大数据能耗监测技术的肥胖个体基于MEMS传感器

文摘

微电子机械系统(MEMS)的应用越来越广泛,涉及军事、医疗、通讯和其他主要字段。科技的进步给人类带来了跨时代的变化,但也给人类带来了麻烦。因为机器可以代替大部分人来说,人类运动导致显著减少,许多人肥胖的症状。因此,如何有效地检测人体运动能耗具有重要意义改善肥胖症状。能耗探测器stm32f103zet6为核心处理器,利用惯性传感器mpu6050建立MEMS传感器系统来监测人体的日常运动状态和步态。在大数据的设计算法,自适应峰值检测和步骤中,决策树二级分类的运动识别大数据算法有机结合,然后结合加速度矢量值大数据的运动能量检测算法,运动过程中收集到的数据,包括加速度信号,陀螺仪和其他数据处理,最后完成特征提取,得到最终的识别和检测结果。通过引用的数据,我们可以知道系统可以识别不同人的运动状态。其中,它拥有95%的准确率运动识别的坐着,站着,散步,跑步,上下楼梯和躺,这基本上是一样的探测器在市场上。能耗检测,也有95%的准确率,这证明了实验大数据算法设计的正确性,同时也提高了精度,证明了系统具有良好的性能和很高的实用性,并能提供一个新的想法肥胖个体的运动检测。

1。介绍

随着MEMS技术的不断进步,大数据动态监控行业近年来发展迅速。同时,近年来,建设健康监测系统在各种医疗卫生行业和企业加速了(1]。作为一个信息内容,步态数据变得越来越受欢迎。在未来,运动状态数据将使用运动能耗大数据分类算法来实现特定的目标任务,如日常运动或运动能耗监测。这些技术的应用在日常生活中,是非常重要的准确分类现有的运动状态捕获和识别模型(2]。Waegli等人提出了一种改进的粗对准方法和四元数估计方法计算最初的方向。仿真和实际实验结果表明,这两种方法是稳定在任何初始方向大数据与MEMS传感器艾莫斯误差特征(3]。Bottenfield等人使用MEMS惯性传感器获取角度,模拟的加速度、速度和位移数据眼响应和冲击试验。模拟碰撞试验是由3 d打印头骨模型和侏儒(4]。唱等人提出了一个方法来定位脉冲源使用MEMS麦克风和延迟和波束形成。球的时间和位置在三维空间是由高速红外线扫描方法。实验结果表明,基于声音的球运动估计比相机更大范围的运动为基础的方法(5]。阮等人提出了一种基于MEMS压力传感器,可同时测量血液脉搏波和呼吸速率传感器只有一个元素。传感器设备的管接触物体的角动脉和鼻腔上方的区域,导致压力的变化造成的管的脉冲波和呼吸。实验表明,它是可行的提取脉搏波和呼吸道相关信息通过使用传感器信号的低频和高频分量(6]。公园等人使用MEMS传感器信息的可穿戴设备识别相关的基本手的动作。加速度和收集到MEMS陀螺仪用于处理传感器信息,和数据传感器和传感器之间的距离计算根据存储的信息。实验结果表明,与传统的研究相比,动作识别方法可以辨别许多行动,平均识别率为97.1% (7]。你等人提出了一个大数据基于MEMS加速度传感器的步态识别算法。当地重点用于生成稀疏的步态特征位置模板,模板融合是有效地用于转换稀疏的步态周期特性。最后,大数据最近邻算法和投票机制用于识别步态特征。实验结果表明,识别率是98.67%和认证率是99.89%8]。

Morozov等人提出了一种MEMS加速度计模型有两个可移动的梁元素位于两个固定电极之间。纵向惯性力变化系统的频谱特性,可以用于大数据传感器的输出信号。结果表明,大数据的敏感性传感器基于模式定位高于基于固有频率漂移(9]。使用数据同步传感器,弗朗西斯科·等人可以给用户移动性的一个全面的概述。MEMS系统可以测量极角,手臂周期频率和同步,应用在地上。此外,GPS模块的数据给活动会话的环境形象的距离、坡度和地面类型(10]。盛等人设计了一种自适应的态度测量大数据算法基于MEMS陀螺仪和加速度计。大数据算法采用扩展卡尔曼滤波器实现数据融合。同时,阿伦方差用于估计MEMS陀螺仪的动态噪声和大数据算法遗忘因子和有限的记忆是补充道。实验结果表明,两者的结合可以实现高精度姿态测量,验证大数据算法具有良好的动态噪声抑制能力,并提高系统的适应性环境变化(11]。王等人提出了一种自适应跟踪卡尔曼滤波器无人机MEMS导航。过滤器将强大的惯性导航系统,并使用最优自适应技术来克服噪声的影响因素的不确定性和运动误差模型。对于小型无人机应用,大型或小型初始姿态误差可以确保不改变模型12]。道等人提出了一种基于MEMS惯性传感器的步态身份验证方法。他们是固定在智能鞋,收集运动信号,送他们到服务器。步态参数,比如步长,步伐频率,态度阶段,摆动阶段和螺旋角计算个人识别的特点。一个新的大数据概率神经网络分类机制提出了作为唯一的机制来识别不同的用户。实验结果表明,该方法是有效的。22人的平均分类率达到85.3%和85.7%,分别为(13]。Reddy等人研究了两个重要的降维技术,线性判别分析(LDA)和主成分分析(PCA),对四种流行的机器学习(ML)算法14]。蕾斯尼克等人证明了本研究的过程通过使用专门设计的MEMS加速度传感器测量和后续评估在亚美尼亚的一座桥上。这些研究结果证实该方法的巨大潜力在监测支持结构15]。风扇团队使用PDMS和聚酰亚胺MEMS灵活应变/压力传感器。MEMS器件结构可以整合三个电传感器,输出数字信号的应变和压力检测区域。结果表明,工程数据与不同的弯曲传感器灵敏度可以应用于机械臂的控制(16]。

本文的创新贡献是使用惯性传感器mpu6050建立MEMS传感器系统监控日常运动状态和实时人体步态,并引入动态阈值检测的步态识别方法。针对系统的缺点陀螺仪,自适应动态阈值是用来改善它。

2。运动状态特征提取技术和能耗监测大数据的算法设计

2.1。步态分析检测方法

散步是一种非常有效的有氧运动对肥胖的人。目前,主要有两种方法来检测步骤的数量,一个是动态阈值检测。该方法主要通过检测计算出实验步骤的数目的动态阈值和动态精度。在一个完整的步骤中循环,三个方向的加速度将生成。测量,三个方向被定义为X, Y, z的监控这三个方向的加速度,加速度阈值提取每个方向。同时,采样频率设置为50 Hz调整动态精度。最后,平均值的最大阈值和最小阈值在同一个方向计算动态阈值。动态阈值的计算方法如图1。

在图1、位移寄存器和动态阈值在准确识别起着关键的作用。前者是由新老采样值寄存器,用于存储新老抽样数据,分别。判断的加速度,加速度超过或等于动态精度输入新的采样值寄存器。相反,如果加速度被忽略,新的采样值寄存器中的数据保持不变。图2(一个)显示了动态阈值的变化。加速度曲线可以看出,在一个完整的步骤将通过动态阈值从上到下,但这种方法并不准确振动识别,识别精度低。针对这一缺陷,第二种方法可以用来优化和改善第一个方法。

在行走的过程中,不断变化的重心,加速度信号的变化类似于正弦波变化曲线,和最重要的变化是z设在加速度信号。如图2 (b),虚线代表理想的正弦波形,实线代表垂直加速度波形生成在散步。根据不同的斜坡之前和之后的峰值正弦波,采样值之前和之后的区别是反过来,和积极的和消极的斜坡是用来定位的转折点斜率,从而判断峰值。此外,在行走的过程中,人们会有两种不同的运动状态,即正常和不正常,和相应的运动状态是走路和跑步。针对这两个状态,需要设置不同的阈值参数分段识别。大数据算法使用加速度矢量代替单轴加速度信号,可有效避免传感器的低适应性问题的态度,当人体在不同运动在某种程度上,并且可以有效地避免最初的大数据的混淆算法在处理不同的运动状态,从而大大提高了计步器的准确性。改进后的大数据算法的流程图如图3。

如图3在正常行走状态,人们的频率范围几乎是在[2.5],虽然人在快速运动状态的频率范围是在[1.5,5]。针对步骤期间运行速度的增加,适当增加采样频率可以最大化的完整采集步态信息。总之,设置采样频率为50 Hz。与此同时,两个阈值参数和域窗口长度设置为不同的运动状态检测峰值。这个过程可以分为四个部分。第一部分是计算加速度矢量值产生的运动和过滤无效数据。目的是检测整体加速度的变化,减少传感器姿态的影响。第二部分是确定步态。在这个过程中,选择20滑动窗口长度,最大值是选为潜在的峰值加速度阈值之间的行走状态1 g - 1.34 g和1.34 g之间在运行状态- 1.83 g。这两个时间间隔判断步态的重要基础。 The third part sets the time threshold discrimination range of normal state and abnormal state, the former range is [0.4 s, 1 s] and the latter range is [0.2S, 0.4 s]. The calculation here is based on the difference between the peak time, and the difference between the previous peak and the potential peak is calculated, and the value will be used as the basis for the second judgment; the last part is the step judgment. Here, we need to set the corresponding size of the field window for different motion states, and set the window length of the normal field and the abnormal field to be 10 and 5, respectively, and calculate the difference according to the peak sequence And the maximum difference is selected for the next judgment. If the peak is within the set range, it is determined that the monitoring object has completed one step walking, otherwise, the data remains unchanged.

2.2。两层分类行动识别基于决策树的大数据算法

基于MEMS传感器技术,一个两层的运动识别大数据分类算法以决策树为核心提出了识别和捕捉人类共同行动。首先,加速度信号在X, Y和Z方向加速度传感器收集的向量计算获得加速度矢量值VM。能源消费是根据公式计算w = FS。当加速度矢量值发生变化时,时间是根据公式(综合1),身体的运动能量消耗的计算时间范围。

在公式(1),E和u代表了能源消耗和人体运动的参数;虚拟机,VM1和VM2分别代表加速度矢量值,运动前的初始加速度和加速度;t1代表了起始时间,t2代表终止时间;毫克代表主题的重量。咨询大量数据后,可以看出,当独立操作和测速仪测量姿态角,一般来说,在静态状态,系统获得姿态角的准确性三个方向很高,但也有一些缺陷在动态性能,因此陀螺漂移。因此,数据融合技术是需要弥补这个缺陷。当对象在一个静态的状态时,它可以引用公式(2)。

, , 是三个轴的加速度,这需要规范化。监测对象是静止时,向量的价值z设在方向= 1。常见的数据融合方法,如加权平均的融合方法,虽然方法简单、实用,精度偏差很大。神经网络融合方法具有自学习的能力和良好的非线性,但结果仍然不令人满意的参数优化和结构模型的应用,由于其复杂的操作和高的局限性。与前两种方法相比,卡尔曼滤波方法可以结合这两种方法的优点,大数据算法简单有效,具有较高的鲁棒性和适应性强,能更好地适应线性滤波特性。卡尔曼滤波器的原理来评估单位时间前的系统状态阶段基于状态空间模型,找到最优状态估计模型的时间,然后评估实际测量值和系统的评估,最后得到最优值。原理图所示4。

从图可以看出4卡尔曼滤波器操作大致可以分为两个部分,即预测和更新修正。在预测阶段,第一步是计算预测的状态系统的k,得到的矩阵 , 能够准确地反映当前估计状态的信任程度。值越大,越小的信任程度。也定义为误差协方差矩阵。两者的计算公式见公式(3)和(4)。

其中, , , , , , 表示矩阵系数,控制数量的当前状态,的协方差和 ,的协方差增殖系数粘度值估计过程。根据公式(3)、角度测量模型方程建立了先验估计,和建立方程公式所示(5)。

其中,角和陀螺分别代表角的最优估计在一定的时间和时间,和角设计陀螺仪的测量值。Q-bias是陀螺仪的零点漂移值。一般来说,Q-bias系统的每次都是相同的。系统状态估计矩阵是通过结合公式(3)和公式(4),结果显示在公式(6)。

系统的误差协方差来自公式(4),见公式(7)。

在哪里Q-angle陀螺噪声的协方差,因为陀螺漂移噪声和角噪声是两个独立的因素,它们之间的协方差等于0。卡尔曼滤波器的第二部分是更新阶段。在这个过程中,是一个二维变量,对应两个卡尔曼增益,角和Q-bias。观测变量的角度值获得的加速度信号,测量值Accel是测量值 ,和公式(8)。

其中, , 和代表了角度测量噪声、角和卡尔曼增益卡尔曼增益的陀螺仪,分别。卡尔曼滤波的测量方程公式可以在这里直接引用。卡尔曼滤波公式所示的基本方程(9)。

自和没有关系,得出的结论是,

最后,更新误差协方差,见公式(14)。

最后,公式(15)从公式(8):

在上面的公式,公式(3)(4)(8)(13)和(14)是卡尔曼滤波器的基本方程和卡尔曼滤波的影响图如图5。

最后,通过转换,完成卡尔曼滤波器。图5(一个)显示的波形mpu6050当传感器是静止的。可以看出,陀螺仪的姿态角随时间有严重的偏差。此时,传感器的X和Y轴是平行的平面位置,和Z轴方向的重力。因此,从整体力情况下,传感器只受到重力加速度的影响。在这种状态下,传感器的姿态角理论上是0。漂移的主要原因是陀螺仪的积分误差信号。卡尔曼滤波后,漂移是纠正。图5 (b)显示生成的波形mpu6050传感器经过不同程度的振动。可以看出,陀螺仪所产生的信号计算正确0-20的时期,它开始漂移后的时间价值超过20,和动态适应性降低严重。卡尔曼滤波校正后,信号非常光滑,没有偏见。因此可以得出结论,卡尔曼滤波可以准确地计算出低的态度监控对象在任何状态。一方面,它弥补了陀螺仪的缺陷,另一方面,它提供了一个保证稳定的动态加速度信号的采集系统,大大提高系统的精度,提高了系统的鲁棒性。

3所示。大数据分析能耗监测技术

3.1。性能分析的识别

穿的位置对数据采集监测设备有很大的影响。为了最大限度地测量精度,穿的位置设置为监控对象的腰。原因是与其他地区相比,如手腕、脚踝等等,最接近的位置检测是人体的重心和产生更少的干扰,可以更精确地反映人体的实时状态。受试者10男性平均年龄24岁,平均身高为171±5厘米。根据要求受试者完成以下动作:正常行走;10公里/小时运行;10层,上下跳,三个静态状态,直立,分别坐在平坦,躺。每个动作重复5次。通过监测仪器记录的数据,VM加速度值的变化。实验结果如图所示6。

从图可以看出6不同状态下的行为是反映在VM加速度矢量的变化值。VM在数字加速度矢量值6 (b)和6 (e)分别分布在1.34 g - 1.83 g和1.83 g,和两个范围的边界相对明显,所以这两个动作可以更好的确认。对于其他运动状态,如图6(一),6 (c)和6 (d)加速度的变化曲线VM的正常走路,楼上,楼下是相对较近,而且分布范围在区间(1 g、1.5 g),所以相似度小,无法进行有效的区分。三种静态状态,波动也小,范围值大约是1 g,所以设备不能有效区分。针对这种情况,实验者再次安排测试根据动作的顺序:缓慢行走,楼上,楼下,站起来和静态动作,坐在平坦,躺回去。每组的操作执行的5倍,检测到角的变化曲线。测试结果如图7。

它可以从四个态度的变化角度如图7基于矢量角检测价值VM检测能有效区分走路,楼上和楼下。从曲线的变化趋势,我们可以知道,当监测对象是行走在不同的州,楼上,楼下,态度倾向信号的峰值范围(-69,-66.8),(-60、-50),分别为(-66.5,-60)。三个动作进行时,很明显,波浪波峰分段,这分割性能的关键是识别不同的动作。站的峰值范围,坐,躺,分别分布在(-70、-65),(-60、-55),(-50、-40)。为此,我们只需要设置不同的动作的姿势倾角的峰值作为行动的判断阈值,也就是说,我们可以有效地识别不同的州。

3.2。性能分析的运动能耗检测

摘要能耗探测器以stm32f103zet6为核心处理器,并使用惯性传感器mpu6050建立MEMS传感器系统监测人体的日常运动状态和步态。人类运动能耗检测的常用方法为可穿戴设备是双标签的方法,因为该方法具有很高的精度和抗干扰能力。虽然这个方法很好,它有高成本和低实用性。在体育馆跑步机的能耗相比,简单和经济。跑步机用于比较固体f63 +在美国,20公里/小时的最高速度。经过多次验证,运行能耗的偏差检测±3%,完全满足实验要求。实验的对象是一个70公斤的男性,和设备的佩戴位置保持不变。为了保证大数据的准确性算法在最大的程度上,采样窗口期设置为t = 1 s轨道,和刷新频率为50 Hz,也就是说,50个样品在1秒。实验结果如图所示8。从图可以看出8(一个),当检测到对象运行速度不同,串口数据记录矢量变化VM值T = 0和T = 1,和重力加速度是9.8 m / s。公式计算后,测试对象运行时以10公里/小时的速度,人类运动的能量消耗为9.6千卡/分钟,即0.16千卡/ s,计算u = 0.0018。实验结果如图8 (b)和8 (c)。

可以看出,当实验者动作3公里/小时的速度,5公里/小时,分别对应的能耗计算是0.017千卡/ s和0.06千卡/ s,分别。此时,在跑步机上的能耗值0.017千卡/ s和0.058千卡/ s,准确率是96%,这证明了U值的可靠性和准确性,从试验获得满足要求。

3.3。精度分析

通过与几种常见运动精度的比较市场上腕带,包括XM运动护腕,HW运动腕带和PG观察实验精度三个方面进行了比较,包括步骤测试,动作识别和运动能耗检测。实验环境是走廊,环境温度是26°C,相对湿度为26%。实验结果如图所示9。

从实验结果可以看到,如图9,常见的平均精度运动探测器在市场上,如XM手镯,PG手表和HW手镯,是高于90%,可以满足检测要求,平均精度为94%±1.2%,分别为96%±1.5%和97%±0.6%。此设计系统的平均精度为96.3±0.8%,这是市场上最接近顶部的检测系统。它可以保持一步检测精度高,这证明了大数据算法是准确的。接下来,测试不同的动作识别的准确性,实验结果如图所示10。

因为市场上常见的运动探测器没有动作识别功能,可以看到从图10识别的走路,跑步,楼上,楼下,站,坐,躺,它基本上可以保证精度超过90%,平均精度为95%,证明了系统的准确性高,大数据算法是准确的。最后,四大数据的能量消耗检测精度的算法进行了分析,结果如图所示11。

从图可以看出11这四种运动能量消耗的检测结果附近密集分布的控制结果可靠运行,和XM手镯的色散很大,这反映了检测器的检测精度很低。通过计算,平均精度XM手镯,PG手表和HW手镯是87%,95%和96%,分别在这个系统的平均精度为95%,基本上可以满足技术要求的PG和HW制造商。结果表明,该系统可以完全满足精度要求在测量人体运动的能量消耗,并能提供一个新的想法肥胖个体的运动检测。

4所示。结论

在肥胖个体运动状态监测技术,用于构建MEMS惯性传感器mpu6050传感器系统监控人类日常实时运动状态和步骤,和动态阈值检测方法介绍给认识到步态。针对系统的缺点陀螺仪,自适应动态阈值是用来改善它。在大数据的设计算法,自适应峰值检测和步骤中,决策树二级分类行动识别大数据算法有机结合,然后结合云的加速度值最高能量检测大数据算法,运动过程中收集到的数据,包括加速度信号,陀螺仪和其他数据处理,最后完成特征提取,得到最终的识别和检测结果。通过参考数据,我们可以知道系统可以识别不同人的运动状态。与运动监测相比有更好的性能在市场上,这个系统的性能接近它,并在某种程度上,它更实用。但是,大数据的数据研究本文算法设计不够深。因此,在未来的研究中,实验需要进一步统计和更多的数据内容。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称他们没有相互竞争的利益。

确认

这项研究是由“科学和科技创新项目的山西高等教育机构(批准号2019 l0945)”。

引用

1. l .张”的研究和设计基于MEMS运动传感器,”IOP会议系列:地球和环境科学,卷170,不。2、12 - 13,2017页。视图:谷歌学术搜索
2. 诉Camomilla,大肠Bergamini、美国Fantozzi和g . Vannozzi”趋势支持攷虑使用可穿戴的惯性传感器的运动性能评估:系统回顾,“传感器,18卷,不。3,p。873年,2018年。视图:出版商的网站|谷歌学术搜索
3. a . Waegli和j . Skaloud”优化两个GPS /惯性传感器集成策略与应用运动,”GPS解决方案,13卷,不。4、315 - 326年,2009页。视图:谷歌学术搜索
4. b . Bottenfield m元,m·l·亚当斯”仪器的传感被动眼睛反应由于头通过MEMS艾莫斯影响,”先进的微电子,46卷,不。2、16 - 19,2019页。视图:谷歌学术搜索
5. s . w . Seo, m . Kim和y金,“光学和声学传感器三维球球运动模拟器运动估计,“传感器,18卷,不。5,1323年,页2018。视图:出版商的网站|谷歌学术搜索
6. t . v .阮和m . Ichiki MEMS-Based传感器同时测量脉搏波和呼吸率,”传感器,19卷,不。22日,第4942页,2019年。视图:出版商的网站|谷歌学术搜索
7. 郑胜耀李。公园和j·j . Ko”与MEMS传感器相关的手势识别,”《华尔街日报》的韩国通信与信息科学研究所,42卷,不。11日,第2147 - 2139页,2017年。视图:出版商的网站|谷歌学术搜索
8. 比比你,l·h·顾r . y .揣和h .徐“步态识别基于MEMS加速度传感器,中国惯性技术杂志》上,25卷,不。3、304 - 308年,2017页。视图:谷歌学术搜索
9. n . f . Morozov d . A . Indeitsev v . s . Igumnova et al .,“小说mode-localized MEMS加速度计的模型”,Doklady物理,卷65,不。10日,371 - 375年,2020页。视图:出版商的网站|谷歌学术搜索
10. f . Mocera、g·基利和a . Soma”NordicWalking性能分析与综合监控系统”,传感器,18卷,不。5,1505年,页2018。视图:出版商的网站|谷歌学术搜索
11. 张j . h .盛z . a, b . n,“自适应态度测量大数据算法基于MEMS陀螺仪和加速度计,“《测试技术,32卷,不。4、277 - 284年,2018页。视图:谷歌学术搜索
12. h . d . Wang Lv, j .吴”飞行初始对准对小型无人机MEMS-based通过自适应导航无味卡尔曼滤波方法,”航空航天科学技术卷,61年,第84 - 73页,2017年。视图:出版商的网站|谷歌学术搜索
13. 道,张x h . Cai z, Lv, c .胡和h·谢,“基于步态的生物识别个人身份验证通过使用MEMS惯性传感器,”环境智能和人性化计算杂志》上,9卷,不。5,1705 - 1712年,2018页。视图:出版商的网站|谷歌学术搜索
14. g . t . Reddy m p . k . Reddy k Lakshmanna et al .,“分析大数据的降维技术”,IEEE访问,8卷,第54788 - 54776页,2020年。视图:出版商的网站|谷歌学术搜索
15. 蕾斯尼克和a·萨尔基扬“Anwendung冯MEMS-Beschleunigungs-sensoren im车架冯Bauwerks-uberwachungen anhand进行typischen Beispiels,”《Vermessungs后,卷126,不。6 - 7,163 - 172年,2019页。视图:谷歌学术搜索
16. 美国球迷,l .孟l .丹w·郑x王,“聚合物微机电系统集成灵活的可穿戴传感器技术,”传感器IEEE杂志,19卷,不。2、443 - 450年,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Yongjun赵等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。