近年來穿戴式設(shè)備是開發(fā)的熱點(diǎn)項(xiàng)目,，各種品牌的運(yùn)動手表,、手環(huán)層出不窮，穿戴式運(yùn)動狀態(tài)識別設(shè)備的應(yīng)用前景可觀?，F(xiàn)在市場上的產(chǎn)品對運(yùn)動狀態(tài)識別集中在識別某個(gè)時(shí)間段進(jìn)行的某種運(yùn)動,，如走路、跑步,、睡眠,，缺少對乒乓球、羽毛球運(yùn)動識別的設(shè)備,。而專業(yè)的運(yùn)動識別的設(shè)備集中在視頻圖像的分析^[1]和不同部位多傳感器裝置檢測分析^[2-3]兩種方式,，兩種方式設(shè)備體積大、成本高,，只適合在實(shí)驗(yàn)室中使用,，不適合向普通大眾推廣。目前運(yùn)動狀態(tài)分類識別算法主要有動態(tài)K近鄰,、決策樹,、隨機(jī)森林、支持向量機(jī),、神經(jīng)網(wǎng)絡(luò)等^[4-6],。

    為了滿足乒乓球和羽毛球業(yè)余運(yùn)動愛好者對運(yùn)動過程動作狀態(tài)識別記錄的要求，本文將介紹一種運(yùn)動手表的設(shè)計(jì),。它由簡單硬件構(gòu)成,，利用在時(shí)域上分析的隨機(jī)森林分類算法就可以識別乒乓球和羽毛球運(yùn)動的多種狀態(tài)。本設(shè)計(jì)具有體積小,、功耗低,、成本低的特點(diǎn)，可以嵌入到現(xiàn)在已有的智能手表中,，做到功能升級,。

1 運(yùn)動狀態(tài)識別總體方案

1.1 運(yùn)動手表硬件設(shè)計(jì)

    乒乓球/羽毛球運(yùn)動狀態(tài)識別手表的硬件主要由控制處理核心STM32單片機(jī)、MPU6050傳感器模塊,、BLE 藍(lán)牙模塊,、按鍵模塊,、顯示模塊、電源管理模塊6部分組成,。手表系統(tǒng)工作原理為: 控制處理核心STM32F103通過IIC接口讀取MPU6050的加速度計(jì)和陀螺儀數(shù)據(jù),，利用數(shù)字運(yùn)動處理器（DMP）輸出四元數(shù)后解算得到3軸歐拉角[7]。經(jīng)過數(shù)據(jù)濾波后用相應(yīng)的識別算法對運(yùn)動狀態(tài)進(jìn)行識別,，將識別的信息用OLED顯示屏顯示并通過藍(lán)牙模塊發(fā)送到上位機(jī),。各個(gè)模塊的功能如下。

    (1)控制處理核心：選擇意法半導(dǎo)體STM32F103C8T6,，它控制整個(gè)系統(tǒng)的各個(gè)模塊工作狀態(tài),、傳感器數(shù)據(jù)的處理和識別算法的實(shí)現(xiàn)。它運(yùn)算速度快,、體積小,、功耗低、外設(shè)豐富,，滿足腕戴式手表對體積,、速度、功耗的要求,。

    (2)傳感器模塊：傳感器采用MEMS數(shù)字傳感器MPU6050,，它由整合了加速度計(jì)、陀螺儀的6軸傳感器和一個(gè)可擴(kuò)展的DMP組成,。相比于多傳感器的方案,，它避免了時(shí)間軸之差的問題，并減小了體積^[8],。傳感器通過IIC接口將數(shù)據(jù)傳輸?shù)絾纹瑱C(jī)中,。

    (3)BLE藍(lán)牙模塊：選用型號為CC2541的BLE藍(lán)牙串口模塊，BLE技術(shù)具有低成本,、低功耗,、短距離的特點(diǎn)。該藍(lán)牙模塊最高支持2 Mbit/s的傳輸速率,，工作電流小于20 mA,，滿足系統(tǒng)UART串口設(shè)計(jì)的115 200 bit/s波特率的通信要求。

    (4)按鍵模塊：主要完成模式選擇以及手表的開關(guān)機(jī),。

    (5)顯示模塊：選用0.96英寸OLED顯示屏,，顯示單元能夠自發(fā)光,。全屏點(diǎn)亮?xí)r功耗為0.08 W,，正常全屏顯示漢字僅需0.06 W，很符合手表低功耗的要求,。

    (6)電源管理模塊：選用 TD8208升壓芯片將3.7 V鋰電池升壓到5 V,，再經(jīng)過AP2125K-3.3芯片降壓到3.3 V,。兩款電源芯片均有輸出使能端，可通過控制使能端實(shí)現(xiàn)對其他模塊的電源管理,。

    手表硬件連接圖如圖1所示,。

1.2 運(yùn)動手表系統(tǒng)狀態(tài)設(shè)計(jì)

    系統(tǒng)設(shè)計(jì)主要有關(guān)機(jī)狀態(tài)、時(shí)間顯示狀態(tài),、模式選擇狀態(tài),、乒乓球模式、羽毛球模式,、自識別模式6個(gè)狀態(tài),，各個(gè)狀態(tài)通過按鍵選擇進(jìn)行切換，狀態(tài)轉(zhuǎn)換圖如圖2所示,。

    由圖2可知,，系統(tǒng)初始狀態(tài)為關(guān)機(jī)狀態(tài)，通過長按開關(guān)機(jī)鍵使系統(tǒng)開機(jī)并進(jìn)入時(shí)間顯示狀態(tài),。如果不進(jìn)行按鍵選擇,，系統(tǒng)將保持在時(shí)間顯示狀態(tài)。如果按動選擇按鍵,，系統(tǒng)將跳轉(zhuǎn)到模式選擇狀態(tài),，再通過按動模式選擇按鍵進(jìn)入對應(yīng)的工作模式。如果進(jìn)入乒乓球模式或羽毛球模式,，就對運(yùn)動中揮臂,、揮拍、正反手等動作進(jìn)行識別,。如果選擇自識別模式,，系統(tǒng)先識別當(dāng)前運(yùn)動是乒乓球運(yùn)動還是羽毛球運(yùn)動，識別成功后再自動跳轉(zhuǎn)到對應(yīng)的模式下進(jìn)行運(yùn)動狀態(tài)識別,。如果需要重新選擇運(yùn)動模式,，通過返回按鍵使系統(tǒng)返回到時(shí)間顯示狀態(tài)，重復(fù)上述選擇方法進(jìn)行模式選擇,。

2 運(yùn)動狀態(tài)識別算法設(shè)計(jì)

    運(yùn)動狀態(tài)識別主要由數(shù)據(jù)采集,、數(shù)據(jù)預(yù)處理、特征提取,、分類識別4部分組成,。識別流程及結(jié)構(gòu)如圖3所示。

2.1 數(shù)據(jù)采集

    STM32F103C8T6單片機(jī)通過IIC接口讀取MPU6050的加速度,、角速度,、角度數(shù)據(jù)，將采集的數(shù)據(jù)緩沖到各自對應(yīng)的數(shù)組中,，完成基本的數(shù)據(jù)采集,。

2.2 數(shù)據(jù)預(yù)處理

    數(shù)據(jù)預(yù)處理分3步完成,，依次為重力加速度分離、過濾平滑,、數(shù)據(jù)分窗^[4],。

    (1)重力加速度分離：加速度傳感器輸出的原始數(shù)據(jù)中包含重力加速度分量，而X,、Y,、Z軸是固定的，運(yùn)動手表發(fā)生普通旋轉(zhuǎn)和翻轉(zhuǎn)時(shí),，重力加速度則對3個(gè)軸產(chǎn)生加速度分量,。為了避免重力加速度分量引進(jìn)的干擾，本設(shè)計(jì)對傳感器采集的3軸加速度進(jìn)行重力加速度分離,。重力加速度分離采用高通濾波的方法^[5],，求解公式如下：

式中G代表各軸重力加速度分量，A代表加速度傳感器原始測量數(shù)值,。提取出重力加速度分量后,，用加速度傳感器原始數(shù)值減去重力加速度分量得到實(shí)際運(yùn)動產(chǎn)生的加速度值。

    (2)過濾平滑：數(shù)據(jù)的平滑與過濾是為了過濾噪聲和異常數(shù)據(jù),，本設(shè)計(jì)采用連續(xù)滑動20點(diǎn)均值做平滑濾波,，即設(shè)置一個(gè)容量為20個(gè)數(shù)據(jù)點(diǎn)的FIFO，把FIFO內(nèi)的20個(gè)數(shù)據(jù)點(diǎn)的均值作為一個(gè)新的采樣點(diǎn),，且濾波后使得提取的特征具有更明顯的區(qū)分度,。數(shù)據(jù)平滑處理前后波形圖如圖4所示。

    (3)數(shù)據(jù)分窗：本設(shè)計(jì)采用動態(tài)窗口的方法對數(shù)據(jù)進(jìn)行分窗處理,，窗口大小的設(shè)置是一個(gè)不定的參數(shù),，通過實(shí)驗(yàn)事先設(shè)置好3軸加速度的閾值，當(dāng)X,、Y,、Z任一個(gè)軸加速度值大于對應(yīng)的閾值時(shí)，觸發(fā)開啟窗口,，當(dāng)觸發(fā)開啟窗口的那個(gè)軸的加速度值小于對應(yīng)的閾值時(shí)就關(guān)閉窗口,。即系統(tǒng)窗口只顯示加速度大于閾值的這段時(shí)間內(nèi)的數(shù)據(jù)。因?yàn)橹挥羞\(yùn)動時(shí)才會產(chǎn)生相對較大的加速度,，而系統(tǒng)主要識別運(yùn)動過程中的不同狀態(tài),，所以這樣就無需對非運(yùn)動狀態(tài)下進(jìn)行識別，減少識別誤差,。加速度動態(tài)分窗示例圖如圖5所示,。

2.3 特征提取

    特征提取集中在窗口開啟的這段時(shí)間內(nèi)，主要提取各軸加速度,、角速度,、角度的最大及最小值和角度的積分面積等主要特征^[9]。

    以乒乓球橫板握法正反手的一組數(shù)據(jù)為例,，如圖6所示,，X軸角速度的最小值在正反手揮拍中有明顯差別，所以將X軸角速度的最小值作為識別正反手的一個(gè)重要特征,。

    本設(shè)計(jì)只使用了最大值,、最小值、積分面積3個(gè)統(tǒng)計(jì)量作為特征,，并沒有使用復(fù)雜的時(shí)頻特征和頻域特征,，主要有兩個(gè)原因：

    (1)經(jīng)過試驗(yàn)發(fā)現(xiàn)，最大值,、最小值,、積分面積這3個(gè)特征在運(yùn)動狀態(tài)的識別中區(qū)分度較大，已經(jīng)能夠達(dá)到一個(gè)較好的識別效果,；

    (2)本手表是基于STM32單片機(jī)平臺設(shè)計(jì)的,，其浮點(diǎn)計(jì)算能力有限，不適合提取計(jì)算量較大的時(shí)頻特征和頻域特征^[4],。

    所以本設(shè)計(jì)中沒有使用時(shí)頻特征和頻域特征,，而把前期的數(shù)據(jù)處理作為識別的重要前提，并通過基于時(shí)間跨度的動態(tài)分窗方式,，結(jié)合隨機(jī)森林算法,，對不同的運(yùn)動狀態(tài)進(jìn)行分類識別。

2.4 分類識別

    基于本設(shè)計(jì)自身硬件屬性,，對比并試驗(yàn)了當(dāng)前普遍使用的識別分類算法,，結(jié)果發(fā)現(xiàn)隨機(jī)森林分類算法在本系統(tǒng)上有著計(jì)算效率和識別準(zhǔn)確率較高的特點(diǎn)，因此選擇隨機(jī)森林作為本系統(tǒng)的分類算法,。隨機(jī)森林算法實(shí)現(xiàn)原理圖如圖7所示,。

    通過大量的測試實(shí)驗(yàn)最終確定本設(shè)計(jì)選取X軸角速度最大值和最小值、X軸角度最小值和積分面積,、Y軸角速度最小值,、Y軸角度最大值和最小值、Z軸角速度最大值8個(gè)有著明顯區(qū)分度的特征值,。每次在動態(tài)窗口中提取上述8個(gè)特征,，將提取的特征依次和每個(gè)運(yùn)動狀態(tài)的特征樹進(jìn)行擬合，擬合特征最多的那棵樹就識別為本次運(yùn)動的狀態(tài),。

    特征區(qū)間的設(shè)定上,，本設(shè)計(jì)以專業(yè)運(yùn)動員的訓(xùn)練數(shù)據(jù)為參考，如圖6所示的數(shù)據(jù),，橫板握法的正反手各自特征樹上X軸角速度特征區(qū)間分別為[-150 -80],，[-70 0],。其他特征區(qū)間的參數(shù)整定方法同上，這里不再贅述,。

3 手表測試

    本次測試方法為隨機(jī)選取乒乓球和羽毛球業(yè)余運(yùn)動員各一位,，使用本手表在相應(yīng)的運(yùn)動中進(jìn)行測試，主要記錄人工識別計(jì)數(shù)和設(shè)備識別計(jì)數(shù),，并做比對,，分析誤差。具體測試數(shù)據(jù)如表1,、表2所示,。

    從實(shí)驗(yàn)結(jié)果可以看出，設(shè)備識別計(jì)數(shù)準(zhǔn)確率在90%以上,。運(yùn)動中對正手揮拍識別比實(shí)際揮拍數(shù)多,，而反手揮拍識別計(jì)數(shù)要實(shí)際揮拍數(shù)少，分析原因發(fā)現(xiàn),，因?yàn)橄到y(tǒng)動態(tài)窗口開啟的閾值是預(yù)先設(shè)定值,，反手揮拍中動作幅度比較小時(shí)加速度值沒有達(dá)到開啟閾值，所以計(jì)數(shù)要小于實(shí)際數(shù),?？梢酝ㄟ^減小開啟閾值來提升反手揮拍的識別率，但同樣不能使開啟閾值太小,，否則手腕部一些非運(yùn)動狀態(tài)也會觸發(fā)開啟窗口引起識別誤差,，使正手揮拍識別數(shù)遠(yuǎn)大于實(shí)際數(shù)。因此窗口開啟閾值的設(shè)定也是設(shè)計(jì)的關(guān)鍵,。本系統(tǒng)乒乓球模式下閾值為1 m/s²,，羽毛球模式下閾值為1.2 m/s²。

4 結(jié)論

    本文設(shè)計(jì)的手表采用STM32F103+MPU6050方案,，成本低,、功耗低、體積小,，且對乒乓球和羽毛球運(yùn)動過程中主要運(yùn)動特征識別較為準(zhǔn)確,，效果較好，識別率均在90%以上,。該手表滿足普通大眾的應(yīng)用,，可進(jìn)一步推廣。

參考文獻(xiàn)

[1] 梅江元,，司玉林,，高會軍.跨攝像頭運(yùn)動目標(biāo)檢測與識別[J].自動化技術(shù)與應(yīng)用，2011，30(11): 43-46.

[2] EMMANUEL M T.Using machine learning for real-time activity recognition and estimation of energy expenditure[D].Cambridge：MIT,，2008.

[3] 胡小華,，李向攀，祁洋陽,，等.可穿戴式人體姿態(tài)檢測系統(tǒng)設(shè)計(jì)[J].電子技術(shù)應(yīng)用,，2017，43(9): 13-16.

[4] 彭際群.基于加速度傳感器的人體運(yùn)動狀態(tài)識別研究[D].哈爾濱: 哈爾濱工業(yè)大學(xué),，2014.

[5] 潘敬奎.人體運(yùn)動識別與綜合分析系統(tǒng)[D].上海：東華大學(xué)，2016.

[6] KHAN A M,，LEE Y K.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.

[7] 張昊,，葉宇煌.基于微慣性傳感器的測斜儀姿態(tài)算法的研究[J].微型機(jī)與應(yīng)用,，2017，36(1): 15-17.

[8] 于學(xué)鑫.基于MPU6050的微小型無人機(jī)AHRS設(shè)計(jì)研究[D].呼和浩特：內(nèi)蒙古工業(yè)大學(xué),，2016.

[9] 湯志貴,，冉慶澤，張學(xué)鋒,，等.基于OpenGL乒乓球機(jī)器人手臂分解加速度仿真[J].安徽工業(yè)大學(xué)學(xué)報(bào),，2014，31(2): 167-172.

作者信息:

郭富智,，杜紅棉,，李肖姝，秦泗超,，葛  竹

（中北大學(xué) 儀器科學(xué)與動態(tài)測試教育部重點(diǎn)實(shí)驗(yàn)室,，山西 太原030051)