摘要
基于惯性传感器的人体姿态识别与轨迹重构在康复医疗、运动训练等领域有着重要应用。本文基于惯性传感器信号，以深度学习算法理论为基础，对包括静坐、站立、上楼、下楼、行走、跑步与骑行等七种动作在内的人体运动姿态识别进行了深入研究；以惯性测量理论为基础，对肢体的短时运动轨迹进行了重构。主要完成的工作如下： （1）设计并实现了惯性传感器节点硬件电路。结合数据采集设备小型化与低功耗的实际应用需求，以STM32F103C8T6为微处理器，以MPU6050为惯性传感器，对数据采集电路进行了设计与实现。 （2）进行了惯性传感器随机误差建模及误差修正方法研究。针对MPU6050惯性传感器的随机误差，采用Allan方差分析法对其误差种类进行了辨识；经过常值分量分离与趋势项去除等数据预处理后，利用ARMA模型对MPU6050的随机误差进行了建模。在此基础上，利用卡尔曼滤波方法对MPU6050的数据随机误差进行了修正。实验结果表明，经过卡尔曼滤波修正后的惯性传感器随机误差得到了明显的改善。 （3）针对传统基于机器学习的人体姿态识别需要手动提取数据特征的限制，设计了引入通道注意力机制的Inception-LSTM姿态识别算法。该算法由Inception卷积结构自动提取数据的空间特征，LSTM网络提取数据的时序特征，在此基础上，将改进的通道注意力机制ECA模块引入神经网络分类模型，使模型聚焦于人体姿态的关键信息。在公开数据集DSAD上的实验结果表明，所提模型的平均识别准确率为98.10%。通过对通道注意力权重的可视化结果分析可知，所提模型对人体姿态的识别是可解释的，且与日常生活直觉相符。 （4）设计了基于梯度下降与互补滤波的姿态解算算法。该算法由梯度下降法对姿态四元数进行迭代寻优，互补滤波对姿态角进行融合。在此基础上，结合肢体短时运动的特点，提出了一种基于阈值开关的肢体动作定位方法，利用肢体运动开始与结束时合加速度方差的特点设置方差阈值，精确捕捉动作的起止位置。实验结果表明，在静止状态10s左右，基于梯度下降与互补滤波解算的俯仰角漂移约为0.4°，横滚角漂移约为0.2°；在动态实验测试中，该算法可以有效提高姿态角解算的稳定性；基于阈值开关的动作捕捉方法可以有效定位动作起止点，并最终重构出肢体的短时运动轨迹。 （5）完成了系统综合实验与性能分析。利用所设计的传感器节点采集得到的数据进行算法验证，结果表明，所提姿态识别算法在自建数据集上的准确率达到97.98%，比基于CNN与LSTM网络的准确率分别提高了3.04%与5.66%。所提肢体轨迹重构方法可以有效抑制欧拉角的发散，最终将手腕部位空中书写数字动作的轨迹较好地重构出来。 本文所提出的姿态识别与轨迹重构算法可以较好地描述人体运动，为进一步的运动分析奠定了基础，对未来的相关研究具有一定的指导意义。
NETL