三軸加速器傳感器的應用及MATLAB信號處理網絡搭建仿真研究目錄TOC\o"1-3"\h\u254961.緒論 153511.1研究背景 1141001.2研究現狀 23091.3本文研究目的及內容 3225381.3.1課題的研究目的 377621.3.2課題研究內容 4276002.數據采集與處理 6246422.1數據采集 6292722.2數據預處理 1169782.3特征提取 12150303．計步模型搭建 1399073.1BP神經網絡 13309383.2BFR神經網絡 1983173.3計步模型建立與仿真 22281563.4實驗分析與結論 269430參考文獻： 28摘要：步行運動是大眾日常生活中很常見的一項鍛煉方式，男女老少皆適合。進行步行運動的時候能夠讓大家心情愉悅，而且還能夠幫助人體降低其自身的血壓，還能夠幫助降低膽固醇含量，并能增加精力和體力有效減肥，提高睡眠質量等功效。但是在步行運動中要掌握正確的姿勢以及合適的強度。因此只有控制好每天走步的量才能科學精確的鍛煉。基于以上背景，本文通過加速度傳感器采集步行數據，利用MATLAB進行數據預處理，再在MATLAB中調用BP神經網絡和RBF神經網絡分別搭建出一個計步模型，并對這兩種模型進行對比分析。最終得到最適合的計步模型，實現計步的功能，進而達到量化健身的效果。關鍵詞：計步器；加速度傳感器；時域分析；BP神經網絡；RBF神經網絡緒論研究背景現如今健身是當下熱度很高的一個話題，當下各類健身方式如，跑步，步行，游泳，自行車等是大眾最常進行的一項運動，其中步行是我們日常生活中一種最簡單，也是最好的健康鍛煉方法，這已被中外運動和醫(yī)學專家所認可，步行的好處體現在走步需要全身大量肌肉群的參與，通過人體自身的肌肉不停地舒張和收縮，加速我們身體血液在局部內循環(huán)。而且還有利于增加運動肌群的力量及下肢力量的支撐力量，同時也促進人體的新陳代謝，有利于有毒物質從身體不斷排出。其次步行是非常棒的有氧運動，能夠幫助人體消耗脂肪，促進減肥的同時也能預防一些由肥胖引起的一系列疾病，并且可以有效的控制血壓血糖，以及身體的其他代謝。人在走路時候耗氧量增大，心肺的運動功能相對增強，有利于讓心臟的收縮能力增強并使肺活量增大等等優(yōu)點。目前很多專家說過，步行在日常鍛煉健身中算是沒有太大危險性的運動一種，雖然它很安全，但是我們在鍛煉過程中依然要時刻關心我們的運動方式和運動的規(guī)矩，不然也不能達到一個好的鍛煉結果，想要通過走路走出健康的身體，那么大家就要保證走步時的步速、行走路程長度和強度的一定，每天走步的量以及持續(xù)時間、速度，需要根據個人的體質進行確定，最好以不感到勞累為度，將我們的運動量進行量化分析。因此計步器是人們在日常鍛煉中一個很好的工具。圖1計步器圖片研究現狀計步器最開始是由歐洲意大利的倫納德.達芬奇提出想法并設計出，而是達芬奇之后150年才被人設計出來。到了1755年的時候由日本的Gcn.naiHriraga制造出，如圖2所示。但是當時的人們并沒有廣泛使用，因為量化健身的好處并沒有被大多數人所了解，到了1965年，計步器出現在日本商用市場，在那個時候叫做manpo-meter。這是計步器最早的樣子，它屬于2D計步器，它的原理實際上是一個上下震動的擺鐘式的錘子在其平衡被破壞的時候，導致它里面一個觸點出現了通斷動作，然后記錄下來并在屏幕上顯示。也成為機械計步器?，F如今機械計步器已經淡出了歷史的舞臺，取而代之的是3D計步器，也是當下最主流的計步器。3D就意味著它不需要在大地垂直的方向上安裝就能從各個方向去感受人體產生的震動，隨時都可以實現計步的一個功能。如今更是對計步器的精度提高，前人都提出了自己的方法：黃斌[18]借助MATLAB仿真工具，然后將三軸傳感器采集的數據處理后．利用基于信號能量自適應門限來檢測加速度信號的峰值個數，從而精準的計算出人行走的步數。陸婷[19]沒有使用傳統的加速度傳感器制作出計步器。而是實用紅外傳感器。這個計步器的原理就是利用紅外線來記錄步數，這個紅外計步器就是由單片機與紅外傳感器組合在一起，并設置其中一些參數實現計步的功能。陳蔚[14]的思路則是考慮人在行走過程中重心起伏變換時加速度是成周期變化的，因此在進行人體運動的這個時候就會利用傳感器的輸出電壓來產生周期性地改變。在我們可以通過利用一臺單片機將傳感器上面的電壓和溫度變化進行采集。在利用單片機將傳感器上面電壓變化采集,利用公式計算出步數再由晶顯示屏顯示出來。圖2日本早期計步器本文研究目的及內容1.3.1課題的研究目的通過本課題的研究我們需要掌握如何采集三軸加速度傳感器產生信號，然后就是能夠掌握MATLAB對信號進行時域分析，提取特征，并搭建出計步模型。并學習MATLAB神經網絡的應用。1.3.2課題研究內容（1）設計合理的采集裝置并采集走步信號。（2）對采集的走步信號進行預處理，得到優(yōu)質的信號。（3）提取采集的信號的七種特征值，其中包括波形因子、峰值因子、裕度系數、峭度因子、均方根值、脈沖因子、峰值并將其匯總。（4）利用MATLAB將匯總數據放入BP神經網絡與RBF神經網絡搭建計步模型并對兩種模型分析對比。順著我們研究內容的思路設計總流程框圖如圖3所示。圖3總體流程圖數據采集與處理2.1數據采集采集設備由三軸加速度傳感器、USB多功能數據采集卡、USB穩(wěn)壓電源模塊、杜邦線若干構成，采集設備如圖4所示。圖4采集設備三軸加速度傳感器：本設計采用的是ADXL335三軸加速度傳感器，它的規(guī)格很小，正常運行工作時所需電壓電流很小，在三軸加速度計電壓輸出時候能全面的進行信號調制，并能以限小±3g的滿量程范圍內把加速度采集并記錄下來。它可以將靜態(tài)重力加速度測量出來，這里是由傾斜檢測發(fā)生的，還可以測出它的動態(tài)加速度，這是在運動或者收到某物體沖擊時候測量。ADXL335如圖5所示。圖5ADXL335USB多功能數據采集卡：本設計使用的數據采集卡是紫曙科技的USB系列，采集卡采用全速(12Mbps)/高速(480Mbps)USB接口與上位機軟件進行通信，上位機與采集卡之間的數據傳輸在采用自定義通信協議，達到USB最大的帶寬利用率，保證高速采樣數據的實時傳輸。數據采集步驟如下，一共分為四步。（1）將三軸加速傳感器、數據采集卡、穩(wěn)壓電源模塊通過杜邦線組合起來。其中需要注意在焊接加速度傳感器時要求焊點光滑圓潤且不太豐滿，數據采集卡上通道選取要合理并于DAQ-DEMO軟件上的通道與之對應并且提前將電源穩(wěn)壓模塊的電壓調到5V并固定住，如圖4所示。（2）將采集卡通過USB線纜連接到電腦，再打開外部信號源并打開DAQ-DEMO軟件,控制采集卡進行測試；其中DAQ-DEMO軟件功能豐富可以滿足大部分用戶的需求，包括DIO模塊的輸入輸出控制，DAC模擬量輸出模塊的直流電壓輸出和波形輸出,ADC模擬量輸入模塊的采樣通道的選擇、單次采樣/序列采樣/同步采樣等采樣模式的設置、提供波形窗口實時顯示模擬輸入通道的波形、支持模擬通道數據實時保存到文件中。在軟件頁面我們先將采集頻率設置在50hz，選取A10、A11、A13此三個通道，并將生成的數據實時保存在text文檔中為后續(xù)數據預處理及特征提取做準備。（3）三軸加速度傳感器在采集信號時安放位置我選擇的是腰部如圖6、7所示安裝，這樣安裝的好處就是只用x軸一個豎直向下的方向進行數據的采集從而減少誤差。因為我們在行走的時候重心的變化是具有一定的規(guī)律性，可讓我們更加清晰的發(fā)現并探索。（4）設備準備就緒后找一個空曠環(huán)境進行數據采集，如圖8所示。我選擇宿舍的長廊，非常適合本實驗采集數據，然后就開始采集；其中我的方案是一共采集168組數據，其中訓練樣本共162組，測試樣本6組，樣本中步數隨機，且每種步數需重復采集五組以上并標號區(qū)分，方便后續(xù)處理更加清晰。2.2數據預處理因為在采集數據的過程中多多少少都會存在一些干擾信號并且人正常行走時信息頻率都在低頻范圍，高頻的信息大部分都為噪聲。在測量數據過程中外界環(huán)境的干擾，如測量時手部抖動以及，以及焊接時不可避免的誤差而產生的噪聲。這些噪聲會對我們采集的數據造成影響，進而造成后續(xù)模型搭建的準確性。在這里我通過將這些數據放入MATALB中調用一個數字濾波器處理。數濾波器有帶通、低通、高通三種類型。對于行走時采集的數據，根據人行走時頻率大概為0.5Hz左右，因此我選取一個帶通濾波器，將0.2Hz以下以及20Hz以上的信號濾除，保留中間的信號。大大減少了噪聲的干擾。濾波器的設計如圖10所示。圖10濾波器設計圖2.3特征提取近年來隨著信號處理方法的不斷發(fā)展，研究人員開始對信號進行了更加深入的研究。如今，判定方法在幅值增加和頻率左移的研究基礎上不斷得到進步和改善。主要的方法有時域分析方法、頻域分析方法、時頻域分析方法等。本實驗采用時域分析方法。時域分析方法從時間角度出發(fā)，將走步信號看成時變函數，進而分析走步信號的統計特性，得到特定動作和狀態(tài)下的統計特征本設計是在時域范圍內，將采集的數據提取出均方根值（RMS）、峰值（PAR）、峰值因子（RMS0）、峭度因子、脈沖因子、裕度系數、波形因子并將這些特征值匯總成表格如表1。均方根RMS：將一組數據中的每個數先平方，然后再把這組數據加起來從而得出和值,最終除以該組數據的總個數就可以得到它的值。我們可以通過濾除信號中的噪聲,從而達到求出走步信號均方根的目的，這不僅可以使走步信號變得更加平滑、甚至更明顯。設均方根值為X,共有N個數據則其求解公式如1-1所示。（1-1）峰值PAR：這里的峰值指的是信號波形在周期里面最高點與最低點的差值，即信號波動的一個范圍。因此求取走步信號峰值能夠更好反應出其變化范圍。信號中最大值為Xmax，最小值為Xmin則其求解公式如1-2所示。PAR=(Xmax-Xmin)/2（1-2）峰值因子RMS：這里的峰值因子的計算是將上一把求出的峰值在除以均方根值得出。這也是我們常用的一個特征值。設峰值為Xp，均方根值為Xrms則其求解公式如1-3所示。RMS=Xp/Xrms（1-3）峭度因子：這里說的峭度它指的是一個統計量，用來反應數據隨機分布的特性。它是四階的歸一化的中心矩陣。脈沖因子：這里我們也用了這個脈沖因子，他只得是走步信號峰值與另一個數據的比值，該數據為整流產生的平均值即絕對值的平均值的比值。波形因子：整流平均值為分母。有效值為分子的一個結果。利用MATALB對采集的走步數據進行上述七種特征值的提取，再分別對每一組數據生成的txt文檔進行處理，將處理好的特征值全部匯總起來，由于數據過多，現將部分數據展示如表1所示：表1步數均方根值峰值峰值因子峭度因子脈沖因子裕度系數波形因子120.05810.14072.42343.23733.08923.68731.2747130.05630.14562.58763.91963.40464.13201.3157180.06660.17992.69954.23133.49694.20431.295430.03370.08202.42974.73753.45644.40961.4225230.07120.16892.37212.97562.98973.56661.2604270.07310.18112.47893.09743.13633.77581.2652100.05730.15172.64713.64563.50234.35851.323130.03820.09052.37014.42703.24474.01531.3690220.06290.16032.54833.81263.30163.96931.2956120.05580.13212.36913.23993.02633.63961.2774140.06100.14322.34583.01252.94473.50261.2553150.05970.14932.50143.56923.19483.81231.277280.05160.12732.46763.77323.28374.07221.3307170.06490.16762.58433.50393.32123.98601.285230.03780.08932.36533.82583.24424.08951.3716210.06750.17012.51893.64553.25333.93331.291670.05180.12482.40713.72803.23094.01991.3422200.06620.17622.65993.58203.39724.05651.2772210.06960.17622.53143.51423.21793.83181.2712120.05810.14072.42343.23733.08923.68731.27473．計步模型搭建3.1BP神經網絡BP網絡的輸出量經常是零與一之間連續(xù)的量,一種非線性映射由它實現而且是輸入到輸出的關系。他被認為是前向神經網絡的一個核心組成部分，體現了人工神經網絡的精髓。BP網絡主要用于以下四個方面。如圖11所示圖11BP網絡主要用途上圖中第一個指的就是得到一個函數去逼近另外一個函數，其中它使用的方法則是訓練出一個網絡，他是由輸入的矢量和相應的輸出矢量構成的網絡。第二個是指用一個特定的輸出矢量將它與輸入矢量聯系起來。第三個指把輸入矢量所定義的合適方式進行分類。第四個是指壓縮的目的是方便傳輸或儲存。主要方法是減少輸入時矢量的維數。本設計使用的主要是BP網絡第一個用途得出我們的一個計步模型。在這里就采用了BP網絡。它通常是由一個或多個隱層組成的，S型傳遞函數由隱層中神經元采用,線性傳遞函數則是由輸出層神經元采用。下列一個典型的BP網絡結構將由圖12展示。其中包含一個隱層，我們假設在隱層中神經元的數目為S,那么就采用具有R個輸入的S型神經元函數logsig（）。圖12BP網絡結構關于BP網絡的構建大致分為三個步驟其流程圖如圖13所示。圖13BP網絡構建步驟關于神經網絡的生成，首先要具備四個條件，流程圖如下圖14，其中R×2維的矩陣是由輸入數據中最大值與最小值構成。圖14神經網絡生成條件然后就是將權值初始化，就是對權值的初始化以及閾值的初始化。接下來我將列舉可以初始化的兩個函數，newff()函數和init()函數，但值得注意的是，newff()函數可以實現初始化的過程，但卻無法重新賦予初值。所以我們應當選擇init()函數，使網絡達到到初始化的狀態(tài)。最后就是網絡的仿真：運用sim()函數，通過網絡仿真確定網絡結構以及輸入變量p從而計算出相應的網絡輸出a。網絡構建完成的下一步是對BP神經網絡的訓練。對BP神經網絡的訓練通常有traing、traingdx、trainrp、traincgb、trainoss等函數，這些訓練函數各有千秋，但滿足所有情況下的訓練是不能僅僅通過其中一種函數實現的。所以本設計就趨避了前面的單一函數從而采用的是函數逼近，也就意味著須得對神經網絡進行訓練。那么就需要采集包含輸入向量P和輸出向量T的樣本，應不斷的調整權值和閾值在訓練過程中，從而使神經網絡的表現函數達到最小值。在BP網絡訓練算法中最基本的方法就是負梯度方向調整權值，即我們常見的BP算法。負梯度方向就是它的指導思想，即是讓網絡權值和閾值的修正沿著最快的方向進行。之所以在本設計中采用BP網絡搭建計步模型主要因為它具有如下優(yōu)點。我在這用圖15依次給大家展示出來。行走產生波形是一個非線性函數，它與許多因素有著密不可分的關系。對于抽取和逼近這種非線性函數用神經網絡技術是一種很不錯的方法，而這種技術則可以用來進行步數預測。圖15BP網絡的優(yōu)點3.2BFR神經網絡在函數逼近時，使用BP網絡權值的調節(jié)此時采用的是負梯度下降法。對于負梯度下降法而言，他是含有一定的局限性，在正式實驗前我對采用BP網絡搭建計步模型結果也是未知的，為保證實驗的嚴謹性，故在這里在采用另外一種模型進行對比分析。進一步我將闡述逼近能力勝于BP網絡的另-種網絡。它就是徑向基函數網絡（RBF網絡）。由徑向基函數神經元隱層再加上具有線性神經元的輸出層組成的一種有著兩層前向型的神經網絡。關于徑向基函數神經元如圖16所示?？梢钥闯鏊哂蠷個輸入。圖16徑向基神經元結構徑向基函數神經元的傳遞函數包含很多的形式，然而高斯函數(radbas)才是我們平時使用最多的函數。這與我們之前介紹的神經元有所差異，權值矢量w和輸入矢量p之間的距離乘以閾值就是神經元radbas的輸入值。公式2-1就是徑向基傳遞函數可表達的形式。radbas（n）=e-n2徑向基函數的函數圖形如圖17所示。圖17徑向基函數由圖16可得出，當n等于0時，徑向基函數輸出值最大是1。即當權值向量w與輸入向量p這兩種向量之間的相對位置遠近縮短時，此時就會導致輸出增加。換而言之，徑向基函數對于輸入信號在局部產生反應。當函數的輸入信號n與函數的中心距離縮短時，隱層節(jié)點的輸出會變大。從而可看出該網絡含有局部逼近能力，因此在本設計也可以采用RBF網絡來搭建我們的計步模型。在這里我們使用的徑向基函數的結構如圖18所示。圖18RBF網絡結構在RBF網絡工作時，輸入向量與權值向量的關系變化的時候，它的輸出結果也會有所不同，下面我將通過一個流程圖向大家展示其中邏輯關系，如圖19所示。圖19輸入向量與權值向量邏輯介紹完RBF網絡之后就是如何在MATALB中調用徑向基函數網絡并搭建出徑向基網絡函數，它的調用方式如3-1所示。net=newrbe（P,T,SPREAD）（3-1）其中P是一個輸入向量。T為期望的輸出向量（即目標值），SPREAD為徑向基層的散布常數，缺省值1。本設計使用RBF網絡搭建計步模型是因為它有如下的優(yōu)點，下面我用圖20一一為大家羅列出來，RBF也可以實現這個函數逼近的一個效果，搭建出徑向基網絡后來實現計步的功能。圖20RBF網絡優(yōu)點3.3計步模型建立與仿真介紹完兩種神經網絡后下面就是將網絡實際應用起來。首先就是BP網絡的應用，在這里我們將之前采集并預處理提取特征值的步態(tài)信號做成訓練集與測試集，其中訓練集一共放置162個樣本，將里面的步數隨機排放；而測試集我一共放置6個樣本，里面的步數按大小排列，這使得后續(xù)模型的繪圖結果更加直觀。樣本中包含了輸入向量P以及相對應的期望輸出向量T我分別命名為signal與steps。數儲存到這兩個工作區(qū)，如圖20所示。

圖20數據工作區(qū)展示確定好測試集與訓練集后再將數據歸一化，最后就是創(chuàng)建BP網絡，其調用函數如公式4-1所示net=newff（P-train,T-train,9）（4-1）這里我設置的訓練參數如下：（1）迭代次數設置為50次。（2）目標值設置為1e-3。（3）步長設置為0.01。參數設置完成后就是創(chuàng)建BP網絡并進行訓練，其訓練圖如21所示。

最后進行仿真，將結果用折線圖表現出來，縱坐標為步數，橫坐標為樣本編號最后仿真結果如圖22所示。其次是RBF網絡的應用，在這里同樣也將之前采集并預處理提取的特征值的步態(tài)信號做成訓練集與測試集，具體處理與BP網絡一致。再來創(chuàng)建我們的RBF網絡，其調用公式如4-2所示。net=newrbe(P-train,T-train,0.3)（4-2）最后再進行總的仿真，結果如圖23所示圖21訓練圖

圖22BP仿真圖圖23仿真圖

3.4實驗分析與結論完成上述兩種計步網絡的搭建后，分別對這兩種網絡的性能進行評價，我將通過表2與表3對該兩種網絡決定系數與相對誤差進行對比。表2絕對系數對比表網絡決定系數BP神經網絡0.95638RBF神經網絡0.12068表3相對誤差對比表步數5131819212226BP0.04630.05960.46330.27770.08600.13070.0353RBF5.5e-1025.16532897.11602.45245.39761.25781.1688我們可以看出在BP網絡中，最終預測的步數與實際測量的步數大致相同，其相對誤差較小，說明在本實驗中，BP網絡搭建的計步模型效果在一定誤差下是而可行的。而在我們RBF網絡中，最終預測的步數與實際測量的步數的相對誤差較大，說明本實驗中，RBF網絡搭建的計步模型效果在一定誤差下是不可行的。對比兩種網絡的絕對系數R2，其絕對系數越大則說明它的擬合效果越好，即函數逼近效果越好最后的仿真圖14可以得出結論：在我們搭建的模型中，BP網絡實現了這個計步的功能，而RBF網絡并沒有完美的實現這個計步的功能，而是出現了很大的一個誤差。這也說明了BP神經網絡更加適合搭建計步模型，而RBF神經網絡不適合搭建這個計步模型。雖然這兩種神經網絡都具有函數逼近的功能，但由于他們各自采用的權值調節(jié)方式不同，其神經元傳遞函數不同，則各自在函數逼近時處理的效果不同。在本設計中BP網絡更適合計步網絡的搭建。各個網絡都有自己的優(yōu)勢，故在以后選取神經網絡時要多做對比，找出最適合的網絡，才能保證實驗的準確性。另外當計步功能實現后，在以后我們的步行鍛煉中，我們才能達到這個量化健身的目的。使健身更加科學，高效。并保持一個健康的生活方式。

參考文獻：[1]王榮,章韻,陳建新.基于三軸加速度傳感器的人體跌倒檢測系統設計與實現[J].計算機應用,2012,32(05):1450-1452.[2]楊建國,翁善勇,趙虹,等.采用遺傳算法優(yōu)化的煤粉著火特性BP神經網絡預測模型[J].動力工程學報,2006(01):81-83.[3]池可.服裝銷售預測方法及RBF神經網絡模型研究[D].蘇州大學,2009.[4]