基于WSN的人体姿态辨识系统设计

，， ，， ，

(浙江工业大学 计算机科学与技术学院，浙江 杭州 310023)

随着现代医学技术水平的进步、人类平均寿命不断增长、老年人口比例逐渐增多，老人的居家看护问题也因此凸显出来.很多家庭中的老人因子女外出工作而独自居住在家，在这种情况下，如果老年人发生紧急情况(如摔倒或因病久卧不起等)，将无法得到及时的救助，老年人的生命安全可能会受到威胁.目前常见的家居看护做法是在老年人的房间或养老院安置摄像头，通过人工方式监控他们的行为[1]，或是通过图像识别的方法辨识人体行为[2-5].但是利用摄像头监控除了有死角等缺陷外，还存在隐私保护方面的问题.因此，近年来已有人研究利用惯性传感器对人体姿态进行估测[6-9].

利用无线传感器网络(Wireless sensor networks，WSN)技术、微型传感器技术设计了多目标姿态辨识系统.其中，老年人身上配戴的人体姿态感知节点能够辨识老年人的姿态，并通过WSN发送到数据采集节点，数据采集节点负责将收到的多个人体姿态感知节点的数据汇总后上传至服务器进行存储.该系统能够对养老院或家庭中的多位被看护者进行看护，一旦系统监测到被看护者姿态存在异常则立即进行报警，从而降低了被看护者因无法得到及时救助而发生危险的可能性.贡献在于：1) 通过WSN技术的运用使系统适用于多老人家庭或医院等多用户场景；2) 监控平台查询端采用Web技术通过服务器进行发布，可以实现远程、多用户同时监控.

1 系统结构

人体姿态辨识系统主要由人体姿态感知节点、数据采集节点、实时监控管理平台三部分组成.其中数据采集节点负责ZigBee网络的组建、人体姿态感知节点的入网、被看护者姿态信息的上传工作.人体姿态感知节点带有三轴加速度传感器，能通过分析传感器采集到的信号辨识人体姿态，并周期性地通过ZigBee网络上传数据.

实时监控管理平台实现了对被监护者资料和姿态信息的管理、实时监控、历史信息查询等功能.在系统启动时，服务器开始接收数据采集节点上传的数据，并将这些数据保存到数据库中，平台页面采用Web形式，这样便于监控者进行远程监护，同时实现了远程数据分析、报警等功能.系统结构示意图如图1所示.

图1 系统结构示意图

2 硬件系统设计

为了在不影响使用者日常生活的前提下，尽可能保证系统功能的完整性，系统采用了包含两种不同功能节点的硬件设计方案.被监护者携带的人体姿态感知节点在设计上采用了微型传感器和微型电池供电系统，通过减小节点体积使设备更方便佩戴.用于收集数据的数据采集节点由于不受体积大小的限制，在硬件设计上包含了串口模块和大容量的电池模块，扩展了节点的功能和使用时间.

2.1 人体姿态感知节点

人体姿态感知节点佩戴在使用者身上，用于采集人体加速度信号，能通过WSN网络将人体姿态信息发送到数据采集节点.因此，人体姿态感知节点由加速度传感器、I/O接口、无线通信模块、微控制器以及电源模块组成，硬件结构图如图2所示.

图2 人体姿态感知节点硬件结构图

1) 加速度传感器采用的mma7361芯片是一种低功耗、低轮廓电容和微机械型加速度计芯片.通过输出不同电压值表示不同的加速度值.

2) 微控制器负责将传感器采集到的数据进行本地处理，得出人体姿态信息.无线通信模块负责将计算出的人体姿态数据发送给数据采集节点，模块由能够支持IEEE 802.15.4标准的CC2430芯片来实现WSN中的数据传输.

3) 电源模块为节点其他部分的工作提供能量，模块采用微型电池供电，以减小节点体积.

沿着兰江，孔老一和潘云深一脚浅一脚地往上游赶。天上不停炸着响雷，闪电过后，暴雨如注。两个男人在闪电里拖着长长的影子。

2.2 数据采集节点

数据采集节点用于收集同网络中所有人体姿态感知节点发送的姿态信息，并将汇总信息上传至计算机.因此，数据采集节点包括了无线通信模块、微控制器、串口模块.无线通信模块负责将收集到的各节点数据通过串口模块上传至服务器端.

在系统初始化时，数据采集节点作为网络的发起者，建立ZigBee网络，各人体姿态感知节点加入网络后，与数据采集节点组成网状拓扑结构，最终将数据发送给数据采集节点.数据采集节点的硬件结构图如图3所示.

图3 数据采集节点硬件结构图

3 软件系统设计

本系统的软件开发采用了IAR Embedded Workbench以及MyEclipse开发平台.其中，IAR Embedded Workbench是瑞典IAR Systems公司为微处理器开发的一款集成开发环境，用于对节点软件的编写，MyEclipse用于系统平台的整体开发.本研究首先对整体软件架构进行了规划，然后根据姿态辨识算法和WSN通信标准开发了节点程序，最后根据需求指标和节点接口程序对监控平台软件进行了设计.

3.1 人体姿态感知节点软件设计

人体姿态感知节点的主要功能包括：搜索、加入数据采集节点建立的ZigBee网络；周期性采样加速度信号，并判断人体姿态；发送人体姿态数据到数据采集节点.人体姿态感知节点启动后，首先对自身进行初始化校准，然后对信道进行扫描，发现并加入由数据采集节点建立的ZigBee网络，同时获取数据采集节点的网络地址.最后，不断读取三轴加速度信号，将离散信号作为离散小波进行滤波处理后，分阶段进行姿态判断，并将人体姿态信息、节点编号发送给数据采集端[10-11].软件基本流程如图4所示.

图4 人体姿态感知节点工作流程图

人体姿态感知节点及数据采集节点通信模块使用的是TI公司的CC2430芯片，芯片支持IEEE 802.15.4标准，能够移植完整的Zstack协议栈.Zstack协议栈提供了应用层以下的各层协议，具有路由功能，用户只需要编写应用层程序并调用接口函数即可完成数据传送.

3.2 人体姿态辨识算法

基于文献[12]中的算法，通过加速度传感器采样的信号对人体姿态进行辨识.

首先根据加速度传感器上的坐标轴，建立人体空间直角坐标系，如图5所示.其中X轴为人体垂直向上方向，Y轴为人体水平向右方向，Z轴为人体横剖面平行向内方向.数据采集节点包括无线通信模块、微控制器和串口模块.无线通信模块负责将收集到的各节点数据通过串口模块上传至服务器端.

图5 人体空间直角坐标系

人体在静止时姿态固定不变，而运动时为一套连续姿态，因此需对加速度连续采样，将多组离散加速度组成的离散小波作为判断人体姿态的依据.考虑到微控制器的存储空间有限，系统每次以256组采样值作为姿态辨识的数据源.通过加速度计读取的加速度中包含两类加速度，一类是重力对人体作用产生的持续加速度，称为静态加速度，另一类是人体运动所产生的加速度，称为动态加速度.其中，动态加速度可以用来描述人体的运动情况，静态加速度用来描述人体的倾角.

人体在摔倒时加速度发生剧烈变化，各方向上均产生极大峰值.利用信号向量强度(SVM: Signal vector magnitude)[13]，根据瞬间加速度即可区分摔倒与其他姿态.SVM定义为

(1)

式中：xi，yi，zi分别为x，y，z轴方向上第i个加速度的采样值.SVM值大于阈值则可判定为摔倒，否则进行下一步判断.

在区分运动状态与静止状态时，可以采用信号幅度域(SMA: Signal magnitude area)[13-14]，SMA定义为

(2)

式中：x(t)，y(t)，z(t)分别为t时刻x，y，z轴方向上的加速度采样值；t通常为取256次采样所需时间.

计算出的SMA值若大于阈值则判定为动态，否则为静态.若为动态，通过对各轴峰值的对比可以辨别上、下楼姿态.若为静态，通过夹角度数可以判断具体姿态.

姿态辨识算法流程如图6所示.

图6 姿态辨识算法流程图

通过对人体姿态数据的分析，可以发现静止状态与运动状态、摔倒与其他姿态之间都有明显的区别.通过采集到的加速度信号，可以识别出摔倒、行走、上楼、下楼、站立、坐和躺7种姿态.

3.3 实时监控管理平台

实时监控管理平台由后台软件系统和前端Web监控查询系统组成，其功能结构如图7所示，系统Web页面如图8所示.后台软件中的串口读取程序读取数据采集节点上传的数据包，解析数据包中的人体姿态感知节点编号、姿态信息等数据，并存入数据库中.用户可以利用前端软件系统创建监控对象，通过人体姿态感知节点编号可以进行历史数据的查询和管理.监控界面采用Web形式，将网站部署到因特网后可以实现远程实时监控.

图7 实时监控管理平台功能结构图

前端管理信息包括被监控者的编号、姓名、年龄和紧急联系方式等基本信息.实时监控页面可以显示当前连接数，以及各个被监控者的状态.可以通过节点编号查询被监控者的历史状况等信息.

图8 实时监控管理平台页面

4 系统测试

为了验证人体姿态辨识系统的实际效果，分别对多位不同年龄段试验者进行了数据收集及系统测试，为了使实验结果具有更高的可信度，测试的地点均为日常生活场所.被测试者在测试前首先被告知实验过程，然后根据实验人员的指令进行各组不同姿态的测试.实验结果分析表明，由于各年龄段人体的活动强度、动作速度不同，系统对各年龄段试验者的姿态辨识准确率不同.对于高年龄段试验者，因为走路平缓，活动起伏较小，降低了运动峰值谷值对姿态辨识的影响，摔倒辨识误差最小，但由于走路过于缓慢，也容易导致行走与静止之间的误判.测试中，本系统对各姿势的辨识准确率详见表1.

测试中，被测试者的动作相对较为拘谨，且在生活中，人体姿态更为多变，因此姿态识别准确率也会有所波动.系统对于上、下楼姿态的辨识存在较大误差，但对于摔倒姿态的辨识准确率已达90%以上，可以实现对老年人进行摔倒监控的基本需求.在实际应用中，根据用户实际情况调节各阶段的阈值，可以有效提高姿态辨识的准确率.

表1 各年龄段不同人体姿态辨识准确率的比较

5 结 论

设计了一种基于WSN的人体姿态辨识系统，运用WSN技术、小波分析理论、微型传感器技术设计了姿态辨识系统的硬件系统和软件系统，在不影响被监护者日常生活的前提下，实现了对被监护者的7种人体姿态辨识.该系统能够同时对多名被监护者的人体姿态进行远程实时监控，可用于对独居老人或医院病人的安全监护用途.

参考文献：

[1] 郑莉莉，黄鲜萍，梁荣华．基于支持向量机的人体姿态识别[J]．浙江工业大学学报，2012，40(6)：670-765．

[2] ROPPE R. A survey on vision-based human action recognition[J]. Image and Vision Computing，2010，28(6)：976-990．

[3] JIANG Xing-hao， SUN Tan-feng， FENG Bing， et al． A space-time SURF descriptor and its application to action recognition with video words[C]//8th International Conference on Fuzzy Systems and Knowledge Discovery． Shanghai： IEEE Computer Society，2011：1911-1915．

[4] 汤一平，陆海峰．基于计算机视觉的电梯内防暴力智能视频监控[J]．浙江工业大学学报，2009，37(6)：591-597．

[5] 滕游，董辉，俞立．基于DSP的运动目标检测与跟踪系统设计[J]．浙江工业大学学报，2009，37(6)：607-609．

[6] 刘星．对维MEMS惯性传感器的姿态解算算法研究[D]．哈尔滨：哈尔滨工程大学自动化学院，2013．

[7] KHAN A M， LEE Y K， LEE S Y， et al． A triaxial accelerometer-based physical-activity recognition via augmented-signal features and a hierarchical recognizer[J]． IEEE Transactions on Information Technology in Biomedicine，2010，14(5)：1166-1172．

[8] LAI C F， CHANG S Y， CHAO H C， et al． Detection of cognitive injured body region using multiple triaxial accelerometers for elderly falling[J]． IEEE Sensors Journal，2011，11(3)：763-770．

[9] NAJAFI B， AMINIAN K， PARASCHIV-LONESCU A， et al． Ambulatory system for human motion analysis using a kinematic sensor: monitoring of daily physical activity in the elderly[J]． IEEE Transactions on，2003，50(6)：711-723．

[10] 周晓，李杰，边裕挺．基于无线传感网络的环境温度监测系统设计[J]．浙江工业大学学报，2013，41(4)：440-443．

[11] 陆欢佳，俞立，董齐芬，等．基于无线传感网的楼宇环境监测系统设计[J]．浙江工业大学学报，2011，39(6)：683-687．

[12] KARANTONIS D M， NARAYANAN M R， MATHIE M， et al． Implementation of a real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring[J]． IEEE Transactions on Information Technology in Biomedicine，2006，10(1)：156-167．

[13] MATHIE M J． Monitoring and interpreting human movement patterns using a triaxial accelerometer[D]． Sydney： The University of New South Wales，2003．

[14] FOERSTER F， FAHRENBERG J． Motion pattern and posture: correctly assessed by calibrated accelerometers[J]．Behavior Research Methods，2000，32：450-457．