英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
基于BP神经网络的运动监测系统多传感器数据融合
摘要
近年来，许多研究者提出了多种呼吸监测方法来监测运动员在不同条件下的呼吸振幅和呼吸频率。然而，这些方法的准确性不高。因此，本文提出了一种基于BP神经网络与多传感器融合技术的呼吸监测方法。首先，我们将多个传感器固定在人体的胸部和背部，这样我们就可以准确地测量运动员在不同运动条件下呼吸时胸部轮廓的收缩和扩张所引起的加速度和角速度的变化。然后对背测单元测得的数据进行坐标测量，利用BP网络算法获得简单呼吸运动状态下的加速度曲线。最后得到不同运动状态下运动员的呼吸频率和呼吸深度参数，这些参数是评价运动员身体素质的重要指标。在实验平台上进行验证，将人体不同体位的实验结果与标准呼吸面罩测量结果进行对比。准确率达到90%以上，实现了呼吸状态传感器的网络化、便携性、可穿戴性，提供实时准确的测量。
关键词:BP神经网络；呼吸监测；耐磨性
1 引言
在训练过程中，运动员需要监控身体各方面的功能，防止过度训练。过度训练会导致身体损伤和情绪低落。因此，有必要对肺活量等生理生化特征进行反馈监测，如最大摄氧量、心率、呼吸速率、尿液浓度、血红蛋白、血乳酸和二氧化碳浓度[1]。其中呼吸频率是最重要的监测指标之一。运动员可以控制自己的呼吸频率达到最佳的训练状态。呼吸率与脉搏率之比为1:4。监测运动员的呼吸频率可以计算心率、细胞乳酸水平和二氧化碳含量；因此，监测呼吸比监测其他生理生化过程更方便、简洁[2]。
目前呼吸监测方法较多，如直接监测呼吸传感器[3]、基于呼吸音的呼吸监测方法[4]、肌电信息分析[5]等。直接监测呼吸传感器的方法要求测量装置直接放置在呼吸道上。这会使受试者感到不适，从而影响受试者正常呼吸节奏的测量结果，造成误差。由于目前基于呼吸声的监测方法不能识别呼吸和吸气循环，只能模拟呼吸气流速度的绝对值，进而降低了呼吸监测的可靠性。通过分析肌电信号获得呼吸波形的方法需要心电图，但不能实时跟踪，不适合在运动过程中测量。
视频监控主要依靠人工监控，当电源关闭时，视频监控功能不能充分发挥。因此，采用一种先进的算法对运动员呼吸系统进行人工智能管理具有重要意义。神经网络是一种非线性的传输网络，它克服了许多缺陷(尤其是原人工智能方法的缺陷)。它可以处理信息，并且在处理数据时还具有自适应能力。因此，它在预测、智能控制、模式识别、数据融合等诸多领域都得到了成功的应用。本文基于BP神经网络算法和多传感器数据融合技术实现了运动员呼吸系统的多数据融合监测管理。
本文采用了四种传感器，它们具有体积小、重量轻、功耗低、成本低、可靠性高等优点。它们在民用和军事定位中具有广阔的应用前景[6-9]。由于传感器各方面的优点，国内外学者已将其应用于人体各类数据的采集[10-13]。例如，朱壮生使用这个传感器来监视一个人走了多少步。王雪梅使用传感器来测量人手臂的运动。Prabancoro Adhi Catur Widagdo等人利用该传感器跟踪肢体运动[14-17]。然而，这些都涉及到较大的振幅，导致测量数据的范围很大。此外，还可能存在惯性测量单元测量噪声，即由于被测物体的运动，最终呼吸状态的测量精度可能会受到干扰。因此，对该传感器的误差分析和寻找补偿方法的尝试从未停止过[18-21]。
综上所述，为了弥补呼吸信号的弱点和单个传感器无法消除人体运动噪声，本文提出了一种基于卡尔曼滤波算法的差分双惯性测量单元呼吸监测方法。该装置固定在运动员的胸部和背部，然后测量胸部的速度和加速度以及呼吸时背部的角度。由于相对运动引起的胸部活动，实际的呼吸运动采样曲线是通过对传感器的加速度和角速度的参数执行不同的分解计算和卡尔曼滤波，从而实现实时监控运动员在动态环境中的呼吸频率和呼吸的深度。
2 BP神经网络与多传感器数据融合
BP神经网络是多层前馈神经网络的结构状态。s型功能是需要在其下方传递神经元的传递功能。所需的输出是在0到1之间。本文主要采用(Levenberg-Marquardt，L-M)算法，该优化算法是用来最小化其他非线性函数的平方和的数据。就训练指标与均方误差相比较而言，这与神经网络的学习性能是一致的。基于L-M算法上的bp的改进算法的优点是学习训练更短更准确。
传统的数据融合方法大多基于贝叶斯推理和D-S证据推理。其中的贝叶斯数据融合方法需要先验概率信息，然而在大多数状态下，此类信息难以获取或者不够精确。虽然D-S证据理论能够处理低精度的信息，但对于信息融合，它需要有足够的证据。可是在大多数情况下，这种证据并不容易获得。因此，本文结合BP混合算法和神经网络混合算法的优点，提出了一种多传感器信息的BP神经网络融合算法。
3 呼吸检测模型分析
人体的胸腔随着呼吸而波动。当人体处于不同的状态时，胸腔的振幅也会发生变化，在呼吸时，胸腔会经历前后运动和上下运动的叠加。在本文中，陀螺加速度传感器是用来在载体坐标系检测物体的三轴加速度信号，并用陀螺仪检测载体的角速度信号,从而实现角速度和加速度的测量对象的三维空间。因此，通过呼吸改变载体的坐标系统。然后基于加速度参数设计了人体呼吸运动检测模型。
3.1 呼吸系统抽样
在呼吸频率的测量中，使用惯性测量单元。其基本思想是通过比较两个陀螺仪和加速度传感器在呼吸前后采集的数据，计算呼吸过程中胸部扩张和收缩的加速度，通过呼吸加速度的幅度和周期来确定呼吸深度。在理想的静止状态，三个坐标轴加速度矢量由惯性测量组件等于重力加速度,和三轴角速度测量地球自转角速度，大约是7.27times;10minus;5 rad / s,这是数量级的。它比运动载体在运动时的角速度小得多，因此运动载体的三轴角速度可以认为在静止时趋近于零。因此，可以将惯性测量装置安装在胸腔上，以测量呼吸过程中胸腔在不同方向上的加速度。陀螺仪和加速度计只能测量胸部各个方向的加速度，但在呼吸时，身体的背部也会跟随胸部轻微的波动，行走或移动时产生的振幅与胸部的波动相比较。胸腔的波动要大得多，所以需要贴上两个陀螺仪和加速度传感器到前面胸部和背部和消除运动所产生的绝对速度的影响实验结果得到微分运动的形式。图1a是人体佩戴陀螺仪和加速度传感器的示意图，图1b是人体呼吸时胸腔变化的示意图。陀螺仪三轴加速度计和加速度计实时测量人体胸部的加速度信号实时和角速度信息实时生成的三轴陀螺仪的输出，可以实时解决呼吸后胸腔的加速度信息和姿态信息。
图1人体佩戴传感器示意图和b人体呼吸吸气胸部变化示意图
3.2 呼吸姿势的解决
在传感器位置和姿态更新算法中，经典的方法是利用四元数理论建立人体姿态四元数模型，并通过模型更新系统的位置和姿态[16-18]。人体与传感器之间的坐标系统为载体坐标系统(b系统)，地理坐标系统(g系统)为导航坐标系统(n系统)，方向分别为东、北、垂线方向。人体利用人体姿态角可以得到人体姿态变换矩阵。安装在人体上的陀螺仪和加速度计传感器的输出以地心惯性坐标系(i系)为基础，地球坐标系(e系)与地球固定。从导航坐标系(n坐标系)到载体坐标系(b坐标系)的变换由三次单轴旋转定义，旋转顺序如下:
陀螺仪和加速度计的数字算法以递归迭代的形式表示，即系统微分方程组是用来描述信息前人体的时刻,然后算法需要的采样值惯性设备最新的时刻作为输入，计算当前时刻的信息由微分方程。人体姿态更新的四元数微分方程如下:
(1) (2) (3) (4)
其中为描述人体姿态的四元数;是陀螺仪测量到的人体角速度;是地球自转角速度;是人体的高度;是人体坐标系的东、北、垂直速度分量;是地球的纬度;是向量;用四元数表示的、分别是人的位置、正午圆的曲率半径和幺正圆的曲率半径。利用四元数运算规则直接从姿态四元数中得到姿态矩阵。从姿态角描述的姿态矩阵中提取人体实时姿态角。
利用这四个传感器测量了前胸和后背的三轴加速度和三轴角速度。角速度一旦得到，就需要通过姿态变换矩阵将其转换为欧拉角。因为胸部的三轴加速度信息的四个传感器前面胸部和后面对应的轴面,加速度测量之前和之后的呼吸可以被转换成相同的导航坐标系通过态度转换矩阵，然后,可以进行相应的微分计算。
姿态变换矩阵的方程为：
(5)
(6)
(7)
我们在呼吸加速度监测模型中设置了状态向量。
对于，可以同时求解得到人体呼吸运动加速度状态方程。方程如下:
(8)
其中，为状态噪声矩阵。在得到状态方程后，通过求解状态方程可以得到呼吸加速度的观测方程。观测方程如下:
(9)
其中为观测噪声矩阵。因此，可以得到呼吸监测加速度的空间状态方程为:
(10)
其中为异步状态转移矩阵，为测量矩阵。为了提高监测系统的稳定性，有必要在用差分法得到呼吸加速度状态方程后，对状态空间方程进行滤波处理。很容易证明状态空间方程是一个线性系统。卡尔曼滤波(KF)是线性系统中最常用的滤波方法之一。KF方程由两组方程组成:时间更新方程和测量更新方程。
时间更新方程总结如下:
(11)
(12)
其中为协方差矩阵的过程噪声，为后验误差协方差矩阵。
测量更新方程如下:
(13)
(14)
(15)
其中为卡尔曼滤波增益，为观测噪声W的协方差，假设高斯白噪声的均值为零。模型的整个计算过程如图2所示。
图2程序流程图
3.3 神经网络在传感器数据融合中的应用
如图3所示，针对实验设备面临的数据融合中传感器管理问题，提出了一种基于BP神经网络的传感器管理方法:
如图3所示，数据融合系统中的传感器管理包括(1)传感器选择、(2)传感器状态选择、(3)融合参数选择和(4)知识库。传感器的选择是根据传感器获取的信息进行预处理，并与知识库系统中存储的基础数据相结合。模型逻辑用于开发数据融合所需的传感器组合，以消除数据融合的负面影响(减少错误)。传感器的状态判别部分对每个传感器的运行状态进行分析，判断该传感器是否存在问题。本文采用BP神经网络的方法来完成管理任务。因为网络的输出值对应的三个细胞层神经网络与每个传感器的状态,BP算法用于网络培训，这需要训练数据的生成如下:(1)当传感器正常工作状态或输出值获得不同于其他相同类型的传感器,相应的输出状态1;(2)传感器处于正常工作状态时，传感器的输出状态为1;(3)当传感器的输出值小于其他同类型传感器的输出值，或工作过程中出现故障，且输出值与其他同类型传感器的输出值相差较大时，对应的输出状态为0;(4)训练过程中未选中的所有传感器对应的输出状态为0。
图3数据融合中传感器管理原理框图
在传感器的融合参数选择部分，利用输出，并将存储在数据库部分的数据进行组合，完成传感器的融合结构和算法部分的构建。功能模块包括传感器选择部分的模糊逻辑规则和融合参数选择部分的模糊逻辑规则。数据模块是权重数据和算法的参数集。知识库的全部内容一般是通过专家意见和学者的实践培训获得的。通过以上各部分的结合，可以实现数据融合系统中传感器的管理。
4 验证实验
4.1 实验平台建构
本实验采用高精度三轴陀螺仪和三轴加速度计相结合的MPU6050作为呼吸运动监测传感器。它可以执行四元数计算。利用高性能微处理器和先进的动态解及卡尔曼动态滤波算法，可以快速确定物体当前的实时运动姿态。该微处理器具有体积小、数据传输方便、动态稳定性高等优点。实验过程中，静态精度为0.1，动态精度为0.05。与其他运动振幅相比，人体的呼吸振幅相对较小，因此实验设备的准确性和稳定性是设备选择中最重要的因素之一。传感器只有13克重。其数据传输方式为无线蓝牙，实时数据通过串口传输到上位机。JY901 IMU的最高数据输出速率为200hz，价格便宜，应用广泛。非常适合本系统搭建的低成本呼吸运动检测实验平台。实验结果如图4所示。
图4 实验平台
在这种验证实验中，由于呼吸运动的低频特性，传感器输出信号的采样频率设置为10赫兹，和采样点设置在2000来提高数据处理的速度和减少处理的数据量，以及提高监控系统的实时性能。验证包括测量人体在坐、正常行走和正常跑步时的呼吸胸。得到了轮廓线变化时的加速度参数，可以对本文提出的模型进行逐步实验验证。
4.2 实验数据采集与分析
首先，在坐着时监测呼吸运动参数。4个传感器分别安装在实验者的胸前和背部，测量加速度信息，如图5所示。将实测数据的加速度信息和角速度纳入差分卡尔曼滤波的呼吸运动监测模型，得到坐姿时的呼吸运动加速度曲线，如图6所示。
图5 坐着呼吸时胸部和背部的加速度
图6 坐着呼吸时的加速度
从图6可以看出，人体在坐着时呼吸缓慢而稳定，呼吸加速度在一定范围内上下波动。通过计算呼吸加速度曲线的幅值和频率，得出呼吸加速度幅值为0.24 m/s，呼吸频率为17 Hz，呼吸深度的方差为0.018。
其次，测量正常行走时的呼吸加速度。实验中测量到的实验者呼吸加速度曲线如图7所示，差分卡尔曼滤波计算出的纯呼吸加速度曲线如图8所示。
图7 正常行走呼吸时胸部和背部的加速
图8 正常行走呼吸加速度
从定性的角度看，图8显示，与坐姿相比，人在正常行走时呼吸明显增加。计算结果表明，人在这种状态下的呼吸深度为0.38 m/s，频
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237020]，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。
