[发明专利]一种基于九轴惯性测量单元可穿戴人体传感监测设备

权利要求书

1.一种基于九轴惯性测量单元可穿戴人体传感监测设备，其特征在于，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：

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控制电路，其输入端与传感器模块、九轴惯性测量单元的输出端相连，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，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；微处理器模块附加配置一个定时器和计时器，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。

2.根据权利要求1所述的一种基于九轴惯性测量单元可穿戴人体传感监测设备，其特征在于，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，该方向与地理坐标系n系的各个坐标轴呈一个角度，记作(b_x，b_y，b_z)^T，地理坐标系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，能够获取任意时刻手臂的姿态角数据，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，从疑似跌倒事件发生开始，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。