人体传感器技术（精选7篇）
人体传感器技术 篇1
0引言
运动竞技 和健康锻 炼中的运 动过量和 运动姿态 不正确 , 会导致人 体体能下 降 , 平衡感降 低 , 严重时会 导致肌肉 萎缩 、软骨损伤 等永久性 伤害 。 三轴加速 度传感器 可全面有 效地反应 人体运动 情况 , 结合Android平台 , 构建运动 模型 , 可有效纠 正运动员 不标准的 运动姿态 , 优化运动 训练 、提高效率 , 防止运动 损伤与运 动过量 。 将该系统 应用于运 动锻炼中 , 还可有效 预防老年 人摔倒受 伤 , 并为慢性 病和肥胖 症患者提 供评估自 身运动量 的相关帮 助 。
1运动信息数学建模分析
1.1运动过程能量消耗建模
每t1秒的步数n:第t1秒末人体的速度V1=V0+a1t1 (m/s) , t1秒内的里 程为设一个成 年人的步 长为a ( 单位 :m) , 则该人在t1秒内所走 步数可近 似为n= x1/ a 。
运动平均 速度: 由公式= 步频n× 步长l, 可得到1 s内平均速度 , 同时由于步长 往往随着 步频的改 变而变化 , 因而不同 步频运动 过程中的 平均速度 也不尽相 同 。 由此 , 运动过程 能量消耗 也将随步 频及运动 速度的改 变而产生 变化 。 以大量身 高相仿的 运动对象 为例 , 对其运动过 程中的各运动参数进行 汇总分析 , 得到步长l (单位 :m ) 与步频n ( 单位 : 步 / s ) 的关系大 致如表1所示 。
能量消耗W: 依据上述 对平均速 度的求导 办法 , 对运动过 程中的平 均速度与 能量消耗 进行分析 , 得到如表2所示数据 , 由表2可推导n秒内卡路 里消耗总 量其中w1 (单位kg) 为个体体重, 由此便完 成了对运 动过程中 能量消耗 的建模分 析 。
1.2人体运动模型的识别
1.2.1基于三轴加速度校准的人体姿态角计算
人体周围 区域的划 分以人体 坐标系为 基准 , 判断人体 姿态主要 利用俯仰 角和翻滚 角 , 在人体姿 态角的计 算过程中 , 设g为重力加 速度 , GX、 GY、 GZ为加速度 传感器三 个正交测 量轴上的 测量值 , 俯仰角为 θ, 翻滚角为 λ, 求导办法 如下所示 , θ 由式 (1) 求得 , γ 由式 (2) 求得 。
1.2.2基于三轴加速度传感器的运动模式的识别
人体运动 模型可以 看作是由 转身 、 步行 、 原地跳跃 、 下蹲等几 个基本的 运动元素 有机组合 而成 。 人体运动 模式识别 是以人体 姿态作为 主要提取 特征 , 以人体坐 标系为基 准 , 进而对人 体周围空 间分别进 行水平和 垂直划分 的 , 划分方法 如图1所示 。
人体周围 空间在XY平面上被 平均分成 四个区域 , A 、 B 、 C 、 D区域分别 为人体正 面 、 左面 、 后面 、 右面空间 。 站立/蹲下/站立 , 站立/坐下/站立 , 以及前倾 跑步等多 种运动方 式发生在A区域 。 仰卧 、仰坐等动 作发生在C区域 。 侧卧或跌 倒等动作 发生在B、D区域 。 垂直轴到 水平面共90° 的空间被 划分为3个区域 , α 为偏离垂 直轴的角 度 。 判定方法 见表3。 垂直方向 上的划分 更加强调 人体在某 一方向运 动的强烈 程度 。
综合水平 、 垂直两种 划分方案 , 对人体周 围空间重新进行分 区 。 原I区的编号 为1, 原II区按水平 方向的分 区顺序被 分为4个分区 , 编号依次 是2、3、4、5。 原III区各分区 编号依次 是6、7、8、9。 设某时刻 人体仰俯 角为 θ , 翻滚角为 γ , 航向角为 Ψ , 此时人体 躯干与垂 直轴之间 夹角可用 公式 α=arccos (cosθcosγ) 求得。人体躯干在水平方向上 的位置判 断为 , 当|sinγ|<|-sinθcosγ|且 -sinθcosγ>0时位于A区 ; 当|sinγ|>|-sinθcosγ|且sinγ<0时 , 位于B区 ; 当|sinγ|<|-sinθcosγ|且 -sinθcosγ<0时 , 位于C区 ; 当| sinγ | > | - sinθcosγ |且sinγ > 0时 , 位于D区 。 使用三维 向量 [ X1 , X2 , X3 ] 代表初始 状态 、 中间状态 和最终状 态 , 获取了人 体的姿态 序列 , 从而进一 步确定运 动中躯干 部分姿态 变化的过 程 。
2系统总体结构设计
系统通过 测量三轴 加速度 (GX、 GY、 GZ) , 完成卡路 里消耗计 算 , 利用运动 模式识别 算法实现 对人体姿 态判断以 及跌倒警 报预判 , 利用GPS定位技术 实现人体 运动轨迹 跟踪 。 综合计算 , 以满足人 体运动状 态的监测 。
系统总体 结构流程 图如图2所示 。
2.1硬件系统的设计
硬件系统 由监测人 体运动的 三轴加速 度传感器MPU6050 、 Micro SD卡 、 温度传感 器DS18B20 、 有机发光 二极管OLED显示屏 、 处理数据 的微处理 器MSP430、以及蓝牙 模块HC05等组成 。 系统框架 和信息流 向如图3所示 。
由图3可知 , 微处理器 通过温度 传感器获 取人体体 温参数 , 通过三轴 加速度传 感器获取 人体在不 同运动状 态时的三 轴加速度 以及人体 所处的环 境温度 。 微处理器一方面将这些数据通过显示屏显示出来, 另一这些数据存储到SD卡中 , 以便对所 获取的数 据进行离 线分析 ; 同时还可 将这些数 据通过蓝牙模块 传送到手 机安卓平 台 , 通过算法 分析和安 卓手机编 程将三轴 加速度进 行整合计 算出人体 在不同运动状态下的速度, 里程、卡路里消 耗以及运 动姿态情 况 , 并在手机 上显示出 来 。
2 . 2软件系统 的设计
系统软件 流程图如 图4所示 。
2 . 2 . 1 Android平台的创 建
Android平台的服务端采用Struts2 +Hibernate框架架构 , 数据存储 采用My SQL数据库 。 服务器端 架构图如 图5所示 。
整个服务 端采用多 层次的架 构 , 从上到下 依次是控 制器层 、 模型层 、 持久化层 和数据库 层 。 Struts2充当控制 层和模型 层 , Hibernate充当持久 层 。 Struts2框架中的Filtr Dispatcher作为控制 器 , 它作为Selvert过滤器 , 接收用户 请求 , 过滤并转 发 。 Action作为Struts2中的模型 层 , 用来调用 业务逻辑 处理请求 , 还可以进 行数据的 传递 。
2.2.2GPS定位技术
GPS全球定位 系统是通 过分析GPS接收机终 端和基站 之间所传 播信号的 特征参数 来实现位 置获取功 能的 。 当前Android手机大都 配备了完 备的GPS接收系统 , 该定位技 术利用空 间距离后 方交会的 方法 , 把GPS定位卫星 的瞬间位 置当作已 知数据 , 进而确定GPS接收机的 所处位置 。 在此基础 上本系统 通过对百 度Map API技术的调 用 , 构建相应 的配套服 务体系 , 通过百度Map API便可将设 备所处的 地理位置 信息实时 显示在app界面 , 同时还能 够实现地 图的加载 、 缩放及浏 览功能 , 满足用户 在使用该 系统过程 中的定位 需求 。
3实验结果与分析
基于人体 传感和Android技术的运 动监测系 统的设计 实验样本 为10名身体健 康 、身高在160 cm~180 cm, 体重在50 kg~60 kg的志愿者 , 实验距离 为50 m, 实验方法 为直立行走、慢跑、跌倒三种运动状态, 采集到的瞬时加速度实验数据 (忽略方向) 如表4所示。 将此过程中的能量消耗作为实验变量, 以此同标准跑步机所测得的能量消耗数据进行对比, 进而便可分析系统测试结果的准确程度。
3.1实验准确性分析
实验中 , 志愿者佩 戴运动监 测系统与 兄弟牌跑 步机WL - 195运动进行 对比测试 , 测试结果 数据如表5 、 表6 、 表7所示 。
3.2实验数据分析
X 、 Y 、 Z轴的加速 度为10名测试者 在相同运 动状态下的平均 值 , 而合成的 加速度为三轴加的矢量合 成 , 由矢量合 成公式 :得到 。 同时由式 (1) 和式 (2) 可得 , 当人体正 常行走时 , α 的平均值 为13.32°, 处于直立态, 并且|sinγ|<|-sinθcosγ|且 -sinθcosγ> 0 , 位于A区 , 符合人体 正常走步 时的运动 姿态 ; 当人体慢跑时 , α 的平均值 为37.64° , 处于过渡 态 , 并且 , |sinγ |<|sinθcosγ |且 - sinθcosγ > 0 , 位于A区 , 符合人体 慢跑时的 运动姿态;当人体跌倒时 , α 的平均值为67 . 39 ° , 处于水平 态 , 同时满足| sinγ | > | - sinθcosγ |且sinγ > 0 , 位于D区 , 符合人体 跌倒时的 运动姿态 。 实验测得 三分钟内 人体运动 时的实时 三轴加速 度 , 由此合成 得到人体 正常行走 、 慢跑 、 正常行走 时突然跌 倒等阶段 的加速度曲线图 如分别图6、图7、图8所示 。
图6~ 图8三个曲线 图直观地 显示了正 常行走 、 跑步状态以 及跌倒状 态下的加 速度变化 情况 。 此外 , 由于人体 运动过程 中的合加 速度是由X、Y、Z三轴加速 度进行矢 量合成求 得的 , 当人体正 常行走和 跑步时 , X轴加速度 明显大于Y轴和Z轴的加速 度 , 且人体跑 步过程中 的三轴加 速度分量 都要明显 高于人体 正常正常 行走过程 中的三轴 加速度分 量 。 人体在跌 倒时处于 失重状态 , 由于受到 重力加速 度影响 , 此时Z轴加速度 出现明显 变化 。 人体跌倒 时有不同 姿态 , 因此人体 跌倒时的 三轴加速 度不尽相 同 , 由图8可知跌倒 时的加速 度与正常 行走和跑 步时的合 速度出现 明显区别 。
4结论
本文提出 一种便携 式运动监 测系统的 设计方案, 通过MSP430微控制器结合Android手机平台实现人体运 动的三轴 加速度 、速度 、里程等参 数测量 , 并通过运动 模式识别算法判断人体 运动姿态, 并发出跌倒警 报 , 并且利用GPS定位技术对运动路线 进行实时跟踪。 系统对运动参 数分析处理可得到运 动消耗的 卡路里 , 评估人体运动量, 以防止运动过度和运动损伤对健康造成威胁。
参考文献
[1]吴黎明, 张力锴, 李怡凡.基于ANN和单个三轴加速度传感器的汽车运动姿态测量[J].传感技术学报, 2011, 24 (6) :923-927.
[2]陆乐, 戴剑松, 徐波, 等.加速度传感器测量不同速度运动时能量消耗的研究[J].西安体育学院学报, 2013, 30 (1) :104-107.
[3]杜喆.基于接近式传感器电子计步器的设计[J].机械与电子, 2014 (1) :80-81.
[4]刘鹏, 卢潭城, 吕愿愿, 等.基于MEMS三轴加速度传感器的摔倒检测[J].传感技术学报, 2014, 27 (4) :570-574.
[5]黄棉波, 杨丰, 王磊, 等.基于无线传感器的患者运动信号检测系统设计及其应用[J].医疗卫生装备, 2011, 32 (1) :4-7.
[6]朱国忠, 韦彩虹, 潘敏.基于三维加速度传感器的人体运动能耗检测算法的研究[J].传感技术学报, 2001, 24 (8) :1217-1222.
[7]蔡忠建.人体活动量的测量[J].渝州大学学报, 1997, 14 (2) :66-70.
[8]邱淑敏, 王欢, 江崇民.运动健身能量消耗简易测量方法的效度研究[J].体育科学, 2013, 32 (6) :69-76.
[9]朱弋, 郑尔信.人体运动量及能耗的测量[J].国外医学生物医学工程分册, 1997, 17 (4) :202-206.
[10]薛洋.基于单个加速度传感器的人体运动模式识别[D].广州:华南理工大学, 2011.
[11]李路.基于多传感器的人体运动模式识别研究[D].济南:山东大学, 2010.
[12]吴忠泽.基于智能移动终端的人体运动状态监测系统的设计与实现[D].广州:华南理工大学, 2011.
人体传感器技术 篇2
脉搏作为心血管健康系统的重要组成部分,是人体健康状态的重要体现,作为人体日常生活中输送营养成分和表达各种生理病理特征的重要传播途径[1]。现代智能计算机技术的高速发展为医学研究领域打下了良好基础,也成为脉搏信息研究和发展的必然。而单片微型计算机集灵敏的反映、快速的计算和复杂的数据处理能力于一体等优势,使其对脉搏的处理更加准确和有效。
该文采用单片嵌入式系统和现代无线通讯技术,并结合PC及移动智能终端设备,提出了处理脉搏信号的新方案。监测方案主要由嵌入式传感系统与无线通讯模块组成,具有传递速度快、系统结构简单等优点。传感器对有效数据实时采集,并通过无线技术及时地将数据传送给上位机和智能手持设备,实时动态地反映被监测点的情况。
1 系统方案及技术论证
1.1 硬件系统结构
硬件系统的设计方案如图1所示,其主控制器采用TI公司生产的MSP430F149单片机,它是一款采用16位精简指令系统,是一款真正具有16位总线带Flash的单片机,外设和内存进行统一编址,寻址范围多达64 k,片上外围模块及其丰富,片内还集成有精密的硬件乘法器,可以直接在结果寄存器中读取计算数据,大大节省了CPU的软件资源;有一个14路的12位模数转换器,满足系统中脉搏心率传感器信号采集的需要;集成两路UART通信端口,可以同时和上位机模块与无线通讯模块之间进行通信。内部有硬件SPI同步串行总线接口,使得和语音模块之间的通信可以大大降低MCU功耗,可以在14 m A左右电流下正常工作,因此它是一款具有超低功耗的单片机,作为可穿戴设备的首选,更适合用电池长时间供电的工作场所。
因脉搏信号具有信号强度弱、易于受干扰、信号频率低、且具有一定的系统变异性。因此脉搏传感器的选择在整个系统中变得尤为重要,也成为系统稳定性能的重要指标。Pulse Sensor是一款用于脉搏心率测量的光电模拟传感器。较之传统的脉搏心率测量传感器,有着体积小、便于随身携带和可靠性高等优点,可将其佩戴在耳垂或指尖等地方,这样既易于实时监测又不影响日常生活,其原理是根据血管搏动时所反映出的不同透光率来达到脉搏测量。传感器的敏感元件主要由光电变换器组成,光电变换器可透过人体周围毛细血管,当毛细血管相对充血容积随着心脏的搏动而周期性变化时,传感器的透光率也随之发生变化,再将微弱的光信号转化为电信号进行放大和输出,将最终的模拟电压信号传输给单片机进行后续分析及处理。
语音模块的选择上遵循简单易于控制的原则,SYN6658语音芯片同时支持UART和SPI两种通讯方式,可通过UART接口或SPI接口接收单片机发送的命令和数据,允许发送数据的最大长度为4 k字节。因系统所选用的单片机只有两个UART接口,分别作为上位机监测和无线通讯模块使用,因此最终选用SPI同步串行通讯方式,单片机作为通讯中的主机身份对SYN6658芯片进行访问,通讯中所需的同步时钟信号由单片机来提供。SYN6658同时支持多种内码格式的文本,有着自然、清晰、准确的中文语音合成效果和智能的文本分析处理算法,还具备很强的多音字识别处理能力,支持多种文本控制标记,芯片还具有休眠功能,支持三种通讯波特率、16级音量调整、还有多种方式可以查询芯片的工作状态,可通过发送控制标记调节词语语速,占用体积小,可满足室外不同环境下使用[2]。
为了便于信号的实时传输和即时通讯,无线模块选择基于UART的蓝牙串口通讯模块,该模块可以与各种带蓝牙功能的电脑、蓝牙主机、手机、平板等智能终端配对,支持从4 800 bps~1 382 400 bps间的标准波特率,通讯接口兼容5 V或3.3 V单片机系统,在空旷地有效距离可达10 m,具有命令实时响应,可与设备实现自动连接,模块进行自动连接时,可根据事先设定的方式具备主机、从机和回环三种工作角色。握手成功后可当全双工的异步串口使用,通信格式支持数据位8位、停止位1位、还可根据用户需要设置奇偶校验位。用户还可以将模块设置为响应工作模式,并对模块进行各种AT指令的设置,通过设定相关控制参数和控制命令进行具体设定。通过有效控制模块外部引脚的输入电平,完成模块工作状态的动态转换。
系统中上位机的监测通过VB界面来得以实现,并作为后台管理及显示部分,它也是整个系统在调试过程中不可缺少的一部分。在VB界面中添加了一些必要的通讯控件,可以方便的对串行通讯中事件及状态参数进行设置。
如图2所示的监测界面中主要增加了电话模样的MSComm通讯控件和钟表摸样的定时设置控件,MSComm通讯控件可以方便的对串行通讯必要的参数进行设置,包括其当前通信状态,通信格式和具体的通信协议等。当遇到数据有效通信时就会触发On Comm事件,通过程序设置Comm Event的具体属性,可有效地了解通信事件的类型,从而及时做出处理。定时设置控件则可实现对监测状态进行准确时间量的分析[3]。
1.2 软件系统结构
软件系统结构如图3所示,系统开机时自检,预先完成单片机内部定时器、ADC、串口通信的初始化工作,当单片机检测到脉搏心率传感器的模拟电压信号后,经由内部进行多次AD抽样校准计算,再将计算的结果与当前脉搏值进行比较,通过UART与上位机通信,在上位机上对脉搏信号进行实时监测,若发现异常,及时进行在线调试,修正单片机代码,减少不必要的误差,为了降低整个系统的功耗,系统的语音模块及蓝牙模块默认保持休眠状态,人们可以自主的选择是否进行语音播报和进行蓝牙通讯服务,当语音播报功能打开时,可将当前脉搏参数通过语音播报的形式及时告知使用者,也可以按照需要设置蓝牙握手通讯习惯,将使用者的脉搏情况传送给智能终端或具有蓝牙功能的其他设备,使被监护人能够及时准确的了解自身的健康状态,达到及时预防的目的。
2 系统抗干扰措施及分析
在整个无线传感网络通信中,外界对系统的干扰具有很大的随机性和不可预见性,给系统调试方面带来很多困扰,因此,必要的抗干扰措施直接反应系统的实用性能。为了使得系统的干扰降到最低,在设计中分别从硬件和软件两方面展开研究。
来自硬件方面的干扰主要由空间电磁干扰、过程通道干扰和供电系统干扰3部分组成,空间电磁干扰可以通过PCB正确接地并进行良好地屏蔽以及合理布局布线进行有效解决;过程通道干扰则采用光电耦合隔离技术将模拟地和数字地分开,减少了公共信号对系统产生的耦合作用,有效解决了系统主要存在的阻抗匹配问题;供电系统干扰主要通过稳压、隔离、滤波等措施加以解决,通过比较论证,最终使得硬件电路的稳定性得到大大提高。
随着科技的不断进步及软件算法的不断完善,来自软件的抗干扰措施已愈来愈引起社会的重视,该系统中主要通过数字滤波、设置自检程序、设置软件陷阱、利用复位指令等方法减少外界环境对系统的干扰,它与传统抗干扰措施相比可以在不增加任何硬件设备的基础上,有效降低系统运行成本和提高系统的稳定性。同时,由于软件抗干扰措施可以随时改变系统算法或改变参数,使系统的维护变得更加灵活方便。但是软件抗干扰措施不能使所有干扰得以控制,不可能完全取代硬件抗干扰措施,因此在设计方面根据实际情况权衡利弊,选择使用最恰当的软、硬件抗干扰措施。
3 结语
随着我国社会实体经济的高速发展和人们生活质量的不断提高,健康问题已经成为当今社会倍受关注的热点话题之一。该设计通过前期大量的市场调查和理论分析,最终完成了基于TI公司的MSP430F149为核心的脉搏检测系统的研究及设计。结合相关的传感器,利用智能终端进行实时监测,使系统的操作更人性化,加上便于随身携带的优点,满足了人们对日常生活的需要,在人与疾病斗争的战场上备受关注。
参考文献
[1]郭垚垚,陈兆学.一种脉搏波和心电信号时域基线漂移消除方法[J].中国医学物理学杂志,2016,33(2):167-172.
[2]张红英.SYN6658中文语音合成芯片在充电桩的应用[J].家电科技,2016(1):22.
人体传感器技术 篇3
分类是这样的过程,其首先找出描述和区分数据类或概念的模型,然后使用该分类模型预测数据对象的类别[2]。本文所阐述的人体行为识别机制分为四个部分,首先对移动对象的运动加速度感知数据进行数据集训练和特征值提取等操作处理,进而获得相应的值特征矩阵,之后利用模型系统中的SVM支持向量机分类算法有效识别移动对象的站立、行走、跑步以及上下楼等4种运动行为模式状态,判决输出并有效可视化其运动模式轨迹。
1相关研究
近年来基于加速度传感器的人体行为识别研究比较多,主要是利用智能手机、智能手表、智能手环等高科技智能可穿戴式移动设备动态感知对象移动时的传感数据,然后通过决策树、朴素贝叶斯分类、k最近邻、 支持向量机等常用数据挖掘分类方法来进行对象感兴趣的移动模式识别。文献[3]使用隐马尔科夫模型(HMM) 进行移动对象的长期行为研究,其中隐马尔科夫模型并不能有效地处理3个或者3个以上行为识别过程; 文献[4]以神经网络充当基于多维加速度传感器行为识别机制的数据分类器;Adithyan Palaniappan[5]成功地利用SVM支持向量机对人体运动行为进行分类处理,其中SVM支持向量机能够较好地解决常见的线性分类以及非线性分类问题中的小样本、高维度和局部极小点等实际问题。
2系统框架
基于智能手表加速度传感器的人体行为识别系统对移动对象移动时的加速度感知数据信号进行处理, 其数据处理流程图如图1所示。首先,智能手表在移动过程中动态捕获加速度感知数据,然后完成加速度感知数据预处理,对移动对象的运动行为数据进行格式化解析、分类、模式化标签等处理操作,之后对处理获得的加速度数据集进行特征数据提取、SVM运动行为分类、模式识别以及决策处理等,最后完成动态行为模式的可视化记录实现。
本文的行为模式识别系统中最重要的一部分是SVM支持向量机分类器的设计和实现。SVM是一种典型的两类分类器,其只回答正类或是负类的问题,即分类结果只有两种,但现实中要解决的问题,往往是多类的问题,比如本文研究的人体行为,其中包括静止、慢行、跑步、上下楼等四种不同类别,针对移动对象的运行行为的多模式分类问题,本课题提出了一种改进的基于SVM支持向量机的特征分类算法,人体行为模式系统的具体实现将在下文详细描述。
2.1运动行为数据获取及预处理
智能手表中嵌入了大量的数据传感器件,如GPS定位、方向、加速度传感器等,这些用于数据感知的物理器件以特定的频率设定或者某种事件触发等方式完成对周边环境数据信息的动态抓取与实时捕获,之后经过简单的数据预处理,去除因为一些外界噪声、突变因素而导致的误差数据,然后利用一个本地的数据存储模块完成动态移动时的时空数据或移动对象相关数据的存储。动态数据获取结构图如图2所示。
本文的人体行为数据采集主要是通过佩戴在人体左手手腕处智能手表中的三维加速度感应器获取人体在运动瞬间产生的加速度值,采样频率为100Hz。其中,加速度感应器提供了x、y、z三方向的加速度矢量数据,数据可以通过智能手表操作系统提供的API获取。x、y、z三个方向是固定的,它们与手表屏幕的关系如图3所示。
采集到的加速度数据信号一般会含有噪声,为了提高系统的识别效果,通常要对加速度信号进行预处理。预处理的方法通常有平滑、去噪、归一化、加窗等。 考虑到人体运动频带宽度远小于加速度计的噪声带宽,本文选取了切比雪夫I型数字低通滤波器对原始加速度信号进行了滤波处理,该滤波器的数学模型如下式[6]所示:
本文使用了加窗的方法来分割加速度信号,窗口长度为512个样本点,相邻的窗重叠半个窗长。加窗后的单个加速度信号包含512个样本,根据该加速度信号的采样频率为100Hz,加窗后的每个加速度信号的时间跨度为5.12秒,足以包含单个完整动作。
2.2行为模式识别
本文提出基于SVM支持向量机分类器的数据挖掘方法,对移动对象动态运动时不同的人体行为进行有效识别,包括静止、行走、跑步、上下楼等。如上文所述,经数据集训练操作,完成分钟数据集训练或小时数据集训练,经特征提取操作获得移动对象当前运行行为的特征值表示,在SVM运行行为分类器中以四级分类器完成在不同的特征值输入情况下的特征值分类输出,之后分类输出结果进行运动行为模式决策,最后, 结合之前提取的相关移动数据和决策结果完成行为模式判决输出。
该算法最主要的部分在于数据集训练和分类器设计,其中训练和分类两个完全不同的过程,数据集训练的问题在此不予详述,主要分析SVM运动行为分类器的设计与实现问题。本算法利用四级二类SVM分类器实现特征提取后的数据分类处理,较于正负二类SVM,图3中的SVM运动行为分类器的四级模式即为{静止,{慢行;跑步;上下楼}},{慢行,{静止;跑步;上下楼}},{跑步,{静止;慢行;上下楼}}和{上下楼,{静止;跑步;慢行}}。以第一级SVM分类器{静止,{慢行; 跑步;上下楼}}来说,若运动行为为“静止”状态,则此分类器输出为正,其余三种状态为负;同样的,第二级{慢行,{静止;跑步;上下楼}}分类器中,“慢行”为正, 其余为负,另两级{跑步,{静止;慢行;上下楼}}和{上下楼,{静止;跑步;慢行}}分类器中,“跑步”和“上下楼”为正。
以运动模式为“跑步”为例说明,数据经一级分类器输出为0,第二分离器输出为0,第三分类器输出为1,则SVM运动行为分类的特征结果为0010;运动模式为“慢行”,特征结果输出为0100。经过不同特征分类结果的判决可以得到不同特征结果下的运动行为状态模式,SVM运动行为分类器的四级模式见表1。
以移动对象“跑步”状态为例,用改进的SVM支持向量机分类器的数据挖掘分析算法处理移动相关数据的流程图如图4所示。
3实验验证
为了验证本文所研究人体行为识别系统的有效性和可实现性,搭建了以Android智能手表Z- Watch为移动客户端,以百度云端为中心处理服务器,以My SQL为数据存储服务器的实验验证环境。
本文研究的人体行为识别系统的应用运行结果图如图5所示,其能有效识别移动对象在各个不同运动状态下的行为模式。图中显示了从当天时间下午1:00到下午2:00的运动行为记录。譬如在1:00 ~ 1:16时间区间内,用户处于静止状态,颜色标识为绿色,在1: 57~2:00时间区间内,用户在跑步,颜色标识为红色。
为了验证模式识别的有效性,本文从数据库中选取了10个人的对应行走、跑、站立、上下楼4种动作的加速度传感器信号作为原始数据,通过加窗方法,从每个加速度传感器信号截取10个加速度传感器数据,每个加速度传感器数据包含512个样本,这样就构成了5×10×10总计500个加速度传感器数据,每种动作分别100个,然后对这些数据进行特征提取,每个数据都提取出一个9维的特征向量,包括X、Y、Z轴数据的标准差、偏度、峰度,最终构成了一个,9×500的特征矩阵,用来测试训练好的SVM分类器,本文通过Matlab模拟仿真的方式进行运动数据综合分析。
经SVM四级分类器的数据分类图谱如图6所示。 其中四种不同的点表示不同的移动对象运动主要,并且可知移动对象运动模式识别的准确率高达70.55%, 是非常高效的运动模式分类算法,其仿真代码略。
4结论
本文提出了一种基于SVM支持向量机分类器的数据挖掘方法,以四级SVM分类器实现多模式下的人体运动行为模式分类处理,设计实现了一种基于智能手表加速度传感器的人体行为识别系统, 有效识别移动对象不同运动行为状态下的四种行为模式,实时识别并记录用户当前移动的运动行为模式状态。最后展示了该人体行为识别系统的动态行为识别记录功能,并验证分析了四级SVM行为识别算法的其准确率和有效性。实验证明,基于SVM算法的分类器对四种人体行为有着较高的识别准确率,可达70.55%。
参考文献
[1]Daniel Olguin,A.P.,Human Activity Recognition:Accuracy across Common Locations for Wearable Sensors[C].IEEE 10th International Symposium on Wearable Computers,2006.
[2]Jia wei Han,Micheling kamber,Jian Pei著,范明,孟小峰译.数据挖掘:概念与技术[M].北京:机械工业出版社,2012:12.
[3]梁璐.基于层次隐马尔科夫的行为识别研究[D].上海:华东师范大学,2012.
[4]Yang JY,Wang JS.Using ace leration measurements foractivity recognition:An effective learning algorithm for constructing neural classifiers[J].Pattern Recognition Letters,2008,12(29).
[5]Adithyan Palaniappan,R Bhargavi,V Vaidehi.Abnormal Human Activity Recognition Using SVM Based Approach[C].2012 International Conference on Recent Trends In Information Technology,Chennai:IEEE,2012,97-102.
人体传感器技术 篇4
外骨骼机器人是指附着在人体上帮助人们负重的自动机器。借助外骨骼机器人的帮助,士兵可以携带更多装备物质长途跋涉,医护人员在战场上可以背负伤员,消防员可以把消防器材扛到高楼上,救护人员能够带上食品和救援物质抵达车辆无法达到的事故现场。
外骨骼机器人的一个重要特点就是其通过安装在人体上的传感器捕捉人体运动意图或行为,并以此作为控制信号驱动控制外骨骼,使其能够与使用者同步行走。目前世界上对外骨骼机器人研究走在前列的是日本筑波大学Cybernics研制的Hybrid Assistive Leg(HAL)[1]和美国加州大学克利分校机器人和人体工程实验室研制出美军“伯克利下肢骨骼”(Berkeley lower extremity exoskeleton,BLEXE)[2,3]。它们都是使用肌电传感器作为捕捉人体运动意图或行为的手段,如图1所示。虽然,这种肌电传感器方式可以保证信号采集的实时性,但是在其实验过程中发现肌电传感器的最大缺点:1)在激烈运动下,容易脱落、移位;2)长时间运动后,人体出汗会影响传感器测量;3)传感器随着人个体的不同,存在一定的差异;4)传感器每次都要贴到人体表面,使用不方便;(5)信息量大而且复杂,易受干扰,从而使控制难度加大。
在国内,中国科学院合肥智能机械研究所的孙建和日本鹿尔岛大学的余勇设计了一套基于CAN总线的人体下肢运动信息感知系统,如图2所示[4]。该系统由电机码盘、安装在腿部的2个二维力传感器和安装在脚底的6个一维力传感器组成。腿部力传感器固定在人腿膝关节和踝关节上部,用于测量人体与外骨骼之间的接触力;电机码盘用于测量髋关节和膝关节的转动角度。通过获取人体下肢和机器人外骨骼之间的接触力,利用这些力信息和关节角度信息控制机器人外骨骼以实现对人体下肢运动的助力。但是由于力传感器和电机码盘安装在外骨骼上,在实际使用过程中,外骨骼服与人体之间会发生错动甚至磕碰,会导致信号测量出现误差;另外采用这种安装的机械传感器无法保证使用者在处理突发事件时(比如突然停止行进)信号采集的实时性。
因此本文设计一种新型的可便于穿戴的外骨骼机器人光纤角度传感器,可用于实时捕捉人体关节的转动角度,实现人体运动意图的预先感知和运动行为的实时测量。该传感器属于光强调制型光纤传感器,结构简单、体积小、易于安装、成本低等特点。
1光纤角度传感器的结构设计
光纤角度传感器属于光强调制型传感器,相对于单模光纤,多模光纤作为光强调制型传感器具有较高的灵敏度和精度。在多模光纤的一侧采用精密磨削,飞刀铣削或刻蚀等方法将纤芯的一部分去除,如结构如图3所示,形成深度为h的矩形槽,槽截面与中轴线垂直,槽的长度为L1,每个槽之间间隔长度L2,共有面积相等(即S0=S1=S2=...=SN,为横截面中红色部分)的N个槽。当光线经过这些槽时,有一部分泄露出去,形成光强调制区。
将光纤的光强调制区用柔性树脂粘贴在人体关节处的紧身衣上,发光二极管(LED)发出的光线从光纤一端入射,光接受器从另一端检测光强。当人体关节发生弯曲时,光线经过调制区就会有一部分泄露出去,通过光接收器的检测输出端光强,即可得光强与人体关节角度的特性曲线。
为了增强传感器的灵敏度,使敏感区泄露出来的光能完全被吸收不再反射或散射回到光纤的内部,并减少外界杂光对传感器的影响,应在所开槽的表面涂一层吸光层。
2光纤角度传感器的理论分析
如图4所示,光纤在C点处发生弯曲,P点为某一条入射光线在端面上的入射点,它的位置用入射点到光纤中轴线间的距离h表示,并规定,入射点在光纤中轴线外侧,即如图所示的中轴线上方时取正号、在中轴线内侧,即图5所示中轴线下方时取负号。当光纤以半径R弯曲时,其入射端面最大入射角θin,即孔径角θm有[6]
式中a分别为光纤纤芯半径,n0、ncl、nco分别为外界空气、包层和纤芯的折射率。
光源微元dS与其法线方向成θ0处照射到面积为dΩ的光纤截面上,如图5所示,光源微元dS的发射立体角为θk,其光照强度为Iθ0,则面积dΩ上的照射强度可表示为[5]:
dP=I(θ0)dΩdS=I(θ0)cosθ0rdrdφsinθ0dθ0dθφ;
0≤θ0≤θk。
式中(θ0,θk)为相对于光纤端面上Q点法向量QN的球面极坐标;(r,φ)为相对于光纤中轴线的极坐标(如图6所示)。
对于面发射光源LED,将其近似为朗伯光源,其在各个方向亮度I0相等,则其光强分布为:
I(θ0)=I0cosθ0;0≤θ0≤π/2
那么,
dP=dSI0cosθ0sinθ0dθ0dφ=
I0cosθ0rdrdφsinθ0dθ0dθφ。
式中,(r,φ)是相对于光纤轴的极坐标。
光纤调制区粘贴在关节处,如图7所示,当关节以角度α弯曲时,光纤弯曲部分比较平滑,作圆弧处理,那么关节弯曲角度α与光纤弯曲半径R之间的关系有α=L/R(L为调制区长度),则
式中,n0、ncl、nco分别为外界空气、包层和纤芯的折射率。
为了便于计算,作如下假设:
1) 光纤中的光线以近似于平行中轴线的方向传播;
2) 调制区的每一个槽的高度h相等,且截面的表面光滑;
3) 光线经过截面S0,S1,...,SN全部损失,其他截面没有损失。
那么,当关节弯曲角度为α时光纤调制区之前的光功率为
其中Stot=πa2,a为光纤纤芯半径。
当光线经过截面S0时,从截面S0泄露出的光功率为
其中,
b为光纤包层半径,h为槽深度。
经过端面S0光功率损耗率为
经过N个齿之后的光纤束缚的归一化光功率为
ξ=(1-η)N。
3仿真分析
根据上述理论分析结果,对包层半径为140 μm,纤芯半径为125 μm,开凿槽深度为40 μm,齿数为100的多模光纤进行仿真,计算输出端光强随关节角度的变化结果如图8所示。所设计的光纤角度传感器对角度的测量从理论分析上具有很好的线性度。
图9为光纤调制区长度为4 cm、弯曲角度为45°时归一化的输出功率Pout随加工齿数N、归一化的槽深度h的变化关系图。由图可以看出加工的齿数越多,输出的光功率越少,损耗就越多;在光纤上所开的槽的深度越深,输出的光功率越少,损耗就越多。与实际情况相符。
4结论
针对外骨骼机器人角度控制的信号拾取问题,设计出了一种光纤角度传感器。该传感器粘贴与人体关节外部的紧身衣处,相对保证了角度控制的信号拾取的实时性。在光纤一侧剔除一部分纤芯加工出矩形的槽,并在其上涂吸光层,作为光强调制区。从理论分析出,传感器的输出与关节的角度呈线性关系。
光纤角度传感器属于光强调制型传感器,结构简单、体积小、易于安装、成本低、灵敏度高等特点,适合用于外骨骼机器人的角度控制信号的拾取。
摘要：在分析现有的外骨骼机器人控制信号的拾取方法优缺点的基础上,设计了一种用于捕捉人体关节角度的光纤角度传感器。通过结构设计和理论分析,建立光纤输出端光功率与关节弯曲角度的数学模型。仿真结果表明,所设计的传感器输出信号对关节角度具有很好的线性度,可用于外骨骼机器人的角度控制的信号捕捉。
关键词：光纤角度传感器,外骨骼机器人,光强调制
参考文献
[1] Kawamoto H,Sankal Y.Comfortable power Assist control method forwalking aid by HAL-3.IEEE Intel Conf on SMC,TP1B2,2002
[2] Kazerooni H.Exoskeleton for human power augmentation.IEEE/RSJInternational conference on Intelligent Robots and Systems,2005:3120—3125
[3] Zoss A,Kazerooni H,Chu A.On the mechanical design of theBerkeley lower extremity exoskeleton(BLEEX).IEEE/RSJ Interna-tional conference on Intelligent Robots and Systems,2005:3132—3139
[4]孙建,余永,葛运建,等.可穿戴型下肢助力机器人感知系统研究.微纳电子技术,2007;7/8:355—357
[5] Milan S K,Alexandar D.Analytical optmi ization of optical fiber cur-vature gauges.IEEE Sensors Journal,2008;8(3):227—232
[6]廖延彪.光纤光学.北京:清华大学出版社,2000:4—5
人体传感器技术 篇5
1 基于微机电系统的运动传感器
基于微机电系统是使用微米级别的3D式结构完成感应以及执行操作的一项操作技术。在技术与经济不断发展的过程中, 各种先进的基于微机电系统技术的运动传感器相继出现, 其能够简单化人体运动测量, 同时彼此之间可以实现功能的互补。基于微机电系统的运动传感器, 其中包括了各种不同的传感器技术, 而这些传感器中又包含了多种组合。其中适合使用在人体的包括了以下几种。
1.1 加速度传感器
最近十几年才发展成熟起来的运动传感器, 不仅可以对运动过程中的能量消耗以及人们的运动方式进行评测, 还可以对加速度标准得出人体运动强度和运动频率[1]。其可以把人体的各项运动转化成幅度不一的电压信号, 且安装程度更为便捷, 测量方式也不繁琐。一般使用较多的加速度传感器范围, 包括运动角度、运动检测和计步器, 通常情况下加速度传感器是对线性运动与倾斜的角度做检测, 其实现方式在两种基础上, 一种是重力诱发的加速度, 另外一种是运动诱发的加速度[2]。
1.2 陀螺仪
在这几年中, 人们将目光集中在了陀螺仪上, 其和加速度传感器不一样, 陀螺仪不会将作用力发挥在重力上, 而只是单纯的对旋转有反应。因此陀螺仪可以以较好的方式, 辨别重力、线性运动和旋转运动过程中出现的矢量值, 此项设施属于对加速度传感器的良好补充措施, 尤其在稳定性分析的应用过程中, 使用性能突出。这是因为陀螺仪输出的数据是转速, 那么为了得到角度的变化标准, 会在输出结构中完成一次积分动作, 那么测量偏差也会在时间的推移下而增加。要想将这种因为时间与温度而发生的误差弥补, 可以配合陀螺仪和传感器一起使用, 像是可以和加速度传感器一同配合使用等。在相对较短的时间当中, 例如在2 s时间内, 可以通过观察陀螺仪的峰值而得出设备有否在运动, 要是峰间值不超过预定阈值, 就代表这个设备是静止不动的, 但是在这个工程中陀螺仪输出的平均值能够被看成是一项新的偏置设定值。
1.3 惯性测量单元
大部分运动检验的过程中, 都会同时使用加速度传感器、陀螺仪等, 为了更好地整合这些运动传感器的功能, 就出现了惯性测量单元的概念。通常在一个惯性测量单元中, 有至少三个单轴加速度计和三个单轴陀螺。在对物体载体做检验动作的时候, 其能够形成一种导航坐标系角速度信号, 可是陀螺仪的检测载体以导航坐标系来说, 是以角速度信号而存在的[3]。惯性测量单元能够对三维运动线性与角度量进行测量, 而不需要借助任何的外界力量。加速度传感器在使用过程中也会有一定的误差出现。可是因为加速度传感器是以重力测量倾斜角度的, 所以其出现的误差会被直接输出而并不需要积分。但是当对加速度传感器输出结果做二次积分而得到距离以及对输出结果做一次积分而得到速率时, 加速度传感器出现的误差是会变得十分敏感的。总而言之, 只有在传感器输出结果不要积分的情况下, 出现的误差才显得无足轻重。
2 运动传感器在人体运动测量中的应用
2.1 运动和健康监测
计步器的组成是三轴加速度传感器, 其是用来对健康功能进行监测的应用手段。在某种非常规情况下, 计步器传感器可以用精准的方式把步行和跑步过程中系统上的加速度数据获得, 而处理加速度数据的时候, 可以使用计步器当中的传感器得到运动过程中出现的加速度数据, 同时也能够显示用户在计步器上进行的步数和速度, 还会一并显示在运动过程中人体消耗的卡路里量。
2.2 步态分析
对步幅和步行速度进行记录的是压电陀螺仪与数据记录器, 由此对有关的数据信息进行分析, 得到步行障碍患者的诊断数据。之前有研究人士在陀螺仪改变人体位方面做了检测, 从而确定老人是否存在潜在的摔倒趋势。便携式记录器安装在人体的腰部, 以预处理的方式对陀螺仪的读数进行处理, 而得到身体姿势转换的数据资料, 再利用分析邻近信号数值差异的方式, 对高风险与低风险易摔倒人群进行辨别。
2.3 体育训练
在体育训练的过程中, 运动传感器安装在被测者的各个不同身体部位, 这些身体数据会传递到主系统, 主系统便可以获得各项不同的运动参数数据, 比如速度和位移。依托无线装备能够以便捷的方式得到室内外的各项体育运动操作形式。曾经有人将加速度传感器使用在船员的肩上、腰部以及船桨的位置, 以得到用力和运动速度的数据显示, 另外把加速度传感器放在冰球运动员的头盔上, 能够测量与显示在运动过程中出现的碰撞和受伤情况。
3 结语
人们在跑步的过程中, 人体水平与垂直的加速度所表现的特点是短周期和大幅值。船体的振动环境下, 人体作业很容易被环境振动的因素影响, 轻则会使人出现失误的操作行为, 严重的会对船员的生命安全造成威胁。而使用加速度传感器, 能够测量人体的加速度, 以将人体的运动情况加以准确反应。文章研究过程中探究了基于微机点系统的运动传感器使用在人体运动参数过程中的方式, 为后期的人体工程学、医学和体育训练等各项关于人体运动的研究提供了参照。
参考文献
[1]张召迁, 孔祥彪, 姚冰川, 等.无线加速度传感器在人体运动参数测量中的应用研究[J].人类工效学, 2014 (4) :58-61.
[2]陈玮.惯性式人体运动传感器的关键技术研究[D].哈尔滨:哈尔滨工程大学, 2013.
人体传感器技术 篇6
近年来,随着电子信息技术的迅速发展,人们对于生活的信息化、自动化要求不断提高。传统的照明开关始终存在着一个弊端,即在夜晚或光线昏暗的时候,人们从室外走进室内时,需要摸索到开关然后再开灯,这样就给人们带来了极大的不方便和不安全,特别是对于老人、孕妇,还有孩子们更是如此。如果能将传统的机械开关,光控开关和对人体散发的热辐射具有感应功能的传感器相结合,做成一个能够自动开启灯光照明的装置,即当人进入室内时,传感器感受人体热辐射,控制开关打开灯光,将会给人们的生活带来很大的方便[1]。本文利用热释电红外传感器,设计了一个基于热释电红外传感器的人体热辐射自动检测电路,实现了对人体热辐射的检测,为自动启动照明开关提供控制信号。
1热释电红外传感器
在自然界中,任何高于绝对温度的物体都能够产生红外光谱。波长1～15μm称为近红外波段,15～50μm为中红外波段,50～1000μm为远红外波段[2]。物体的温度不同,释放的红外光的波长就不相等,故而,红外光的波长与物体温度的高低是有关系的。红外辐射与物质相互作用,产生热效应,能将人眼观察不到的红外辐射转变为可测量的物理量[3]。热释电红外传感器通常由热电元件(热释电晶体)、滤光镜片、结型场效应管FET、电阻等元器件组成,结构如图1所示。
对于辐射至传感器的红外信号,热释电传感器通过安装在前端的菲涅尔透镜将其聚焦后加至两个探测元上,从而使传感器输出电压信号。为了对某一波长范围的红外辐射有较高的敏感度,该传感器在窗口上加装了一块干涉滤波片。这种滤波片除了允许某些波长范围的红外辐射通过外,还能将灯光、阳光和其它红外辐射拒之门外。
热释电传感器采用的干涉滤波片的厚度一般为8～14μm,而人体辐射红外线的波长大约在10μm左右,因此,传感器能够探测到是否有人进入了探测区域[4]。由于热释电传感器的输出阻抗极高,而输出电信号微弱,故在其内部装设FET及偏置电阻,以进行信号放大及阻抗匹配。
2热释电红外检测电路设计
在设计中,选用的热释电红外传感器为D203S。采用双灵敏元结构,灵敏元尺寸为2×1mm,工作波长7～14μm,视场139°×126°;选用的菲涅尔透镜为7803矩形镜片,焦距为20 mm;方向角为89°,探测距离7m。用于人体热辐射的红外检测系统由热释电红外传感器、前置放大电路、电压比较器、延时电路和音响报警电路,电源电路等组成。
2.1前置放大电路
由于热释电红外传感器的输出信号十分微弱,因此设计性能优异的前置放大电路就显得尤为重要[5]。本系统设计的前置放大电路如图2所示。
电路的核心为两片运算放大器,采用级联方式提高放大倍数。考虑到类似于人体等物体的移动信号为低频信号,因为输入阻抗较高,容易受到外界电磁干扰,所以电路中采用C4和R8并联构成一个低通滤波,防止高频干扰。保证热释电传感器的有用信号能被正常放大。传感器的输出信号也以该频率变化,因此将放大器接成低通形式,截止频率为45Hz,两级电压放大倍数分别为Au1=120,Au2=4,总的放大倍数为Au=Au1×Au2=480=54dB。
2.2电压比较电路
LM324是一款包含有两个独立的、高增益、内部频率补偿的运算放大器,它的两个运放组成电压比较检测窗口[6],电压比较电路如图3所示。
当工作电压Vcc设定为6V时,由R3、R5和R7、R8将高、低通放大器的输入端均设置为1/2 Vcc,即3V。静态时,LM324的输出端8、14引脚均为低电平,开关管截止,2引脚仍为高电平,延时电路不工作。当热释电红外传感器的探头检测到人体产生的热辐射时,产生一个微弱的电压信号,经过放大后传送到LM324的10、13脚,表现为一个峰值约为5V的正弦波。由于分别送入两个电压比较器的同相和反相输入端,无论在信号的正半周,还是在负半周,这两个比较器总有一个输出低电平,使得2引脚的高电平跃变为低电平,使延时电路不工作。当人体进入红外传感器的测量范围而被检测到热辐射时,在输入信号的正半周期,13引脚的电平高于12引脚所加的2.6V比较电压,下面的一个比较器的14引脚输出为低电平,二极管D2截止;此时10脚电平高于9脚,上面的比较器输出为高电平,二极管D1导通,其高电平使得开关管饱和导通,将2脚拉成低电平,致使延时电路工作。在信号负半周时,上、下比较器输出电平刚好相反,即8脚输出低电平,14脚输出高电平,D2导通。可见,只要传感器检测到人体活动,无论是信号的正半周还是负半周,两个比较器中必有一个输出为高电平,通过开关三极管从而控制延时电路工作。
2.3延时电路
图3中的R6和C6组成报警延时电路,其时间约为60s。人体离开传感器的探测范围后,其辐射的红外线信号消失,IC3的输出端又恢复高电平,此时D2截止。由于C6两端的电压不能突变,故通过R6向C6缓慢充电,当C6两端的电压高于其基准电压时,1脚才变为低电平,时间约为60s,即控制灯光亮60s。
2.4电源电路
热释电红外检测系统的电源取为6V,采用交流220V供电,经交直流变换后形成6V的直流电压,电源电路如图4所示。
2.5热辐射检测电路工作原理
当人体进入房间,热释电红外线传感器探测到人体发出的热辐射信号时,图2中IC1的2脚输出一个微弱的电压信号。三极管VT1是一级电压放大电路,微弱电信号经过放大后经过耦合电容C2送入运算放大器IC2中进行高增益、低噪声放大。IC3作电压比较器,R10和VD1为其反相输入端提供一个基准电压。IC2的输出电压信号接到了IC3的同相输入端,与基准电压进行比较,使得IC3的输出端由原来的高电平跃变为低电平。R6、C6和IC4组成延时电路,当人体离开传感器的测量范围后,热辐射信号消失,IC3的输出端恢复高电平,使得二极管D2截止。由于电容C6两端的电压不能突变,电源通过R6向C6缓慢充电,当C6两端的电压高于R7、R8和R11产生的上基准电压时,IC4的输出端才变为低电平,时间约为1min,即持续1min控制灯亮。
3热释电红外检测电路的安装
由于热释电红外传感器易受光照、温度和热源的影响,所设计的热释电人体辐射检测电路只能安装在室内,误报率与安装的位置和方式有极大的关系[7]。正确的安装应满足下列条件:
(1)传感器应离地面2.0～2.2m,以避开宠物。
(2)传感器易受温度的影响,应远离空调、冰箱、火炉等热源物体。
(3)在传感器与被探测的人体之间不要有家具、大型盆景或其他高的隔离物。
(4)传感器不要直对窗口或门口,避免外部的热气流扰动或人员走动引起的误报,也不要安装在有强气流活动的地方。
4结论
本文所设计的人体热辐射检测电路,能够根据人体进入检测区域后的热辐射产生输出信号,控制照明装置的开关,延时60s,一般情况下有足够的时间帮助人们手动开启照明,从而给人们的生活带来了方便。由于具有性能可靠、成本低、易于安装等优点,适用于居民家庭、宾馆、学生宿舍、教学楼等受热源影响较小的场合,也可用于楼道、走廊等需要短时延时照明的地方,具有较大的使用和推广价值。
参考文献
[1]孙华,李扬.热释电红外传感器原理及其应用[J].内江科技,2010(12):116-117.
[2]母国光.光学[M].北京:人民教育出版社,1978: 461-468.
[3]姚启钧.光学教程[M].北京:高等教育出版社, 1989:304-349.
[4]熊宗龙,杨坤涛,张南洋生.室内人体表面红外辐射探测模型[J].光学学报,2009,29(12):3379-3384.
[5]滕飞扬,陈连坤.热释电红外传感器前置放大电路设计与研究[J].现代计算机,2012(4):43-46,68.
[6]王正勇,文国电.基于LM324的信号发生器设计与仿真[J].现代电子技术,2011,34(12):208-210.
人体感知智能播放技术的应用综述 篇7
关键词：人体感知,人体识别,智能播放
0 引言
现今的技术应用中, 用户体验至关重要, 如何让用户快速获取想要的信息, 让商家迅速捕捉用户, 如何自动的推送给用户想要的信息是最值得关注的。智能化的实现“所需即所送”、“所送即所需”是媒体发布的终极目标。基于人体识别技术的媒体播放显然更贴合该目标。由此不断演变出人体感知播放技术的新的应用, 本文将对所有应用领域进行深入分析总结, 以利于对本技术的继续深入应用和探索新的应用空间。
1 人体感知播放技术
人体感知是指通过传感器技术识别人体。人体识别技术涉及到模式特征识别和行为特征识别, 其中模式特征是与生俱来的人体特征, 比如人脸、指纹、虹膜等;行为特征则是后天个人习惯形成的, 例如步态、姿态、手势等[1]。目前, 人体感知在近几年有了飞跃的发展。
基于模式/行为的人体感知播放技术就是根据基于人体模式特征/行为特征识别的感知技术, 获取人体的模式特征/行为特征, 对其进行分析判断, 然后根据预设策略进行相应的智能播放。
2 人体感知播放技术应用
2.1 广告领域的应用
基于人体感知的广告播放主要可以实现两种智能播放功能:
1) 人体存在感应播放
所谓“人体存在感应播放”是指在检测到有人体出现时才进行播放。
例如, 当远红外感应器探测到广告受众接近广告音频播放装置时, 远红外感应器输出一个触发信号给微处理器, 微处理器接收到信号后输出一个播放信号给音频播放器, 音频播放器开始播放音频内容。
2) 人体特征感应播放
所谓的“人体特征感应播放”是指在识别出人体的情况下, 根据人体特征有针对性的匹配适合的广告, 将与目标人群对应的广告项推送到该目标人群所面对的屏幕上。
人体特征感应广告播放的精准性高, 减少了广告资源的浪费。达到了“因人而异”的广告投放的智能播放效果, 按照不同的“人体”选择不同的广告, 提升了媒体的整体价值, 也提升了目标人群的个人体验。
2.2 智能家居领域的应用
以下介绍几种目前主流的基于人体感知技术的智能播放家居产品:
1) 基于人体感知技术的音视频播放装置
基于人体感知技术的音视频播放设备可以检测目标区域内的人体对象, 当在预设的时间范围内没有检测到人体对象时, 则控制音视频播放设备进入待机状态。避免音视频播放设备始终处于音视频播放状态。
2) 基于人体感知技术的智能机顶盒
以监测老年人睡眠状态的智能机顶盒逐渐成为一个趋势。例如通过智能机顶盒的摄像传感模块与红外传感模块监测老年人是否睡着, 睡着后自动将电视音量调小, 然后切换到音乐频道先播放舒缓的音乐, 再自动将电视关机, 之后通过发出轻微的震动唤醒老年人, 使其进行正常的睡眠。
3) 基于人体感知技术的耳机装置
基于人体感知技术的耳机具有可侦测是否与人体耳朵相接触的功能, 当耳机装置脱离人体耳朵时, 耳机装置便停止传输音乐以减少电源的浪费。
4) 手势控制音视频播放装置[2]
手势是一种自然而直观的人机交流模式, 可以通过手势来控制视频播放的开始、结束、前进、后退、声音控制等。使得视频播放控制更加直观、自然、人性化。
2.3 智慧健康领域的应用
基于人体感知技术的智能播放则可以通过对人体健康的检测, 实现音乐治疗、实时监测、即时提醒等功能。这类应用主要体现在如下几种类型:
1) 基于人体感知技术的音乐治疗仪
音乐治疗的积极意义不言而喻。例如智能心情调整仪, 根据心跳频率、人体温度、人体阻值及手指温度等获取心情, 这些因素均可利用相应检测仪的传感器采集相关数据, 作为建立情绪数学模型的输入参数, 获得精确数字模型。对情绪状况进行分析, 并自动播放适合的音乐, 逐步调整使用者的心情, 使人获得一种积极的阳光心态。
2) 基于人体感知技术的健康报警装置
通过对人体健康参数的监测, 在出现意外情况时进行相应的报警。例如人体跌倒报警器, 能将被检测对象的姿态、视频信息等进行上传, 同时能与上位通信功能进行通话, 为监护人提供多种被检测对象的检测信息, 全方位监护老人安全。
2.4 智能安防领域的应用
目前, 人体感应播放在安防领域的应用主要体现在以下方面:
1) 基于人体检测的智能家居安防报警系统
如门磁感应器, 当有盗贼非法闯入时报警;再如红外感应器, 安装在窗户和阳台附近, 红外探测非法闯入者。
2) 基于人体身份检测的区域安防报警系统
应用在建筑物的出入口对人的进、出监测, 例如通过人体感应技术识别人体特征信息, 对进出人员的身份进行检测、记录。当发生意外情况时及时向保安中心报警。
3) 基于人体状态检测的智能驾驶报警系统
通过获取驾驶行为检测信息 (例如驾驶员的表情、瞳孔、动作等) , 当发现驾驶行为达到一定条件时获取相应的提醒视频, 该提醒视频包含与检测到的驾驶行为相对应的事故内容, 并由视频播放设备播放该视频。以“眼见为实”的方式促使驾驶员改掉不良的驾驶习惯。
2.5 智能建筑领域的应用
智能楼宇电视能够识别站在电视面前的受众, 通过制定好的识别策略获取识别信息, 根据所识别信息匹配媒体资源, 进行有针对性的推送和播放。这样突出服务性, 易于被受众接受, 增强了互动, 产生了收益渠道。
2.6 其他应用
伴随着人体感知技术的不断发展, 陆续出现越来越多的新应用领域。以下介绍其中的几种。
1) 智能播放教学设备
人体感知播放技术在教学设备上的应用有很多种。例如虚拟星空教学设备, 包括感应学生所在位置的感应器、感应及分析学生动作的三维动作识别器等。将模拟星空投射在成像屏上, 通过多媒体播放, 使学生产生一种身临其境的感觉, 吸引学生的注意力, 具有广阔的发展前景。
2) 车载影音设备
基于脸部识别技术的车载音乐设备能根据用户的面部情绪, 自动下载与用户的面部情绪相应的音乐并播放, 例如在情绪低落时下载并播放安抚性的音乐, 在疲劳时下载并播放劲爆的音乐, 使得音乐欣赏更智能化, 同时减少事故, 尽量消除不良情绪对行车的影响。
3) 手语翻译系统
通过动作识别设备采集人体的运动图像, 对其进行解析, 经图像合成与仿真, 最后得到相应的动作视频, 再将视频信号转化为语音信息播出, 就能实现基于动作识别及语音合成技术的手语翻译系统。
3 总结
通过上述的应用介绍可以看出, 目前基于人体感知的智能播放技术应用非常广泛, 一些传统的应用也在不断深入扩展。同时, 除了传统的应用领域外, 还不断探及新的不同领域。尤其伴随着人体感知技术的进一步发展, 其适用性越来越高, 使得很多概念性的想法变成可实现, 推动了基于人体感知的智能播放技术的深入发展, 呈现出多领域、新花样、更人性的特点, 为日常生活增添了不少的便利和乐趣, 使得科技更近于人。鉴于人体感知智能播放技术的普适性, 未来一定会出现更多、更新颖的应用。
参考文献
[1]卢世军.生物特征识别技术发展与应用综述[J].计算机安全, 2013 (01) :63-67.
【人体传感器技术】推荐阅读：
无传感器技术09-22
传感器工艺制作技术10-22
传感器技术应用06-29
传感器及检测技术05-12
传感器网络技术论文06-16
光纤传感器检测技术07-10
传感器技术发展与应用08-10
传感器与自动检测技术09-11
温度传感器的应用技术10-01
人体工程学人体尺寸07-22