间的实时监控。而且虽然对不同的光线、衣着、视角进行了归 一化处理，但这些条件的变动还是能明显影响识别的准确率： ( 3 ) 把人体行走时大腿和小腿的摆动看成钟摆模型，在频域研究这种摆动的 个人特征。c u n a d o 等1 5 j 将大腿建模为链接的钟摆，并从其倾斜角度信号的频率分 量中获取步态特征。c h e w y e a ny a n 等人用两个连接的链接钟摆建立腿部的运动 模型，从钟摆的倾斜角度的曲线中提取某些频率分量作为步态特征进行识别。 近年来也出现一些新的步态分析的方法。例如h u a n g 等提出了一种结合特征 空间变换和正则空间分析的步态识别方法。h a y f r o n n a c q u a h 等从心理学的角度 出发，在步态识别中使用了广义对称算子分析的方法。近来，f o s t e r 等提出了一 种基于“步态掩模”( g a i tm a s k ) 的步态识别方法，用“掩模”来提取目标运动过 程中身体某部分的面积变化曲线，作为步态特征。国内，也有很多学者对步态进 行了研究。中科院自动化所的王亮等提出了一种人体轮廓解环绕提取距离信号的 步态识别算法，在其建立的个2 0 人的步态数据库进行实验，取得了很好的效果。 各个步态研究领域都需要大量可靠的原始步态数据，现在公开的步态数据库 主要有南安普敦大学的s o t o n 步态数据库、麻省理工学院的m i t 步态数据库、 卡内基梅隆大学的c m u 步态数据库，以及中国科学院自动化研究所提供的 2 第一章绪论 n l p r 步态数据库。以上数据库都是基于图像的。然而，动态环境中拍摄的图像 受光照变化、运动目标的影子等多方面因素的影响，会给基于图像的步态特征提 取带来较大困难。所以，h e i k k ia i l i s t o 等人提出一种采用加速度传感器来获取步 态数据的新方法，避免了动态环境中多方面因素对捕捉图像的不利影响，降低了 数据处理的难度，开辟了步态数据获取的新途径。 1 2 加速度计在人体运动状态检测中应用的研究现状 加速度信号作为步态信息的一个重要组成部分，逐渐进入人们的视线。人体 加速度信号分析也渐渐成为步态分析的一个重要手段。 统计表明对步态的分析国内外已经进行了多方面的研究，虽各有不同但就对 步态的测试方面使用的仪器和方法几乎一致，即用摄影或摄像记录和计算测量运 动学参数，使用测力台记录动力学参数，也有少数使用足底压力分布器测量更精 确的足底压力分布规律，然后进行综合的统计分析等。然而，基于加速度的人体 运动状态检测具有设备简单、对于测试环境要求低、可实现实时测量等优点。而 且随着工艺的发展，加速度传感器制作也越来越小巧精良，长时间携带也不会对 人体正常活动造成影响。国外已较为广泛的使用加速度计来进行有关人体运动的 各方面的检测。 早在1 9 6 0 年，b r o u h a 就是用加速度信号对人体运动的能量消耗进行检测， 并首先提出了人体运动的加速度绝对值对时间的积分与人体能量消耗之间具有 较好的线性关系。 上世纪9 0 年代，m e i j e r 等研究了一种能从三个方向测量人体运动的压电式 加速度计，并对这种加速度计的可靠性和重复性做了深入研究。在一个三种速度 ( 3 、5 、7 k m h ) 的行走实验中系统的可重复性分别达到了7 6 、8 5 和9 5 。 c a r l i j n ，v c b o u t e n 等人，采用压阻式三轴加速度计测量人体运动和能量消 耗的关系。他们使用有3 个单维压阻式加速度传感器( 尺寸为4 m m x 4 m m x 7 m m ， 质量0 3 9 ，频率响应0 - 6 0 0 h z ，中心频率1 2 0 0 h z ，量程士1 0 9 ，g 为地球重力加速 度值) 正交地安装在一个很轻的立方体盒中而组成；并有弹性绷带系于人体腰背 部，实现对人体坐、行走等日常活动运动加速度的测量。 m j m a t h i e 等科学家对使用加速度信号对日常行为进行分类的研究，并提出 了使用二叉树分类的方法。在1 3 0 9 组实验中，其有效率达到9 8 7 。a k b o u r k e 等使用一个捆绑在腰部的加速度计来监测人的摔跤动作，通过在时域中对三轴加 速度信号进行处理，设置一定的阈值进行比较，正确的判断出人摔跤的发生。 在国内方面，近几年也有使用加速度计对检测人体运动的研究。其中焦纯、 杨国胜等使用正交组合而成的三维加速度传感器及相应的电路信号处理、运动数 第一章绪论 据记录与分析处理等实现了对训练现场的运动进行记录与评估，实现了静、稳态 和动态激励的较好响应。 在实验室环境下，可以采用三维测力平台技术、高速摄影和录像技术以及光 电技术等手段进行人体运动信息的检测。这些检测技术对人体运动的生物力学和 运动学分析有重要意义。但是这些检测手段都需要在一定环境下进行，不能满足 在日常生活环境中进行人体运动信息检测的要求。随着硅微机械加工电技术 ( m e m s ) 的迅猛发展，各种基于m e m s 技术的器件也应运而生，目前已经得 到广泛应用的就有压力传感器、加速度传感器、光电开关等等。 利用加速度传感器可以开发出一种小型便携式数据采集系统。它具有体积 小、功耗低、便于佩戴的优点，可以完成对人体运动加速度信息的感应、转换、 采集和存储等功能。目前基于加速度传感器的便携式系统得到了广泛的研究和应 用。有研究者开发出基于加速度传感器的便携式人体步行状况实时采集和监测系 统，也有关于训练强度监护仪的研究设计。加速度传感器的应用使得日常环境中 的人体运动信息检测成为可能。 1 3 设计思想及研究内容 1 3 1 设计思想 为了从步态信号中挖掘出原始数据中不可见的隐含信息，常用的先进算法和 信息数据处理技术如：时域分析、频域分析、时频分析和非线性分析等，用到的 工具主要有傅立叶变换、小波分析、混沌与分形分析、非线性预测、数据挖掘、 神经元网络分类、模式识别、专家系统和机器学习等。从已有的研究方法来看， 研究者多把步态信号看作线性和时不变的信号，而k u c h i 等人指出步态信号是一 个非线性、时变的信号，应采用非线性、非时变的信号分析方法产生特征向量1 6 】。 步态信息在不同的状况下线性与时变性表现不同，而多尺度熵分析方法有很好的 应用范围，它主要比较不同时间序列的复杂程度，可以区分由不同机制产生的时 间序列或在相同机制不同条件下产生的时间序列，因此本文采用了多尺度熵的分 析方法。 多尺度熵已经广泛应用于医学诊断分析上。例如m c o a s t a 等人应用多尺度 熵分析健康个体和患有心脏病病人的心电图。将某一时刻两者的心电图根据以上 算法计算多尺度熵1 7 j ，根据曲线判断该人的心脏是否健康，或该病人的心脏患有 哪种疾病。他们发现健康个体心电图的复杂度最大，而患有不同类型心脏疾病的 病人的多尺度熵曲线各不相同，且复杂度较小，所以在病症即将发作时，曲线将 会有明显的变化，复杂度明显降低。加速度信号作为步态信号的一种，隐含了大 4 第一章绪论 量的步态信息，另一方面，熵是研究系统信息量的参数。因此人体加速度信息与 熵可以通过信息量联系起来，加速度中包含体现人体步态特征的重要信息，而这 些信息量可以通过熵来反映。 1 3 2 研究内容 本文以多尺度信息熵算法为研究方式，以人体加速度信号为研究对象，对人 体步态信息进行探索性的研究，通过加速度信号的特征信息提取，分析不同个体 的步态信息，寻找人体运动过程中个体之间的差异。 本文研究的主要内容： 1 设计加速度数据采集实验，采用飞思卡尔公司三轴向加速度传感器 m m a 7 2 6 0 q 和u s b 2 0 0 0 a q 数据采集卡组成的采集系统，对实验对象行走时躯干 和大腿部位的加速度进行采集，得到两组三轴向的原始加速度数据。 2 研究坐标轴校正的算法和应用条件，编写滤波和坐标轴校正程序，对采 集到的原始程序进行预处理，滤除高频干扰并将加速度数据转换到标准坐标轴 下，为进一步的数据分析提供可靠的数据来源。 3 在查阅大量相关资料，深入了解近似熵、样本熵、多尺度信息熵等算法 的基础上，对各种算法进行分析和比较，指出了各自的优点和局限性，并结合加 速度信号的特点，最终选择多尺度信息熵算法作为数据分析的手段，对加速度信 号进行深入分析。为了说明多尺度熵在数据分析中的优势，将其结果与功率谱进 行比较，得出相关结论。之后对多尺度熵曲线进行特征值的提取，计算样本的均 值与方差，总结出不同实验者特征值的分布规律。 4 对实验结果进行总结，得出结论，并分析实验和数据分析中的问题，提 出今后实验需要改进的方向。多尺度熵的分析方法在本文中只应用于加速度信 号，而事实上加速度信号只是反映步态信息中的一种，通过对加速度信号分析的 尝试，说明了多尺度熵方法应用于步态信息分析的可行性，在今后的研究中，可 以把此方法推广到更多其他形式的步态信号分析中，相信也可以得到相关的有意 义的结论。 第二章人体步态加速度采集与数据预处理 第二章人体步态加速度采集与数据预处理 2 1 加速度信号的特点 步态周期指从一侧脚跟着地开始到该侧脚跟再次着地为止。根据下肢在步行 时的位置分为支撑相和摆动相，每个时相又划分为几个时期【引，如图2 1 所示，具 体解释如下： ( 1 ) 首次触地，指足跟接触地面的瞬间，使下肢前向运动减速，确定足进人 支撑相的位置。 ( 2 ) 承重反应，指首次触地之后重心由足跟向全足转移的过程。 ( 3 ) 支撑相中期，指支撑相中间阶段，此时支撑足全部着地，对侧足处于摆 动相，是单足支撑全部重力的时相。主要功能是保持膝关节稳定，控制胫骨前向 惯性运动，为下肢向前推进做准备。参与该过程的肌肉主要为腓肠肌和比目鱼肌。 下肢承重力小于体重或身体不稳定时此期缩短，以将重心迅速转移到另一足，保 持身体平衡。 ( 4 ) 支撑相末期，指下肢主动加速蹬离的时间，开始于足跟抬起，结束于足 离地。此阶段身体重心向对侧转移，又称为摆动前期。 ( 5 ) 摆动相早期，指足离开地面早期时段的活动，主要动作包括足离开地面 和屈髋带动屈膝，加速肢体前向摆动。 ( 6 ) 摆动相中期，继摆动前期后，膝、踝屈曲度不断减少，而髋关节继续屈 曲，使下肢在足底与地面尽可能平行的情况下前摆，此期结束时髋关节达最大屈 曲度。 ( 7 ) 摆动相末期，指迈步即将结束，足在落地之前的活动，主要动作是下肢 前向运动减速，准备足着地的姿势。 6 第二章人体步态加速度采集与数据预处理 oooo ooo 人a 叁入a 墼人 首次 触地 支撑支撑支撑 摆动摆动 反应中期末期 早期中期 图2 1 人体运动时期示意图 摆动 末期 在姿态转变过程中，重力将成为影响这一运动过程的主要因素。运动过程中， 对象的加速度、速度和位移三种矢量均发生了变化。 由于直角坐标系，x 、y 、z 轴相互正交，任意空间方向上的矢量变化均可以 分解成x 、y 、z 三个方向上的分量变化。设x 轴为测试对象运动前进方向，向前 为正，y 轴为左右方向，z 轴为垂直方向。使用者正确佩戴传感器且处于静止状 态下，若传感器坐标轴与标准坐标系重合，则z 轴方向的加速度为重力加速度( g ) ， 其他两个方向上加速度为0 。当佩戴者运动时，传感器的输出矢量会发生变化， 反映测试对象的运动状态。但在实际测试中，无法保证传感器防止位置符合标准 坐标系，产生偏差。则可借由这一偏差进行校正。具体的校正步骤和公式将在本 章的后半部分给出。 在动态活动中，身体的位置和方向不断变化。一般的动态活动，如行走、上 下楼等都是周期性活动。非周期性运动一般出现在静态活动和动态周期运动的转 化期间。行走时的加速度信号具有明显的周期性，如图2 2 所示： 1 运动加速度的幅度：运动中加速度的幅度在垂直方向上均大于侧向和前 后，而且从人体的头部到脚部，幅度越来越大。行走时，垂直方向的加速度幅度 为0 3 9 0 8 9 ，而水平方向上头部为- 0 2 9 - 0 2 9 ，腰部为一0 3 9 0 4 9 。在胫骨，垂直 方向上加速度的幅度为一1 7 9 - 3 3 9 ，而水平方向上为- 2 1 舻2 3 9 。 2 运动加速度的频率：在运动中，垂直方向频率要大于侧向和前后向，而 且从人体的头部到脚部，频谱逐渐向较高频率移动。在以自然速度行走时，加速 度频率范围在几十赫兹以内。垂直方向上人体上部的加速度频率范围0 8 h z 5 h z ， 而其峰值出现在脚部接触到地面的时刻。较高的频率成分均是由脚和地面的冲击 力所造成的，并不是由自主的肌肉收缩所导致。 7 第二章人体步态加速度采集与数据预处理 2 2 加速度传感器 图2 - 2 行走时加速度信号的特点 加速度传感器的主要功能是采集人体运动过程中的加速度信号 9 - 1 0 j ，从而为 后期人体平衡能力的评估提供依据。因而在设计中主要考虑如何才可以保证获得 信号的真实有效性，具体包括以下三个方面： 1 选取高集成度的传感器：传统设计中所采用的传感器大都是单轴向传感 器，这样实现三轴向加速度的检测时就需要用三个传感器共同工作，不但功耗大， 安装不方便，而且较大的体积也会对设备的便携性带来不利的影响，甚至使实验 者佩带传感器时感到不适而无法得到自由运动情况下的数据。 2 传感器的采样频率和反应时间应适合加速度信号的采集的要求：根据j j a a v a n a g h 等人的研究，人体运动时三轴向的加速度频带都在几十赫兹左右，这就 要求所选用的传感器可以满足这一频带的测量要求。 3 传感器的功耗较低：由于传感器需要放置在人体表面，因而不宜采用市 电供电的方法，电源线会极大的限制被测者的活动范围以及自由度，最终影响采 集数据的真实性。而采用电池进行供电，就必须考虑降低设备的功耗，延长电池 的使用寿命。 以往的设计中加速度传感器大多采用压电式传感器，它是采用压电材料作为 信号传感器，同时又提供再平衡力的一种加速度计。这种加速度计一般由检测质 量、压电材料、电极、放大器和壳体等部分组成。当惯性力通过检测质量作用于 压电材料时，压电材料产生弹性应变，由压电材料的机电特性提供再平衡力，并 由于压电效应而在两极之间产生与加速度成比例的电位差。但压电式传感器也有 明显的缺陷，它对常值加速度不敏感，受温度影响大，要求有高输入阻抗的放大 器。同时，以往所采用的传感器体积较大，大多又都是单轴向加速度传感器，并 8 世删晨嚣 埘删晨曩譬 伽删晨曩冒 第二章人体步态加速度采集与数据预处理 不适宜人体加速度信号的测量。 本文中选用飞思卡尔公司的最新推出的三轴向高灵敏度加速度传感器 - - m m a 7 2 6 0 q 。m m a 7 2 6 0 q 能在x y z 三个轴向上以极高的灵敏度读取低重力 水平的坠落、倾斜、移动、放置、震动和摇摆，它是同类产品中的第一个单芯片 三轴向加速器，避免了以往设计过程中采用三组单轴向加速度传感器同时工作所 带来的弊端。其内部功能框图如图2 3 。 与以往的压电式加速度传感器不同，m m a 7 2 6 0 q 采用硅为原料制作敏感元 件，这使它具有可靠性高、结构简单、成本低等优点。m m a 7 2 6 0 q 的功耗极低， 工作电压只有2 2 3 6 v ，工作时电流只有5 0 0 u a ，另外提供休眠模式，当设备进 入休眠模式时电流仅为3 u a ，非常适宜采用电池的方式进行供电。其集成度很高， 传感器内部集成了滤波电路，可以有效地降低噪声( 噪声仅为4 7 m v r m s ) ，只需要 很简单的外围电路就可以得到高分辨率和精确度的信号，大大的降低了设计的难 度。此外，m m a 7 2 6 0 q 提供了多量程范围以供选择，可以根据测量是人体运动 的剧烈程度加以选择，十分利于后期实验的设计。另外，它的反应时间仅为l m s ， x y 轴向检测加速度的频带为3 5 0 h z ，z 轴向检测加速度的频带为1 5 0 h z ，完全可 以满足采集加速度信号的要求。 v s s 图2 3m m a 7 2 6 0 q 功能框图 m m a 7 2 6 0 q 的外围电路十分简单，只需要很少的元器件就可以组成。传感 器检测加速度信号时可以分成4 个档，每个档都对应着不同的量程和敏捷度。传 感器工作时通过向g s e l e c t l 、g s e l e c t 2 管脚输入不同的逻辑电位进行选择，具体 说明见表2 1 。考虑到检测被测者日常行走过程中加速度信号的实际需求，本设 9 第二章人体步态加速度采集与数据预处理 计中量程选择为1 5 9 ，如果需要测量特殊情况下的加速度信号可以通过更改跳线 方式选择更高的量程，这样设计的好处是可以在检测过程中随时进行调整，灵活 而又方便快捷。 表2 - 1 g - s e l e c t 管脚说明 g s e l e c t lg - s e l e c t 2量程敏感度 o 0 1 5 98 0 0 m v g 01 2 96 0 0 m v g 1o 4 94 0 0 m v g l1 6 92 0 0 m v g 另外值得注意的是加速度传感器m m a 7 2 6 0 q 提供了休眠模式，当设备不工 作时可以将1 2 脚( s l e e pm o d e ) 置低电平，传感器进入休眠模式电流仅为3 u a 。 而当重新使用该传感器时将1 2 脚置高电平，传感器恢复工作。这种设计降低了系 统的功耗，延长了工作时间。 m m a 7 6 2 0 q 的特性参数： ( 1 ) x y z ：在一个设备中提供三轴向检测灵敏度。 ( 2 ) 可选灵敏度：1 5 9 、2 9 、4 9 和6 9 。 ( 3 ) 低功耗：0 5 m a 。 ( 4 ) 休眠模式：3u a ，是电池供电的。 ( 5 ) 手持电子产品的理想之选。 ( 6 ) 低压运行：2 2 - - - , 3 6 v 。 ( 7 ) 快速启动：l m s 。 ( 8 ) 低噪音：达到更高的分辨率、更高的精确度。 ( 9 ) 封装：1 6 引脚6 m m x 6 m m x l 4 5 m m 方体扁平封装( q f n ) 。 ( 1 0 ) 参考设计( r d 3 11 2 m m a 7 2 6 0 q ) 已经推出。 ( 1 1 ) 评估板( k _ i t 3 1 0 9 m m a 7 2 6 0 q ) 已经推出。 m m a 7 6 2 0 q 的优点有： ( 1 ) 为多功能应用提供灵活的可选量程：包括1 5 9 、2 9 、4 9 和6 9 。 ( 2 ) 功耗低，可延长电池使用寿命。 ( 3 ) 开机响应时间短。 ( 4 ) 最适合电池供电手持设备的休眠模式。 ( 5 ) 组件数量少，节约成本和空间。 ( 6 ) 噪音低、灵敏度高。 ( 7 ) 自适应功能。 频率及解析度高，提供精确的坠落、倾斜、移动、放置、震动和摇摆感应灵 l o 第二章人体步态加速度采集与数据预处理 敏度。 2 3u s b 2 0 0 0 a q 数据采集与传输模块 实验中，采用u s b 数据采集卡对检测过程进行模拟，对加速度信号进行模采 集和a d 转换。u s b 数据采集与传输单元可以被看作一个传输数据的通道，他一 端连接经过调理的加速度模拟信号，对模拟的加速度信号进行量化和采集；另一 端与应用程序接口，向应用程序提供采集到的加速度数据，供后续的数据分析使 用。 当数据采集器连接到计算机后，w i n d o w s 操作系统自动启动u s b 设备驱动程 序；数据读取应用程序也在计算机上执行，由操作人员启动，它通过设备驱动程 序与数据采集器硬件连接，从硬件读取采样数据，并保存为t x t 文件，供后续的数 据分析使用。 1 u s b 总线的优点 u s b 总线具有传输速率高、硬件自动数据校验纠错、支持设备热插拔等优点。 可以在多种场合应用。总结起来，u s b 总线具有如下优点： ( 1 ) u s b 实现了能够快速、直接连接外设n p c 机，添加一个传统外设。 ( 2 ) u s b 是即插即用功能，当需要接入外设时，不必关闭电源重启计算机。 只要插入便可运行。 ( 3 ) u s b 传输数据的速度非常快，达到1 2m b i t ，而在u s b 2 0 版本中，其传 输速度达到4 8 0 m b i t 。 2 u s b 2 0 0 0 a 简介 u s b 2 0 0 0 a 模板是u s b 总线兼容的数据采集板，可经u s b 电缆接入计算机， 构成实验室、产品质量检验中心、野外测控、医疗设备等领域的数据采集、波形 分析和处理系统，也可构成工业生产过程控制监控系统。而且它具有体积小，即 插即用等特点，因此是便携式系统用户的最佳选择。 u s b 2 0 0 0 a 卡自带时钟和定时器，在设定首、末通道号后，模拟量从3 7 芯d 型接口输入后，经过八选一开关选择通道进入放大器，由放大器输出到加转换 器，开始数据转换，a d 转换结果数据写入先进先出f i f o ，最后经u s b 2 0 0 0 a 卡 的u s b 系统将a d 数据送入计算机。 u s b 2 0 0 0 a 板上装有1 2 位分辨率的a d 转换器。为用户提供了3 2 路单端 模拟信号输入、1 6 路双端的模拟输入通道。a d 转换器输入信号范围为：5 v ， 1 0 v ，o 1 0 v ，具有分组采集和连续采集两种采集模式，其非线性误差不超过 + 1 i 。s b 。 第二章人体步态加速度采集与数据预处理 2 4 实验设计和数据预处理 2 4 1 实验目的 使用m m a 7 2 6 0 q 加速度传感器，采集几种人体日常生活步行姿态，经过校 正后，通过基于小波的多尺度熵算法对健康人群的加速度信号进行特征值提取， 分析特征值的差异，得出对加速度信号特征分析和识别的一系列有价值的初步结 论，为进一步研究人体加速度信息和步态信息提出了一种可行的有效的分析方 法，提供了新的思路。 2 4 2 实验方法 实验对象为学生，年龄在2 1 2 6 岁之间，男性6 人，女性3 人。实验场所为 走廊，操场。两个加速度传感器一个放置在腰部正后方，另一个放置在左腿大腿 外侧。测试中，要求所有测试对相穿平底鞋，在走廊内以正常的步速沿直线行走。 每个测试对象测9 组，每组数据中含有x 、y 、z 三个方向上的数据。同时测量两 组快速行走的数据，以研究不同的步速对多尺度熵曲线的影响。此外为了实现健 康人群数据与非健康人群数据的对比，实验中要求三名实验者另外测量4 组正常 速度的行走，但要求他们在行走的过程中右侧膝关节僵直不弯曲，通过这种方式 来模拟行进功能障碍的患者。 2 4 3 数据预处理 在实际使用之前需要对加速度传感器的输出进行标定，如若输出值误差较大 则很难保证加速度数据信号采集的有效性。本设计对m m a 7 2 6 0 q 进行了如下误 差及重复性测试： 1 将传感器放置在光学平台上( 视为水平面) ，观察其在0 9 i j h 速度条件下的 输出，测试结果传感器z 轴向在o g 的条件下输出为1 6 5 o 0 1 v ，说明传感器工作 正常，误差 = x ，x i ，x n ) 代表了一长度为n 的时间序列，考虑m 维矢 量，a m ( i ) = x i , x i + 1 ，x j + m l ，1 i n - m + l ，设n ( r ) 代表矢量u 。( i ) 接近于矢量 u 。( j ) 的数目。这些矢量满足d u 。( i ) ，u 。( j ) 】r ，其中d 为欧几里德的距离。 c ( r ) = n ( r ) ( n - m + 1 ) 代表所有u 。( j ) 接近矢量u 。( i ) 的概率分布。c 的平均 n - m + l 值c “( r ) = 1 ( n m + 1 ) 乏：c ，表示任何两个在阈值r 之内的概率分布。则k ：可 百 表示为： k 2 = f m l i ml i 璎一i n c 4 + 1 ( r ) 一c “( r ) ( 3 - 1 0 ) 州- 斗h i - - 口or - - - u 考虑两个矢量之间最大绝对值距离，即： d u 。( i ) ，u 。( j ) 】= m a x x ( i + k ) 一x ( j + k ) i ，o k m - i ( 3 1 1 ) e c k m a n n 和r u e l l e ( e r ) 定义，如式( 3 - 1 2 ) ： n m + l 4 ( r ) = 1 ( n - r n + 1 ) l n c ( r ) ( 3 1 2 ) j = l n - m + l 则”1 ( r ) 一4 ( r ) = l n ( c t ( r ) c “( r ) ) 表示时间序列连续m 个矢量与另外 i = l 每一个矢量都十分接近的情况下条件概率分布的自然对数的平均值。e c k m a n n 和 r u e l l e ( e r ) 定义k - s 熵如式( 3 - 1 3 ) ： 2 1 第三章小波多尺度熵分析方法 k 隙= 鼻ml i ml i m 中皿( r ) 一中m + 1 ( r ) 】 ( 3 1 3 ) “十m r - - o 式( 3 1 3 ) 在分析低维数混沌系统十分有用，但在分析有限长度的信号时，存 在很大的误差。为了分析短长度含噪声的时间序列，p i n c u s 弓i 入了近似熵，它定 义为： a e 统计计算值为： a e ( m ，r ) 2 n l i m 。= 4 ( r ) 一”+ 1 ( r ) 】 ( 3 1 4 ) a e ( m ，r ，n ) = 4 ( r ) - o ”1 ( r )( 3 - 1 5 ) a e 不是e r 熵的近似，a ，是一个规则度统计值。现在近似熵已在分析生理 信号方面上得到了广泛的应用。从近似熵的计算过程中可以看到其计算过程中包 含了自我匹配数，所以在计算结果过程存在很大偏差。 为了克服近似熵存在的问题，人们提出了近似熵的修改算法一样本熵。样本 熵具有不依赖于时间序列长度的优点，而且能够在较宽的可能范围r ，m ，和n 之 内说明相对一致性。从k ，熵的定义出发，r i c h m a n 和m o o r m a n 定义参数： 其统计值为： 睁l i r n 山鬻 ( 3 - 1 6 ) s e ( m ，r ，n ) 一h l 需 ( 3 1 7 ) u m + 1 ( r ) 和c ”1 ( r ) ，u 。( r ) 和c 4 ( r ) 的区别在于： 1 两个矢量之间的距离定义为两者之间的最大绝对距离； 2 u 4 ( r ) 和u m + 1 ( r ) 的计算过程中不统计自我匹配数； 3 给定一个长度为n 的时间序列，仅考虑最初的嵌入维数为m 的n m 个的矢 量u 。( i ) ，并保证1 i n m ，嵌入维数为m + l 的矢量u m + l ( i ) 定义的成立。 样本熵等于条件概率分布函数的负自然对数，即如果连续m 个数据点构成相 近序列，则连续m + 1 个数据点也构成相近序列。 第三章小波多尺度熵分析方法 根据上面近似熵和样本熵的定义，可得到如下表达式： a e ( m ，r ，n ) - 而1 n 备- r a l n 若 ( 3 - 1 8 ) n m n s e ( m ，r ，n ) = i n 意 一 n 尹“ j = l ( 3 1 9 ) 其中n ，不同于n ，对于1 i n m ，样本熵不计算自我匹配数( i j ) 。 近似熵和样本熵的区别与r e n y i 熵s 。( q ) ，q = l 时的近似熵，而样本熵是r e n y i 熵，s 。( q ) ，q = 2 时的熵值。样本熵的优点是在计算过程中不存在偏差。 从上面的各种熵的定义看，无论是k s 熵，e r 熵，近似熵还是样本熵在测量 时间序列无规则程度上已得到了广泛的应用，在某些方面上应用( 如混沌信号分 析，医学信号分析) 得到了人们的肯定。但无规则程度和复杂度之间没有直接的 联系。熵值的增加并不与复杂程度成正比。例如样本随机事件的熵值大于原始时 间序列的熵值序列，而原始时间序列在多时空尺度上具有相关结构的复杂的动力 学，样本数据的产生过程破坏了原时间序列的相关性，从而降低了原始信号所包 含的信息，样本时间序列的复杂度远远小于原时间序列的复杂度。上述上的方法 应用到加速度信号分析上，也会得到不一致的结果。 所以这些熵分析方法无法用于表征时间序列的复杂度，因为他们的计算过程 是基于单尺度的，无法说明时间序列在尺度上的相关性，而复杂度与时间尺度上 的相关性有着密切的联系。 为了描述时间序列在尺度上的特点，z h a n g 提出一种多尺度的信息熵的方法。 z h a n g 的复杂度测量方法是一些独立尺度上熵的和。这种方法在测量完全规则和 不规则时间序列复杂度得到合适的结果，其复杂度为一个广泛量。但由于这种方 法是基于申农熵的定义上，为了使具有重要统计准确度的离散序列能画出图来， z h a n g l 均方法需要大量无噪声的数据。所以应用到自由连续且具有有限长度的信 号上时，z h a n g 的方法具有明显的限制性。 为了克服这些限制，基于z h a n g 和p i n c u s 的方法，考虑信号在时间之度上 的相关性，本