Article Info

[摘要]随着可穿戴式医疗设备的发展以及传感器的成本降低、灵敏度提高、小型化，加速度传感器在生物医学领域的应用越来越广泛。传统的加速度传感器主要用于运动信号的采集，在生物医学领域的功能主要是动作识别。随着研究的不断发展，加速度传感器在能量消耗、睡眠监测等方面也有一定的应用。本文通过加速度传感器在生物医学方面的应用实例，说明加速度传感器在生物医学参数检测中所起的关键作用。最后，针对现有加速度传感器的算法问题，提出建议。

加速度传感器凭借其体积小、成本低、功耗低、灵敏度高的优势被越来越多的应用于可穿戴式设备中。加速度传感器主要分为角加速度传感器和线加速度传感器两种，线加速度传感器可以分为单轴、双轴以及三轴加速度传感器，应用较多的是三轴加速度传感器。三轴加速度传感器可以感应三个轴（垂直轴、矢状轴、冠状轴）上的加速度[1]。常见加速度传感器类型及其在生物医学领域的应用，见表1。

表1 常见加速度传感器以及应用范围

1 运动检测

相对于基于图像的运动识别，基于加速度信号的运动识别设备简单、对光线等环境要求低。基于加速度信号的人体运动识别算法已有大量研究，运动识别算法可以大致分为以下3步：特征的提取、特征的选择、分类器的选择。研究者提取速度信号的时域特征[1]（均值、方差、相关系数）、频域特征[2]（FFT系数、DCT系数）、以及时频特征[3]（小波能量）对运动经行分类。现阶段研究中，学者们主要使用多种特征融合，此方法中特征之间可以互补，提高识别率。邢秀玉等[4]使用样本熵和小波能量相结合的方法对走路以及上下楼分类。特征的选择也是研究的重点之一，特征选择可以提高识别的效率，尤其是对实时性要求高的情况下，薛洋[5]在对上下楼经行分类时使用Wrapper特征子集选择方法对特征进行了降维。在模式传统的识别方法中，决策树、贝叶斯是常见的方法。李月香[6]在研究基于加速度信号的走路模式使用决策树经行分类，最终获得了96.1%的整体识别率。近年来，很多研究人员使用支持向量机（SupportVector Machine，SVM）、神经网络等分类器。Sun等[7]使用概率神经网络对步行、站立、和其它动作区分，使用标准差、频域熵、能量作为特征值，识别准确率在83.1%以上。

在基于加速度传感器的运动识别研究中，不仅同一种动作可以被识别，运动的强度也可以被识别。徐川龙[8]提出了一种基于多种时域统计特征的5种走路模式（站立、走路、跑步、上楼和下楼）的识别算法。进而针对3种相似的走路模式难以区分的问题，提出了基于小波能量和四分位间距的走路模式识别算法，细分了3种走路模式（正常走、慢走和快走），准确率在93%左右。

由于加速度传感器的个数、位置、种类、采样点、需要识别的运动以及采集人员的不同，基于加速度信号的运动识别效果不能较为客观的比较。Plötz等[9]提出了一套评估方法，可以较为客观的比较识别效果。

跌倒是我国65岁以上老年人受伤死亡的首位原因[10]。发现老年人跌倒并及时进行有效的处理，对减少伤害有重要的意义。Bourke等[11]提出一种新颖、简便的算法：直接使用加速度信号的极值点作为特征提出跌倒预测算法建立跌倒模型，对于跌倒判断的准确率为100%。曹玉珍等[12]提出了基于SVM和网格自适应的直接搜索（Mesh Adaptive Direct Search，MADS）的三级摔倒检测算法，具有96%的检测精度。刘鹏等[13]使用微机电系统（Microelectro Mechanical Systems，MEMS）三轴加速度传感器采集人体活动加速度信号，提出了一种基于固定阈值的信号幅度向量滑动平均法SVMSA。通过对8人的实验，该算法实现了94.4%的精确度。

手势识别在手持移动设备中应用前景较大，对于一些语言障碍人士，手势识别技术可以使其生活更加便利。从20世纪90年代起，国外一些研究机构开始对手势识别技术进行研究。Baek等[14]通过分析加速度数值识别手机的运动状态，并通过测量手机平面和竖直方向的夹角来估计手机的姿态，借此识别用户连续的动作和姿势。Ferscha等[15]将手势分为原子手势和复杂手势两种，并建立了手势库Glib，可供基于加速度传感器的系统使用。相对于国外的研究，国内的研究起步较晚[16-17]。孔俊其等[18]研究了基于加速度传感器的手势识别方法，并建立了支持手势输入同时具有及时信息反馈能力的交互模型，对其进行了验证，实验要求被试者书写特定的数字串，对较简单数字串如“567”的识别率为80.6%，对较为复杂的数字串如“139628”识别率为70.4%。

良好的睡眠质量是保证身体健康的重要因素，姬军等[19]利用加速度传感器监测睡眠时周期性腿动事件发生的频率，可用于辅助监测睡眠质量。胡弢等[20]使用加速度传感器对静态体位和身体位置的快速变化进行检测，查全率达到98.9%以上，查准率超过93%。冯晓明等[21]设计含有加速度传感器模块的手环，可以评估睡眠过程中的状态、睡眠时间、睡眠质量。上述研究为睡眠监测提供了新的思路和方法。

游泳的技术对于成绩的影响显著，有研究者利用加速度传感器进行了相关研究。Anderson等[22]利用加速度传感器提取游泳时的划动的信息。Chan[23]使用加速度传感器识别游泳中手臂摆动的次数。B?chlin等[24]利用加速度传感器获得运动者游泳的姿势信息，获取游泳的速度、体平衡、每次摆臂所移动的距离、手臂的摆动、身体转动等5个信息，从而评估运动的技术性，其中游泳速度的误差在1%左右。

2 其他应用

除了用于动作识别之外，加速度传感器被广泛应用于人体运动中能量消耗、计步的应用。在人睡眠时，加速度传感器可以检测人体的体位变化。研究者们使用加速度传感器去除噪声和其他生理信号，对人体进行健康监护。

步行是一种常见的体力活动，计步器可以记录行走的步数，使人们更加了解自身的运动健康情况。目前，计步器主要有机械式和电子式两种。机械式的计步器利用人体行走时的振动引起计步器内部簧片的振动来产生电子脉冲，内部处理器通过判断电子脉冲的方法来达到计步的功能。这种计步器的优点是成本较低，但是计步准确率与内部簧片的灵敏度关系较大，研究表明步行速度较慢时，计步器计数和实际计数相差较大[25]。人体步行信号是准周期性信号，有研究者据此提出使用加速度传感器信号达到计步的功能。宋浩然等[26]设计出基于加速度传感器ADXL330的高精度计步器，通过动态阈值算法计步，此计步器的精度达到了98%。韩文正等[27]使用LIS3DH传感器，设计的计步器精度在98%以上。

能量消耗的评估方法主要有：双标水法、间接热量测定法、心率表、计步器、加速度传感器、复合型运动传感器。其中人体能量消耗的金标准是双标水法，但是此方法测量成本较高，并且无法测量短时间内人体能量代谢。利用加速度传感器的输出估计人体的能量消耗，已经被广泛接受。张文杰[28]以双标水为测量标准，使用心率结合加速度模式对9～11岁女生活动进行能量评估，准确性比单一使用心率表提高了25%。邱俊等[29]以间接热量测定法为标准建立Actigraph GT3X三轴加速度计法能量消耗的预测方程，得出结论：三轴加速度计可以预测运动员能量消耗，所建分段加速度能耗预测方程适用于与研究相类似的跑台运动。相对其他方法，基于加速度传感器信号的能量消耗计算成本低、操作简单。

频率自适应功能是生理性起搏器的一项重要功能，它可以感知人体在不同运动或生理状况下的代谢水平，并据此调整起搏频率进而调整患者的心输出量。人体不同的运动和生理情况下由生理参数传感器和运动传感器获取。加速度传感器属于运动传感器。黄煜洲[30]提出一种基于加速度传感器的频率自适应算法，研究表明加速度传感器和生理传感器共同作用更符合生理和代谢需求的起搏频率。

脉搏波是人体重要的生理参数，血氧饱和度、心率、呼吸率等都可以从脉搏波信号中提取。脉搏波信号具有信号弱、频率低、易变异的特点。对脉搏波信号去除噪声常见的方法有：相干平均、小波法、EMD。这些方法对于去除静止的脉搏波噪声的效果较好，但在运动情况下效果较差。使用加速度信号作为噪声的参考源可以有效去除运动干扰。自适应滤波器可以根据外界环境噪声的变化，自动调节滤波器的参数，使滤波效果达到最佳状态，因此被广泛应用于自适应信号处理领域。Stetson和Kim等[31-32]通过在血氧饱和度测量探头中加入运动加速度传感器，获取被测者的运动信号，对于运动状态下脉搏波信号去噪效果明显。

睡眠呼吸暂停检测是研究者们一直关注问题，目前检测的金标准是多参数睡眠仪。Morillo等[33]使用多参数睡眠仪获取人体睡眠的心肺信息、扬声器检测人睡眠时的鼾声信号、加速度信号检测胸腔起伏，对患者的呼吸暂停状态进行评估。加速度信号所得信息和多参数睡眠仪以及扬声器信号相关性高，各种参数的相关系数均达到0.7以上。相对而言，加入加速度传感器之后比仅适用单一的血氧参数对睡眠呼吸暂停的检测特异性有所改善。

3 总结

随着计算机技术的发展，加速度传感器作为一种成熟技术在体力活动测量方面的研究日趋深入和广泛，新的测量技术也不断出现。加速度传感器由于其小型、准确的特点可以用在移动医疗中。同时还需要注意以下的问题：

（1）运动识别方面，使用识别率说明算法的可行性，但是加速度传感器采集的信号受到采样率、佩戴位置等因素影响。

（2）能量消耗、睡眠监测方面，研究者们使用的标准不一也对算法、系统的适应性有所影响，这就需要较为统一的标准判定。

（3）大样本数据库的建立也亟待解决。虽然已经有学者建立了数据库，但是，研究者处于实验室环境中，被试的数量也相对较少，这对于算法的适用性和日后产品的量化都是不利的。

（4）基于加速度传感器的算法使用Matlab软件处理，需要移植到单片机或者手机中。一些算法中的特征或者分类器无法植入单片中，例如：小波能量，SVM分类器。

[1]赵学玲,朱雁锋,郝立果,等.加速度传感器在动作识别中的应用[J].机床与液压,2011,39(2):118-120.

[2]徐川龙,顾勤龙,姚明海.一种基于三维加速度传感器的人体行为识别方法[J].计算机系统应用,2013,22(6):132-135.

[3]张义龙.基于加速度传感器的人体运动状态监测的研究[D].南京:南京邮电大学,2014.

[4]邢秀玉,刘鸿宇,黄武.基于加速度的小波能量特征及样本熵组合的步态分类算法[J].传感技术学报,2013,26(4):545-549.

[5]薛洋.基于单个加速度传感器的人体运动模式识别[D].广州:华南理工大学,2011.

[6]李月香,刘燕,袁涛,等.基于加速度信号的走路模式多级分类算法[J].电子学报,2009,37(8):1794-1798.

[7]Sun Z,Mao X,Tian W.Activity classifcation and dead reckoning for pedestrian navigation with wearable sensors[J].Meas Sci Technol,2009,20(1):187-188.

[8]徐川龙.基于三维加速度传感器的人体行为识别[D].浙江:浙江工业大学,2013.

[9]Plötz T,Hammerla NY,Olivier P.Feature learning for activity recognition in ubiquitous computing[A].IJCAI Proceedings-International Joint Conference on Artificial Intelligencep [C].2011,22(1):1729.

[10]王荣,章韵,陈建新.基于三轴加速度传感器的人体跌倒检测系统设计与实现[J].计算机应用,2012,32(5):1450-1452.

[11]Bourke AK,O’brien JV,Lyons GM.Evaluation of a thresholdbased tri-axial accelerometer fall detection algorithm[J].Gait Posture,2007,26(2):194-199.

[12]曹玉珍,蔡伟超,程旸.基于MEMS加速度传感器的人体姿态检测技术[J].纳米技术与精密工程,2010,8(1):37-41.

[13]刘鹏,卢潭城,吕愿愿,等.基于MEMS三轴加速度传感器的摔倒检测[J].传感技术学报,2014,(4):570-574.

[14]Baek J,Jang L,Park K.Human Computer Inieraetion for the Aeeelerometer-based Mobile Game[A].International Conferenee on Embedded and Ubiquitous Computing[C].LNCS4096,2006:509-518.

[15]Ferseha A,Resmrita S.Gestural interaction in the Pervasive computing landscape[J].Elektrotechnik und Informationstechnik,2007,124(1):17-25.

[16]代宏斌.基于加速度传感器的手势识别[D].上海:东华大学,2014.

[17]李歌.基于BP神经网络的手势识别研究[D].秦皇岛:燕山大学,2013.

[18]孔俊其,王辉,张广泉.基于加速度识别的姿态交互研究[J].苏州大学学报(工科版),2009,(2):23-27.

[19]姬军,刘亚军,张鹏,等.基于加速度传感器检测睡眠中的周期性腿动事件[J].中国医疗设备,2008,23(5):23-25.

[20]胡弢,王蕾,侯琳琳,等.基于加速度传感器的睡眠体位监测方法的研究[J].中国医学物理学杂志,2012,29(4):3542-3545.

[21]冯晓明.基于腕动信号的睡眠质量监测装置设计[D].广州:华南理工大学,2014.

[22]Anderson ME.Performance and Physiological Monitoring of Highly Trained Swimmers[M].American:University of Canberra,2006.

[24]B?chlin M,Förster K,Tröster G.Swim Master:awearable assistant for swimmer[A].Proceedings of the 11th international conference on Ubiquitous computing[C].ACM,2009:215-224.

[25]戴剑松,李靖,顾忠科,等.运用计步器测量步行之研究[J].北京体育大学学报,2008,31(2):219-222.

[26]宋浩然,廖文帅,赵一鸣.基于加速度传感器ADXL330的高精度计步器[J].传感技术学报,2006,19(4):1005-1008.

[27]韩文正,冯迪,李鹏,等.基于加速度传感器 LIS3DH 的计步器设计[J].传感器与微系统,2012,31(11):97-99.

[28]张文杰.采用心率联合加速度运动传感器测量9-11岁女生常见体力活动的研究[D].上海:上海体育学院,2013.

[29]邱俊,赵德峰,王金昊.用Actigraph三轴加速度计测试自由泳能量消耗测试的可行性研究[A].中国体育科学学会.2013年全国竞技体育科学论文报告会论文摘要集[C].北京:中国体育科学学会,2013.

[30]黄煜洲.基于加速度传感器的起搏频率自适应系统的设计及实现[D].上海:复旦大学,2012.

[31]Stetson PF.Independent Component Analysis of Pulse Oximetry Signals[A].Proceeding of the 26thAnnual International Conference of the IEEE EMBS[C].San Francisco:IEEE EMBS,2004:1-5.

[32]Kim BS,Yoo SK.Motion artifact reduction in photoplethysmography using independent component analysis[J].IEEE Transs Biomed Eng,2006,53(3):566-568.

[33]Morillo D,Rojas Ojeda JL,Crespo Foix LF,et al.An accelerometerbased device for sleep apnea screening[J].IEEE Transs Biomed Eng,2010,14(2):491-499.

Abstract：With the development of wearable medical devices as well as the cost reduction,sensitivity enhancement and miniaturization of the sensor,the acceleration sensor becomes more and more widely applied in biomedical feld. The traditional acceleration sensor was mainly used for the acquisition of motion signal,and the function of which in biomedical feld was action recognition. With continuous development of the research,the acceleration sensor is also applied in the energy consumption and sleep monitoring. Based on the application examples of the acceleration sensor in biomedical feld,the paper explained the key role of the sensor in the detection of biomedical parameters. Finally,the existing algorithm problems of acceleration sensor were proposed.

WEI Xiu-mei
Electricity Teaching Hospital,Capital Medical University,Beijing 100073,China