基于慣性測量器件的無線步態(tài)分析平臺

姜 　 鳴，　仇 　 森，　趙 　 洋，　張 　 志

( 1.東莞理工學院 電子工程學院， 廣東 東莞　523808；2.大連理工大學 控制科學與工程學院， 遼寧 大連　116024 )

?

基于慣性測量器件的無線步態(tài)分析平臺

姜 鳴*1，仇 森2，趙 洋1，張 志1

( 1.東莞理工學院 電子工程學院， 廣東 東莞523808；2.大連理工大學 控制科學與工程學院， 遼寧 大連116024 )

步態(tài)定量測量方法應用于許多領域，如臨床醫(yī)學、雙足機器人控制等．采用慣性測量單元結合無線傳感器網絡建立了一個步態(tài)分析平臺，將兩個無線慣性測量單元傳感器節(jié)點分別綁定在左右雙側腳踝，以同時采集雙腳運動過程中的加速度和角速度信號，并將其通過無線方式發(fā)送到遠程終端．通過模式識別、時間序列分析、閾值檢測和零速修正等多種數據融合方法計算步態(tài)參數，并通過融合雙足傳感器數據得到雙支撐相、雙腳步行周期等重要的雙足步態(tài)參數，其中雙支撐相參數對人體日常動作的識別有重要意義．實驗結果顯示該研究具有較高的計算精度．

步態(tài)分析；傳感器網絡；數據融合；步行周期劃分；雙腳運動參數

0　引　言

步態(tài)分析主要研究人步行的機制，通過計算得到步態(tài)參數．步態(tài)分析對臨床醫(yī)學、雙足機器人步態(tài)規(guī)劃等都有重要的意義．目前步態(tài)分析可采用多種方法．傳統(tǒng)臨床測量借助秒表和米尺，使用目測以及足印法得到步態(tài)信息，這種方法難以準確定量劃分步行周期，人為因素造成的誤差大．文獻[1-3]使用視頻處理方法分析步態(tài)，通過記錄人走路過程中的視頻圖像計算步態(tài)參數．這類步態(tài)識別方法需要多臺攝像機從不同角度同時記錄數據，圖像分析算法復雜，采集的視頻數據量龐大，同時環(huán)境光線容易影響分析結果．文獻[4-6]使用鞋底放置的壓力墊，通過采集步行過程中的壓力變化來計算步態(tài)周期．由于壓力信號僅能反映腳與地面接觸時間段的壓力變化規(guī)律，這類方法不能很好地跟蹤連續(xù)運動，計算的步態(tài)參數不全面．文獻[7]建立了一種大型模擬行走系統(tǒng)，用來分析人步態(tài)的一般規(guī)律，這種大型步態(tài)分析平臺非常復雜且昂貴，使用者需要經過專業(yè)培訓．

隨著慣性系統(tǒng)向高精度、高集成度和低成本發(fā)展，更多研究開始使用慣性系統(tǒng)進行步態(tài)分析，通過加速度信號和角速度信號來分析步態(tài)規(guī)律以及計算步態(tài)參數．文獻[8]將一個慣性傳感器綁定在人的右腳上，采集步行過程中右腳的角速度和加速度信號，并計算步態(tài)參數．文獻[9]結合壓力傳感器和陀螺儀對步態(tài)周期進行劃分．目前采用慣性系統(tǒng)來測量步態(tài)運動存在一些不足．首先，慣性器件的固定方式與分析結果緊密相關，綁定位置設計不合適會極大降低計算結果準確性．另外，在人步行過程中，被測物體(小腿、腳背、腳踝等)的慣性坐標系與世界坐標系的相對位置不停發(fā)生變化[8]，給加速度和角速度的數據融合方法帶來挑戰(zhàn)．再有，目前多數基于慣性系統(tǒng)的步態(tài)分析方法都采用一個慣性器件綁定在一只腳上[8-12]，由于步行過程是兩只腳配合的協(xié)調運動，單腳運動規(guī)律不能完全反映人體步態(tài)信息．文獻[13]使用兩個加速度計分析左右兩個腳的步態(tài)，但是由于沒有使用陀螺儀，該方法缺乏有效數據融合過程，步態(tài)信息不完整．總之，目前多數步態(tài)分析的研究都是采用單一慣性節(jié)點分析單腳運動，缺乏分析雙腳協(xié)調運動規(guī)律．為了解決這個問題，本文采用兩組慣性測量器件，分別綁定在左右兩側腳踝，采集步行過程中的加速度信號和角速度信號，通過多傳感器數據融合算法計算出雙足步態(tài)數據．

1　測量裝置

本文使用兩個慣性測量單元(inertial measurement unit，IMU)，分別采集左右腳的慣性力．采用MSP430F149對IMU進行數據采集，CPU時鐘頻率為1 MHz，使用無線射頻芯片CC2420將采集到的數據通過2.4 GHz無線信道與接收節(jié)點通信，將步行過程中雙腳的加速度和角速度數據傳回PC端，在PC端計算步態(tài)參數．IMU傳感器節(jié)點選取一個三軸加速度計(LIS344ALH)和一個單軸陀螺儀(LY530AL)，器件性能指標如表1所示．

表1　慣性器件的性能指標

加速度計和陀螺儀通過12位AD轉換得到數字量，采樣前使用低通濾波器濾去電源帶來的50 Hz頻率的干擾．慣性器件校正時，將加速度計的每個軸與地面垂直，通過校正使其輸出+1g或-1g加速度量．使用陀螺儀專用校正控制轉臺，將陀螺儀分別轉過90°、180°、270°和360°，記錄陀螺儀輸出曲線，通過校正使其積分結果得到正確角度．

實驗中使用特制繃帶將兩個IMU傳感器節(jié)點綁定在志愿者左右兩個腳踝上，固定方式如圖1所示．在處理綁定誤差的問題上使用了文獻[14]和[15]中所提到的傳感器初始對準方法．

在器件固定過程中，從PC端實時監(jiān)視器件輸出，使加速度計X軸與重力方向相反，輸出加速度量為-1g，并保證慣性坐標系與矢狀平面平行．根據本文設計的慣性器件結構，這時陀螺儀測量軸與矢狀平面垂直．

圖1　IMU傳感器節(jié)點的綁定方式

2　數據分析

本文使用圖2所示的流程計算單腳和雙腳的步態(tài)參數．傳感器節(jié)點綁定在使用者的腳踝關節(jié)處，用于測試使用者行走過程中腳部的三維加速度和三維角速度．同時上位機控制使用者行走過程中傳感器數據采集的開始和結束，采集完成后，通過數據濾波和校準，使用基于多傳感器數據融合的步態(tài)分析算法，其中包括融合加速度和角速度數據、融合雙足的傳感器步態(tài)數據；然后分別計算出單足步態(tài)參數和雙足步態(tài)參數，其中包括時間參數和空間參數．

圖2　步態(tài)數據處理流程

2.1加速度與角速度數據融合

(1)

2.1.2坐標系轉換步行過程中，慣性器件與地面參考位置一直發(fā)生著變化，如圖3所示．由于步態(tài)信息包含在世界坐標系內(圖3中的矢狀平面)，需要將慣性系下的數值投影到世界坐標系下，從而計算出步長等步態(tài)參數[8]．此處需要說明的是，由于主要的空間步態(tài)參數，比如步長、步速和足角都體現在矢狀平面，本文的研究重點就是在人體矢狀平面內的運動信息．

圖3　走動過程中的兩個坐標系關系

圖3中角度θ表示兩個坐標系的偏差角度，由于陀螺儀測量軸與矢狀平面垂直，θ可由角速度計算得到，計算過程詳見2.1.4節(jié)．根據θ(t)通過式(2)所示的線性轉換將加速度計輸出的x軸和y軸加速度信號ax(t)和ay(t)投影到世界坐標系的Y軸內，得到步行方向上的加速度信號aY(t)：

aY(t)=ay(t)cosθ(t)+ax(t)sinθ(t)

(2)

2.1.3單足步行時相劃分一個步態(tài)周期分為擺動相周期Tsw和站立相周期Tsp，擺動相是腳與地面不接觸的時間，站立相是腳與地面接觸的時間．站立相又分為3個階段，分別是腳跟離地Tho、腳跟擊地Ths，以及完全站立相Tff．在2．1．1節(jié)得到步行周期劃分的基礎上，根據Y軸加速度信號進一步對單足步行時相做劃分．本文采用滑動方差方法分別使用式(3)和(4)計算y軸加速度在滑動窗口內的均值和方差：

(3)

(4)

其中i是采樣序列號；M是窗口大小，本文中M=30．圖4所示是實際采樣過程中的一個步行周期．

圖4　一個步行周期內步行時相的劃分

每一步開始時，在滑動方差大于0．01的情況下，認為是腳跟離地時刻(tho)；當角速度第一次變正時，認為是擺動相開始的時間點(tsw)；由于腳跟著地時y軸加速度會產生明顯脈沖，在發(fā)生脈沖時認為是腳跟擊地的時刻(ths)；當滑動方差小于0.01時，認為是完全站立開始時刻(tff)．一個步行周期內的步行時相由式(5)～(8)來計算：

Tho(i)=tsw(i)-tho(i)

(5)

Tsw(i)=ths(i)-tsw(i)

(6)

Ths(i)=tff(i)-ths(i)

(7)

(8)

2.1.4角度的計算步行過程中單足轉過的角度θ(t)可以根據下式計算：

θ(t)=∫ttho(i)θ.(τ)dτ+θinit(i)

(9)

初始角度θinit通過式(10)計算，本文中令N=10，方括號代表離散點的序列號．

(10)

根據式(9)，一個步行周期內的足俯角θpitch可由下式計算：

θpitch(i)=∫ths(i)tho(i)θ.(t)dt+θinit(i)

(11)

本文中規(guī)定順時針為負方向，逆時針為正方向，因此在腳跟離地期發(fā)生的負角度由式(12)計算，在擺動期發(fā)生的正角度由式(13)計算：

θpitch(-)=∫tsw(i)tho(i)θ.Z(t)dt+θinit(i)

(12)

(13)

2.1.5步伐長度計算在一個步行周期內，通過對步行方向上(世界坐標系內)的加速度信號aY(t) 進行積分可以得到步伐長度，如式(14)所示，[ ]表示積分是數值積分，使用梯形法積分：

(14)

2.2雙腳傳感器數據融合

人直立行走是身體協(xié)調運動的過程，需要左右腳協(xié)調配合．已有研究大多使用單個節(jié)點采集單腳步行數據，僅能分析單腳步態(tài)信息．本文設計兩個節(jié)點同步采集左右腳的步行數據，可以分析雙腳步行過程的相關性，反映兩腳協(xié)調運動的規(guī)律．兩個腳協(xié)調運動時，步態(tài)周期分為單支撐相(single stand phase，SSP)、雙支撐相(dual stand phase，DSP)，以及擺動相(swing phase，SW)．雙支撐相是指兩個腳同時與地面接觸，單支撐相是指只有一只腳與地面接觸．從左腳腳跟離地到開始擺動相的期間是左腳前雙支撐相；隨后左腳發(fā)生擺動相，同時右腳處于單支撐相；然后左腳腳跟著地，并且身體重心向前轉變右腳腳跟離地，這個期間是第二次雙支撐相；最后左腳處于單支撐相，同時右腳離地發(fā)生擺動相．根據這個規(guī)律可以得到雙腳的步行時相劃分，如圖5所示．通過計算雙支撐相可以有效區(qū)分“走路”和“跑步”兩種動作，對人體運動識別具有重要作用．

圖5　一個步態(tài)周期內的雙足步行時相劃分

3　實驗過程和實驗結果

實驗中采集了6名志愿者(3男3女)的步態(tài)數據，并對他們的步態(tài)數據進行分析．圖6所示為某志愿者正常行走時的左腳x軸加速度、y軸加速度，以及角速度的信號曲線．從圖6中可以看到，x軸方向有一個初始1g的重力分量，隨后數值累計變化2g左右，這個變化反映出人腳在垂直方向上的運動．y軸(慣性坐標系)與步行方向直接相關，y軸加速度從-2g變化到2g，變化范圍4g左右．從圖6中還可以看到，在每一步腳跟擊地時，y軸加速度在短時間內(不超過0.01 s)有一個劇烈的變化，可以從2g直接躍變到-2g．角速度在擺動期達到峰值，大概在300°/s．對比加速度信號，角速度信號變化比較緩和，在腳跟擊地時沒有過大的沖擊．通過實驗數據可以看出本文設計的步行周期劃分方法的有效性．文獻[16]將慣性器件固定在腳背上，腳跟擊地的加速度變化明顯小于本文設計方法，本文方法更能準確反映步行過程中腳跟的運動情況．

(a) x軸加速度信號

(b)y軸加速度信號

(c) 角速度信號

圖6某志愿者左腳步態(tài)信號

Fig.6Gait signal of left foot from a volunteer

圖7所示是某志愿者正常步行時采集的左右腳的角速度曲線，從中可以看到兩個腳交替運動的協(xié)調過程．

表2所示是使用本文所提方法計算得到的某志愿者的單腳步行時相，本文給出了從起步開始到第10步的數據，圖8所示為每個步行時相占整個步態(tài)周期的百分比R．通過表2和圖8可以發(fā)現，左右腳時相基本對稱，右腳擺動相比左腳稍大一點，而腳跟離地稍小一點．本文計算結果與文獻[17-19]相比基本一致，但是本文中Ths所占百分比偏小(13%)，而Tho偏大(25%)．之所以存在差異，首先是因為本文中慣性器件綁定的位置更靠近腳踝；其次不同志愿者的步態(tài)不完全一樣，因此產生這種差異也是合理的．

圖7　某志愿者雙腳步態(tài)信號

表2　某志愿者步行時相計算結果

圖8　左腳步行時相占步行周期的百分比

表3所示是使用本文所提方法計算得到的某志愿者的步長和足俯角的計算結果．從表3中可以看到，志愿者平均步長為1.204±0.219 m；足俯角平均負角度-38.474°±7.878°，這個角度反映了在矢狀平面內腳跟向后抬起的角度；平均正角度為65.686°±8.711°，正角度反映了走路的過程中主要在擺動相期間腳逆時針擺動的角度．值得注意的是第一步的步態(tài)參數對比后面參數差異明顯，例如第一步的負角度和正角度只有-17.381° 和36.295°，而其他步的參數都在-35°和60°附近．產生這個現象是因為志愿者在開始采集數據時是靜止的，本文給出的平均值統(tǒng)計中沒有包括第一步起步的數據．

表3　某志愿者步長和足俯角的計算結果

4　結　語

本文提出的雙足步態(tài)分析系統(tǒng)被用來測量健康人的正常步態(tài)，通過無線傳感器節(jié)點采集到的數據，再使用上面提到的算法分析計算得到正常人的步態(tài)參數．為了對測量結果的準確性進行一定的評估，本文在實際測量中使用了其他方法來測量對比系統(tǒng)的計算結果．比如在實際測量時采用秒表對步行周期的測量做了簡單的對比，采用視頻的方法來估算俯仰角的大小，以及用米尺測量人的步長大小．對比分析表明本文系統(tǒng)分析計算出來的參數具有一定的精度，尤其是在步態(tài)周期的測量上有很大的優(yōu)越性．并且比起其他的方法，本文提出的系統(tǒng)測量方法簡單，容易被應用到實際測量中．

[1]ZHANG Xin, Fan G. Dual gait generative models for human motion estimation from a single camera [J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2010, 40(4):1034-1049.

[2]LIU Zong-yi, Sarkar S. Improved gait recognition by gait dynamics normalization [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(6):863-876.

[3]ZHANG Rong, Vogler C, Metaxas D. Human gait recognition [C]// Conference on Computer Vision and Pattern Recognition Workshop, 2004. CVPRW ′04. Piscataway:IEEE, 2004.

[4]Bae Joon-bum, Kong Kyoung-chul, Nancy B,etal. A mobile gait monitoring system for gait analysis [C] // 2009 IEEE International Conference on Rehabilitation Robotics, ICORR 2009. Kyoto:IEEE Computer Society, 2009.

[5]Bamberg S J M, Carson R J, Stoddard G,etal. The lower extremity ambulation feedback system for analysis of gait asymmetries:preliminary design and validation results [J]. JPO Journal of Prosthetics and Orthotics, 2010, 22(1):31-36.

[6]Cuadrado J, Rosa P-V, Urbano L,etal. A force-based approach for joint efforts estimation during the double support phase of gait [J]. Procedia IUTAM, 2011, 2:26-34.

[7]Shiozawa N, Arima S, Makikawa M. Virtual walkway system and prediction of gait mode transition for the control of the gait simulator [C] // 26th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway:IEEE, 2004:2699-2702.

[8]Sabatini A M, Martelloni C, Scapellato S,etal. Assessment of walking features from foot inertial sensing [J]. IEEE Transactions on Biomedical Engineering, 2005, 52(3):486-494.

[9]Pappas I P, Popovic M R, Keller T,etal. A reliable gait phase detection system [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2001, 9(2):113-125.

[10]Veltink P H, Slycke P, Hemssems J,etal. Three dimensional inertial sensing of foot movements for automatic tuning of a two-channel implantable drop-foot stimulator [J]. Medical Engineering & Physics, 2003, 25(1):21-28.

[11]O′donovan K J, Kamnik R, O′keeffe D T,etal. An inertial and magnetic sensor based technique for joint angle measurement [J]. Journal of Biomechanics, 2007, 40(12):2604-2611.

[12]WEN Shi-guang, WANG Fei, WU Cheng-dong. Realtime gait kinematics classification using LDA and SVM [C] // Proceedings of the 2011 Chinese Control and Decision Conference (CCDC). Shenyang:IEEE, 2011:592-595.

[13]Lee J A, Cho S H, Lee J W,etal. Wearable accelerometer system for measuring the temporal parameters of gait [C] // 2007 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Vols 1-16. Piscataway:IEEE, 2007:483-486.

[14]JIANG Ming, SHANG Hong, WANG Zhe-long,etal. A method to deal with installation errors of wearable accelerometers for human activity recognition [J]. Physiological Measurement, 2011, 32(3):347-358.

[15]QIU Sen, WANG Zhe-long, ZHAO Hong-yu,etal. Using distributed wearable sensors to measure and evaluate human lower limb motions [J]. IEEE Transactions on Instrumentation and Measurement, 2016, 65(4):939-950.

[16]Alvarez J C, González R C, Alvarez D,etal. Multisensor approach to walking distance estimation with foot inertial sensing [C] // 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway:IEEE, 2007.

[17]QIU Sen, YANG Yu, HOU Ji-jian,etal. Ambulatory estimation of 3D walking trajectory and knee joint angle using MARG sensors [C] // 2014 Fourth International Conference on Innovative Computing Technology (Intech). Piscataway:IEEE, 2014:191-196.

[18]WANG Zhe-long, QIU Shen, CAO Zhong-kai,etal. Quantitative assessment of dual gait analysis based on inertial sensors with body sensor network [J]. Sensor Review, 2013, 33(1):48-56.

[19]Godha S, Lachapelle G. Foot mounted inertial system for pedestrian navigation [J]. Measurement Science and Technology, 2008, 19(7):1-7.

Wireless gait analysis platform based on inertial measurement device

JIANGMing*1,QIUSen2,ZHAOYang1,ZHANGZhi1

( 1.School of Electronic Engineering, Dongguan University of Technology, Dongguan 523808, China；2.School of Control Science and Engineering, Dalian University of Technology, Dalian 116024, China )

The method of quantitative measurement of gait makes a profound influence on many fields, such as clinical medicine, biped robot control strategy and so on. A gait analysis platform is established based on inertial measurement unit (IMU) combining wireless sensor network. Two IMU sensor nodes are bound on the left and right ankles so that the acceleration and angular velocity can be obtained from both sides at the same time and sent to remote terminal. Based on pattern recognition, time series analysis, threshold detection, zero velocity correction and various data fusion methods, the gait parameters are calculated. Furthermore, dual gait parameters, such as the dual stand phase and dual gait period can be obtained by the proposed sensor data fusion method. Dual stand phase detection has an important significance to the human activity recognition. The experimental results show that this study achieves high calculation accuracy.

gait analysis; sensor network; data fusion; gait phase division; dual gait parameters

1000-8608(2016)05-0518-07

2016-05-10；

2016-07-28．

國家自然科學基金資助項目(51407031)；廣東省自然科學基金資助項目(2016A030313134)；廣東省高等學校“創(chuàng)新強校工程”創(chuàng)新項目(2014KQNCX221)；東莞市社會科技發(fā)展項目(2013108101007).

姜 鳴*(1982-)，男，博士，E-mail:jiangm@dgut.edu.cn.

TH82

A

10.7511/dllgxb201605012