[发明专利]基于RFID/IMU融合的运动姿势评估系统

权利要求书

1.基于RFID/IMU融合的运动姿势评估系统，其特征在于，所述系统包括：

姿势定位标签：感知运动状态和RFID标签，并将IMU信息传输至处理单元；

RFID定位标签单元：提供个体部位位置识别标识；

RFID阅读器：阅读各个所述RFID标签信息，提供RFID阅读器标识；

处理单元：接收所述姿势定位标签的IMU信息并对其滤波，接收所述RFID阅读器阅读的RFID标签信息，利用信息融合技术，获取各个标签的位置信息，根据先验知识得到姿势信息；

通信显示模块：将所述处理单元获取的姿势信息显示出来或传输至其他模块；

所述姿势定位标签中IMU进行坐标转换获取加速度，利用四元数法进行坐标转换如下式(1)所示：

alp＝qalq^-1(1)

其中，al＝[0,a],

a＝[a_x,a_y,a_z]是姿势定位标签输出加速度，

q为当前姿势定位标签的信息四元数，

其中，当前姿势定位标签输出θ，γ；

进一步，设置训练者t时刻腰部运动起点转化后加速度为(a_x1t,a_y1t,a_z1t),腹部运动起点转化后坐标为(a_x2t,a_y2t,a_z2t),胸部运动起点转化后坐标为(a_x3t,a_y3t,a_z3t),则将人体作为一个整体的加速度将三点加速度求和，其中放置传感器安装方向错误，则先判断；

以x轴为例，

Ifa_x1t*a_x2t≥0，thena_x1t*a_x3t≥0则认为正确；

Ifa_x1t*a_x2t≥0，thena_x1t*a_x3t0则认为传感器三需要整理，则

a_x3t＝-a_x3t

Ifa_x1t*a_x2t0，thena_x1t*a_x3t0则认为传感器一需要整理，则

a_x1t＝-a_x1t

then a_x1t*a_x3t≥0则认为传感器二需要整理，则

a_x2t＝-a_x2t

整理后的，整个人体的加速度值为：

进一步，利用惯性步态模型

SL_k＝af_k+bS_k+C(7)

其中，SL_k为第k步的步幅，

f_k为第k步行走的所用时间的倒数，即f_k＝t_k-t_k-1，

S_k为第k步内所采集得到的加速度值的方差，

其中，

其中，a_k为第k步内的加速度的均值，

其中，N为当前一步内的采样点数，

a、b、C为待求系数，一般与身高、腿长及运动环境有关，可由实验经验获得；方法如下：在当前环境下，求出(3)-(4)的步态信息，及测量步长，继而获得a、b、C值；

所述定位标签定位技术，利用LANDMARC-R算法进行定位，首先利用信号距离损耗模型，

其中，r为待求标签距离距所述RFID阅读器的距离，

r₀为参考标签距离距所述RFID阅读器的距离，

P_r为待求标签到所述RFID阅读器的信号强度耗损，

P_r0为参考标签到所述RFID阅读器的信号强度耗损，

a为路径损耗指数，ε_r为遮蔽因子，f_p(x,y,z)为环境干扰函数；

利用公式(8)求出标签i到各个所述RFID阅读器的位置向量d_i＝(r_i1，r_i2，…r_ik)；

其中，定位标签包括姿态定位标签和RFID定位标签单元；

根据所述RFID阅读器的坐标和所述待测标签i与各RFID阅读器的距离d_i，求出各标签所在位置；

根据实验环境和人体三维模型要求，设定限定条件(1)和限定条件(2)，并利用限定条件作为参考条件，利用LANDMARC求出各个参考位置，此算法本文称为LANDMARC-R算法；

限定条件(1)，上述腰部姿势定位标签到胸部姿势定位标签，胸部姿态定位标签到腰部姿态定位标签，腹部姿态定位到胸部姿态定位标签的距离分别为L＝(l₁₂,l₁₃,l₂₃)，且l₁₂,l₁₃,l₂₃为定置，在运动过程中细微变动，利用惯性传感器值加速度变化值进行修订；

限定条件(2)，根据人体模型，标签佩戴位置满足以下条件：

如，标签i到标签j的位置满足一定有最大值和最小值，即LRM_ij

LRM_ijLRM_ijmin

LRM_ijLRM_ijmax(9)

其中，标签i与标签j佩戴位置在所有动作中最值，LRM_ijmin为最小值，LRM_ijmax为最大值，实际中根据身体指标确定；

进一步，利用限定条件(1)，求取距离-损耗模型即式(8)中环境参数a，ε_rf_p(x,y,z)，详细如下：

分别为腰部姿势定位标签、腹部姿态定位标签、胸部姿态定位标签的到特定RFID阅读器的距离，则利用最小二乘法可求出a；

取腰部姿态定位标签为参考标签，结合式(10)则可求出ε_rf_p(x,y,z)；

利用卡尔曼滤波滤波，根据身体自身限制条件，作为滤波器限制条件；

进一步，假设系统现在的状态是K，则系统模型如下：

其中，X(k)为标签在k时刻的位置，U(k)是k时刻对系统的控制输入，此处无控制输入；W_k为系统的过程噪声，在此处假设过程噪声服从高斯分布，与状态变量相互独立，A通常为描述目标状态转换的状态转移矩阵或者过程增益矩阵，B为系统增益参数，Z(k)是k时刻的数据测量值，H通常为观测矩阵，V_k为观测噪声，观测噪声服从高斯分布；

其中，W～N(0，Q)，V～N(0，R)

X^cal(k)＝AX(k-1)(12)

r_k＝Z(k)-HX^cal(k)(14)

K(k)＝P(k)-H^T[HP(k)H^T+R(k)]^-1(15)

X(k)＝X^cal(k)+K(k)r_k(16)

其中，X^cal(k)和X(k)为k时刻卡尔曼滤波后的估计值和预测值，和P(k)为k时刻状态状态变量估计误差和预测误差的协方差矩阵，K(k)为k时刻的卡尔曼滤波增益，Q为预测噪声协方差矩阵，R测量噪声协方差矩阵，r_k为Z(k)的新息量，对应的协方差矩阵为

在正常的环境中，r_k服从均值为0的高斯分布，则信号出现异常(人体遮挡或者环境干扰时)，r_k不在服从均值为0的高斯分布，则增加抗干扰信息，

其中，设阈值为C，其值由多次实验获得；

选择两个相邻或者特殊的两点作为校验条件，例如在上肢选择上臂、手臂两点作为校验条件；

此处，X(k)_i为i处卡尔曼滤波后的位置，为列向量

将代替R(k)带入式(15)计算。