Machine Translated by Google

TẠP CHÍ CẢM BIẾN IEEE, VOL. 9, KHÔNG. 5, THÁNG 5 NĂM 2009 495

Hệ thống túi khí di động của con người để bảo vệ chống rơi

Sử dụng Cảm biến MEMS và Trình phân loại SVM nhúng

Guangyi Shi, Cheung Shing Chan, Wen Jung Li, Kwok-Sui Leung, Yuexian Zou và Yufeng Jin

Tóm tắt—Bài báo này giới thiệu hệ thống túi khí người di động
được thiết kế để bảo vệ chống ngã cho người già. Một Bộ phận đảm bảo quán tính
Micro (IMU) có kích thước 56 mm 23 mm 15 mm được chế tạo.
Thiết bị này bao gồm gia tốc kế MEMS ba chiều, kính hồng ngoại con quay hồi
chuyển, mô-đun Bluetooth và Bộ điều khiển vi mô (MCU).
Nó ghi lại thông tin chuyển động của con người và thông qua việc phân tích
cao tới 95% [3]. Tuy nhiên, do người cao tuổi thấy những dụng cụ bảo
vệ này không thoải mái và bất tiện nên tỷ lệ tuân thủ kém và không mang
lại hiệu quả phòng ngừa gãy xương hông.
mong đợi của họ. Ở Hồng Kông, thời tiết nóng là một vấn đề đáng kể
yếu tố trong tỷ lệ tuân thủ thấp, trung bình 40% cho

ngã bằng máy ảnh tốc độ cao, có thể xác định ngã ngang cả năm và dao động từ 70% vào mùa thu đến 20% vào
bằng ngưỡng con quay hồi chuyển. Cơ sở dữ liệu chuyển động của con người bao gồm các cú ngã mùa hè [4].
và các chuyển động bình thường khác (đi bộ, chạy, v.v.) được thiết lập. sử dụng
Để xây dựng một hệ thống bảo vệ, khái niệm cơ bản về hệ thống túi
một quy trình đào tạo máy vectơ hỗ trợ (SVM), chúng ta có thể phân loại thành
khí di động tự động được áp dụng. Hệ thống này có hai mô-đun: mô-đun
công các cú ngã và các chuyển động bình thường khác bằng bộ lọc SVM.
cảm biến (IMU) và một bộ bơm hơi được kết nối với hai
Dựa trên bộ lọc SVM, xử lý tín hiệu số nhúng
(DSP) được phát triển để phát hiện té ngã theo thời gian thực. Thêm vao Đoa, túi khí nylon. Khi IMU phát hiện bị rơi, nó sẽ kích hoạt bộ làm phẳng
một hệ thống triển khai túi khí cơ học thông minh được hoàn thiện. Các trong, sau đó sẽ triển khai các túi khí trước khi va chạm để bảo vệ
thời gian phản hồi cho bộ kích hoạt cơ học là 0,133 giây, cho phép người mặc. Khí được cung cấp từ bình khí nén tiện dụng
đủ thời gian để khí nén được giải phóng trước khi một người bị ngã
xi lanh, thay vì dựa vào quá trình đốt cháy hóa chất.
xuống đất. Hệ thống tích hợp được thử nghiệm và tính khả thi của
Do có sẵn các cảm biến hệ thống vi cơ điện tử (MEMS) nhỏ, chi phí
hệ thống túi khí để bảo vệ rơi theo thời gian thực được trình diễn.
thấp, nên có thể xây dựng các cảm biến quán tính độc lập với kích thước
Thuật ngữ chỉ mục —Xử lý tín hiệu kỹ thuật số (DSP), chuyển động của con người
hệ thống tổng thể là
cảm biến, hệ thống vi cơ điện tử (MEMS), đơn vị đo lường quán tính (IMU), túi
nhỏ hơn 1 inch khối và đồng thời là đơn vị cảm biến
khí di động, máy vector hỗ trợ
có thể theo dõi sự mất phương hướng và các chuyển động khác trong thời gian thực. Các
(SVM).
theo dõi thời gian thực chuyển động của con người có thể được sử dụng để

tạo điều kiện theo dõi lâu dài [5]. Các nghiên cứu trước đây cũng đã
I. GIỚI THIỆU
đã chứng minh việc sử dụng các đơn vị tương tự để nhận ra các hoạt động

t THẾ GIỚI đang phải đối mặt với tình trạng dân số ngày càng già trong cuộc sống hàng ngày và có được các phép đo gián tiếp về tiêu hao

đi. Cùng với sự gia tăng này, tỷ lệ người cao tuổi năng lượng trao đổi chất [6]. Một số bài báo đã trình bày việc thực hiện

những người ốm yếu và phụ thuộc cũng có khả năng tăng lên đáng kể [1]. của một hệ thống phân loại thời gian thực cho các loại chuyển động của

Cho rằng té ngã và gãy xương do ngã là rất con người có liên quan đến dữ liệu cảm biến chuyển động [7]. Tỷ lệ lấy

phổ biến ở người già, sự thay đổi này trong mô hình nhân khẩu học mẫu cho hệ thống này quá thấp và nó chỉ phù hợp với

sẽ dẫn đến sự gia tăng theo cấp số nhân số lượng người cao tuổi bị chấn ghi lại và phân tích cuộc sống bình thường. Rất ít hệ thống IMU được

thương do té ngã. thiết kế để tương tác thời gian thực với con người và máy móc.

Gãy xương hông chiếm hầu hết các trường hợp tử vong và chi phí tương hệ thống cho các loại hành động khác.

đương với gãy xương do ngã. Trên toàn thế giới, có khoảng Nhóm của chúng tôi đã phát triển Hệ thống thiết bị đầu vào siêu nhỏ
(MIDS) dựa trên các cảm biến MEMS như một thiết bị đa chức năng mới
4 000 000 trường hợp gãy xương hông mỗi năm và tỷ lệ tử vong hàng năm

tỷ lệ là 30,8%. Hong Kong có 4000 ca gãy xương hông hệ thống đầu vào giao diện có khả năng thay thế chuột,

mỗi năm [2]. Chi phí y tế và phục hồi chức năng hàng năm bút và bàn phím làm thiết bị đầu vào cho máy tính [8], [9]. chúng tôi

liên quan đến những trường hợp này lên tới 150 triệu đô la Hồng Kông. Nhiều cũng đã phát triển một IMU đo lường ba chiều

bộ bảo vệ hông bao gồm một cặp miếng đệm cứng được đeo chặt tốc độ góc và gia tốc dựa trên cảm biến MEMS. chúng tôi

đồ lót có sẵn trên thị trường. Một số trong số những người bảo vệ này đã tích hợp một bộ vi điều khiển và một mô-đun Bluetooth
vào IMU và kích thước tổng thể của đơn vị nhỏ hơn
đã được chứng minh là có khả năng suy giảm lực như
56mm 23mm 15mm. Chúng tôi đã phát triển mô-đun như

một công cụ viết kỹ thuật số không dây phổ biến tương tác
Bản thảo nhận được ngày 08 tháng 05 năm 2008; sửa đổi ngày 27 tháng 7 năm 2008; được chấp nhận vào ngày 30 tháng 7 năm

2008. Phiên bản hiện tại được xuất bản ngày 27 tháng 3 năm 2009. Phó tổng biên tập
với con người và máy tính [10]. Hệ thống túi khí người là
điều phối việc đánh giá bài báo này và phê duyệt để xuất bản là Giáo sư Okyay ứng dụng khác của module này. Cùng với IMU,
Kaynak.
hệ thống bao gồm bộ lọc máy vectơ hỗ trợ (SVM), DSP nhúng và hệ thống
G. Shi, Y. Zou và Y. Jun đang học tại Khoa sau đại học của Đại học Bắc Kinh,
cơ học để triển khai túi khí.
Thị trấn Đại học Thâm Quyến, Xili, Shenzen, Trung Quốc.
C.-S. Chan và WJ Li đang học tại Đại học Trung Quốc Hồng Kông, Hồng Kông Bài báo này mô tả việc triển khai ứng dụng con người di động
Kong, Trung Quốc (e-mail: wen@mae.cuhk.edu.hk).
hệ thống túi khí. Đầu tiên, IMU và hệ thống triển khai túi khí cơ học
K.-S. Leung làm việc tại Khoa Chỉnh hình và Chấn thương, Đại học Chi nese của Hồng
đã được hoàn thiện. Dựa trên một phân tích sử dụng
Kông, Hồng Kông, Trung Quốc, và cũng với Hoàng tử của
Bệnh viện Wales, Shatin, Hong Kong, Trung Quốc. dữ liệu camera tốc độ cao, bộ lọc cổng đã được tạo và trang bị
Mã định danh đối tượng kỹ thuật số 10.1109/JSEN.2008.2012212 đến IMU, và một thử nghiệm giải phóng túi khí độc lập

1530-437X/$25,00 © 2009 IEEE

Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.
Machine Translated by Google
496
Hình 1. Minh họa khái niệm về hệ thống túi khí “thông minh” dành cho người.
cho thấy IMU kết hợp tốt với việc triển khai
hệ thống bảo vệ hông. Thứ hai, SVM được giới thiệu cho
công nhận té ngã. Chúng tôi thiết lập một cơ sở dữ liệu gồm 100 thác bên và
100 chuyển động bình thường khác bao gồm đi bộ, chạy, ngồi,
lên xuống cầu thang, đi thang máy và ngồi xổm.
Sử dụng quy trình đào tạo SVM, bộ lọc SVM có khả năng
phân loại thành công ngã và các chuyển động khác đã được tạo ra.
Thứ ba, quy trình cửa sổ trượt và bộ lọc SVM mới với
tỷ lệ lấy mẫu thấp hơn được sử dụng để nhận dạng rơi theo thời gian thực.
Sau khi mô phỏng các thuật toán liên quan, một DSP được nhúng
hệ thống đã được sử dụng để hiển thị phân loại ngã trong thời gian thực,
đã chứng minh tính khả thi của hệ thống của chúng tôi.
Bài viết này được tổ chức như sau. Trong Mục II, túi khí
toàn bộ hệ thống được giới thiệu, bao gồm cả phần cứng IMU,
thiết kế hệ thống triển khai và trình diễn độc lập dựa trên phân tích
camera tốc độ cao. Phần III giới thiệu quy trình SVM và Phần IV trình
bày việc triển khai bộ lọc SVM theo thời gian thực. Cuối cùng, kết luận
của chúng tôi được trình bày trong Phần V.
II. HỆ THỐNG TÚI KHÍ NGƯỜI ĐỂ BẢO VỆ MÙA THU
Như đã lưu ý ở trên, gãy xương hông chiếm phần lớn chi phí liên quan
đến té ngã và gãy xương do ngã, đặc biệt là ở những người
người cao tuổi. Chúng tôi đề xuất sự phát triển của
túi khí đeo được cá nhân hóa để giảm lực tác động khi ngã
trong số những người lớn tuổi. Hình 1 minh họa khái niệm cơ bản nằm bên dưới
hệ thống túi khí thông minh của con người. Ban đầu, túi khí được ép bên
trong một dây đai. Khi một người già mất đi
cân bằng, các vi cảm biến MEMS trong thắt lưng sẽ phát hiện
mất phương hướng và kích hoạt bung túi khí ở bên thích hợp vài mili
giây trước khi người đó rơi xuống
đất. Dự án này có hai phần chính. Đầu tiên là
bộ phận điện tử sử dụng một thuật toán để đánh giá các cú ngã và gửi một
kích hoạt tín hiệu đến bộ bơm túi khí. Thứ hai là phần cơ học ical, bao
gồm cấu trúc bơm hơi để nén,
điều khiển triển khai túi khí và thiết kế túi khí.
A. Thiết kế IMU
Cảm biến MEMS đóng một vai trò quan trọng trong IMU do
chi phí thấp và kích thước thu nhỏ của họ. Đối với các thí nghiệm của chúng tôi, chúng tôi
Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.
TẠP CHÍ CẢM BIẾN IEEE, VOL. 9, KHÔNG. 5, THÁNG 5 NĂM 2009
Hình 2. Ảnh chụp hệ thống cảm biến chuyển động 3-D bao gồm ba con quay hồi chuyển
và ba cảm biến gia tốc.
sử dụng cảm biến ADXL203 (AD Inc.) làm gia tốc kế [13]
và con quay tốc độ góc muRata ENC-03 tương ứng. Này
là các cảm biến hiệu suất tương đối cao và chi phí thấp với
đầu ra tín hiệu tương tự. Tín hiệu đầu ra của cảm biến gia tốc
và tốc độ góc con quay hồi chuyển là lừa đảo
chuyển hướng trực tiếp bởi bộ chuyển đổi A/D bên trong vi điều khiển.
Chúng tôi sử dụng bộ vi điều khiển ATMEL ATmega32 trong thiết kế này.
Bộ vi điều khiển này có flash 32 Kbyte, SRAM 2 Kbyte,
8 kênh ADC 10 bit và USART (Bộ thu và phát nối tiếp không đồng bộ và
đồng bộ vạn năng)
cổng [13]. Tốc độ lấy mẫu của vi điều khiển là 200 Hz,
đảm bảo phản ứng nhanh với chuyển động của con người. Chúng tôi sử dụng TDK
Hệ thống Mô-đun blu2i trong hệ thống của chúng tôi để truyền dữ liệu đến máy chủ lưu trữ
hệ thống. Mô-đun Bluetooth này cho phép tích hợp dễ dàng với
hệ thống máy chủ khác nhau. Mô-đun được kết nối trực tiếp với
vi điều khiển qua cổng USART. Mô-đun rất nhỏ
(45 mm 20 mm 10 mm) và có thể dễ dàng giao tiếp với
bộ vi điều khiển.
Gia tốc kế và con quay hồi chuyển hoạt động như một đơn vị đo quán
tính vi mô của hệ thống cảm biến chuyển động. Các cảm biến IMU này
và mô-đun Bluetooth được đặt trong một PCB nhỏ, như được hiển thị
trong Hình 2. Theo tính toán, hai pin Li 3,6 V
có thể cấp nguồn cho thiết bị trong 8–10 giờ. Máy tính nhận gia tốc
xoay chiều 3-D và tốc độ góc, hiển thị chúng trong sáu miền thời gian
đồ thị, mỗi đồ thị đại diện cho gia tốc trục và tốc độ quay. Đồng thời,
một tệp văn bản bao gồm sáu ký tự được tạo để phân tích sau này. Do đó,
IMU có khả năng
thực hiện hai chức năng: thứ nhất, nhiệm vụ thu thập và truyền dữ liệu
không dây có thể được phân tích sau này tới máy tính và
thứ hai, việc tải xuống nhận dạng dựa trên tốc độ góc
thuật toán được sử dụng để xác định chuyển động rơi xuống và kích hoạt túi khí
cho lạm phát.
B. Hệ thống nhả túi khí
Cơ chế nhả cơ học (Hình 3) bao gồm một quả đấm hình chữ thập được
gắn trên một bệ phóng bao gồm một lò xo
và một công tắc khóa. Lò xo được nén bằng vít.
Khi nhấn công tắc khóa bằng bộ truyền động, lò xo nén nén sẽ kéo dài và
cú đấm tăng tốc về phía
xi lanh tăng áp. CO nén được giải phóng từ
khe hở giữa chày và nắp xilanh. Cuối cùng, khí được
được truyền dọc theo một đường ống dài 16 cm để làm phồng túi khí.
Machine Translated by Google

SHI và cộng sự: HỆ THỐNG TÚI KHÍ NGƯỜI DI ĐỘNG ĐỂ BẢO VỆ MÙA THU SỬ DỤNG CẢM BIẾN MEMS VÀ BỘ PHÂN LOẠI SVM ĐƯỢC NHẬP 497

Hình 3. Hình cắt ngang của bộ bơm: (a) trạng thái trước khi kích hoạt;

(b) sau khi kích hoạt, khí được giải phóng.

Hình 4. So sánh kết quả thực nghiệm và mô phỏng cho túi khí di động

lạm phát (áp lực so với thời gian).

Bộ truyền động được sử dụng là một servo 16 g có bán trên thị trường

BMS-380MAX có kích thước 26 13 26 mm, tốc độ

0,15 s/60 ở 4,8 V. Chỉ cần 5 V và ít hơn 0,6 A.

ở đâu và là tỷ lệ khối lượng
mô-men xoắn cực đại là 4,1 kg / cm ở 4,8 V. Nó có thể dễ dàng được điều khiển
tốc độ dòng chảy đến tốc độ dòng chảy khối lượng bị nghẹt. Đối với dòng chảy cận âm, thay đổi
bởi bộ vi điều khiển với điều chế độ rộng xung (PWM),

điều khiển vị trí của góc servo theo với tỷ số áp suất và phương trình vi phân được giải

độ dài của dạng xung. Thời gian đáp ứng của nó (từ thời điểm sử dụng Matlab Simulink. Hình 4 cho thấy sự so sánh giữa

servo nhận tín hiệu cho đến khi khí nén được giải phóng lần đầu tiên) áp lực thu được thông qua mô phỏng và những người tính toán từ

luôn nằm trong khoảng từ 0,1 đến 0,133 s. kết quả thí nghiệm (sử dụng lỗ thoát 15,21 mm tại một

Chúng tôi cũng đã thiết kế quy trình lạm phát túi khí để đảm bảo áp suất ban đầu là 550 kPa). Rõ ràng là các đẳng thức trên

rằng các túi khí có thể được bơm căng trong vòng 0,333 s. Điều này có nghĩa rằng phù hợp để mô hình hóa các thông số dòng khí trong túi khí

toàn bộ quá trình phát hiện ngã, kích hoạt cơ khí và quá trình lạm phát.

lạm phát túi khí phải được hoàn thành trong vòng 0,9 giây để Đối với việc triển khai hệ thống túi khí của con người, chúng tôi nhận thấy

hệ thống bảo vệ người mặc. Khối chất lỏng nén cổ điển rằng hộp mực 12g CO (có đường kính 8 mm và tổng

chiều dài 85 mm) có thể được sử dụng để mở rộng túi khí tôi
phương trình tốc độ dòng chảy được sử dụng để ước tính các tham số dòng chảy thông qua
một lỗ 1,88 (kích thước tối thiểu của túi khí để giảm thiểu hiệu quả). Theo

tính toán, tỷ lệ CO

khối lượng cung cấp và khối lượng khí cần thiết cho mong muốn

khối lượng túi khí có nghĩa là CO từ ,

một hộp mực 12 g có thể được sử dụng để bơm phồng túi khí ở mức tối thiểu

khối lượng cần thiết để bảo vệ người mặc trong vòng 0,333 s. Bản chất

nhỏ gọn của hộp khí CO và túi khí làm cho hệ thống

phù hợp cho người cao tuổi sử dụng hàng ngày.

C. Phân tích camera tốc độ cao và Demo hệ thống túi khí

Để phân tích đầu ra tín hiệu IMU, một camera tốc độ cao được
(1)
được sử dụng để ghi lại chuyển động rơi xuống, trong khi IMU đang hoạt

động. Kiểu máy ảnh được sử dụng là PCO 1200 hs Tốc độ cao

ở đâu là lưu lượng khối lượng (kg/s), là diện tích của túi khí Cam với độ phân giải tối đa 1280 1025 pixel. Các

lỗ đầu vào (tính bằng m), và là áp suất xi lanh và túi khí tốc độ phim được sử dụng là 200 Hz. Máy ảnh được đặt cách 5 m

áp suất tương ứng, được sử dụng để xác định áp suất không khí cuối cùng đối tượng ở vị trí trực giao với hướng rơi.

(như được ghi lại bởi cảm biến áp suất), là nhiệt dung riêng Bằng cách đo góc nghiêng của thân cây trong khung
tỷ lệ (đối với không khí, 1.3 đối với CO) và là hằng số khí trong khoảng thời gian đã biết, sự thay đổi của góc nghiêng

( j/kgK đối với không khí, 188,9 j/kgK đối với CO ). phương trình đối với thời gian có thể thu được. Con tàu quan hệ góc-thời gian có thể

hình dưới đây mô tả áp suất tức thời trong môi trường nén được trang bị một đường cong lập phương. Góc tức thời

xi lanh khí dưới dòng chảy cận âm và dòng chảy âm thanh, tương ứng vận tốc của hông có thể được đo bằng cách phân biệt khối này

đường cong. Hơn nữa, khi so sánh với một trong những đầu ra con quay hồi chuyển

(vận tốc quay của thân cây) của IMU, tín hiệu

tương ứng với tác động có thể được biện minh. Trong Hình 5, nghiêng
(2) góc của thân cây được đo từ bộ phim được sản xuất bởi

Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.
Machine Translated by Google

498 TẠP CHÍ CẢM BIẾN IEEE, VOL. 9, KHÔNG. 5, THÁNG 5 NĂM 2009

Hình 7. Trình diễn độc lập với IMU và hệ thống triển khai.

Hình 5. Phân tích mùa thu bằng camera tốc độ cao.

Hình 8. Sơ đồ đào tạo SVM.

người đó ngã xuống đất, giúp bảo vệ hông.

Thí nghiệm này chứng minh rằng hệ thống túi khí là khả thi.

III. PHÂN LOẠI SVM

Mặc dù một ngưỡng tỷ lệ góc đơn giản có thể được sử dụng để xác định
Hình 6. So sánh kết quả của máy ảnh tốc độ cao và đầu ra của cảm biến con quay hồi chuyển.
rằng một cú ngã đang diễn ra, nhưng có thể xảy ra hiện tượng thổi phồng

sai trong hoạt động thể chất bình thường. Điều này nhấn mạnh sự cần

thiết phải làm cho thiết bị kích hoạt trở nên đáng tin cậy, sao cho bộ
máy ảnh tốc độ cao. được xác định từ tính năng đại diện được gửi bởi
phận cảm biến kích hoạt hệ thống triển khai khi xảy ra ngã, đồng thời
đường ngang trong phim.
không tạo ra các tín hiệu sai gây hoảng sợ không cần thiết, một tính
Như được hiển thị trong Hình 6, khi chúng tôi so sánh kết quả của
năng đặc biệt quan trọng đối với người cao tuổi. SVM, một loại thuật
camera tốc độ cao với một trong các đầu ra của con quay hồi chuyển (tốc
toán mạng nơ-ron, được chọn vì nó là một bộ phân loại bi nary tốt, đòi
độ quay của thân cây) của IMU, tín hiệu tương ứng với tác động có thể
hỏi số lượng mẫu tương đối thấp.
được chứng minh. Đầu ra của con quay hồi chuyển rất giống với phân tích
Một chương trình dựa trên SVM sử dụng máy tính chủ đã được thử nghiệm để
hình ảnh. Điều này cũng giúp chúng tôi xác định khi nào nên mở túi khí.
phân biệt giữa chuyển động bình thường và chuyển động rơi.

Như thể hiện trong Hình 8, MCU đầu tiên chuyển đổi các đầu ra cảm
Sử dụng kết quả từ camera tốc độ cao và bộ bơm hơi, chúng tôi có thể
biến thành tín hiệu kỹ thuật số và sau đó truyền tín hiệu dữ liệu được
thiết lập một bản demo để cho thấy tính khả thi của hệ thống túi khí.
đóng gói tuần tự qua mô-đun Bluetooth đến máy tính. Hàng trăm bản ghi
Chúng tôi đã kết nối hộp khí với bộ bơm hơi và bộ bơm hơi với IMU. Máy

bơm được sử dụng để kích hoạt IMU. Một giá trị cảm biến con quay hồi âm, bao gồm ngã nghiêng, đi bộ, chạy, ngồi, đi lên xuống cầu thang và

chuyển nhất định đã được đặt làm ngưỡng cho cú ngã nguy hiểm. Vì chúng bước vào thang máy, đã được thực hiện để tạo thành cơ sở dữ liệu cho đào

tôi đã giả định rằng sau một góc 30 độ, một người không thể giữ thăng tạo SVM. Sau khi đào tạo, chúng tôi đã chọn những tính năng tốt nhất để

bằng được nữa, chúng tôi đã truy tìm giá trị của vận tốc góc từ kết quả tạo thành một bộ phân loại để nhận dạng chuyển động rơi.

của máy ảnh tốc độ cao và nhập giá trị đó vào cảm biến con quay hồi

chuyển. Khi đầu ra của cảm biến con quay hồi chuyển sau một hành động Mục tiêu của chúng tôi là tạo điều kiện thuận lợi cho việc nhận dạng

lớn hơn giá trị này, IMU sẽ kích hoạt túi khí. chuyển động rơi xuống trong thời gian thực và điều khiển túi khí bảo vệ

hông. Chúng tôi đã giải quyết vấn đề này thông qua việc sử dụng nhận

Hình 7 cho thấy kết quả bung túi khí. Khi một người đang rơi xuống và dạng mẫu nhị phân với SVM, như sau.

vận tốc góc lớn hơn một giá trị nhất định, mô-đun cảm biến sẽ kích hoạt 1) Thiết lập cơ sở dữ liệu về chuyển động “rơi xuống” và “không rơi

xi lanh CO giải phóng không khí và làm phồng túi khí. Có thể thấy rõ túi xuống” thông qua các thí nghiệm trong đó uIMU

khí đã bung trước đã được mặc.

Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.
Machine Translated by Google

SHI và cộng sự: HỆ THỐNG TÚI KHÍ NGƯỜI DI ĐỘNG ĐỂ BẢO VỆ MÙA THU SỬ DỤNG CẢM BIẾN MEMS VÀ BỘ PHÂN LOẠI SVM ĐƯỢC NHẬP 499

PCA có thể được sử dụng để tạo ra các tính năng không tương quan lẫn nhau

trong khi đóng gói hầu hết các thông tin có liên quan vào một số

véc tơ riêng. Trong hệ thống của chúng tôi, chúng tôi sử dụng các thuật toán PCA được giám sát

để tạo các tính năng và chọn các kết hợp chất lượng cao cho

hiệu suất nhận dạng tốt hơn.

Một tập hợp các vectơ riêng có thể được tính toán từ dữ liệu chuyển

động đào tạo và một số vectơ riêng đã được chọn để phân loại theo giá

trị riêng tương ứng.

Chúng tôi đã chọn các vectơ riêng theo khả năng phân loại nhị phân

thay vì theo phương thức tương ứng.

giá trị bản địa. Điều này là do trong khi các vectơ riêng với lớn

giá trị riêng có thể mang những đặc điểm chung, chúng không

mang thông tin cần thiết để phân biệt giữa hai

các lớp học.
Hình 9. Dữ liệu ban đầu được ghi lại cho một chuyển động rơi xuống.
Phương pháp này có thể được mô tả như sau. Giả sử rằng chúng ta

có hai bộ mẫu đào tạo: và Số lượng .

2) Sử dụng phân tích thành phần chính có giám sát (PCA) để các mẫu đào tạo trong mỗi bộ đại diện cho. từng vectơ riêng được tạo

tạo và chọn các tính năng đặc trưng. thông qua PCA. Mỗi mẫu huấn luyện, bao gồm cả mẫu dương tính và mẫu âm

3) Sử dụng đào tạo SVM để lấy bộ phân loại SVM. tính, có thể được chiếu vào một trục được mở rộng bởi vectơ riêng tương

ứng.
A. Thiết lập cơ sở dữ liệu Bằng cách phân tích sự phân bố của các điểm được chiếu, chúng ta có thể

Hai nhóm thí nghiệm đã được thực hiện. Những liên quan chọn sơ bộ những eigenvector có nhiều chuyển động hơn trong quá trình

một trăm động tác ngã ngang và một trăm động tác khác, bao gồm 10 động hình thành. Sau đây là mô tả chi tiết của quá trình.

tác chạy, 20 động tác đi bộ, 20 động tác ngồi, 20 động tác ngồi xổm, 20 1) Đối với một véc tơ riêng nhất định, hãy tính toán kết quả ánh xạ của nó

động tác liên quan đến đi lên hoặc theo hai tập mẫu huấn luyện. Kết quả
có thể được mô tả như là .
xuống cầu thang và 10 chuyển động nhảy. Những chuyển động này được chọn là

những chuyển động bình thường được thực hiện trong cuộc sống hàng ngày. Tại vì số lượng vectơ riêng và là tổng số

người già hiếm khi chạy hoặc nhảy, chúng tôi đã thu thập thêm dữ liệu mẫu huấn luyện.

về chuyển động ngồi và ngồi xổm, một cách tiếp cận cũng có thể hợp lý 2) Huấn luyện bộ phân loại bằng một phương pháp đơn giản, chẳng hạn như

trên cơ sở là các chuyển động này tương tự như các chuyển động Nhận thức hoặc Mạng thần kinh, có thể được sử dụng để phân tách

xảy ra trong một mùa thu. thành hai nhóm, rơi xuống và không rơi xuống, với
sai số tối thiểu 3) .
Hình 9 hiển thị dữ liệu gốc cho một chuyển động rơi, bao gồm gia tốc

3-D và tốc độ quay từ một thử nghiệm thực nghiệm. Trong Hình 9, (được , này từ tập ban đầu
Nếu chọn véc tơ riêng

biểu thị bằng đường màu xanh lam) là của các vectơ riêng. là ngưỡng xác định. Phần được chọn

tốc độ góc của hướng cao độ, sự thay đổi trong đó mang lại một các vectơ riêng cũng có thể được biểu diễn trở lại dữ liệu chuyển động

điểm bắt đầu để đánh giá một chuyển động rơi xuống. (đường màu đen) đại diện cho một phong trào tiêu biểu.

đại diện cho gia tốc dọc. Dữ liệu tăng đột biến Phân tích thành phần độc lập (ICA) sau đó được sử dụng để lấy

tương ứng với thời điểm mà hông chạm đất. một tập hợp các quan sát và tìm một nhóm các thành phần độc lập giải

Bằng cách đồng bộ hóa các quan sát trực quan với dữ liệu được cảm nhận, chúng tôi thích dữ liệu. PCA chỉ xem xét các khoảnh khắc bậc hai và không tương

trích xuất dữ liệu chuyển động từ khi bắt đầu rơi cho đến khi quan với dữ liệu, trong khi ICA chiếm tỷ lệ cao hơn

cơ thể chạm đất (một tấm thảm mềm) cho cả sáu cảm biến. số liệu thống kê đơn hàng và do đó cung cấp một biểu thức dữ liệu mạnh

Một trăm cú ngã thử nghiệm đã được thực hiện, bao gồm cả mẽ hơn PCA [11].

chuyển động rơi nhanh và chậm. Các thí nghiệm liên quan đến Ở đây, chúng tôi chọn ngẫu nhiên ba trong số các eigenvectors đã chọn

sử dụng hai người khác nhau làm mô hình để cho phép xây dựng cơ sở dữ được tạo ra thông qua quy trình PCA có giám sát để tạo thành ma trận
param eter. Khi nào được nhân với và hai đầu vào ,
liệu thực tế hơn. Cùng một cành giâm cũng được
thực hiện cho 100 chuyển động bình thường. Điều này dẫn đến sự hình thành ma trận được tạo chỉ chứa ba tham số cho

của cơ sở dữ liệu gồm 100 lần ngã và 100 lần chuyển động bình thường. mỗi vectơ đầu vào, mà chúng tôi gọi là và . Khi chúng tôi làm theo

Quá trình ICA trong [11], tốt được chọn và tương ứng
B. PCA được giám sát và ICA để trích xuất tính năng và được chọn làm đầu vào đào tạo cho quy trình SVM.

Việc tạo và lựa chọn tính năng rất quan trọng trong việc giảm

nhận dạng xuống, vì các tính năng được chọn không tốt như giảm trọng
C. Quy trình đào tạo SVM
lượng, nghiêng người về phía sau và xoay hông có thể bị nhầm lẫn

với việc nhảy, ngồi và xoay người, điều này có thể đánh giá rõ ràng hiệu Mục tiêu của chúng ta là tách dữ liệu gốc thành hai lớp,

quả của hệ thống. Hơn nữa, mặc dù và chuyển động bình thường, theo một nhóm tính năng. trong chúng tôi

các tính năng hiện tại chứa đủ thông tin về đầu ra hệ thống, dữ liệu đầu vào cho chuyển động của con người là chiều cao và

lớp, chúng có thể không dự đoán đầu ra một cách chính xác, bởi vì kích phi tuyến tính. Chúng tôi phải ánh xạ dữ liệu được đại diện bởi và vào

thước không gian của một tính năng có thể quá lớn nên cần có nhiều tư một không gian đặc trưng nhiều chiều thông qua ánh xạ phi tuyến,

thế để xác định kết quả. và thực hiện hồi quy tuyến tính trong không gian này [12]. Chúng tôi giả định rằng

Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.
Machine Translated by Google

500 TẠP CHÍ CẢM BIẾN IEEE, VOL. 9, KHÔNG. 5, THÁNG 5 NĂM 2009

vectơ đầu vào là và điều đó là BẢNG I

CÁC HỆ SỐ CỦA PHÂN LOẠI SVM
nhãn lớp của

(3)

Do đó, hồi quy tuyến tính trong không gian chiều cao (đặc trưng)
tương ứng với hồi quy phi tuyến tính trong không gian đầu vào chiều
thấp. Lưu ý rằng ngưỡng và sản phẩm dấu chấm giữa và phải được tính
toán trong không gian sional dimen nếu
giá được) cao chúng
này (thường là thể
ta không không
sử thể
dụngđánh
hạt
nhân mà cuối cùng để lại cho chúng ta các sản phẩm dấu chấm có thể
ma trận gồm 200 hàng và 60 cột, mỗi hàng đại diện cho một thử nghiệm.
được biểu thị ngầm trong không gian đầu vào chiều thấp
Mỗi người có số trong dãy
.
. Hàm hạt nhân được xác định bởi
Người ta thấy rằng việc nén dữ liệu huấn luyện thành ba chiều sử
dụng PCA và ICA là đủ để thu được kết quả phân loại tốt. Chúng tôi
(4)
chọn ngẫu nhiên một nửa dữ liệu để đào tạo SVM và nửa còn lại được

Như đã giải thích trong [12], bất kỳ hàm nhân đối xứng nào thỏa sử dụng để thử nghiệm.

mãn điều kiện của Mercer đều tương ứng với một tích vô hướng trong Đối với dữ liệu thử nghiệm không nhìn thấy, kết quả tốt đã thu được.

một số không gian đặc trưng. Để tham khảo chi tiết về lý thuyết và Về cơ bản, hệ thống kết quả có thể phân loại các vectơ thử nghiệm

tính toán SVM, độc giả có thể tham khảo [12]. Có nhiều kernel thỏa thành các trạng thái 'rơi xuống' và 'không rơi xuống' với độ chính

mãn điều kiện Mercer như mô tả trong [12]. Trong bài báo này, chúng xác 100%.

tôi lấy một nhân đa thức đơn giản Tính toán cần thiết cho bộ phân loại SVM được hiển thị trong (7).
Các hệ số tương ứng được thể hiện trong Bảng I. Al mặc dù quá trình
(5)
đào tạo là tính toán tốn kém, sau khi đào tạo, các yêu cầu tính toán
của bộ phân loại là rất nhỏ
Vì vậy, chúng ta nên giải quyết

(9)

(6)

IV. THỰC HIỆN TRONG THỜI GIAN THỰC VỚI DSP

ở đâu là tham số đánh đổi giữa lỗi và lề và là hệ số nhân Lagrangian.
Đây là một lập trình bậc hai
A. Cải thiện bộ lọc SVM: Xử lý cửa sổ
(QP) vấn đề với một hàm nhân được chọn trong đó có thể tính toán
và các vectơ đầu vào tương đối được gọi là các vectơ hỗ trợ. Cho rằng Đối với một hệ thống thời gian thực, mục tiêu của chúng tôi là
hiện thực hóa một thuật toán có thể nhận ra cú ngã trước khi hoàn
rất nhiều số nhân Lagrangian sẽ bằng 0, chỉ có một số vectơ hỗ trợ
thành. Hệ thống phải nhận ra một hành động nguy hiểm trong một khoảng
(được biểu thị là) còn lại để tính toán thông qua các phương trình
thời gian rất ngắn để đảm bảo rằng có đủ thời gian để túi khí bung
sau:
ra. Đồng thời, hệ thống không được kích hoạt sai khi một người đang
thực hiện các chuyển động bình thường.
(7)
Chúng tôi đề xuất một thuật toán xử lý cửa sổ trượt, tức là thuật
toán xác định độ rộng nhất định của “cửa sổ” để xử lý. Chúng tôi cắt
một “chiều rộng cửa sổ” đã chọn để đánh giá bộ lọc FFT và SVM, đồng
thời, đẩy cửa sổ về phía trước, do đó cho phép dữ liệu trong cửa sổ
(số 8)
được đánh giá mỗi lần. S.

Các thí nghiệm được thực hiện cho thấy rằng chuyển động rơi và các

chuyển động khác có thể được tách biệt hoàn toàn bằng cách sử dụng tất
D. Kết quả thực nghiệm và đào tạo SVM cả các chiều rộng cửa sổ này. Hình 10 cho thấy kết quả phân loại trong

Hai trăm kết quả thử nghiệm bao gồm sự phân chia đồng đều của dữ một hình Matlab, trong đó các điểm màu xanh đại diện cho dữ liệu mùa

liệu “rơi xuống” và dữ liệu “không rơi xuống” đã được ghi lại. Mỗi thu và các điểm màu đỏ đại diện cho các chuyển động khác.

kết quả bao gồm sáu mảng được đo bằng sáu cảm biến tương ứng.
B. Cải thiện Bộ lọc SVM: Giảm tốc độ lấy mẫu

Quá trình tiền xử lý dữ liệu được thực hiện để lọc nhiễu và giảm Như đã định nghĩa ở trên, tốc độ lấy mẫu của IMU của chúng tôi là 200 Hz.

kích thước. Đối với mỗi kết quả thử nghiệm, chúng tôi đã thực hiện Đối với thuật toán xử lý cửa sổ, một mảng mới gồm sáu kênh dữ liệu
một DFT gồm sáu mảng tương ứng và giữ nguyên mười hệ số đầu tiên của làm mới kết quả FFT của đa thức cứ sau 0,005 giây.gian
Trong khoảng
rất thời
ngắn này,
mỗi kết quả DFT. Sau 200 DFT, chúng tôi đã thu được một hệ thống

Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.
Machine Translated by Google

SHI và cộng sự: HỆ THỐNG TÚI KHÍ NGƯỜI DI ĐỘNG ĐỂ BẢO VỆ MÙA THU SỬ DỤNG CẢM BIẾN MEMS VÀ BỘ PHÂN LOẠI SVM ĐƯỢC NHẬP 501

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) tiên tiến, hiệu

suất cao được phát triển bởi Texas Instruments (TI), khiến nó trở

thành lựa chọn tuyệt vời cho các ứng dụng đa kênh và đa chức năng. Vấn

đề chính trong việc lựa chọn DSP là tốc độ hoạt động, điều này làm cho

thiết bị C6713 trở thành một lựa chọn phù hợp [14]. a) Tiêu tốn thời
gian tính toán cho -Point FFT: FFT được sử dụng rộng rãi để xử lý miền

tần số và phân tích phổ. Nó là một dạng chuyển đổi Fourier rời

rạc hiệu quả về mặt tính toán (DFT), được định nghĩa là

Hình 10. Sự rơi và các chuyển động khác có thể được phân loại.

(10)

trong đó yếu tố xoay vòng được định nghĩa là

(11)

Độ phức tạp giảm của thuật toán FFT cơ số 2 là phép nhân phức và

phép cộng phức tạp [14]. 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 khoảng 0,001 giây, không đáng kể so với chi phí

thời gian cho các hệ thống cơ học.

Hình 11. Các phép tính bộ lọc có thể được thực hiện trong 1/100 s.

b) Mức tiêu thụ bộ lọc SVM: Như đã đề cập ở trên, chúng ta cần

tạo và trước khi sử dụng bộ có

lọc10SVM,
FFT như
thứ trong
tự đầu(7).
tiênBan
trong
đầu,sốchúng
sáu kênh
tôi

ADC; do đó, một đa thức được tạo ra.

Trong quá trình đào tạo SVM, chúng tôi có một ma trận tham số Đa thức
. này được nhânsàng
với cho
ma trận tham
bộ lọc số,cùng
cuối tạo ra một đa thức sẵn

Hình 12. Cấu trúc nhận dạng thời gian thực.

phải nhận biết chuyển động có nguy hiểm hay không, nghĩa là tính toán
(9)
bộ lọc FFT và SVM phải được hoàn thành trong vòng 0,005 giây.

Để tính toán ma trận, cần thực hiện 180 phép nhân và 180 phép cộng.
Hình 11 cho thấy các yêu cầu tính toán cho quy trình lọc này. Trong
Đối với thuật toán lọc, cần 15 phép nhân và 9 phép cộng.
hệ thống cập nhật nhất của chúng tôi, dữ liệu ADC 200 Hz được truyền

nhưng dữ liệu được lấy mẫu và đào tạo sau mỗi 10 mili giây.
Một thử nghiệm cho thấy kết quả mô phỏng của bộ lọc SVM, bao gồm
Ngoài ra, với quy trình đào tạo SVM, một bộ lọc để phát hiện ngã được kết quả FFT và số chu kỳ là 0,00002
khoảng 66 910.Trong
Một DSP
giây. kết 300
quả MHz có giá toàn
mô phỏng,
tạo ra. Kết quả cho thấy chúng ta có thể phân loại các chuyển động rơi bộ mức tiêu thụ của DSP là 434 021 chu kỳ, trong khi trong tính toán
và các chuyển động khác một cách rõ ràng. Do đó, bộ lọc mới này có thể
thời gian thực, bộ lọc mới của chúng tôi cung cấp cho chúng tôi 3 M
được nạp vào DSP và thời gian tính toán có thể kéo dài đến 10 ms.
chu kỳ để tính toán, là đủ nếu chúng tôi lấy kết quả mô phỏng.

C. Triển khai DSP

c) Trình diễn Nhận dạng Thời gian thực DSP: Hình 13 cho thấy bản

Như đã mô tả ở trên, đối với một sản phẩm thực, tất cả các thuật trình diễn của hệ thống DSP trong việc nhận dạng chuyển động rơi.

toán phải được tích hợp vào một con chip. Đối với DSP tốc độ cao, Một thuật toán tích hợp được nhúng trong DSP. Thuật toán thực hiện FFT

trước tiên chúng tôi chuyển dữ liệu vào DSP, để thuật toán đọc dữ liệu và SVM, giúp phân biệt các chuyển động bình thường (đi bộ, lên cầu

bằng cửa sổ trượt cố định, sau đó đánh giá từng cửa sổ xem có nguy hiểm không.
thang, ngồi, đứng) với các chuyển động bị ngã. Như các bức ảnh cho

Hình 12 cho thấy luồng thuật toán của hệ thống. thấy, túi khí chỉ được kích hoạt khi xảy ra ngã. Đây

Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.
Machine Translated by Google
502
Hình 13. Minh họa khả năng chống rơi ngã trong thời gian thực.
demo chứng minh tính khả thi của ứng dụng DSP thời gian thực và
toàn bộ hệ thống túi khí.
V. KẾT LUẬN
Bài báo này trình bày một hệ thống túi khí con người dựa trên
MEMS mới đang được phát triển. IMU được sử dụng để phát hiện các
chuyển động phức tạp của con người và nhận biết chuyển động rơi
xuống, sau đó có thể được sử dụng để kích hoạt việc nhả túi khí.
Một hệ thống thoát khí cũng được thiết kế. Chúng tôi thiết lập
một bản demo độc lập để chứng minh rằng hệ thống túi khí khả thi
khi được sử dụng kết hợp với IMU của chúng tôi. Chúng tôi cũng
sử dụng SVM làm phương pháp nhận dạng mẫu để đào tạo sau PCA cho
dữ liệu DFT. Chúng tôi chỉ ra rằng các bộ véc tơ riêng được chọn
có thể phân loại 200 bộ dữ liệu thử nghiệm để sắp xếp các véc tơ
riêng thành các danh mục “không giảm xuống” và “xuống dưới”. Với
cải tiến được thực hiện cho 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 các thuật toán nhúng có thể phân loại ngã và
không ngã trong thời gian thực và túi khí có thể được bung ra khi xảy ra ngã.
NGƯỜI GIỚI THIỆU
[1] MN Nyan, FEH Tay, TH Koh, YY Sitoh và KL Tan, “So sánh vị trí và độ nhạy của cảm
biến gia tốc MEMS trong nhận dạng tín hiệu để giám sát xe cứu thương,” Electron.
Hợp phần Technol., vol. 1, không. 1–4, trang 956–960, tháng 6 năm 2004.
[2] J. Chan, PS Lam, PC Sze, và KS Leung, “Một nghiên cứu về nhân sinh học epi của
thác ở Hồng Kông,” trong Proc. Symp. Ngăn ngừa té ngã và gãy xương ở người lớn
tuổi, Yokohama, Nhật Bản, tháng 7 năm 2004.
[3] P. Kannus, J. Pakkari và J. Poutala, “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, tập. 25, trang 229–235, 1999.
[4] PC Sze, “Nghiên cứu về cơ học và tuân thủ của một cơ chế bảo vệ hợp thời được
sửa đổi dành cho những người sống trong viện dưỡng lão ở Hồng Kông,” M.Phil.
luận án, Đại học Trung Quốc. Hồng Kông, Hồng Kông, Trung Quốc, 2006.
[5] AK Nakahara, EE Sabelman và DL Jaffe, “Phát triển hệ thống phân tích chuyển động
gia tốc đeo được thế hệ thứ hai,” trong Proc.1st JointBMES/EMBS Conf., tháng 10
năm 1999, tập. 1, không. 13–16, tr. 630.
[6] CV Bouten, KT Koekkoek, M. Verduin, R. Kodde, và JD
Janssen, “Máy đo gia tốc ba trục và bộ xử lý dữ liệu di động để đánh giá hoạt
động thể chất hàng ngày,” IEEE Trans. sinh học.
Anh, tập. 44, không. 3, trang 136–147, tháng 3 năm 1997.
Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.
TẠP CHÍ CẢM BIẾN IEEE, VOL. 9, KHÔNG. 5, THÁNG 5 NĂM 2009
[7] DM Karantonis, ÔNG Narayanan, M. Mathie, NH Lovell, và B.
G. Celler, “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.
thông tin liên lạc Technol. Biomed., tập. 10, không. 1, trang 156–167, tháng 1 năm 2006.
[8] AHF Lam, WJ Li, Y. Liu và N. Xi, “MIDS: Hệ thống thiết bị đầu vào vi mô sử dụng
cảm biến MEMS,” trong Proc. IEEE/RSJ Int. Conf. Trong kể. Robot Syst., tháng 10
năm 2002, tập. 2, không. 30, trang 1184–1189.
[9] AHF Lam, RHW Lam, WJ Li, MYY Leung và Y. Liu, “Cảm biến chuyển động cho tay rô-
bốt sử dụng MIDS,” trong Proc. IEEE Int. Conf.
Người máy. Autom., ICRA'03, tháng 9 năm 2003, tập. 3, không. 14–19, trang 3181–3186.
[10] G. Zhang, G. Shi, Y. Luo, H. Wong, WJ Li, PHW Leong, và M.
Y. Wong, “Hướng tới một công cụ viết kỹ thuật số không dây phổ biến sử dụng công
nghệ cảm biến chuyển động MEMS,” trong Proc. IEEE / ASME Int.
Conf. quảng cáo thông minh. Mechatron., 2005, trang 795–800.
[11] M. Barlett và T. Sejnowski, “Các thành phần độc lập của hình ảnh khuôn mặt: Biểu
diễn để nhận dạng khuôn mặt,” trong Proc. 4 hàng năm. Triệu chứng chung
Neural Comput., Pasadena, CA, ngày 17 tháng 5 năm 1997.
[12] N. Cristianini và J. Shawe-Taylor, Giới thiệu về máy vectơ hỗ trợ và các phương
pháp học tập dựa trên hạt nhân khác. Cambridge, Vương quốc Anh: Đại học Cambridge.
Báo chí, 2000.
[13] Analog Devices Inc., Precision et g Gia tốc trục đơn/kép
ADXL203 Datasheet 2004.
[14] [Trực tuyến]. Có sẵn: www.ti.com
Guangyi Shi đã nhận được B.Eng. và M.Eng. bằng kỹ sư cơ
điện tử của Viện Công nghệ Bắc Kinh, Bắc Kinh, Trung Quốc,
lần lượt vào năm 2001 và 2004, và bằng tiến sĩ. bằng kỹ sư
cơ khí và tự động hóa của Đại học Hồng Kông Trung Quốc, Hồng
Kông, Trung Quốc, năm 2007.
Mối quan tâm nghiên cứu của ông bao gồm các ứng dụng cảm
biến MEMS, theo dõi và nhận dạng nhiều chuyển động của con
người.
Tiến sĩ Shi đã nhận được Giải thưởng Bài báo dành cho Sinh
viên Xuất sắc nhất của Hội nghị Quốc tế về Người máy và Mô phỏng Sinh học (ROBIO) năm 2007 của IEEE.
Cheung Shing Chan nhận giải B.Eng. bằng kỹ sư cơ khí của Đại
học Hồng Kông Trung Quốc (CUHK), Hồng Kông, Trung Quốc, năm
2005 và bằng M.Med. bằng cấp từ Khoa Chỉnh hình và Chấn
thương, CUHK, năm 2007.
Lĩnh vực nghiên cứu của ông bao gồm động học khi rơi và
thiết kế cơ khí của hệ thống bảo vệ nhỏ gọn chống té ngã cho
người già.
Machine Translated by Google

SHI và cộng sự: HỆ THỐNG TÚI KHÍ NGƯỜI DI ĐỘNG ĐỂ BẢO VỆ MÙA THU SỬ DỤNG CẢM BIẾN MEMS VÀ BỘ PHÂN LOẠI SVM ĐƯỢC NHẬP 503

Wen J. Li nhận bằng Cử nhân và Thạc sĩ của Đại học Nam Yuexian Zou đã nhận được M.Sc. năm 1991 và bằng Tiến sĩ.
California, Los Angeles lần lượt vào năm 1987 và 1989, năm 2000 của Đại học Khoa học và Công nghệ Điện tử Điện
và bằng Tiến sĩ. bằng cấp của Đại học California, Los tử của Trung Quốc, Thành Đô, và Đại học Hồng Kông, Hồng
Angeles, năm 1997, tất cả về kỹ thuật hàng không vũ trụ. Kông, Trung Quốc, tương ứng.

Ông hiện là Giáo sư chính thức kiêm Giám đốc Trung tâm Cô phục vụ với tư cách là Phó giáo sư tại Đại học Bắc
Hệ thống Vi mô và Nano, CUHK. Sở thích tìm kiếm lại của Kinh. Cô hiện đang làm việc trong các dự án xử lý tín
anh ấy là trong các lĩnh vực ứng dụng MEMS tiên tiến và hiệu mảng và xử lý tín hiệu video.
cảm biến, thao tác và lắp ráp ở quy mô nano. Mối quan tâm nghiên cứu của cô bao gồm thiết kế bộ lọc
kỹ thuật số, xử lý tín hiệu thích ứng, nhận dạng mẫu và
Nhóm nghiên cứu của Tiến sĩ Li đã nhận được một số ứng dụng cảm biến MEMS.
giải thưởng từ các hội nghị lớn của IEEE, bao gồm IEEE-ICRA 2003 (Bài báo Hội nghị Tốt
nhất), IEEE-NANO 2003 (Bài báo Áp phích Sinh viên Tốt nhất) và IEEE/ASME AIM 2007 (Bài
báo Hội nghị Tốt nhất). Ông đã từng là khách mời biên tập cho một số ấn phẩm kỹ thuật
của IEEE và hiện là Tổng biên tập của Tạp chí Công nghệ Nano của IEEE. Ông cũng từng
Yufeng Jin nhận bằng Tiến sĩ. bằng cấp từ Đại học Đông
là Chủ tịch của IEEE-NANO 2007, Chủ tịch của IEEE-NEMS 2006 và Chủ tịch của IEEE-ROBIO
Nam, Nam Kinh, Trung Quốc, vào tháng 5 năm 1999.
2005.
Ông là Giám đốc Phòng thí nghiệm Trọng điểm Quốc gia
về Công nghệ Chế tạo Micro/Nano, Trung Quốc. Ông hiện là
Giáo sư tại Viện Vi điện tử, Đại học Bắc Kinh, Trung
Quốc. Mối quan tâm nghiên cứu của ông tập trung vào mô
phỏng số cho vi lỏng trong một cấu trúc thu nhỏ, MEMS RF

Kwok-Sui Leung nhận bằng MD từ Đại học Hồng Kông Trung bao gồm công tắc MEMS vi sóng, tụ điện có thể điều chỉnh
Quốc, Hồng Kông, Trung Quốc vào năm 1991. Q cao, bộ cộng hưởng và mạch điện. Lợi ích nghiên cứu
cũng bao gồm công nghệ đóng gói MEMS tiên tiến. Nghiên

Ông là Giáo sư tại Khoa Chỉnh hình và Chấn thương, cứu đóng gói hiện tại chủ yếu tập trung vào đóng gói chân
Đại học Hồng Kông Trung Quốc trong hơn 20 năm. Ông cũng không MEMS, vi cảm biến, tích hợp 3-D của vi điện tử và các hệ thống ứng dụng của nó.
là Chuyên gia tư vấn về Chấn thương tại Bệnh viện Prince
of Wales, Shatin, Hồng Kông. Công việc nghiên cứu của anh
ấy bao gồm chữa lành gãy xương, các phương pháp sinh hóa
và tăng cường, phản ứng sinh học đối với kích thích cơ
học, cố định và phòng ngừa gãy xương do gãy xương và phẫu
thuật chỉnh hình có sự trợ giúp của máy tính.

Quyền sử dụng được cấp phép giới hạn ở: Đại học Trung Hoa Hồng Kông. Được tải xuống vào ngày 20 tháng 8 năm 2009 lúc 01:56 từ IEEE Xplore. Các hạn chế được áp dụng.