工作原理
本文介绍的可穿戴传感器的基本原理如下:当人体上的特定关节移动时,关节周围的皮肤以及关节周围的衣服都会拉伸。纺织业以前的一项研究表明,身体在关节周围的运动需要特定程度的皮肤伸展。例如,在正常关节运动过程中,皮肤会沿膝盖纵向伸展35-45%[17].
当一个特定的关节移动时,关节周围的织物会相应地膨胀或收缩,假设织物与皮肤贴合,并具有必要的弹性特性。为了确保舒适和身体运动自由,建议与身体紧密贴合的织物具有25-30%的弹性[17]. 通过将导电纤维并入围绕接头的织物中,导电材料的长度必然会随着接头的移动而改变。导电材料的电阻也会发生变化,可以直接测量并与接头方向的变化关联。
图1显示了如何将单个导电光纤实现为传感器。导电纤维的一端永久性地附着在非导电成型织物基板上A类在图中。沿着导电纤维,在B处有一个电线接触点,永久缝合到织物中。导电纤维的另一端,点C类,由一根耦合的弹性绳索保持张力,该绳索永久连接在接头的远端,点天因此,此耦合材料中的任何拉伸都将发生在高弹性绳索中,光盘,不在导电纤维中自动控制。当接头移动时,弹性绳将改变长度,使耦合的导电纤维自由滑动通过导线接触点B类那是静止的。导电纤维始终与该导线保持电气接触,但点之间的导电线长度A类和B类将随着关节旋转而改变。然后在这两个点上连续测量与长度线性相关的电阻A类和B类.
预测器设计
考虑图2图中显示了一个横跨单轴膝关节的传感器和一对关于双轴髋关节的传感器。感兴趣的角度被标记θ1,θ2、和θ三我们的目标是基于传感器1、2和3的输出来估计这些关节角度。
初步实验表明,关节角度和身体各个关节的单个传感器的传感器输出之间存在明确的关系。图三例如,显示了一组典型的输出数据,这些数据来自穿过单轴膝关节的单个传感器螺纹,对于0°的关节角度,输出“归零”。
需要设计一个滤波器来接收传感器信号作为输入,并预测感兴趣的关节角度。在所提出的方法中,被监测的每个关节角度都有一个对应的单个传感器,该传感器位于特定关节周围,以获得最大灵敏度,如图所示2.
考虑N个用于测量的轴传感器N个接头,每个接头由一个单螺纹传感器组成,如图所示2。可以使用的最简单预测模型是线性回归:
哪里是N个×1矢量N个关节角度预测,是其偏差项,年= (年1…年
N个
)T型是N个对应传感器读数的×1矢量,以及G公司和分别是N个×N个矩阵和实验确定的N×1矢量,用于关联输入和输出。
由于图的初步数据中存在轻微的曲率三,非线性预测可能更有效。我们将使用二阶多项式模型
哪里
和G公司'是一个N个×N个(N个-1) /2实验确定的矩阵。可以使用增广矩阵和向量将上述等式右侧的三个项合并到齐次表达式中:
哪里W公司和Y(Y)是
W公司=(θ
0
G公司 G’) (5)
确定参数矩阵W公司,使用米来自单个患者的传感器集合的实验数据集。让P(P)成为N个×米矩阵包括米实验测量的接头角度,
和B类成为{1+N个(N个+ 1)/2} ×米包含相应传感器输出及其二次项的矩阵:
B类=(是(1)…Y(Y)(米)) (8)
最优回归系数矩阵W公司*将平方预测误差最小化的公式如下
W公司* =PB(聚丁二烯)T型(BBT型)-1 (9)
如果数据足够丰富,可以生成矩阵乘积BB公司T型非奇异。
上述表达式是N个轴传感器。然而,在实践中,它们可以简化为低阶的紧凑表达式。首先是偏移可以从系数矩阵中消除W公司,如果传感器输出在特定姿势下归零,例如四肢完全伸展的姿势。其次,尽管矩阵G公司包含表示多个关节之间交叉耦合的非对角元素,一些关节与其他关节没有交叉耦合。例如,膝关节的测量可以与髋关节的测量分开进行。如果j个-接头与所有其他接头解耦,可单独处理为:
其中消除了偏移。第三,尽管多个关节相互耦合,但在矩阵中具有非零的一阶非对角系数G公司,它们的二阶交叉耦合项,例如。年
j个
年
k个
,可以忽略不计的小与个别传感器的适当设计。在这种情况下,例如两个耦合接头j个和k个,可以写为:
其中抵消项已被消除。从而减少了通过标定实验识别的参数数量。因此,必须相应地降低最优系数矩阵的维数。对于单轴和多轴情况,都要执行相同的校准程序,对于单个特定传感器组,只需执行一次。
尽管一个传感器足以捕捉单轴关节运动,但这种传感器在使用过程中的任何偏差都会导致错误的测量。从实际的角度来看,很明显,需要一种方法来调整传感器在关节上的任何移动,这种移动将从一次使用到下一次使用。每次患者脱下传感服并重新放回时,重新校准整个传感器是不可取的,也是不切实际的。为了解决此类注册问题,使用了多个传感器线程数组。通过将多个线程合并到已知模式中,可以执行模板匹配算法来确定传感器的校准偏移量。这样,传感器未对准引起的测量误差显著减少。下一节将介绍此方法的详细信息。
单轴关节的传感器配准
设计这些可穿戴传感器的目的是创建一种设备,在最初的一次性校准实验之后,最终可以自动注册以供后续使用。这意味着不需要额外的设备来登记每次使用的传感器。此外,重要的是,自我登记所需的任何程序都很简单,并且能够由患者在没有监督的情况下执行。为了实现这些目标,提出了一种多线程传感器阵列设计。
首先,考虑一个数组M(M)传感器覆盖单轴接头,如图所示4(a)每个传感器螺纹与相邻的传感器螺纹之间有一个已知的恒定距离,d日此多线程传感器阵列用于估计单轴关节角度,θ
j个
。为了制定注册程序,我们首先单独校准每个传感器螺纹。让是对j个-第个接头基于我-螺纹传感器由给出
哪里
和是针对我-的第个单螺纹传感器j个-将关节放置在原位。
现在考虑传感器阵列已被移除,并放回接头上进行更多测量的情况。传感器阵列现在偏移了未知距离,α,从执行校准的原始位置。请参见图4(b)。由于阵列中各个单螺纹传感器的间距相等,因此每个传感器螺纹从其原始校准位置偏移相同的距离α。假设各个传感器螺纹相同,而不是相隔一定距离d日,我们可以得出结论,灵敏度阵列的模式是校准阵列的移动版本,如图的简化图所示5这将自动注册问题简化为一种模式匹配问题。
将不再是适当的回归矩阵来估计θ
j个
从Y(Y)
j个
(我). 一个新的未知向量而是将传感器输出与θ
j个
:
尽管未知时,阵列中的每个传感器在理想情况下应随时对实际关节角度给出相同的估计,以便
如果传感器阵列的移动以离散方式发生,
α=第 (16)
哪里n个是一个整数值,可以看出
自n个是未知的,希望找到n个满足(15)和(17),改写为
哪里n个假设为|n个| <M(M)- 1. 也就是说,传感器阵列虽然偏移了,但仍然可以覆盖关节,与原始位置处的原始传感器重叠。
在理想的理论情况下,将存在一个整数n个这可以精确地求解(18)。不幸的是,在实际使用中,n个将不是离散整数。此外,n个无法明确发现,因为过程和测量噪声会导致传感器输出偏离其“理想”值。据了解对于我= 1 ~M(M)然而,可以找到最佳整数n个那个最好的求解(18)。
让我们首先定义给定整数的传感器输出的M个螺纹的平均接头角度估计值n个如下(带有Y(Y)和H(H)*线性情况下减少为标量):
最佳估计n个通过最小化每个传感器估计值和平均估计值之间的平均平方误差n个(即减少估计角度的方差,作为n个):
方程(20a)和(20b)求解如下n个= -M(M)+2, -M(M)+3, ...,M(M)-3,M(M)-2.的值然后在(17)中使用从(20c)中求得的值来近似每个传感器对于阵列的这个新偏移位置的预测回归矩阵。在理想离散情况下,其中α=n个
o个
d日,n个
o个
是传感器阵列的离散偏移,=n个
o个
、和R(右)
j个
() = 0.
对于非理想情况,其中一不是的离散倍数d日,最小方差不为零,R(右)
j个
()≠0,但随着M(M)增加,以及d日减少。
以这种方式创建更密集的传感器阵列可以更准确地估计传感器的灵敏度,进而可以更准确的估计θ
j个
此外,由于始终可以使用此算法进行近似,患者使用这些可穿戴传感器只需一次性校准即可。
在使用传感器时,会实时进行配准算法。患者开始使用这些传感器所需要的就是首先在关节完全伸展到0°位置时将传感器输出“归零”,然后自由移动关节以获得非零数据。然后,该非零数据将允许进行自我注册。虽然不需要在任何时候都进行注册,但应在初始操作期间进行注册,直到适当的聚合在上。同样,使用的传感器阵列越密集,获得的估计值就越好。在此之后,只要传感器阵列对于单独使用保持静止,就不需要经常执行该算法。为了开始监测,假设= 0.
双轴关节的传感器配准
在双轴情况下,两个传感器阵列放置在以双轴关节为主的关节周围,例如髋关节。与单轴情况一样,每个阵列包含等距分布的M个传感器螺纹d日. Thej个-放置第个关节阵列,使其对以下方面的变化最为敏感θ
j个
,而k个-关节阵列的位置使其对以下方面的变化最为敏感θ
k个
.
对于登记,让患者一次只移动一个轴。如图所示6-(a),指示患者移动轴θ1独自一人。髋关节屈曲/伸展导致传感器阵列1发生显著变化,年1(我),我= 1 ~M(M)接下来,指导患者进行髋关节外展/内收(θ2)这将导致传感器阵列2发生重大变化,如图所示6-(b)。在完成配准之前,关节角度的估计并不准确。然而,可以区分哪个接头,θ1或θ2,已被移动,因为传感器阵列1对θ1,和传感器阵列2用于θ2。一旦检测到单个轴的移动,可以应用与单个轴相同的注册程序来确定每个传感器阵列的未对准。一旦确定了偏差,现在可以使用校正的最佳预测器来验证是否根据各个轴的移动正确执行了配准。
这种配准方法将多轴问题简化为单个单轴程序。但是,如果它们紧密相关,则不必对所有轴重复单轴程序。对于图中的两个髋轴6身体周围一个传感器阵列的移动将伴随着第二个阵列中几乎相同的移动。因此,注册一个数组也会注册另一个数组。在这种情况下,要求患者在第一次放置传感器时只执行一个简单的动作,即在足够的范围内围绕单个轴延伸关节。