阅读说明：本技术 一种基于九轴惯性测量单元可穿戴人体传感监测设备 (Wearable human body sensing monitoring equipment based on nine-axis inertia measurement unit ) 是由 秦奕天 于 2020-06-11 设计创作，主要内容包括：一种基于九轴惯性测量单元可穿戴人体传感监测设备,包括：电源模块、传感器模块、九轴惯性测量单元、微处理器模块、蓝牙通信模块、手机终端；所述九轴惯性测量单元融合了三轴加速度计、三轴陀螺仪和三轴磁强计的九轴惯性测量单元,佩戴在使用者手腕位置,用于检测使用者在预设三维坐标系X,Y,Z三个方向的姿态情况,通过解算多源数据并结合模式识别方法判断人体正常状态与意外跌倒事件；所述九轴惯性测量模块主要采集人体手部运动相关参数,通过这些运动参数进行处理还原出运动肢体在空间的姿态；描述运动肢体的运动参数包括加速度、对应关节旋转角速度、肢体在对应空间的磁场信息。(A wearable human sensing monitoring facilities based on nine inertial measurement units includes: the device comprises a power module, a sensor module, a nine-axis inertia measurement unit, a microprocessor module, a Bluetooth communication module and a mobile phone terminal; the nine-axis inertial measurement unit is integrated with a three-axis accelerometer, a three-axis gyroscope and a nine-axis inertial measurement unit of a three-axis magnetometer, is worn on the wrist position of a user, is used for detecting the posture conditions of the user in three directions of a preset three-dimensional coordinate system X, Y and Z, and judges the normal state of the human body and the accidental falling event by resolving multi-source data and combining a mode identification method; the nine-axis inertia measurement module is mainly used for collecting relevant parameters of human hand motion and processing and restoring the posture of the moving limb in space through the motion parameters; the motion parameters describing the moving limbs comprise acceleration, rotation angular velocity of corresponding joints and magnetic field information of the limbs in corresponding spaces.)

一种基于九轴惯性测量单元可穿戴人体传感监测设备

技术领域

本发明涉及传感器测量领域，尤其涉及一种一种基于九轴惯性测量单元可穿戴人体传感监测设备。

背景技术

随着智能可穿戴技术的发展，为老年人提供持续的医疗保健变得越来越容易且受欢迎。能够为人们提供快速且持续的健康状态监测的自主系统无疑是十分具有吸引力的，这种系统可以帮助老年人改善健康状况并减少社会对于老年人的健康成本支出。检索已经开发出的技术方案，可以发现，此类系统致力于在家中以及室外环境中监控诸如心电图(ECG)、脉搏和血氧饱和度、血压等重要参数，并具有在健康状况出现问题时直接向医院或医生发出警报的能力。一些重要的参数传感平台如智能手机、智能手表等等，为发展持续健康监测的移动护理设备提供了极大的便利。然而，家用医疗可穿戴设备的功耗、成本以及人机舒适度始终是亟待完善的问题。

对于独处的老人来说，发生意外跌倒会导致严重的后果，因此对于跌倒事件的实时检测非常必要。传统的方法是采用三轴加速度传感器对人体进行实时检测，有时候不能准确监测，尤其对于很小幅度的跌倒或者缓慢的跌倒可能会产生漏判。

发明内容

为解决上述技术问题，本发明提供一种基于九轴惯性测量单元可穿戴人体传感监测设备，该设备融合了三轴加速度计、三轴陀螺仪和三轴磁强计的九轴惯性测量单元，测量更精准，并且可以实时测量老年人的体温、心率、血氧水平，并将生理数据发送到看护者的智能手机中。此外，该设备能够检测出老年人遭遇的跌倒事件并向看护者发出警告。

本发明所采取的技术方案是：一种基于九轴惯性测量单元可穿戴人体传感监测设备，包括：电源模块、传感器模块、九轴惯性测量单元、微处理器模块、蓝牙通信模块、手机终端；

所述电源模块为传感器模块、九轴惯性测量单元、微控制器模块、蓝牙通信模块提供直流电源；

所述九轴惯性测量单元融合了三轴加速度计、三轴陀螺仪和三轴磁强计的九轴惯性测量单元，佩戴在使用者手腕位置，用于检测使用者在预设三维坐标系X,Y,Z三个方向的姿态情况，通过解算多源数据并结合模式识别方法判断人体正常状态与意外跌倒事件；

所述九轴惯性测量模块主要采集人体手部运动相关参数，通过这些运动参数进行处理还原出运动肢体在空间的姿态；描述运动肢体的运动参数包括加速度、对应关节旋转角速度、肢体在对应空间的磁场信息；首先建立地理坐标系n系和人体姿态坐标系b系，地理坐标系n系，即Ox_ny_nz_n选用的是东北天坐标系，Ox_n轴指向北向，Oy_n轴指向东向，Oz_n轴沿铅垂线的反方向指向天，原点为设备穿戴位置；

所述九轴惯性测量模块预设设备穿戴位置为人体姿态坐标系b系，即Ox_by_bz_b的坐标原点，Ox_b轴指向前，Oy_b轴指向左，Oz_b轴指向上；作如下定义：

R为真实姿态方向余弦，

为互补滤波计算出的姿态方向余弦，R₀为加速度计和三轴磁强计观测到的姿态矩阵，μ_H为R₀的观测噪声R₀＝R+μ_H，R_C为陀螺仪测量数据计算得到的姿态矩阵，μ_L为陀螺仪累计误差R_c＝R+μ_L，s表示中间算子，在电路框图中1/s表示积分，s表示微分；

计算

先滤去加速度计和磁强计的高频分量，再滤去陀螺仪的低频分量，其中取：

G_L(s)和G_H(s)是互补滤波器的传递函数，G_L(s)具有一阶低通滤波特性，G_H(s)具有一阶高通滤波特性，通过互补滤波就能够消除高频噪声和低频误差的累积；

G_L(s)和G_H(s)进行互补就得到：

进一步的，所述基于九轴惯性测量单元的跌倒检测算法具体步骤如下：

步骤一、设计并制作老年人跌倒状态下手臂姿态数据集，所述的数据集划分为训练集和测试集；所述的手臂姿态数据集包含用于跌倒检测的相关特征向量，并带有跌倒/非跌倒标签，跌倒标签又可细分为前向跌倒、后向跌倒、左侧跌倒、右侧跌倒、仰卧跌倒和俯卧跌倒六种类别，该数据集用于训练所述的跌倒检测模型。

步骤二、构建基于深度神经网络的跌倒检测模型，模型的输入为与跌倒相关的特征向量，输出为跌倒种类与非跌倒各种情况发生的概率；利用所述的手臂姿态数据集中的训练集训练跌倒检测模型获取模型参数，利用所述的手臂姿态数据集中的测试集测试模型性能并调整模型参数。

步骤三、采集跌倒状态下九轴惯性测量单元的输出数据，并计算得到特征向量；所述九轴惯性测量单元的输出数据为：加速度计测量值为a_x，a_y，a_z；陀螺仪测量值为ω_x，ω_y，ω_z；三轴磁强计测量值为m_x，m_y，m_z；其处理过程如下：

(1)初始化四元数

其中，θ、γ是运动肢体的初始姿态角，使用者静止状态下手臂处于自然下垂状态，假设三种初始姿态角均为零；

(2)将加速度计测量值、三轴磁强计测量值转化为单位向量；

(3)利用四元数获得重力向量(v_x，v_y，v_z)^T和磁场向量(w_x，w_y，w_z)^T

重力向量：

其中(0,0,1)^T是加速度计在n系中的输出；

三轴磁强计测量的是地球磁场的大小和方向，该方向与n系的各个坐标轴呈一个角度，记作(b_x，b_y，b_z)^T，前面已经设置过n系的x轴指向北，故b_y＝0，即(b_x，0，b_z)^T；

计算磁场向量需要从b系推往n系，令其中(m_x，m_y，m_z)^T是地磁计在b系中的输出。由于地磁计在n系和b系的XOY平面上向量的大小相同，故对于b_z的处理，不做变动，b_z＝h_z，从而得到(b_x，0，b_z)^T；

经过n系到b系的转换矩阵再转到b系得：

其中，为地理坐标系与载体坐标系之间的转换矩阵；

(4)计算误差e，即(e_x，e_y，e_z)^T

(e_x，e_y，e_z)^T＝(v_x，v_y，v_z)^Tⅹ(a_x，a_y，a_z)^T+(m_x，m_y，m_z)^Tⅹ(w_x，w_y，w_z)^T

(5)利用误差修正陀螺仪数据

δ＝K_p*e+K_i*∫e，ω＝ω_g+δ，其中K_p表示比例增益，K_i表示积分增益，用于控制陀螺仪偏差的收敛速率，ω_g＝(ω_x，ω_y，ω_z)^T。

(6)更新四元数并将四元数转换成欧拉角

求解该微分方程得到：

经过上述计算，可获取任意时刻手臂的姿态角数据，我们取跌倒事件发生时姿态角的两次变化值及其对应的时间变化量作为特征向量。即，当疑似跌倒事件发生时，计时器打开，到姿态角大小第一次到达波峰/波谷作为第一段，记录该段姿态角的变化量Δφ₁、Δθ₁、Δγ₁以及对应时间变化量Δt₁；从第一次到达波峰/波谷到第二次到达波谷/波峰作为第二段，记录该段姿态角的变化量Δφ₂、Δθ₂、Δγ₂以及对应的时间变化量Δt₂。上述记录数据组成一个8维的特征向量。

所述的疑似跌倒事件是指合加速度为零的情况，由加速度计检测得到。

步骤四、模式匹配过程；将获取的特征向量进行归一化预处理之后，输入到所述跌倒检测模型中，经过模型计算，获取不同跌倒种类与非跌倒情况发生的概率，根据概率判断跌倒是否发生以及跌倒发生的种类。

所述传感器模块佩戴在使用者手腕上，与使用者皮肤接触，包括高灵敏度的脉搏血氧仪、心率传感器和体温传感器，用来实时测量使用者的心率、血氧水平和体温；

所述微处理器模块包括相关必要的控制电路，其输入端与传感器模块、惯性测量模块的输出端相连，用于根据获取到的传感器数据建立人体跌倒事件的检测模型，研究人体跌倒的过程，提取几种跌倒姿态中手部运动变化的特征参数，通过跌倒检测模型进行处理，从而准确区分人体正常状态和意外跌倒事件；微处理器模块需要附加配置定时器和计时器，定时器设置一个过期事件，该事件的唯一触发条件为传感器模块的输入值超过一定阈值；

所述手机终端通过蓝牙通信接收微处理器模块发送的使用者的姿态和生理信号，并第一时间通过声音和文字信息提醒手机终端持有者对跌倒老人进行救治；手机终端持有者为家属或照护人员。

上述所有硬件安装在一个具有良好人机性能的腕带中，该腕带由老年人佩戴，可全天候测量老年人的体温、心率和血氧水平，并检测跌倒事件是否发生。

有益效果：

本发明提供一种基于九轴惯性测量单元可穿戴人体传感监测设备，利用融合了三轴加速度计、三轴陀螺仪和三轴磁强计的九轴惯性测量单元，佩戴在使用者手腕位置，用于检测使用者在预设三维坐标系X,Y,Z三个方向的姿态情况，通过解算多源数据结合模式识别方法判断人体正常状态与意外跌倒事件；由于融合了多种测量单元的数据并修正了误差，能够准确的检测数据。

附图说明

图1是本发明实施例提供的一种基于九轴惯性测量单元可穿戴人体传感监测设备结构框图；

图2是本发明实施例中提供的跌倒检测算法的流程图；

图3是本发明实施例提供的设备佩戴位置及人体姿态坐标系示意图；

图4是本发明中关于将九轴惯性测量单元输出数据转换为手臂姿态角的计算过程；

图5是本发明实施例提供的微处理器及其***电路图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

根据本发明的一个实施例，提出一种基于九轴惯性测量单元可穿戴人体传感监测设备，老年人将设备通过腕带佩戴在手腕处或者肘部上方，开启设备，即可实时记录老年人的心率、体温与血氧水平，同时对老年人的行走情况进行监视，时刻跟踪是否发生跌倒事件。基于单片机技术对微处理器模块进行编程，使该设备具有实时操作系统。该设备具有相应的Android应用程序，微控制器通过蓝牙与手机终端进行通信。

本实施例提供基于智能可穿戴传感器的老年人家庭康复训练检测设备，包括电源模块、传感器模块、惯性测量模块、微处理器模块、蓝牙通信模块、手机终端。

电源模块为传感器模块、惯性测量模块、微控制器模块、蓝牙通信模块提供直流电源，使用PMIC(电源管理集成电路)控制系统的电压和功率，如图1所示。

惯性测量模块同样佩戴在使用者手腕上，是融合了三轴加速度计、三轴陀螺仪和三轴磁强计的九轴惯性测量单元，用于检测使用者在预设三维坐标系X,Y,Z三个方向的姿态情况；该模块主要采集人体手部运动相关参数，通过这些运动参数进行处理还原出运动肢体在空间中的姿态；描述运动肢体的运动参数包括加速度、对应关节旋转角速度、肢体在对应空间的磁场信息。惯性测量模块的具体用途如下：

首先建立地理坐标系(n系)和人体姿态坐标系(b系)，地理坐标系Ox_ny_nz_n选用的是东北天坐标系，Ox_n轴指向北向，Oy_n轴指向东向，Oz_n轴沿铅垂线的反方向指向天，原点为设备穿戴位置；人体姿态坐标系Ox_by_bz_b的坐标原点同样为设备穿戴位置，Ox_b轴指向前，Oy_b轴指向左，Oz_b轴指向上。运动肢体的姿态角参数包括俯仰角θ(肢体绕Oy_b轴运动)、横滚角γ(肢体绕Ox_b轴运动)和偏航角(肢体绕Oz_b轴旋转)。作如下定义：

R为真实姿态方向余弦，为互补滤波计算出的姿态方向余弦，R₀为加速度计和三轴磁强计观测到的姿态矩阵，μ_H为R₀的观测噪声R₀＝R+μ_H，R_C为陀螺仪测量数据计算得到的姿态矩阵，μ_L为陀螺仪累计误差R_c＝R+μ_L，s表示中间算子，在电路框图中1/s表示积分，s表示微分。

通过上面要得到精确度高的需要滤去加速度计和磁强计的高频分量，滤去陀螺仪的低频分量，其中取：

G_L(s)和G_H(s)是互补滤波器的传递函数，G_L(s)具有一阶低通滤波特性，G_H(s)具有一阶高通滤波特性，通过互补滤波就能够消除高频噪声和低频误差的累积。

G_L(s)和G_H(s)进行互补就可以得到：

如图2，下面结合肢体运动姿态角度的计算过程，描述基于九轴惯性测量单元的跌倒检测算法具体流程：

步骤一、设计并制作老年人跌倒状态下手臂姿态数据集，所述的数据集划分为训练集和测试集；所述的手臂姿态数据集包含用于跌倒检测的相关特征向量，并带有跌倒/非跌倒标签，跌倒标签又可细分为前向跌倒、后向跌倒、左侧跌倒、右侧跌倒、仰卧跌倒和俯卧跌倒六种类别，该数据集用于训练所述的跌倒检测模型。

考虑到跌倒实验对于老年人有一定的危险性，故手臂姿态数据集的制作由年轻人模拟完成。招募20名志愿者(20岁～40岁)在10cm的防护垫上分别做了前向跌倒、后向跌倒、左侧跌倒、右侧跌倒、仰卧跌倒和俯卧跌倒六个项目的模拟实验，每个项目三次。每名志愿者还完成了行走(5步)、站立(3s)、坐下(5s)、起立、站立(3s)、躺下(10s)、起立一组日常动作，作为非跌倒状态下的数据。在跌倒实验中收集疑似跌倒发生时(合加速度为零)的姿态角变化数据和对应时间变化数据，在非跌倒实验中将每组动作的进行过程划分为20个区间，取每个区间的姿态角变化量以及对应的时间长度作为特征向量的元素。

步骤二、构建基于深度神经网络的跌倒检测模型，模型的输入为与跌倒相关的特征向量，输出为跌倒种类与非跌倒各种情况发生的概率；利用所述的手臂姿态数据集中的训练集训练跌倒检测模型获取模型参数，利用所述的手臂姿态数据集中的测试集测试模型性能并调整模型参数。

所述的基于深度神经网络的跌倒检测模型，选择3层系统作为标准BP网络，网络的输入层有8个神经元，对应于8个输入特征值；中间层有32个神经元；输出层有7个神经元，对应前向跌倒、后向跌倒、左侧跌倒、右侧跌倒、仰卧跌倒和俯卧跌倒六个跌倒种类以及非跌倒的情况。对于多分类问题，我们采用Softmax函数作为激活函数，梯度下降过程中使用交叉熵损失函数。

步骤三、采集跌倒状态下九轴惯性测量单元的输出数据，并计算得到特征向量；所述九轴惯性测量单元的输出数据为：加速度计测量值为a_x，a_y，a_z；陀螺仪测量值为ω_x，ω_y，ω_z；三轴磁强计测量值为m_x，m_y，m_z。其处理过程如下：

(1)初始化四元数

其中，θ、γ是运动肢体的初始姿态角，结合实际情况中老年人静止状态下手臂处于自然下垂状态，故假设三种初始姿态角均为零。

(2)将加速度计测量值、三轴磁强计测量值转化为单位向量；

(3)利用四元数获得重力向量(v_x，v_y，v_z)^T和磁场向量(w_x，w_y，w_z)^T

在姿态解算过程中，设从n系到b系的转换矩阵为：

从b系到n系的转换矩阵为：

重力向量：其中(0,0,1)^T是加速度计在n系中的输出。

地磁计测量的是地球磁场的大小和方向，该方向与n系的各个坐标轴呈一个角度，记作(b_x，b_y，b_z)^T，前面已经设置过n系的x轴指向北，故b_y＝0，即(b_x，0，b_z)^T。

计算磁场向量需要从b系推往n系，令其中(m_x，m_y，m_z)^T是地磁计在b系中的输出。由于地磁计在n系和b系的XOY平面上向量的大小相同，故

对于b_z的处理，不做变动，b_z＝h_z，从而得到(b_x，0，b_z)^T。

经过n系到b系的转换矩阵再转到b系得：

(4)计算误差(e_x，e_y，e_z)^T

(e_x，e_y，e_z)^T＝(v_x，v_y，v_z)^Tⅹ(a_x，a_y，a_z)^T+(m_x，m_y，m_z)^Tⅹ(w_x，w_y，w_z)^T

(5)利用误差修正陀螺仪数据

δ＝K_p*e+K_i*∫e，ω＝ω_g+δ，其中K_p表示比例增益，K_i表示积分增益，用于控制陀螺仪偏差的收敛速率，ω_g＝(ω_x，ω_y，ω_z)^T。

(6)更新四元数并将四元数转换成欧拉角

求解该微分方程得到：

经过上述计算，可获取任意时刻手臂的姿态角数据，我们取跌倒事件发生时姿态角的两次变化值及其对应的时间变化量作为特征向量。即，当疑似跌倒事件发生时，计时器打开，到姿态角大小第一次到达波峰/波谷作为第一段，记录该段姿态角的变化量Δφ₁、Δθ₁、Δγ₁以及对应时间变化量Δt₁；从第一次到达波峰/波谷到第二次到达波谷/波峰作为第二段，记录该段姿态角的变化量Δφ₂、Δθ₂、Δγ₂以及对应的时间变化量Δt₂。上述记录数据组成一个8维的特征向量。

所述的疑似跌倒事件是指合加速度为零的情况，由加速度计检测得到。

步骤四、模式匹配过程；将获取的特征向量进行归一化预处理之后，输入到所述跌倒检测模型中，经过模型计算，获取前向跌倒、后向跌倒、左侧跌倒、右侧跌倒、仰卧跌倒和俯卧跌倒六个跌倒种类与非跌倒情况发生的概率，根据概率判断跌倒是否发生以及跌倒发生的种类。

传感器模块佩戴在使用者手腕上，与使用者皮肤接触，包括脉搏血氧仪、心率传感器和体温传感器，用来实时测量使用者的心率、血氧水平和体温；Maxim的MAX30102是一种高灵敏度的脉搏血氧仪和心率传感器，本发明使用该传感器来测量心率和血氧水平。同时，MAX30205体温传感器被用来测量实时体温。

在设备工作期间，首先进行存储器映射和外设的初始化，相应事件(计时器或外部中断)发生时，微处理器能确定设备的唤醒原因。

1、如果唤醒源是惯性测量模块，则考虑是否是由跌倒事件引起的。首先获取跌倒检测模型的输出向量，如果某一跌倒事件发生的概率超过50％，则可以判定发生了跌倒事件。当跌倒事件发生时，微控制器通过其通信模块将相关信息发送到手机终端，以通知跌倒事件的发生，并显示跌倒种类。

2、如果唤醒源不是惯性测量模块，则是因为测量三个参数(心率、体温、血氧水平)之一的定时器已经过期。定时器过期的唯一触发条件为上述三个生理参数的测量值超出了正常设定阈值。首先检查哪些计时器已经过期，然后再次执行测量过程并存储数据。

数据处理完成后，将相关参数值发送到手机终端。需要强调的是，发送到手机终端的数据还包括每个参数的测量间隔，以便在应用程序中修改这些测量间隔。如果发送失败，则将其存储留待下次发送。每个周期结束时，所有的测量计时器进入睡眠状态，直到计时器到期或发生中断事件。

微处理器模块包括单片机及其***电路，如图5所示，本实施例中的单片机型号为ESP32。微处理器的输入端与传感器模块、惯性测量模块的输出端连接，用于根据获取到的传感器数据建立人体跌倒过程的姿态模型，研究人体跌倒的过程，提取几种跌倒姿态中手部运动变化的特征参数，从而准确区分人体正常状态和意外跌倒事件；微处理器模块需要附加配置一个定时器，定时器设置一个过期事件，该事件的唯一触发条件为传感器模块的输入值超过一定阈值；

本实施例中，蓝牙通信模块采用蓝牙5.0。

手机终端持有者为监测设备使用者的家属或照护人员，手机终端通过蓝牙通信接收微处理器模块发送的使用者的姿态和生理信号，如果发生意外情况，则可以第一时间通过声音和文字信息提醒相关人员对老人进行救治。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。