人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

1、基于改進(jìn)ga?svm的智能推薦診斷掛號(hào)算法摘要：為提高患者就醫(yī)效率設(shè)計(jì)y套智能推薦診斷掛號(hào)算法， 對(duì)大量的歷史病案文本進(jìn)行訓(xùn)練和機(jī)器學(xué)習(xí)，以患者特征為依據(jù)進(jìn)行 分類并推薦相應(yīng)的科室。使用遺傳算法與支持向量機(jī)結(jié)合進(jìn)行特征值 提取和參數(shù)優(yōu)化，以核函數(shù)參數(shù)和文本特征值作為遺傳算法的染色體 執(zhí)行選擇、交叉和變異操作，為提高遺傳算法效率并避免陷入局部最 優(yōu)值，在遺傳算法初始化群體階段使用加權(quán)深度優(yōu)先搜索和輪盤賭結(jié) 合的機(jī)制以保證種群多樣性，并對(duì)交叉概率和變異概率進(jìn)行自適應(yīng)優(yōu) 化，在保留有用遺傳信息的同時(shí)實(shí)現(xiàn)全局搜索。實(shí)驗(yàn)結(jié)果表明，該算 法在有效降低特征值數(shù)目的同時(shí)提高了分類精度。本文采集自網(wǎng)絡(luò)，本站發(fā)布

2、的論文均是優(yōu)質(zhì)論文，供學(xué)習(xí)和研究 使用，文中立場(chǎng)與本網(wǎng)站無(wú)關(guān)，版權(quán)和著作權(quán)歸原作者所有，如有不 愿意被轉(zhuǎn)載的情況，請(qǐng)通知我們刪除匕轉(zhuǎn)載的信息，如果需要分享， 請(qǐng)保留本段說(shuō)明。關(guān)鍵詞：改進(jìn)遺傳算法；支持向量機(jī)；智能醫(yī)療系統(tǒng)；智能推 薦診斷掛號(hào)算法中圖分類號(hào)：tn911734文獻(xiàn)標(biāo)識(shí)碼：a文章編號(hào)：1004?373x(2017) 11?0115?04intel 1 igent?recommenclat ion diagnosis registrationalgorithm based on improved ga?svmchen junmeil, zhou jinyangl, zhang huiy

3、ing2(1. department of biomedical engineering, changzhi medicalcollege, changzhi 046000, china；2. department of basic medicine, changzhi medical college,changzhi 046000, china)abstract :an intel1igent?recommendation diagnosisregistration algorithm was designed to improve the efficiencyof medical trea

4、tment. the intelligent medical system performstraining and machine learning for a large number of historicalmedical record texts , and classifies and recommends theappropriate medical departments for patients according to thepatient characteristics. the genetic algorithm ( ga ) iscombined with suppo

5、rt vector machine to extract thecharacteristic value and optimize the parameter. the kernelfunction parameters and text characteristic values are taken asthe chromosomes of the genetic algorithm to execute theselection, crossover and mutation operations. to improve theefficiency of ga, and avoid tra

6、pping in local optimum, themechanism combining weighted depth?first search with rouletteis used in the group initialization stage with ga to guarantee the population diversity ， and performs with adaptiveoptimization to the crossover probabi1ity and mutationprobability , which can realize the global

7、 search whilereserving the useful genetic information. the experiment results show that the algorithm can improve the classification accuracy while reducing the quantity of characteristic values.keywords:improved genetic algorithm； support vectormachine ；intelligent medical system ；intclligcnt?rccom

8、mcndation diagnosis registration system0引言現(xiàn)代醫(yī)學(xué)分工精細(xì)化為門診患者自助掛號(hào)帶來(lái)y定的困擾，患 者及其家人因缺乏專業(yè)基礎(chǔ)知識(shí)而且選擇主觀性大，易出現(xiàn)桂號(hào)吋因 科室較多難于選擇而費(fèi)時(shí)低效，甚至存在掛錯(cuò)科室的現(xiàn)象，給患者和 醫(yī)院都帶來(lái)了不便，這是醫(yī)療辦提高自助掛號(hào)準(zhǔn)確率的主要原因。如 今電子病案普及應(yīng)用日益加大，大量病案文本的存在為智能醫(yī)療系統(tǒng) 進(jìn)行文本特征分析提供了便利，通過(guò)特征分析和識(shí)別結(jié)果，患者及其 家人可進(jìn)行初判進(jìn)行準(zhǔn)確掛號(hào)，給患者帶來(lái)便利的同時(shí)可較大地提高 醫(yī)療效率1。但大量的電子病案文本特征及海量的冗余信息為相關(guān)應(yīng) 用的特征值選擇帶來(lái)了較大的

9、困擾2，目前常用的文本特征選擇包括 粒子群優(yōu)化算法、遺傳算法、序列選擇算法、關(guān)聯(lián)規(guī)則選擇算法等3， 此外神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯分類、knn文本分類、支持向景機(jī)(support vector machine，svm)等分類方法也被應(yīng)用于這一領(lǐng)域4，其中svm是一種較優(yōu)的選擇，該方法基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則和學(xué)習(xí)統(tǒng)計(jì)理論， 與傳統(tǒng)的學(xué)習(xí)方法相比，svm可較好地克服局部極小點(diǎn)、過(guò)擬合、維 數(shù)災(zāi)難和小樣本等問(wèn)題，利用構(gòu)設(shè)的最優(yōu)分類可實(shí)現(xiàn)對(duì)未知樣本的最 小分類誤差。因此得到較多的關(guān)注和研究，但是svm仍有許多需要完 善之處，主要表現(xiàn)為沒(méi)有統(tǒng)一標(biāo)準(zhǔn)進(jìn)行參數(shù)選取，傳統(tǒng)參數(shù)選取方法 依據(jù)經(jīng)驗(yàn)進(jìn)行拼湊5，之前利用粒

10、子群算法對(duì)svm進(jìn)行優(yōu)化取得丫一 定效果，但易陷入局部極小值6。本文選擇遺傳算法(genetic algorithm, ga)和svm結(jié)合進(jìn)行病案文本特征選取，并針對(duì)遺傳算法 的不足，進(jìn)行交叉概率、變異概率自適應(yīng)優(yōu)化和加權(quán)深度優(yōu)先搜索機(jī) 制優(yōu)化初始化群體以提高算法性能，實(shí)現(xiàn)智能推薦診斷掛號(hào)算法。1電子病案文本分類原理如同其他svm算法應(yīng)用，電子病案文本樣本將分為訓(xùn)練樣本和測(cè) 試樣本。首先需對(duì)電子病案文本進(jìn)行預(yù)處理7，主要是提取關(guān)鍵詞以 描述處理過(guò)程，包括去停用詞、中文分詞等，從而將文本轉(zhuǎn)換成svm 處理所需的形式。設(shè)文本集合為，特征詞集合為，文本集合中的一個(gè) 文檔可表示為，其中各個(gè)元素對(duì)應(yīng)特征

11、詞集合中的特征值，其計(jì)算方 法如下：(1)式中：表示特征詞在第個(gè)文檔中出現(xiàn)的頻率；為出現(xiàn)特征詞的文 本總數(shù)；表示文本總數(shù)。式(1)是一種權(quán)值計(jì)算方法，采用的是tf/idf計(jì)算法，其中idf 表征特征詞出現(xiàn)在整個(gè)文本集中的頻率，tf表征特征詞在對(duì)應(yīng)單一文 本中出現(xiàn)的概率。之后構(gòu)造svm分類算法的分類器，其本質(zhì)是利用非線性映射將輸 入向量映射到某個(gè)高維特征空間并在該空間構(gòu)設(shè)最優(yōu)分類超平面，最 優(yōu)分類的標(biāo)準(zhǔn)是將兩類正確分開(kāi)的同時(shí)保證分類間隔最大8，其示意 圖如圖1所示。圖1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)svm分類器的輸入是各個(gè)病案文本，輸出是多個(gè)病種中的一個(gè)， 而多分類問(wèn)題是一個(gè)求解約束條件下的凸二次規(guī)劃問(wèn)題，g

12、p:(2)式中為懲罰因子，主要用于調(diào)整分類器的誤分類率和泛化能力的 折衷。引入拉格朗日因子法解決優(yōu)化問(wèn)題，拉格朗日函數(shù)為：(3)式中：和均為lagrange函數(shù)的乘子向量。其對(duì)偶問(wèn)題為：(4)式中力核函數(shù)，可得最終的判決函數(shù)為.(5)s前常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函 數(shù)等9，其中徑向基核函數(shù)對(duì)高維非線性數(shù)據(jù)有較強(qiáng)的分析能力，而 且參數(shù)僅有懲罰因子和標(biāo)準(zhǔn)化參數(shù)因此將其作為病案文本分類svm的 核函數(shù)，其表達(dá)式為：在此基礎(chǔ)上判決函數(shù)最小化問(wèn)題可轉(zhuǎn)化為的設(shè)置問(wèn)題。研究表明， 懲罰因子用于分類器的誤分類率和泛化能力的折衷，其值越小表示懲 罰越小，學(xué)習(xí)機(jī)器復(fù)雜度低但經(jīng)驗(yàn)風(fēng)險(xiǎn)值大，

13、其值越大表示懲罰越大， 對(duì)錯(cuò)分樣本的懲罰也越大；標(biāo)準(zhǔn)化參數(shù)影響高維特征空間樣本數(shù)據(jù)分 布的復(fù)雜程度，其值變化會(huì)改變特征空間維數(shù)，從而影響結(jié)構(gòu)風(fēng)險(xiǎn)范 圍。因此需要尋找全局范圍內(nèi)最優(yōu)的，本文使用遺傳算法優(yōu)化svm以 獲取全局最優(yōu)結(jié)果。2基于改進(jìn)的ga?svm的分類算法2. 1 ga?svm 原理遺傳算法建立在達(dá)爾文進(jìn)化論基礎(chǔ)上，用于在計(jì)算機(jī)上模擬生命 進(jìn)化機(jī)制以搜索最優(yōu)解，主要以優(yōu)勝劣汰、適者生存等原則進(jìn)行搜索 求解，其主要優(yōu)點(diǎn)是不需要復(fù)雜運(yùn)算和建模，只需遺傳算法的三種算 子即可獲取最優(yōu)解10。常規(guī)遺傳算法主要包括染色體編碼、種群規(guī) 模、適應(yīng)度函數(shù)和遺傳算子。種群個(gè)體可用長(zhǎng)度為的二進(jìn)制串表示，其值

14、為1則選擇該特征， 其值為0則不選擇該特征，從而建立種群個(gè)體及對(duì)應(yīng)特征。由于病案 文本的特殊性，種群個(gè)體的染色?w主要包含兩部分，分別是svm的參 數(shù)及病案特征值。種群規(guī)模大小直接影響遺傳算法的性能，目前常用取值區(qū)間為以 綜合算法復(fù)雜度與種群多樣性的平衡。適應(yīng)度函數(shù)是遺傳算法指引搜索的惟一信息，用于評(píng)價(jià)各碼串對(duì)問(wèn)題的適應(yīng)程度，需遵循的原則包括：選用的特征子集盡可能少；應(yīng) 可實(shí)現(xiàn)通用；有利于提高分類準(zhǔn)確性。綜合考慮各種因素，可得適應(yīng)度函數(shù)為：(7)式中：為病種分類準(zhǔn)確度；為選擇特征值的數(shù)目；為調(diào)節(jié)權(quán)重參 數(shù)，用于調(diào)節(jié)病種分類準(zhǔn)確率及特征值數(shù)目，其值越大病種分類準(zhǔn)確 率越高，但特征值選擇的數(shù)h越多

15、。遺傳算子主要包括選擇算子、交叉算子和變異算子，選擇算子將 父代中適應(yīng)度值高的染色體復(fù)制到子代中，同時(shí)淘汰適應(yīng)度值低的個(gè) 體，一般使用輪盤賭法進(jìn)行選擇運(yùn)算，該方法可有效避免算法陷入局 部最優(yōu)解；交叉算子是隨機(jī)選擇種群中的一對(duì)個(gè)體，互相交換染色體 部分?jǐn)?shù)字串形成新的個(gè)體，本文使用單點(diǎn)交義法，染色體間隨機(jī)選擇 4個(gè)數(shù)字串進(jìn)行交叉，交叉概率為；變異算子是以很小概率即變異概 率改變遺傳基因，即將染色體中數(shù)字串的值取反，從而提高種群多樣 性并防止搜索停滯。的計(jì)算方法如下所示：(8) (9)式中：為變異個(gè)體對(duì)應(yīng)的適應(yīng)度值；為兩個(gè)交叉?zhèn)€體的適應(yīng)度值; 分別為進(jìn)化代中適應(yīng)度值的最大值、平均值；為交叉子代適應(yīng)度

16、值分 別大于、等于平均值時(shí)的交叉概率；為變異子代適應(yīng)度值分別大于、 等于平均值時(shí)的交叉概率。2.2加權(quán)深度優(yōu)先搜索機(jī)制優(yōu)化由于傳統(tǒng)的遺傳算法隨機(jī)產(chǎn)生初始種群，有一定概率在算法開(kāi)始 時(shí)陷入局部最優(yōu)11，為避免這種情況出現(xiàn)，結(jié)合使用輪盤賭和加權(quán) 深度優(yōu)先搜索方法產(chǎn)生遺傳算法的初始種群，以自適應(yīng)、啟發(fā)式的初 始化方法保證群體分布的均勻性、搜索速度，從而保證種群多樣性。設(shè)初始種群數(shù)目為為種群中各個(gè)體賦予對(duì)應(yīng)的權(quán)值，對(duì)各節(jié)點(diǎn)進(jìn) 行深度優(yōu)先搜索時(shí)，根據(jù)對(duì)應(yīng)的大小使用輪盤賭機(jī)制選定節(jié)點(diǎn)，找到 符合要求的路徑后生成初始種群的染色體并對(duì)路徑上所有個(gè)體權(quán)值減 1，重復(fù)上述步驟直至生成滿足群體規(guī)模要求的染色體數(shù)目。

17、2.3交叉概率與變異概率修正式（8）,式（9）所示的傳統(tǒng)遺傳算法代表的搜索進(jìn)程仍存在一定 缺陷，主要風(fēng)險(xiǎn)是易陷入早熟導(dǎo)致無(wú)法搜索到全局最優(yōu)值12,分析 遺傳算法過(guò)程可發(fā)現(xiàn)遺傳算法的初期由于不同個(gè)體間差異大，較小的 變異概率和較大的交叉概率可實(shí)現(xiàn)有用遺傳信息的保存，而隨著遺傳 算法進(jìn)程的不斷深入，子代個(gè)體間適應(yīng)度值逐漸趨向一致，較大的變 異概率和較小的交叉概率可有效增加種群個(gè)體的多樣性，更有利于進(jìn) 行全局搜索。基于這一理念，本文對(duì)交叉概率和變異概率進(jìn)行優(yōu)化， 進(jìn)行自適極生成，其計(jì)算方法如下所示：（10）（11）式中：為個(gè)體對(duì)應(yīng)遺傳代數(shù)；為最大遺傳代數(shù)；分別為第代個(gè)體 的交叉概率和變異概率；分別為

18、交叉概率修正常數(shù)、變異概率修正常 數(shù)。通過(guò)這種逐代交叉概率和變異概率修正，實(shí)現(xiàn)其值在不同進(jìn)化代 數(shù)的自適應(yīng)調(diào)整，在保留右用遺傳信息的同時(shí)實(shí)現(xiàn)全局搜索2.4改進(jìn)的ga?svm算法改進(jìn)的ga?svm算法應(yīng)用于智能推薦診斷掛號(hào)的流程如圖2所示。 對(duì)電子病案文本特征值進(jìn)行預(yù)處理，主要包括去除冗余信息和數(shù)據(jù)降 維，然后從已有的個(gè)特征中按選取原則選擇個(gè)特征，從而實(shí)現(xiàn)最優(yōu)化 指標(biāo)，最后對(duì)輸出結(jié)果進(jìn)行譯碼可獲得徑向基核函數(shù)參數(shù)與病案特征 的最優(yōu)值。3實(shí)驗(yàn)驗(yàn)證為驗(yàn)證算法性能，數(shù)據(jù)來(lái)源于山丙長(zhǎng)治某兒科醫(yī)院的皮膚粘膜淋 巴結(jié)綜合征、猩紅熱、風(fēng)疹三種疾病共1 000例病案，三類疾病均在 一定程度上存在發(fā)熱、頭痛、食欲

19、減退、咽喉痛、皮疹等癥狀，選取 其中900例為訓(xùn)練樣本，其余100例為測(cè)試樣本，測(cè)試算法根據(jù)病癥 特征進(jìn)行分類的準(zhǔn)確性。為測(cè)試改進(jìn)算法的效果，將本文算法(iga?svm)與從表1可以看出，通過(guò)本文算法對(duì)特征值選擇的優(yōu)化，其數(shù)0巾 198個(gè)降至132個(gè)，去除了冗余特征值，提高了系統(tǒng)運(yùn)算效率，而且 算法的分類精度優(yōu)于ga?svm和ps09svm兩種算法分類精度，這是由于 本文算法在種群初始化過(guò)程中使用輪盤賭和加權(quán)深度優(yōu)先搜索方法保 證了種群的多樣性，同時(shí)對(duì)交叉概率和變異概率進(jìn)行自適應(yīng)優(yōu)化，在 保留有用遺傳信息的同時(shí)實(shí)現(xiàn)全局搜索，提高了算法的性能。本文算 法的分類歷史曲線如圖3所示，顯示了算法在優(yōu)化

20、參數(shù)過(guò)程中不斷選 擇最優(yōu)進(jìn)化結(jié)果，在28次迭代后曲線較為平緩，說(shuō)明算法在多次跳出局部最優(yōu)之后最終達(dá)到全局最優(yōu)，優(yōu)化了算法的分類結(jié)果4結(jié)語(yǔ)本文將遺傳算法和支持向量機(jī)結(jié)合應(yīng)用于智能醫(yī)療系統(tǒng)，目的是 為患者提供掛號(hào)科室推薦，正確、高效的推薦結(jié)果是系統(tǒng)的必然要求。 為提高算法分類精度，針對(duì)遺傳算法的不足進(jìn)行了分析，對(duì)其種群初 始化過(guò)程和進(jìn)化過(guò)程進(jìn)行了優(yōu)化。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后算法的性能 優(yōu)于常規(guī)的遺傳算法及ps07svm,分類精度得到y(tǒng)定程度的提升， 在智能醫(yī)療領(lǐng)域具有一定的應(yīng)用前景。參考文獻(xiàn)1 heikkinen v， korpela i， tokola t， ct al. an svmclassi

21、fication of tree species radiometric signatures based on the leica ads40 sensor j. ieee transactions on geoscience and remote sensing, 2011，49 (11):4539?4551.2 宋淑彩，？?慧，丁學(xué)鈞.ga?svm算法在文本分類中的應(yīng)用研 究jl 計(jì)算機(jī)仿真，2011，28 (1)： 2229225.3 楊梅，卿曉霞，王波.基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法 jl 計(jì)算機(jī)仿真，2009, 26 (5)： 1989201.4 朱文靜，白靜.一種混沌人工負(fù)群

22、算法對(duì)svm參數(shù)的優(yōu)化及應(yīng) 用j.微電子學(xué)與計(jì)算機(jī)，2016, 33 (3)： 90?94.5 bin g f, gao j j, li x j，ct al. early fault diagnosisof rotating machinery based on wavelet packets?empirical decomposition feature extraction and neural network jl mechanical systems and signal processing, 2012，27 (1): 696?711.6 胡天騏，單劍鋒，宋曉濤.基于改進(jìn)pso?ls

23、svm的模擬電路故 障診斷方法j.計(jì)算機(jī)技術(shù)與發(fā)展，2015, 25 (6)： 1939196.7 fu a m, sun g q, guo z f, ct al. forest cover classification with mod is images in northeastern asia j. ieee journal of selected topics in applied earth observations remotesensing, 2010，3 (2)：178?189.8 劉東平，單甘霖，張岐龍，等.基于改進(jìn)遺傳算法的支持向量 機(jī)參數(shù)優(yōu)化j.微計(jì)算機(jī)應(yīng)用，2010,

24、31 (5)： 11?15.9 馬元良，裴生雷.基于改進(jìn)遺傳算法的svm參數(shù)優(yōu)化研究j. 計(jì)算機(jī)仿真，2010, 27 (8)： 1507153.10 巨志斌.遺傳算法在車牌特征選擇的應(yīng)用研宄j.計(jì)算機(jī)仿 真，2010, 27 (12)： 3319335.11 徐勝舟，裴承丹.基于遺傳算法和支持向量機(jī)的乳腺腫塊識(shí) 別j.計(jì)算機(jī)仿真，2015，32 (2)： 4322435.12 王福林，王吉權(quán)，吳昌友，等.實(shí)數(shù)遺傳算法的改進(jìn)研究j. 生物數(shù)學(xué)學(xué)報(bào)，2006，21 (1)： 1537158.人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)摘要：應(yīng)用微機(jī)電技術(shù)設(shè)計(jì)人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)。系統(tǒng)在 人體的重點(diǎn)運(yùn)

25、動(dòng)部位安裝16個(gè)傳感器收集人體運(yùn)動(dòng)數(shù)據(jù)，通過(guò)卡爾曼濾波給出人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)狀態(tài)估計(jì)值，使用微機(jī)電技術(shù)優(yōu)化估計(jì)結(jié) 果。按順序?qū)烙?jì)結(jié)果進(jìn)行解算，將解算結(jié)果輸入人體重要運(yùn)動(dòng)關(guān)節(jié) 模型，實(shí)時(shí)進(jìn)行三維虛擬顯示。最后對(duì)系統(tǒng)的接線方式和捕捉指令進(jìn) 行實(shí)現(xiàn)。實(shí)驗(yàn)驗(yàn)證結(jié)果表明設(shè)計(jì)的系統(tǒng)綜合捕捉效果強(qiáng)。本文采集自網(wǎng)絡(luò)，本站發(fā)布的論文均是優(yōu)質(zhì)論文，供學(xué)習(xí)和研究 使用，文中立場(chǎng)與本網(wǎng)站無(wú)關(guān)，版權(quán)和著作權(quán)歸原作者所存，如存不 愿意被轉(zhuǎn)載的情況，請(qǐng)通知我們刪除己轉(zhuǎn)載的信息，如果需要分享， 請(qǐng)保留本段說(shuō)明。關(guān)鍵詞：人體運(yùn)動(dòng)數(shù)據(jù)；實(shí)時(shí)捕捉系統(tǒng)；卡爾曼濾波；微機(jī)電技術(shù)中圖分類號(hào)：tn929. 5?34文獻(xiàn)標(biāo)識(shí)碼：a文章編號(hào)：

26、1004?373x(2017) 11?0095?04design and implementation of human?body movement datareal?time capture systemhan xingong(college of physical education, yanshan university,qinhuangdao 066004, china)abstract： the micro electro mechanical system (mems)technology is used to design the human?body movement data

27、real?time capture system. 16 sensors are installed in theimportant movement parts of the human?body system to collect the human?body movement data. the rea.l?time state estimation value of human?body data is given by means of kalman filtering, and optimized with mems technology. the evaluation resul

28、ts areresolved according to the sequence. the resolved results arcinput into the human?body important movement joint model forreal?time 3d virtual display. the connection mode and captureinstruction of the system are implemented. the experimentalverification results show that the designed system has

29、 perfectintegrated capture effect.keywords： human?body movement data； real?time capturesystem； kalman filtering； mems technology0引言運(yùn)動(dòng)捕捉是應(yīng)用探測(cè)手段通過(guò)三維仿真設(shè)備精確反應(yīng)人體運(yùn)動(dòng)狀 態(tài)的一門技術(shù)，需要借助勘探、定位、仿真與數(shù)據(jù)處理等多種理論的 支持，其:復(fù)雜程度可見(jiàn)一斑1。隨著科技的高速發(fā)展，三維動(dòng)畫設(shè)計(jì)、 人體工程學(xué)、體育、生物學(xué)等行業(yè)均要應(yīng)用到運(yùn)動(dòng)捕捉，使運(yùn)動(dòng)捕捉 不斷向著人機(jī)交互的方向發(fā)展起來(lái)。實(shí)時(shí)性是運(yùn)動(dòng)捕捉h前需要考慮 的重點(diǎn)內(nèi)容，眾所周知，現(xiàn)如今

30、普及程度非常高的3d電影就是依靠人 體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)建立起來(lái)的2。在不遠(yuǎn)的未來(lái)，這種系統(tǒng)將 會(huì)得到更加廣泛的應(yīng)用。人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)在我國(guó)的自主知識(shí)產(chǎn)權(quán)中相對(duì)落后， 最早是被應(yīng)用在運(yùn)動(dòng)員訓(xùn)練中，根據(jù)系統(tǒng)捕捉的運(yùn)動(dòng)員運(yùn)動(dòng)數(shù)據(jù)制定 訓(xùn)練方案，取得了較好的訓(xùn)練效果3。文獻(xiàn)4介紹了我國(guó)第一款自主研發(fā)的人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)，被應(yīng)用于三維動(dòng)畫設(shè)計(jì)行業(yè)中， 但系統(tǒng)的價(jià)格昂貴，不易操作，實(shí)時(shí)捕捉能力和有效性都不高。文獻(xiàn) 5介紹了光學(xué)捕捉系統(tǒng)，系統(tǒng)有效性強(qiáng)，但實(shí)時(shí)捕捉能力弱。此外， 還有聲學(xué)捕捉系統(tǒng)和電磁場(chǎng)捕捉系統(tǒng)，但綜合捕捉效果都不高。為丫提高綜合捕捉效果，應(yīng)用微機(jī)電技術(shù)設(shè)計(jì)人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)

31、捕捉系統(tǒng)。微機(jī)電技術(shù)的體積小，實(shí)用性強(qiáng)，對(duì)人體運(yùn)動(dòng)數(shù)據(jù)的速度 探測(cè)十分準(zhǔn)確且高效，同時(shí)兼具初始化快、成本低、兼容性強(qiáng)等能力。1人體運(yùn)動(dòng)動(dòng)作估計(jì)函數(shù)設(shè)計(jì)人體結(jié)構(gòu)復(fù)雜，在人體的各個(gè)運(yùn)動(dòng)部位安裝傳感器收集人體運(yùn)動(dòng) 數(shù)據(jù)，對(duì)傳感器數(shù)據(jù)進(jìn)行匯總和濾波，然后使用微機(jī)電技術(shù)優(yōu)化人體 運(yùn)動(dòng)動(dòng)作，上傳于計(jì)算機(jī)進(jìn)行處理和三維模擬顯示，設(shè)計(jì)人體運(yùn)動(dòng)數(shù) 據(jù)實(shí)時(shí)捕捉系統(tǒng)的工作原理。濾波是避免噪音干擾最直接也是最有用的一項(xiàng)處理步驟，對(duì)人體 運(yùn)動(dòng)數(shù)據(jù)的濾波操作使用的是卡爾曼濾波，這是一種線性函數(shù)，對(duì)傳 感器中所有的輸入和輸出數(shù)據(jù)均進(jìn)行遞推處理，以完成最優(yōu)估計(jì)6。 卡爾曼濾波的最大優(yōu)點(diǎn)是：在濾波過(guò)程中無(wú)需進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換和頻

32、 率轉(zhuǎn)換，也不用對(duì)歷史濾波結(jié)果進(jìn)行存儲(chǔ)，節(jié)省了系統(tǒng)空間和捕捉時(shí) 間。在卡爾曼濾波中，如果想得到本次人體運(yùn)動(dòng)數(shù)據(jù)的實(shí)時(shí)狀態(tài)估計(jì) 值，需要取得兩項(xiàng)重要數(shù)據(jù)，包括上一次的人體運(yùn)動(dòng)數(shù)據(jù)估計(jì)值和本 次人體運(yùn)動(dòng)數(shù)據(jù)預(yù)測(cè)值。因此在初次濾波情況下，需要先對(duì)人體運(yùn)動(dòng) 數(shù)據(jù)的濾波順序進(jìn)行排列。用代表第次人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)狀態(tài)估計(jì)值，的估計(jì)誤差用符號(hào)替代，和的函數(shù)定義式為：(1)式中：是傳感器采樣間隔；是的轉(zhuǎn)置矩陣；是的偏導(dǎo)；是傳感器 采樣余量；是傳感器采樣余量的協(xié)方差。微機(jī)電技術(shù)的基礎(chǔ)是機(jī)械運(yùn)動(dòng)學(xué)，所能應(yīng)用到的重要硬件設(shè)備有 加速度計(jì)和磁場(chǎng)測(cè)量?jī)x器，人體運(yùn)動(dòng)離不開(kāi)機(jī)械運(yùn)動(dòng)學(xué)，因此使用微 機(jī)電技術(shù)優(yōu)化卡爾曼濾波估計(jì)值

33、是符合情理的7。假設(shè)，理想狀態(tài)下(即無(wú)重力和磁場(chǎng)干擾)人體的靜止動(dòng)作矩陣為其函數(shù)表達(dá)式為：(2)式中：和是人體的俯仰角度和橫滾角度。所設(shè)計(jì)的人體運(yùn)動(dòng)數(shù)據(jù)實(shí)吋捕捉系統(tǒng)在人體安裝加速度計(jì)和磁場(chǎng) 測(cè)量?jī)x器，人體在靜止?fàn)顟B(tài)下的加速度坐標(biāo)系和磁場(chǎng)坐標(biāo)系是重合的， 但在運(yùn)動(dòng)狀態(tài)下，人體受到重力加速度和磁場(chǎng)的影響導(dǎo)致兩個(gè)坐標(biāo)系 分離，此時(shí)人體靜止動(dòng)作矩陣在加速度坐標(biāo)系和磁場(chǎng)坐標(biāo)系的投射向 量分別為：(3)(4)式中：是重力加速度；是磁場(chǎng)坐標(biāo)系與地平面之間的投射向量， 是磁場(chǎng)坐標(biāo)系垂直于地平面的投射分量，和的作用是修正人體運(yùn)動(dòng)的 磁場(chǎng)偏差；。利用式(3)，式(4)優(yōu)化式(1)中的值，優(yōu)化過(guò)程就是將看作 轉(zhuǎn)換成

34、矩陣形式，所得結(jié)果可用來(lái)描述最優(yōu)人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)估計(jì)值。2人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉設(shè)計(jì)人體共有206塊可運(yùn)動(dòng)關(guān)節(jié)，而且不同人的關(guān)節(jié)運(yùn)動(dòng)角度也存在 差異8。若想將206塊關(guān)節(jié)都精準(zhǔn)模擬出來(lái)是無(wú)法實(shí)現(xiàn)的，各行業(yè)對(duì) 人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)的要求也并未達(dá)到如此高的精度，因此只 要對(duì)能夠表現(xiàn)出人體運(yùn)動(dòng)動(dòng)作的重要運(yùn)動(dòng)關(guān)節(jié)進(jìn)行建模即可。如圖1 所示，白色正方形表示人體運(yùn)動(dòng)頻繁的關(guān)節(jié)，由于在關(guān)節(jié)上直接安裝 傳感器會(huì)影響到人體的正常運(yùn)動(dòng)，因此每?jī)蓚€(gè)白色正方形之間的空位 才是安裝傳感器的最佳位置。人體運(yùn)動(dòng)動(dòng)作估計(jì)函數(shù)無(wú)法描述人體具體關(guān)節(jié)的運(yùn)動(dòng)情況，應(yīng)對(duì) 估計(jì)結(jié)果進(jìn)行解算，獲取關(guān)節(jié)運(yùn)動(dòng)角度，再輸入到人體模型中才能實(shí)

35、現(xiàn)實(shí)吋捕捉9。由圖1可知，設(shè)計(jì)的人體運(yùn)動(dòng)數(shù)據(jù)實(shí)吋捕捉系統(tǒng)在人 體上共安裝了 16個(gè)傳感器，每個(gè)傳感器中采集到的數(shù)據(jù)經(jīng)人體運(yùn)動(dòng)動(dòng) 作估計(jì)函數(shù)處理后都會(huì)產(chǎn)生四元數(shù)。選擇一個(gè)采集數(shù)據(jù)不為空的傳感器，設(shè)為傳感器1，與傳感器1 相連的傳感器必然會(huì)產(chǎn)生轉(zhuǎn)動(dòng)數(shù)據(jù)。以傳感器1為靜止點(diǎn)，取得相鄰 傳感器（設(shè)為傳感器2）相對(duì)于靜止點(diǎn)的運(yùn)動(dòng)角度數(shù)據(jù)并標(biāo)記在人體 重要運(yùn)動(dòng)關(guān)節(jié)模型中。再以傳感器2為靜止點(diǎn)，重復(fù)以上步驟，直到 將模型中的所有關(guān)節(jié)的運(yùn)動(dòng)數(shù)據(jù)均填制成功。設(shè)計(jì)的人體運(yùn)動(dòng)數(shù)據(jù)實(shí) 時(shí)捕捉系統(tǒng)規(guī)定了人體運(yùn)動(dòng)動(dòng)作估計(jì)結(jié)果的解算順序，如圖2所示。按照?qǐng)D2的順序進(jìn)行解算，可保證系統(tǒng)不遺失任何一點(diǎn)的人體運(yùn)動(dòng)數(shù) 據(jù)，提高系統(tǒng)

36、存效性。當(dāng)一次人體運(yùn)動(dòng)數(shù)據(jù)全部解算成功后，將人體重要運(yùn)動(dòng)關(guān)節(jié)模型 輸出，實(shí)時(shí)進(jìn)行三維虛擬顯示。為保證系統(tǒng)的實(shí)時(shí)捕捉能力，使用.bvh 格式的文件進(jìn)行三維虛擬顯示。3人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)的實(shí)現(xiàn)下面對(duì)設(shè)計(jì)的人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)的接線方式以及捕捉指 令進(jìn)行實(shí)現(xiàn)。3. 1系統(tǒng)接線的實(shí)現(xiàn)系統(tǒng)將16個(gè)傳感器分為四個(gè)等級(jí)，頭部和胳膊為第一等級(jí)，胸、 腹、臀為第二等級(jí)，左、右腿為第三和第四等級(jí)，如圖3所示。每個(gè) 等級(jí)中的傳感器均通過(guò)rs 485總線連接，并單獨(dú)配備一個(gè)數(shù)據(jù)采集器。 四個(gè)數(shù)據(jù)采集器使用局域網(wǎng)將數(shù)據(jù)傳輸?shù)接?jì)算機(jī)進(jìn)行處理。數(shù)據(jù)采集器使用的芯片是arm7nrf2403,芯片具有體積小、工作 溫

37、度延展性強(qiáng)的優(yōu)點(diǎn)，工作電壓范圍為1.83.7 v，功率和傳輸速率 可調(diào)節(jié)，可實(shí)現(xiàn)多點(diǎn)通信，而且編程形式簡(jiǎn)單。這款芯片還有一個(gè)2. 4 ghz的無(wú)線發(fā)射模塊，模塊中配置了頻率調(diào)節(jié)器、模式控制器、晶振 以及調(diào)制解調(diào)器，增強(qiáng)了 arm7nrf2403芯片的兼容性10。 arm9nrf2403芯片借助無(wú)線發(fā)射模塊與系統(tǒng)計(jì)算機(jī)成功實(shí)現(xiàn)數(shù)據(jù)通 信。在不存在局域網(wǎng)的條件下，芯片也能通過(guò)簡(jiǎn)單的i/o端口與計(jì)算 機(jī)進(jìn)行連接。3.2系統(tǒng)捕捉指令的實(shí)現(xiàn)系統(tǒng)對(duì)人?w運(yùn)動(dòng)數(shù)據(jù)進(jìn)行實(shí)時(shí)捕捉操作的指令是由數(shù)據(jù)采集器 下達(dá)給傳感器的，分成發(fā)送指令與接收指令兩個(gè)進(jìn)行。發(fā)送指令執(zhí)行：使用數(shù)據(jù)采集器的c0m1端口實(shí)現(xiàn)指令通信，指令

38、 的具體內(nèi)容是要求傳感器實(shí)時(shí)給出四元數(shù)人體運(yùn)動(dòng)數(shù)據(jù)。計(jì)算機(jī)成功 接收到數(shù)據(jù)采集器傳輸來(lái)的數(shù)據(jù)后，將判斷數(shù)據(jù)中的傳感器標(biāo)記數(shù)量 是否為16個(gè)，數(shù)量不對(duì)的話將再次通過(guò)ml端口發(fā)送指令。接收指令執(zhí)行：使用數(shù)據(jù)采集器的com2端口實(shí)現(xiàn)指令通信，它的 作用是對(duì)人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行查錯(cuò)，查錯(cuò)成功后再將數(shù)據(jù)實(shí)時(shí)傳輸?shù)接?jì) 算機(jī)。4實(shí)驗(yàn)驗(yàn)證人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)的綜合捕捉效果包括實(shí)時(shí)捕捉能力和 有效性，下面通過(guò)實(shí)驗(yàn)進(jìn)行驗(yàn)證。4. 1實(shí)時(shí)捕捉能力驗(yàn)證實(shí)驗(yàn)開(kāi)始前需要將本文設(shè)計(jì)的人體運(yùn)動(dòng)數(shù)據(jù)實(shí)吋捕捉系統(tǒng)安裝在 實(shí)驗(yàn)對(duì)象的衣服上，系統(tǒng)實(shí)物圖如圖4所示。實(shí)時(shí)捕捉能力強(qiáng)的系統(tǒng)擁有更快的捕獲速度，并且捕獲到的數(shù)據(jù) 也極其穩(wěn)定。實(shí)驗(yàn)應(yīng)在通信正常的情況下進(jìn)行，利用c+語(yǔ)言編輯本 文設(shè)計(jì)的人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉系統(tǒng)的數(shù)據(jù)結(jié)構(gòu)體系，提前設(shè)置好系 統(tǒng)的通信串u和波特率。在以往設(shè)計(jì)的捕捉系統(tǒng)中，捕獲速度達(dá)到150 f/s,捕獲速度波動(dòng)值不超過(guò)600 kb的系統(tǒng)可視為實(shí)時(shí)捕捉能力強(qiáng)。使用c+語(yǔ)言讓本文系統(tǒng)循環(huán)進(jìn)行10次人體運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)捕捉操 作，驗(yàn)證結(jié)果如表1所示，表1中，0表示捕獲速度低于150 f/s或 波動(dòng)值超過(guò)600 kb，1則表示成功通過(guò)驗(yàn)證。表1中的數(shù)據(jù)顯示，本 文系統(tǒng)在10次驗(yàn)證實(shí)驗(yàn)的20個(gè)項(xiàng)目中，僅右1項(xiàng)未通過(guò)，輸出這項(xiàng) 數(shù)據(jù)進(jìn)行分