Machine Translated by Google

Xem các cuộc thảo luận, số liệu thống kê và hồ sơ tác giả cho ấn phẩm này tại: https://www.researchgate.net/publication/4335130

Hướng tới hệ thống túi khí di động sử dụng cảm biến MEMS và trí thông minh nhúng

Báo cáo hội thảo · Tháng 1 năm 2008

DOI: 10.1109/ROBIO.2007.4522236 · Nguồn: IEEE Xplore

TRÍCH DẪN ĐỌC

10 2.201

6 tác giả, bao gồm:

Quảng Liệt Trương Văn J Li

Đại học Thành phố Hồng Kông Đại học Thành phố Hồng Kông

38 CÔNG BỐ 499 TRÍCH DẪN 466 CÔNG KHAI 6.710 CÔNG TÁC

XEM HỒ SƠ XEM HỒ SƠ

Philip Leong

Đại học Sydney

331 CÔNG KHAI 6.651 CÔNG TÁC

XEM HỒ SƠ

Một số tác giả của ấn phẩm này cũng đang thực hiện các dự án liên quan sau:

Dự án Chế độ xem Máy học

Đánh giá Xem dự án

Tất cả nội dung theo sau trang này được tải lên bởi Wen J Li vào ngày 20 tháng 5 năm 2014.

Người dùng đã yêu cầu cải tiến tệp đã tải xuống.

Machine Translated by Google
Hướng tới Hệ thống Túi khí Di động Sử dụng Cảm biến MEMS và Trí tuệ Nhúng Guangyi
Shi, 1 Cheung-Shing Chan, 3 Guanglie Zhang, 1 Wen J. Li,
1, * Philip HW Leong2 và Kwok-Sui Leung3 Khoa Khoa học Máy tính và Eng.
1 2
Trung tâm Hệ thống Micro và Nano
Khoa Kỹ thuật Khoa Kỹ thuật
Đại học Trung Quốc Hồng Kông * Liên
hệ Tác giả: wen@mae.cuhk.edu.hk
Trừu tượng. Bài báo này giới thiệu sự phát triển của một hệ thống túi
khí di động của con người được thiết kế để bảo vệ chống ngã cho người già.
Thiết bị đo lường quán tính vi mô (µIMU) có kích thước 66 mm x 20 mm x
20 mm được chế tạo. Đơn vị này bao gồm ba
gia tốc kế MEMS chiều, con quay hồi chuyển, MCU và mô-đun Bluetooth. Nó
ghi lại thông tin chuyển động của con người và, với quy trình đào tạo
Máy vectơ hỗ trợ (SVM), nó có thể được sử dụng để phân loại ngã và các
chuyển động bình thường khác thành công với bộ lọc SVM. Dựa trên bộ lọc
SVM, một hệ thống DSP (Xử lý tín hiệu kỹ thuật số) nhúng được phát triển
để phát hiện rơi theo thời gian thực. Ngoài ra, một hệ thống triển khai
túi khí cơ học thông minh cũng được hoàn thiện. Hệ thống này nặng 253,5
gam (bao gồm một bình khí CO2 nén 42,5 g ) với kích thước chiều dài 190
mm, chiều rộng 57 mm và chiều cao 30 mm. Thời gian phản hồi của bộ kích
hoạt cơ học là 0,133 giây, đã được chứng minh trong phòng thí nghiệm
của chúng tôi là có đủ thời gian để giải phóng khí nén trước khi một
người rơi xuống đất. Hệ thống tích hợp đã được thử nghiệm và chứng minh
tính khả thi của hệ thống túi khí trong việc chống rơi trong thời gian
thực.
Từ khóa: MEMS, µIMU, Cảm biến chuyển động của con người, SVM,
Túi khí di động, DSP.
GIỚI THIỆU
Thế giới đang phải đối mặt với tình trạng dân số ngày càng già đi.
Với mức tăng này, tỷ lệ người già yếu và sống phụ thuộc cũng có khả
năng tăng lên đáng kể [1]. Sự thay đổi trong mô hình nhân khẩu học
này sẽ dẫn đến sự gia tăng theo cấp số nhân số lượng người cao tuổi
bị chấn thương do ngã, vì ngã và gãy xương do ngã rất phổ biến ở
người cao tuổi.
Gãy xương hông là nguyên nhân của hầu hết các trường hợp tử vong
và chi phí cho gãy xương do ngã. Trên toàn thế giới, có khoảng
4.000.000 trường hợp gãy xương hông mỗi năm và tỷ lệ tử vong hàng
năm là 30,8%. Tại Hồng Kông, có 4.000 trường hợp mỗi năm [2]. Điều
này dẫn đến chi phí y tế và phục hồi chức năng lên tới 150 triệu đô
la Hồng Kông. Có nhiều thiết bị bảo vệ hông bán sẵn trên thị trường
bao gồm một cặp miếng đệm cứng được mặc cùng với áo lót bó sát. Một
số trong số chúng được chứng minh là có khả năng suy giảm lực cao
tới 95% [3]. Tuy nhiên, việc người cao tuổi đeo những dụng cụ bảo
vệ như vậy là không thoải mái và bất tiện, dẫn đến tỷ lệ tuân thủ
điều trị kém mà không đạt được hiệu quả ngăn ngừa gãy xương hông
như mong đợi. Tại Hồng Kông, thời tiết nóng khiến tỷ lệ tuân thủ
thấp, trung bình 40% trong cả năm và dao động từ 70% vào mùa thu đến
20% vào mùa hè [4]. Để xây dựng một hệ thống bảo vệ, ý tưởng về hệ
thống túi khí ô tô được áp dụng. Hệ thống này có hai mô-đun: một mô-
đun cảm biến (µIMU) và một bộ bơm hơi kết nối với hai túi khí
nylon. Khi µIMU phát hiện ngã, nó sẽ kích hoạt bộ phận bơm hơi, sau
đó bộ phận này sẽ bung các túi khí trước khi va chạm để bảo vệ
người cao tuổi. Khí được cung cấp từ bình khí nén tiện dụng chứ
không phải đốt cháy hóa chất.
3
Cục Orthop. và Traum.
Khoa Dược
Do sự sẵn có của các cảm biến MEMS kích thước nhỏ, chi phí thấp,
có thể xây dựng các cảm biến quán tính khép kín với kích thước hệ
thống tổng thể nhỏ hơn 1 inch khối và đồng thời, một bộ phận cảm
biến có thể theo dõi sự mất phương hướng và các chuyển động khác
trong thời gian thực. Việc theo dõi chuyển động của con người theo
thời gian thực có thể được sử dụng để tạo điều kiện cho việc giám
sát lâu dài [5]. Các nghiên cứu trước đây cũng đã chứng minh việc sử
dụng các đơn vị tương tự để ghi nhận các hoạt động sống hàng ngày
nhằm thu được các thước đo gián tiếp về tiêu hao năng lượng trao
đổi chất [6]. Một số bài báo đã trình bày việc triển khai hệ thống
phân loại thời gian thực cho các loại chuyển động của con người có
liên quan đến dữ liệu cảm biến chuyển động [7]. Tuy nhiên, tỷ lệ lấy
mẫu quá thấp và hệ thống chỉ thích hợp để ghi và phân tích cuộc sống
bình thường. Rất ít hệ thống µIMU được thiết kế để tương tác trong
thời gian thực với con người và hệ thống cơ chế để thực hiện các
hành động tiếp theo.
Nhóm của chúng tôi đã phát triển Hệ thống thiết bị đầu vào vi mô
(MIDS) dựa trên các cảm biến MEMS như một hệ thống đầu vào giao
diện đa chức năng mới có khả năng thay thế chuột, bút và bàn phím
làm thiết bị đầu vào cho máy tính [8, 9]. Chúng tôi cũng đã phát
triển một µIMU đo tốc độ góc ba chiều và gia tốc dựa trên các cảm
biến MEMS. Chúng tôi đã tích hợp một bộ vi điều khiển và mô-đun
Bluetooth trên µIMU và kích thước tổng thể của thiết bị nhỏ hơn 66
mm x 20 mm x 20 mm. Chúng tôi đã phát triển mô-đun này như một công
cụ viết kỹ thuật số không dây phổ biến tương tác với con người và
máy tính [10]. Một hệ thống túi khí cho người là một ứng dụng khác.
Cùng với µIMU, nó kết hợp bộ lọc SVM (Máy vectơ hỗ trợ) [11], DSP
nhúng và hệ thống cơ học để triển khai túi khí.
Bài viết này mô tả sự phát triển của hệ thống túi khí của con
người. Đầu tiên, hệ thống triển khai túi khí cơ học được hoàn
thiện. Trọng lượng của nguyên mẫu là 253,5 g, bao gồm cả xi lanh
CO2 nén 42,5 g. Chiều dài, chiều rộng và độ dày của bộ bơm hơi lần
lượt là 190 mm, 57 mm và 30 mm. Thời gian phản hồi của bộ bơm hơi
là 0,133 giây sau khi nhận được tín hiệu từ cảm biến và tổng thời
gian bơm phồng cho túi khí nylon tùy chỉnh 2,06 L là 0,6 giây. Thứ
hai, với việc phân tích dữ liệu camera tốc độ cao, một bộ lọc cổng
được tạo ra và phù hợp với µIMU, đồng thời, một thử nghiệm nhả túi
khí độc lập cho thấy rằng µIMU phối hợp tốt với hệ thống triển khai
để bảo vệ hông. Bài báo được tổ chức như sau. Trong Phần 2, hệ thống
túi khí được giới thiệu, bao gồm phần cứng µIMU, quy trình SVM và
thiết kế hệ thống triển khai. Phần 3 tập trung vào một minh chứng
độc lập dựa trên phân tích camera tốc độ cao. Phần 4 giới thiệu việc
thực hiện thời gian thực với bộ lọc SVM mới. Hệ thống DSP nhúng hiển
thị phân loại theo thời gian thực và chứng minh tính khả thi của hệ
thống của chúng tôi. Cuối cùng, kết luận của chúng tôi được trình
bày trong Phần 4.
Machine Translated by Google

II HỆ THỐNG TÚI KHÍ NGƯỜI CHỐNG RƠI không dây, có thể được phân tích hoặc đào tạo bằng SVM.
Sau đó, dữ liệu có thể được truyền đến chip DSP để phân tích thời gian
Như đã đề cập ở trên, gãy xương hông chiếm phần lớn chi phí do ngã
thực và 2) thuật toán nhận dạng cổng có thể được tải xuống để phân biệt
và gãy xương do ngã, đặc biệt đối với người cao tuổi. Chúng tôi đề
chuyển động rơi và kích hoạt túi khí để bơm căng.
xuất phát triển các túi khí đeo thông minh và được cá nhân hóa để giảm
lực tác động khi ngã cho người cao tuổi. Hình 1 minh họa khái niệm cơ

bản về hệ thống túi khí thông minh cho con người. Ban đầu, túi khí được

nén trong dây đai. Khi một người lớn tuổi mất thăng bằng, các cảm biến
siêu nhỏ MEMS trong dây đai sẽ phát hiện sự mất phương hướng của người
đó và kích hoạt túi khí bên phải bung ra trong vài mili giây trước khi

người đó ngã xuống đất. Dự án này có hai phần chính. Một là bộ phận điện
tử hoạt động với thuật toán để phán đoán cú ngã và gửi tín hiệu kích

hoạt đến bộ phận bơm túi khí. Phần còn lại là bộ phận cơ khí, bao gồm
cấu trúc bơm hơi để nén, kiểm soát triển khai túi khí và thiết kế túi
khí.

Hình 2. Ảnh chụp hệ thống cảm biến chuyển động 3-D bao gồm 3

con quay hồi chuyển và 3 cảm biến gia tốc.

b) Quy trình đào tạo SVM

Mặc dù một ngưỡng tỷ lệ góc đơn giản có thể mô tả rằng sự sụt giảm
đang xảy ra, nhưng sự thổi phồng giả có thể xảy ra trong hoạt động thể

chất bình thường. Chúng ta phải làm cho thiết bị kích hoạt đáng tin cậy,

có nghĩa là bộ phận cảm biến phải kích hoạt hệ thống triển khai khi xảy
ra ngã, đồng thời không được phát ra tín hiệu sai để tránh hoảng sợ

không cần thiết, đặc biệt là đối với người cao tuổi. SVM, một loại thuật

toán mạng nơ-ron, được chọn vì nó là một bộ phân loại nhị phân tốt với
ít mẫu tương đối hơn. Một chương trình dựa trên SVM sử dụng máy tính

Hình 1. Minh họa khái niệm về hệ thống túi khí “thông minh”
của con người.
chủ đã được thử nghiệm để phân biệt giữa chuyển động bình thường và
chuyển động rơi. Chúng tôi hiện đang thử nghiệm một bộ lọc SVM được
nhúng trong chip DSP và đã có kết quả mô phỏng tương đối tốt về mức
tiêu thụ thời gian tính toán.

Như được hiển thị trong Hình 3, trước tiên, MCU chuyển đổi đầu ra
A. Thuật toán µIMU và SVM
của cảm biến thành tín hiệu kỹ thuật số và sau đó truyền tuần tự tín
a) Thiết kế µIMU hiệu dữ liệu được đóng gói thông qua mô-đun Bluetooth tới máy tính.

Cảm biến MEMS đóng vai trò chính trong µIMU do chi phí thấp và kích Hàng trăm bản ghi, bao gồm ngã nghiêng, đi bộ, chạy, ngồi, đi lên xuống

thước thu nhỏ của chúng. Đối với các thử nghiệm của mình, chúng tôi sử cầu thang và bước vào thang máy, đã được tạo để tạo cơ sở dữ liệu cho

dụng cảm biến ADXL203 (AD Inc.) làm gia tốc kế [12] và con quay tốc độ đào tạo SVM.

góc muRata ENC-03, tương ứng. Đây là những cảm biến có chi phí thấp và Sau khi đào tạo, chúng tôi đã chọn những tính năng tốt nhất để tạo thành

hiệu suất tương đối cao với đầu ra tín hiệu tương tự. Tín hiệu đầu ra một bộ phân loại để nhận dạng chuyển động rơi.

của gia tốc kế (ax, ay, az) và con quay tốc độ góc (ωx, ωy, ωz) được Mục tiêu của chúng tôi là nhận biết chuyển động rơi xuống trong thời

đo trực tiếp bằng bộ chuyển đổi A/D bên trong bộ vi điều khiển. Chúng gian thực để điều khiển túi khí bảo vệ hông. Chúng tôi giải quyết vấn đề

tôi sử dụng vi điều khiển ATMEL ATmega32 trong thiết kế. Bộ vi điều này dưới dạng nhận dạng mẫu nhị phân với SVM, như sau.

khiển này có 32 Kbyte flash, 2 Kbyte SRAM, 8 kênh ADC 10 bit và cổng (1) Thiết lập cơ sở dữ liệu chuyển động của các ví dụ “rơi xuống” và

USART (Bộ thu và phát nối tiếp đồng bộ và không đồng bộ phổ dụng). Tốc “không rơi xuống” bằng cách sử dụng uIMU.

độ mẫu kỹ thuật số của vi điều khiển là 200 Hz, đảm bảo phản ứng nhanh (2) Sử dụng PCA được giám sát (Phân tích thành phần nguyên tắc) để

với chuyển động của con người. Chúng tôi sử dụng Mô-đun blu2i của Hệ tạo và chọn các tính năng đặc trưng.

thống TDK trong hệ thống của mình để truyền dữ liệu sang hệ thống máy (3) Triển khai đào tạo SVM (Máy vectơ hỗ trợ) để

chủ. Mô-đun Bluetooth này cung cấp khả năng tích hợp dễ dàng với các hệ sản xuất một bộ phân loại.

thống máy chủ khác nhau. Mô-đun được kết nối trực tiếp với vi điều khiển Ý tưởng cơ bản của SVM là ánh xạ dữ liệu X vào không gian đặc trưng

thông qua cổng USART. Mô-đun có kích thước rất nhỏ (66 mm x 20 mm x 20 chiều cao f thông qua ánh xạ phi tuyến Φ và thực hiện hồi quy tuyến tính

mm) và có thể dễ dàng giao tiếp với vi điều khiển. trong không gian này [11]:
N
f (x) = (ω quy
(x))tuyến
+ b (tính Φ:
RFF trong
ngưỡng.
) (1) ΦDo gian
không
trong đó,,ω
đóhồi
chiều
b cao
là (đặc trưng) tương

ứng với hồi quy phi tuyến tính trong không gian đầu vào chiều thấp RN cố

định, chúng tôi xác định từ dữ liệu bằng cách giảm thiểu tổng của rủi ro
thực nghiệm và độ phức tạp. . Vì Φ là
Gia tốc kế và con quay hồi chuyển hoạt động như một đơn vị đo lường
ω
quán tính vi mô (µIMU) của hệ thống cảm biến chuyển động. 2
R [ f ] ω ,
Các cảm biến µIMU này và mô-đun Bluetooth được đặt trên một PCB nhỏ, trống rỗng

như thể hiện trong Hình 2. Hai pin Li 3,6 V có thể cung cấp năng lượng thực thi độ phẳng trong không gian tính năng:

c(f(x)-
l
cho thiết bị trong ~3 giờ. Do đó, µIMU có thể thực hiện hai chức năng:
λ ω = y ) +λ ω
2 2

1) thu thập và truyền dữ liệu đến máy tính

R f[ []
Rfreg
] =+ trống rỗng
tôi

tôi
(2)
tôi
= 1
Machine Translated by Google

trong đó l biểu thị cỡ mẫu ( , x

1
k ,xl ), C (.) Là lỗ quá trình bơm hơi phải được hoàn thành trong vòng ~0,9 giây để hệ
thống có thể bảo vệ người bị ngã. Các phương trình lưu lượng khối
hàm và là mộtλ hằng số chính quy hóa. Khi tính đến (1)
chất lỏng nén cổ điển được sử dụng để ước tính các tham số dòng chảy
và (2), chúng ta có thể viết lại toàn bộ bài toán dưới
qua một lỗ: P 1)
dạng tích vô hướng trong không gian đầu vào ít chiều = 2 + 1
1 2

l
* AP12 2γ γ
P
γ γ
P2
= 1 2 2

i fxα ( ) α( ) > 0,528)

W
- Φ +
((())
bxi ) Φ x 12
TR - P1
-

P1 (
tôi

1 ( γ P
tôi
= 1 1

l 1 2
* (γ + 1

α - α A 12P 2
- 1

)xxb
K ( , +
γ
) (3) = 1 γ
) ()
P2
= tôi ( W
tôi

tôi

=1 12
R γ + ( ≤ 0,528)
T
P1
tôi
1
1
*
(4) trong đó W là tốc độ dòng chảy khối
trong đó các là số nhân Lagrangian và xi là hỗ trợ
lượng (Kg / s), A12: diện tích của lỗ vào của túi khí (tính bằng
vectơ αi , αi .
m2 ), γ là tỷ số nhiệt riêng (γ = 1,4 đối với không khí, 1,3 đối với
CO2), R là hằng số khí (R = 287 J / Kg K đối với không khí, 188,9 J /
Kg K đối với CO2). Ngoài ra, các phương trình dưới đây mô tả áp
suất tức thời trong xi lanh khí nén dưới dòng chảy cận âm và dòng âm
tương ứng: t N d = -

dP 1
KR TA 0 12
= N d12 12 τ
P 1
V 1

- τ
P 0= P e 1 (5)

ở đâu
KR TA 12
0
τ= t , N12 là tỷ lệ giữa tốc độ dòng chảy khối lượng
V1
đến tốc độ dòng chảy khối lượng nghẹt. Đối với dòng chảy
Hình 3. Sơ đồ đào tạo SVM.
cận âm, N12 sẽ thay đổi theo tỷ lệ áp suất và phương trình
B. Hệ thống giải phóng túi khí vi phân có thể được giải bằng Matlab Simulink. Hình 5 cho

Cơ cấu nhả cơ học bao gồm một quả đấm hình chữ thập gắn thấy áp suất và so sánh tốc độ dòng chảy khối lượng giữa mô

trên bệ phóng bao gồm một lò xo và một công tắc khóa. Lò xo phỏng và kết quả thực nghiệm (sử dụng lỗ ra 15,21 mm2 ở áp

được nén bằng vít. Khi công tắc khóa được nhấn bởi một bộ suất ban đầu 550 kPa). Rõ ràng rằng các phương trình trên

truyền động, lò xo nén sẽ mở rộng và cú đấm sẽ tăng tốc về là đủ để mô hình hóa các thông số dòng khí trong quá trình

phía xi lanh điều áp. Khí CO2 nén được giải phóng từ khe hở lạm phát túi khí.

giữa chày và nắp xi lanh. Cuối cùng, khí được truyền theo
một đường ống dài 16 cm để làm phồng túi khí.

Bộ truyền động được sử dụng là một servo BMS-380MAX 16 g

thương mại có kích thước 26 x 13 x 26 mm, với tốc độ 0,15
giây / 60 độ ở 4,8 V. Nó chỉ yêu cầu 5 V và nhỏ hơn 0,6 A.
Mức tối đa mô-men xoắn là 4,1 kg / cm tại 4,8 V (Hình 4).

Cú đấm

Mùa xuân
(a) Áp lực (b) Tốc độ dòng chảy lớn

Hình 5. So sánh kết quả thực nghiệm và mô phỏng của

quá trình bơm phồng túi khí di động.
nén
Servo
khóa
Xi lanh CO2 HỆ THỐNG MÁY BAY ĐỘC LẬP
công tắc

A. Phân tích camera tốc độ cao

(a) trước khi kích hoạt
Để phân tích đầu ra tín hiệu µIMU, một camera tốc độ cao đã
CO2 được giải phóng chảy vào túi khí
được sử dụng để ghi lại chuyển động rơi xuống trong khi
µIMU đang hoạt động. Kiểu máy ảnh là Máy ảnh tốc độ cao PCO
1200 hs với độ phân giải tối đa 1280 x 1025 pixel. Tốc độ
phim được sử dụng là 200 Hz. Máy ảnh được đặt cách xa 5 m
và vuông góc với phương rơi. Bằng cách đo góc nghiêng của
thân cây (θi) trong phim giữa các khoảng thời gian đã biết,
có thể thu được sự thay đổi của góc nghiêng theo thời gian.
(b) sau khi kích Mối quan hệ góc-thời gian có thể được trang bị một đường
cong hình khối. Vận tốc góc tức thời của hông có thể được
hoạt Hình 4. Mặt cắt ngang của bộ bơm.
đo bằng cách vi phân đường cong lập phương này. Ngoài ra,
Chúng tôi cũng đã thiết kế quy trình bung túi khí để đảm khi so sánh với một trong các đầu ra con quay hồi chuyển (tốc
bảo rằng túi khí có thể bung trong vòng 0,333 giây, nghĩa là độ quay của thân cây) của µIMU, tín hiệu tương ứng với tác
toàn bộ cảm biến rơi, kích hoạt cơ học và túi khí động có thể được chứng minh. Trong hình 6, góc nghiêng của thân cây (θi) là
Machine Translated by Google
được đo từ đầu ra phim của máy ảnh tốc độ cao. θi được xác định
từ đặc trưng với đường nằm ngang trong phim.
Hình 6. Phân tích cú ngã bằng camera tốc độ cao.
Hình 7 cho thấy mối quan hệ góc-thời gian có thể phù hợp với một
đường cong lập phương. Vận tốc góc tức thời của hông có thể được
đo bằng cách vi phân đường cong lập phương này.
Hình 7. Góc rơi và tốc độ góc.
Như được hiển thị trong Hình 8, khi chúng tôi so sánh kết quả
của camera tốc độ cao với một trong các đầu ra con quay hồi chuyển
(tốc độ quay của thân cây) của µIMU, tín hiệu tương ứng với tác
động có thể được chứng minh. Đầu ra của con quay hồi chuyển rất
giống với phân tích hình ảnh. Điều này cũng giúp chúng ta xác định
thời điểm nên bung túi khí.
Hình 8. So sánh kết quả của camera tốc độ cao và đầu ra
của cảm biến con quay hồi chuyển.
B. Bản demo hệ thống túi
khí Với kết quả của camera tốc độ cao và máy bơm hơi, chúng
tôi có thể thiết lập một bản demo để chứng minh tính khả thi của
hệ thống túi khí. Chúng tôi đã kết nối hộp khí và bộ bơm hơi, và
bộ bơm hơi được kết nối với µIMU, bộ phận này sẽ kích hoạt nó.
Một giá trị cảm biến con quay hồi chuyển nhất định đã được đặt làm
ngưỡng rơi nguy hiểm. Như chúng ta đã giả định rằng sau một góc 30 độ, một
người không thể giữ thăng bằng lâu hơn nữa, chúng tôi đã truy
tìm giá trị của vận tốc góc từ kết quả của máy ảnh tốc độ cao và
đặt nó vào cảm biến con quay hồi chuyển. Số kỹ thuật số của cảm
biến con quay hồi chuyển là 279, có nghĩa là khi đầu ra của cảm
biến thấp hơn 279, µIMU sẽ kích hoạt túi khí để thực hiện hành
động.
Hình 9 cho thấy kết quả của việc triển khai túi khí. Khi một
người đang rơi và vận tốc góc lớn hơn một giá trị nhất định, mô-
đun cảm biến sẽ kích hoạt xi lanh CO2 giải phóng không khí để bơm
phồng túi khí. Chúng ta có thể thấy rõ túi khí được bung ra trước
khi người đó rơi xuống đất, giúp bảo vệ phần hông. Thí nghiệm
này chứng minh rằng hệ thống túi khí là khả thi.
Hình 9. Trình diễn độc lập với µIMU và hệ thống triển
khai.
ỨNG DỤNG THỜI GIAN THỰC VỚI DSP
Chúng tôi đã ghi lại 200 kết quả thử nghiệm, một nửa trong số
đó là dữ liệu "giảm xuống" và một nửa là dữ liệu "không giảm". Mỗi
kết quả bao gồm sáu mảng được đo bằng sáu cảm biến.
Chúng tôi đã thực hiện tiền xử lý dữ liệu để lọc nhiễu và giảm
kích thước. Đối với mỗi kết quả thử nghiệm, chúng tôi đã thực
hiện một DFT của sáu mảng tương ứng. Chúng tôi giữ 10 hệ số đầu
tiên của mỗi kết quả DFT. Sau 200 DFT, chúng tôi thu được một ma
trận gồm 200 hàng và 60 cột, mỗi hàng đại diện cho một thử nghiệm.
Mỗi số có 6*10 số trong dãy Gx, Gy, Gz, Ax, Ay, Az.
Chúng tôi nhận thấy rằng việc nén dữ liệu huấn luyện thành ba
chiều bằng PCA là đủ để thu được kết quả phân loại tốt. Chúng tôi
đã chọn ngẫu nhiên một nửa dữ liệu để đào tạo SVM và nửa còn lại
được sử dụng để thử nghiệm. Trên dữ liệu thử nghiệm không nhìn
thấy, đã thu được kết quả tốt và hệ thống kết quả có thể phân
loại các vectơ thử nghiệm thành trạng thái “rơi xuống” và “không
rơi xuống” mà không có lỗi.
Phương trình 6 là tính toán cần thiết cho bộ phân
2
( 1 , 2 loại
3 SVM:
0 ,1 ) 1fxxxccxcxcxcx
2 2 3 = +
3 4 +1 + +
(6)
2 + + cxxcxxcxcxxcx
+ + 7 8 2 3 3 +
5 1 2 6 1 3 2 2 9
Các hệ số tương ứng được thể hiện trong Bảng 1.
Mặc dù quá trình đào tạo tốn kém về mặt tính toán, nhưng yêu cầu
tính toán của bộ phân loại sau khi đào tạo là rất nhỏ.
Bảng 1. Các hệ số của bộ phân loại SVM.
c0 -4.114032908 c5 -0.000013017 c1 0.029363568
c6 0.000056986 c2 0.009281220 c7 0.000004560
c3 0.004760046 c8
-0.000013625 c4 -0.00000546450 _ _
Machine Translated by Google

A. Cải tiến bộ lọc SVM: Xử lý cửa sổ hướng dẫn. Hình 12 cho thấy các yêu cầu tính toán của quá trình lọc

Đối với một hệ thống thời gian thực, mục tiêu của chúng tôi là này. Trong hệ thống cập nhật nhất của chúng tôi, dữ liệu ADC 200 Hz

hiện thực hóa một thuật toán có thể nhận ra cú ngã trước khi hoàn được truyền, nhưng dữ liệu được lấy mẫu và đào tạo cứ sau 10 mili

thành. Hệ thống phải nhận ra một hành động nguy hiểm trong thời gian giây. Và, với quy trình đào tạo SVM, một bộ lọc để phát hiện rơi

rất ngắn để đảm bảo rằng có đủ thời gian cho việc lạm phát túi khí. được tạo ra. Kết quả cho thấy chúng ta có thể phân loại các chuyển

Đồng thời, hệ thống không được kích hoạt sai khi một người đang thực động rơi và các chuyển động khác một cách rõ ràng. Do đó, bộ lọc mới

hiện các chuyển động bình thường. này có thể được tải vào DSP và thời gian tính toán có thể kéo dài

Chúng tôi đề xuất một thuật toán xử lý cửa sổ trang chiếu, tức là, đến 10 mili giây.

xác định một chiều rộng nhất định của 'cửa sổ' để xử lý. Chúng tôi
cắt 'chiều rộng cửa sổ' đã chọn để đánh giá bộ lọc FFT và SVM, đồng
thời, cửa sổ được đẩy về phía trước; do đó, dữ liệu trong cửa sổ có
thể được đánh giá sau mỗi 1/200 giây.
Hình 10 cho thấy quá trình 'cắt cửa sổ'. Trước tiên, chúng tôi
xác định chiều rộng của cửa sổ, sau đó đẩy nó về phía trước. Ở mỗi
lần cắt, thông tin cảm biến sáu chiều, bao gồm gia tốc và tốc độ góc,
được phân tích.

Hình 12. Các phép tính bộ lọc có thể được thực hiện trong
1/100 giây.

C. Triển khai DSP Như đã

trình bày ở trên, đối với một sản phẩm thực, chúng ta phải tích
hợp tất cả các thuật toán vào một con chip. Đối với DSP tốc độ cao,
không có cổng analog sang kỹ thuật số, vì vậy chúng tôi sử dụng dữ
liệu cảm biến hiện có để thử nghiệm. Điều này có nghĩa là trước tiên
chúng tôi chuyển tất cả dữ liệu vào DSP, để thuật toán đọc dữ liệu
với cửa sổ trượt cố định, sau đó đánh giá mức độ nguy hiểm của từng
cửa sổ. Hình 13 cho thấy luồng thuật toán của hệ thống.

Hình 10. Gia công cắt cửa sổ.

Chiều rộng cửa sổ 40, 50, 60 và 70 (200 Hz) cho tất cả 100 thí
nghiệm rơi và 1.000 chuyển động khác, bao gồm cả chạy và đi bộ,
v.v., được sử dụng cho đào tạo SVM. Kết quả là chuyển động rơi và
các chuyển động khác có thể được tách biệt hoàn toàn bằng cách sử
dụng tất cả các chiều rộng cửa sổ này. Hình 11 cho thấy kết quả trong
Hình 13. Cấu trúc sản phẩm thời gian thực.
một hình Matlab, trong đó các điểm màu xanh thể hiện dữ liệu mùa thu
và các điểm màu đỏ đại diện cho các chuyển động khác. Chip DSP TMS320 6713 được sử dụng cho hệ thống của chúng tôi.
Thiết bị C6713 dựa trên kiến trúc từ lệnh rất dài (VLIW) hiệu suất
cao, tiên tiến được phát triển bởi Texas Instruments (TI), làm cho
nó trở thành một lựa chọn tuyệt vời cho các ứng dụng đa kênh và đa
chức năng. Vấn đề quan trọng để lựa chọn một DSP là tốc độ hoạt động,
điều này làm cho thiết bị C6713 trở thành một lựa chọn phù hợp [13].
a) Tiêu thụ thời gian tính toán cho DSP

FFT được sử dụng rộng rãi để xử lý miền tần số và phân tích phổ.
Nó là một phép biến đổi Fourier rời rạc hiệu quả về mặt tính toán
(DFT), được định nghĩa là
Hình 11. Chuyển động rơi và các chuyển động khác có thể được phân loại. N - 1
kn
k =
X () X nWN
, k = 0,..., N -1 , (7)
B. Cải tiến bộ lọc SVM: Giảm tốc độ lấy mẫu N =0
trong đó yếu tố xoay vòng được định nghĩa là
Như đã định nghĩa ở trên, tốc độ lấy mẫu của µIMU của chúng tôi là 200 Hz.
kn π nk N
Đối với thuật toán quy trình cửa sổ, cứ sau 0,005 giây, một mảng mới W =N e -2j
. (số 8)

gồm sáu kênh dữ liệu sẽ làm mới kết quả FFT của đa thức 60 * 1. Trong
Vì vậy, với mỗi giá trị của k, việc tính toán trực tiếp X(k) liên
thời gian rất ngắn này, hệ thống phải nhận biết chuyển động có nguy
quan đến phép nhân phức và phép cộng phức.
hiểm hay không, có nghĩa là tính toán bộ lọc FFT và SVM sẽ được hoàn
Do đó, để tính toán tất cả các giá trị của DFT yêu cầu N2 phép nhân
thành trong 0,005 giây. Giả sử DSP của chúng tôi có tốc độ đồng hồ
phức và N2 –N phép cộng phức. Nhiệm vụ chính của thuật toán FFT là
300 MHz, thì toàn bộ quá trình lọc phải được thực hiện trong 1,5 M
giảm độ phức tạp, bằng cách phân tách các DFT thành các DFT nhỏ hơn
trong một
Machine Translated by Google
cách đệ quy. Phương pháp phân tách phổ biến nhất là phân tách
radix-2. Ở đây, toàn bộ chuỗi DFT được phân tách thành hai DFT nhỏ
hơn, hai DFT này lại được chia tiếp thành hai DFT nhỏ hơn, v.v. Đệ
quy kết thúc khi đạt đến DFT nhỏ nhất: DFT hai điểm được gọi là
“bướm”. Phương pháp này làm giảm đáng kể độ phức tạp của DFT. Độ
phức tạp giảm của thuật toán FFT cơ số 2 là phép nhân phức (N/
2)*log2(N) và phép cộng phức (N)*log2(N) [13].
Một thử nghiệm cho thấy rằng mô phỏng FFT dựa trên thuật toán FFT
cơ số 2 (367.111 chu kỳ cho DSP 300 MHz) sẽ tốn ~0,001 giây, không
đáng kể so với chi phí thời gian cho các hệ thống cơ học. b) Tiêu
thụ bộ lọc SVM
Như đã đề cập ở trên, chúng ta cần tạo x1, x2, x3
trước bộ lọc SVM, như trong Phương trình (1). Ban đầu,
chúng tôi có 10 FFT thứ tự đầu tiên trong số sáu kênh
ADC; do đó, một đa thức 60*1 được tạo ra. Trong quá trình
huấn luyện SVM, chúng ta có một ma trận tham số (60*3).
Đa thức 60*1 này nhân với ma trận tham số, dẫn đến đa
thức 3*1 (x1, x2, x3) sẵn sàng cho bộ lọc cuối cùng:
( 1,2 3,)
fxxxccxcxcxcx
0 =
1 +1 2 2 + +
3 3
2 +5 1
+ 2 cxxcxxcxcxxcx
6 1 3
+7 9 3 +
2 2 8 2 3
Để tính toán ma trận, cần có 180 phép nhân và 180 phép cộng. Đối
với thuật toán lọc, cần 15 phép nhân và 9 phép cộng.
Một thử nghiệm cho thấy kết quả mô phỏng của bộ lọc SVM, bao gồm
kết quả 60*1 FFT và các chu kỳ là khoảng 66.910. DSP 300 MHz tốn
0,00002 giây.
Trong kết quả mô phỏng, toàn bộ mức tiêu thụ của DSP là 434.021
chu kỳ, trong khi đó, trong tính toán thời gian thực, bộ lọc mới của
chúng tôi cung cấp cho chúng tôi 3 M chu kỳ để tính toán, là đủ nếu
chúng tôi lấy kết quả mô phỏng.
c) Trình diễn phân loại thời gian thực DSP
Hình 14 cho thấy bản trình diễn của hệ thống DSP trong việc nhận
dạng chuyển động rơi. Một thuật toán tích hợp được nhúng trong DSP.
Thuật toán thực hiện FFT và SVM, giúp phân biệt các chuyển động bình
thường (đi bộ, lên cầu thang, ngồi, đứng) với các chuyển động bị ngã.
Như các bức ảnh cho thấy, túi khí chỉ được kích hoạt khi xảy ra ngã.
Bản demo này chứng minh tính khả thi của ứng dụng DSP thời gian thực
và toàn bộ hệ thống túi khí.
Hình 14. Minh họa khả năng chống rơi ngã trong thời gian thực.
Xem số liệu thống kê về xuất bản
KẾT LUẬN
Bài báo này trình bày một hệ thống túi khí con người dựa trên MEMS
mới đang được phát triển. Đơn vị Đo lường Ban đầu Vi mô (µIMU) được
sử dụng để phát hiện các chuyển động phức tạp của con người và nhận
dạng chuyển động rơi xuống, sau đó có thể được sử dụng để kích hoạt
bung túi khí.
Một hệ thống thoát khí cũng được thiết kế. Kết hợp với µIMU của chúng
tôi, chúng tôi thiết lập một bản demo độc lập để chứng minh rằng hệ
thống túi khí là khả thi. Chúng tôi cũng sử dụng SVM làm phương pháp
nhận dạng mẫu để đào tạo sau PCA cho dữ liệu DFT.
Chúng tôi đã chỉ ra rằng các bộ eigenvector được chọn có thể phân
loại 200 bộ dữ liệu thử nghiệm để tạo các eigenvector thành các danh
mục "không giảm xuống" hoặc "giảm xuống". Với sự cải tiến của bộ lọc
SVM của chúng tôi, các thuật toán có thể dễ dàng được nhúng vào DSP
thời gian thực. Các thí nghiệm cho thấy rằng các thuật toán nhúng có
thể phân loại rơi và không rơi theo thời gian thực và túi khí có thể
được triển khai khi rơi xảy ra.
NGƯỜI GIỚI THIỆU
[1] Myo Naing Nyan, Francis Eng Hock Tay, Teck Hong Koh, Yih Yiow Sitoh và
Kwong Luck Tan, “So sánh vị trí và độ nhạy của cảm biến gia tốc MEMS
2
+4 1
trong nhận dạng tín hiệu để giám sát xe cứu thương”, Linh kiện và
(6) Công nghệ Điện tử, tháng 6 năm 2004. Tập .
+ 1, 1-4, (Các) trang:956-960.
[2] Chan J., Lam PS, Sze PC và Leung KS, “Một nghiên cứu về dịch tễ học té
ngã ở Hồng Kông”, Hội nghị chuyên đề về ngăn ngừa té ngã và gãy xương
ở người lớn tuổi, Yokohama, Nhật Bản, tháng 7 năm 2004.
[3] Kannus P., Pakkari J. và Poutala J., “So sánh đặc tính giảm lực của bốn
thiết bị bảo vệ hông khác nhau trong điều kiện ngã mô phỏng ở người
cao tuổi: Một nghiên cứu cơ sinh học trong ống nghiệm”, Bone, 1999.
tập 25, (Các) trang: 229-235.
[4] Sze PC, “Nghiên cứu cơ học và tuân thủ của một thiết bị bảo vệ hông
được sửa đổi cho người già ở nhà ở Hồng Kông”, MPhil Thesis, Đại học
Trung Quốc Hồng Kông, 2006.
[5] Nakahara AK, Sabelman EE và Jaffe DL, “Phát triển hệ thống phân tích
chuyển động gia tốc đeo được thế hệ thứ hai”, Hội nghị BMES/EMBS, Kỷ
yếu của Hiệp hội đầu tiên, tháng 10 năm 1999.
tập 1, 13-16, (Các) trang:630.
[6] CV Bouten, KT Koekkoek, M.Verduin, R. Kodde và J.D Janssen, “Một đơn
vị gia tốc kế ba trục và xử lý dữ liệu di động để đánh giá hoạt động
thể chất hàng ngày”, IEEE Trans. trên Kỹ thuật Y sinh, tháng 3 năm
1997. Vol. 44, không. 3, (Các) trang: 136-147.
[7] Karantonis DM, Narayanan MR, Mathie M., Lovell NH và Celler BG, “Triển
khai bộ phân loại chuyển động của con người theo thời gian thực bằng
cách sử dụng máy đo gia tốc ba trục để theo dõi xe cứu thương”, IEEE
Trans. về Công nghệ thông tin trong y sinh học, tháng 1 năm 2006. Tập.
10, Số 1, (Các) Trang:156-167.
[8] AHF Lam, Wen J. Li, Yunhui Liu và Ning Xi, “MIDS: hệ thống thiết bị đầu
vào vi mô sử dụng cảm biến MEMS”, Hội nghị Quốc tế IEEE/RSJ về Robot
,
và Hệ thống Thông minh, tháng 10 năm 2002. Tập. 2 không. 30, (Các)
trang:1184-1189.
[9] AHF Lam, RHW Lam, WJ Li, MYY Leung và Yunhui Liu, “Cảm biến chuyển động
cho tay rô-bốt sử dụng MIDS”, ICRA '03. Hội nghị quốc tế về người máy
và tự động hóa của IEEE, tháng 9 năm 2003. Tập.
3,14-19, (Các) trang:3181-3186.
[10] Guanglie Zhang, Guangyi Shi, Yilun Luo, H. Wong, Wen J. Li, PHW
Leong và Ming Yiu Wong, “Hướng tới một công cụ viết kỹ thuật số
không dây phổ biến sử dụng công nghệ cảm biến chuyển động MEMS”, Hội
nghị Quốc tế IEEE/ASME về Cơ điện tử Thông minh Tiên tiến 2005, (Các)
Trang: 795-800.
[11] Yilun Luo, Guangyi Shi, Josh Lam, Guanglie Zhang, Wen J. Li, Philip
HW Leong, Pauline PY Lui và Kwok-Sui Leung, “Hướng tới hệ thống túi
khí cho người bằng cách sử dụng µIMU với SVM Huấn luyện nhận dạng
chuyển động rơi” , IEEE Int. Conf. trên Robotics và Biomimetics (IEEE
ROBIO) 2005, Hồng Kông, ngày 29 tháng 6 đến ngày 03 tháng 7 năm 2005.
[12] Analog Devices Inc.
[13] www.ti.com.