英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
一个使用智能鞋垫的节能的自适应传感框架用于步态检测
摘要 — 步态分析是测量人体运动的一个重要过程。近年来，纵向步态分析越来越受到医疗卫生领域的重视。长期研究的挑战在于电池的寿命。由于持续的传感和计算，穿戴式步态设备无法满足全天的工作计划。在本文中，我们提出了一个节能的自适应传感框架来解决这个问题。通过内容理解的预采样，提出了一种基于选择性感知和稀疏性的信号重构方法。特别的是，为了减少样本数量，在保持步态参数的信息完整性的同时，我们在智能鞋垫系统中开发并实现了新的传感方案。实验结果表明了该方法的有效性。我们的方法将电池寿命提高到10.47 h，而归一化均方误差在10%以内。
关键词 — 步态分析，压力传感器，智能鞋垫，稀疏表示，选择性采样，图像重建。
一、引言和背景
步态分析是人体运动的重要特征之一，步态分析已在许多医疗保健领域[1]得到了应用。具体来说，在老年人医疗保健中，步态分析是评估跌倒风险和预防跌倒的重要工具[2][3]。例如，Baker用Brand的四个理由来证实步态分析是临床康复[4][5]的有效方法。此外，对脑卒中患者的步态参数进行分析来评估他们的康复状态[6]。在骨科和修复领域中，步态分析是量化步态条件和评估骨科辅助设备[7]应用的基础。
步态实验室是医学工作者观察人类步态运动的传统环境。这些控制系统配有高速摄像机、压敏地毯和照明设施。在步态研究中，受试者将在身体上安装反光标记，这些设备将捕捉运动并提取受试者的步态参数。随着可穿戴传感器系统的发展，让监测设备走出实验室是很有意义的，这样纵向步态监测就可以在一个更舒适、更真实的环境中进行。具有三轴加速度计和陀螺仪的移动系统是采集和分析[8]数据的合适设备；Bae等人提出了一种基于压力敏感电阻(FSR)传感器阵列的步态分析系统；Chen等人使用惯性传感器对脑性瘫痪患者进行纵向运动评估。Martinez-Marti等人[11]使用一双仪器鞋垫，可以测量来自脚的不同点的压力。鞋垫有四个商业的压阻压力传感器和一个三轴加速度计，以确定在站立和摆动阶段的足部压力。柔性导电纺织品可与多种可穿戴设备集成，收集复杂用户活动的详细信息。通过调整传感器的电场频率和位置，可以提高导电纺织品的可分析信号范围和灵敏度。基于Zigbee的生理参数监测系统可以帮助患者独立生活，减少跌倒或中风的危险。当紧急事件发生时，其他人可以收到通知立即提供帮助。利用光纤曲率传感器测量人体关节运动可以应用于医学和体育领域。这些传感器可以安装在可穿戴设备上，是无创和安全的[14]。
在这篇论文中，我们介绍了我们最近的工作，设计一个步态监测系统，称为智能鞋垫。在扩展之前工作的[15]的基础上，该平台由一个52times;20的压力传感器阵列组成。该系统可以提供足底压力的高空间分辨率感知，并从中提取步态特征。然而，因为传感器的集中，功耗是主要的挑战。通常有两种选择:降低采样率或降低采样密度。为此，我们提出了一种新的自适应传感方案，在保持信息保真度的同时，降低采样密度，控制采样的局域性。为了度量空间传感器数据的稀疏性，我们有效地减少了系统所需的采样点数量。与以往的压缩感知技术[16]相比，我们的方法更能实现传统的ADC建模而不需要特殊的ADC组件。在高密度图像的重建中，我们认为我们提出的稀疏表示方法比简单的插值更好，特别是在样本数量较少的情况下，我们的实验结果说明了这一点。
本文其余部分的结构如下。第二部分介绍了智能鞋垫系统的设计与实现。然后，我们提出了自适应感知框架，减少了选择样本的数量，重建了第三部分的数据。第四部分讨论了实验结果。第五部分对全文进行了总结，并对未来的研究方向和相关的临床应用进行了展望。
图1所示。智能鞋垫系统步态监测。设备中有一个52times;20的压力传感器阵列。嵌入式微控制器随机抽取压力传感器阵列中的数据，只对经过ADC处理的像素进行重构。(a)智能鞋垫。(b)系统结构。
二、智能鞋垫
A．系统描述
在这一部分，我们将介绍我们开发的智能鞋垫系统。如图1(a)所示，智能鞋垫就像普通鞋垫配有52times;20压力传感器。图1(b)为智能鞋垫系统的结构示意图。微控制器控制一个读取目标传感器的随机传感器访问单元。传感器信号通过ADC模块进行量化，然后保存在数据存储单元(如SD卡)中。整个电子系统由400万磅锂电池供电。压力传感器采用e-Textile实现，e-Textile是一种涂有压电聚合物的纤维基纱线，工艺变化大，可以设计成高密度、低成本的压力传感器阵列。密实压力传感器阵列均匀覆盖鞋垫表面，采用柔性印刷电路板实现。具体情况见我们的相关工作[17]。在日常生活中，如在不受控制的环境中，使用该装置不会造成纵向步态监测的不适。
B．能源挑战
使用智能鞋垫进行纵向步态监测的主要挑战是能耗。由于尺寸和重量的限制，只能装下一块400m Ah的锂电池。为了保证步态信息的保真度，步态分析中压力传感器阵列的采样率为30Hz。之前的研究表明，该系统可以持续2小时，这不足以支持全天的纵向监测。降低采样点的数量是延长电池使用寿命的最有效的节能方法。在下一节中，我们将介绍一种节能的自适应传感方法。
三、我们的框架
在这一部分，我们介绍了我们提出的智能鞋垫节能自适应传感框架。图2为方案概述。更具体地说，在这个框架中有三个主要组件:预采样和实时步态分析、选择性传感和基于稀疏的信号重建。前两个组件出现在智能鞋垫设备中，而第三个组件运行在主机系统中。将感知到的数据记录在SD卡上或传输到远程主机进行重建和步态特征分析。我们将在下面的小节中详细介绍这些组件。
自适应感知的一般思想是根据压力图像的内容来改变每一帧的采样数。例如，在一个步态周期中有四个不同的步态阶段:摆动(S)、接触(C)、中段(M)和推进(P)相位[18]。各相位压力图像如图3所示。我们可以看到每个相位的压力分布是不同的，它可以使用选择的压力传感器来确定步态相位。例如，在摇摆阶段，脚下没有压力，也不需要采样压力图像。
A．预采样和实时步态周期分析
第一部分是步态相位的分析。这里有两个注意事项。首先，为了高速采样，分析过程应该实时运行。其次，分析要准确，以保证步态周期分析的正确性。在这项工作中，我们预采样压力传感器阵列中的三个突出点来识别步态相位。如图4所示，三个位置分别为前、中、后。这样，我们可以使用三个易于采样的传感器值来测量步态相位作为算法1中描述的过程。我们根据压力阈值(Th)来估计步态相位。其中，如果前点压力(FP)大于阈值，同时后点压力(BP)和中间点压力(MP)小于阈值，则步态相位为推进阶段;如果FP和MP的压力小于阈值，同时BP的压力大于阈值，则步态相位为接触;如果FP、MP、BP的压力大于阈值，则步态相位为中位;如果FP、MP和BP的压力小于阈值，则步态相位为摆动阶段。
图2所示。智能鞋垫节能自适应传感框架综述。客户端的组件包括预采样和实时步态分析、选择性传感和基于稀疏的信号重建。传感数据可以传输到云端进行重建和步态特征分析。
图3所示。一个步态周期有四个阶段:接触、中段、推进和摆动。相应的压力图像分别在下面。
图4所示。三个预采样点:前点(FP)，中点(MP)和后点(BP)。
B．局部随机选择传感
第二步是对稠密压力图像进行选择性采样。选择性采样的目的是减少每帧的采样数；然而，该系统仍然可以通过这些有限的传感器测量点来估计和重建整个压力图像。在我们初步研究的支持下(如实验部分所示)，压力图像的结构在不同的步态相位是不同的。根据前一小节中的算法1，系统可以识别受试者所处的步态相位，因此我们可以采用双重采样策略。首先，随机、稀疏地选取样本。其次，稀疏采样被限制在预定义区域周围的区域。这里描述了该过程。
对于一个压力图像帧，我们将图像x看作是中的一个N像素向量，即将二维图像展开为单个列向量。N图像x可以表示为矩阵形式:
（1）
其中I是Ntimes;N单位矩阵。我们在单位矩阵上执行行交换将I转换为A，这样A就是I的随机排列版本:
（2）
现在y在信息上等价于x in
（3）
当选取A的前k行构造y，记为，则有
= （4）
我们可以看到，由于缺少N-k传感器值，所以在信息上并不等价于原始x。我们称为选择性传感矩阵，为选择性传感输出。这个过程描述了如何随机选择样本。将采样限制在局部区域所需的唯一更新是预先定义A的行允许排列，即只允许交换A的某些行。这将确保从特定区域采样最前面的k行。请注意，k值将根据不同的步态相位设置。结果将在第四节中提出。
C．Sparsity-Based重建
在本小节中，我们将讨论如何使用重建图像x。我们的重建方法是基于稀疏表示理论(SR)。稀疏表示已成功地应用于信号重构，即压缩感知[19]。在压缩感知中，xisin;是未知变量的向量，yisin;是通过Aisin;的有限测度。A一般是随机高斯矩阵或伯努利矩阵。然后，我们有：
（5）
由于k小于N, Eq.(5)成为欠定系统，x不能唯一重构。但是，如果x是一个结构信号，那么它在某个变换Psi;下应该是稀疏的，即x =Psi;z，其中zisin;稀疏。这样，我们可以用最小化来重构X如式6:
minz ||z||0
s.t. y = Az （6）
对于式(6)，这里有两个问题。第一个问题是如何找到变换Psi;使得z是稀疏的。在我们的应用中，考虑到x是一个压力图像的测量，我们使用直接余弦变换(DCT)来表示未知的x。
第二个问题是如何解这个公式。式(6)是一个确定的系统，有稳定的解。然而，Eq.(6)是一个棘手的N P-hard问题[20]
估计式(6)有两种方法，一种是用最小化L1来表示[16] :
（7）
然而，解决L1最小额度是耗时的，并且不可伸缩的[16]。另一种方法是利用启发式算法直接逼近线性规划问题的解I0。正交匹配跟踪(OMP)[21]是目前比较流行的方法之一。OMP是一种贪婪算法，具有速度快、易于实现的优点。如果我们考虑A作为一个矩阵O，然后我们要找到与O的列结合的最稀疏的解z，给出y。另一种理解它的方法是稀疏解是由一个列的简化集产生的同一个解，比如说Ot 。OMP按顺序通过选择O的列来查找这些列或基。这与y最相似，并在下一次迭代中从y中减去它的贡献。OMP的细节描述在算法2中。
对于更多的细节，初始化步骤设置时间t = 0时的残差r= yminus;Oz= y,t=0。在迭代t，第二步发现列theta;最大化与r， j = 1 . . N的内积。这个专栏是最类似于残余r。第三步添加这个列向量theta;矩阵选择基底O是初始化为一个空矩阵。步骤4仅使用t列找到系统的t元素解。由于t小于k，所以解可以用最小二乘法求得。步骤5计算残差的新近似值。Zt是z的解，最具代表性的列是O残差总是正交于所选的基，这导致残差与这些基之间的相关性为零，因此未来的迭代将永远不会选择先前所选的列。t 这种情况一直持续到满足停止条件为止。最后，步骤7给出了x的重构解，其中z被Phi;转换。
四、实验与讨论
在这一节中，我们将讨论对我们提出的方法的评价。为了综合研究，我们开展了实验并验证了系统在这些方面的性能，包括(A)信号重构的评估随着采样稀疏性的变化，(B)能量效率的提高，(C)步态特征的信息完整性。实验结果和讨论将在以下小节中详细阐述。
首先，我们引入两个指标来定量测量重构误差:
bull;NMSE:归一化均方误差由下式给出：
x代表原始信号,xcirc;是x的重构图像。NMSE在0到100%之间,它被广泛应用于误差量化各信号,如时间序列[23],图像[24] 和视频[25]。
bull;SSIM:结构相似度(SSIM)通常被认为是比NMSE[24]更好的空间结构信号相似度(如图像)的视觉估计。其主要前提是图像像素的结构信息具有很强的相互依赖性，特别是在空间相近的情况下。SSIM的度量范围在[minus;1.0， 1.0]之间，其中 1.0表示测试图像是相同的。在我们的工作中，我们使用来自[24]的定义和实现细节。
- 信号重建评价
我们首先来看单压力图像
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237028]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
