基于事件采样降低通信负载

基于事件的采样以降低无线惯性传感器网络在实时人体运动分析中的通信负载

摘要

我们研究了基于事件的采样方法在减少基于惯性传感器的人体运动分析中通信量方面的有效性。为此，我们采用一种 recently developed 传感器融合算法，对步行过程中的膝关节角度进行实时测量。我们通过外部动作捕捉系统获得真实值，并在此基础上对大量实验数据模拟不同基于事件的采样方法的影响。结果表明，该方法以略微增加角度计算误差为代价，显著减少了无线通信负载。本文从这两方面权衡的最佳平衡角度对所提出的方法进行了比较。结果显示，在保持相同精度水平的情况下，传输数据可减少66%。

关键词 ：自适应采样；基于事件的采样；人体运动分析；惯性测量单元；惯性传感器网络；增量发送区域；增量发送。

1 引言

人体运动分析在体育、康复、骨科及类似领域具有多种应用。临床应用的金标准即光学运动分析，价格昂贵且局限于实验室环境。近年来，无线惯性传感器网络作为一种替代方案变得流行起来，能够以更低的成本实现可穿戴式人体运动分析。然而，在此类网络中需要无线传输大量数据，这在生物反馈、神经假体等实时应用中成为一个限制因素¹。

无线通信需要带宽和能量，而这两者在实际中都是有限的资源。一种可能的解决方案是采用更复杂的采样和传输策略，而非标准的固定速率采样。

与标准采样中以固定速率传输样本不同，基于事件的采样的核心思想是仅在由测量信号导出的特定事件发生时才传输样本²。已提出多种不同的基于事件的采样方法；参见[1, 2]以获取概述。增量发送[3]是一种基本的采样方案，其将当前样本与上次发送的样本之间的差值阈值作为传输准则。当对该差值进行时间积分时，便得到面积触发传输方案，该方案在[4]和[5]中被提出。在状态估计背景下，提出了基于创新的触发[6, 7]和基于方差的触发[8]，其中当估计器创新（即测量值与其预测值之间的差异）或其方差超过阈值时发送更新。这些算法也已被用于反馈控制，例如平衡雕塑[6]的稳定化。

两种相关的方法称为自适应采样和基于模型的主动采样[9]。在自适应采样中，采样率根据信号历史进行调整。参见[10]了解将自适应采样实现为模拟电路的实例，以及[11]了解应用于通用传感器网络的自适应采样的示例。

对于基于模型的主动采样，使用模型来预测传感器读数。这些预测结果可用于决定是否传输测量样本，甚至用于避免激活传感器。一个使用自回归（AR）模型的示例见 [12]。

在本文中，我们研究了基于事件的采样方法在惯性传感器人体运动分析中的有效性。为此，我们考虑膝关节角度的实时测量。

在步行过程中，我们采用了一种 recently developed 传感器融合算法 [13]，该算法避免了使用磁力计读数。将此算法应用于大量实验数据时，如果使用标准全速率采样，则平均均方根误差（RMSE）约为3°。我们提出了四种不同的基于事件的采样算法，以模拟在线方式将其应用于记录的数据集，并将得到的信号输入关节角度计算算法。这实现了数据压缩（即降低了通信负载），但代价是计算出的角度误差增加。本文从这两方面的最佳平衡角度对所提出的方法进行了比较。

2 提出的方法

首先，考虑以下标准采样情况：传感器以固定的采样率测量一个向量值信号，并以固定的采样率将其传输到接收器，然后由接收器处理数据。与这种标准情况不同，我们引入一种基于事件的采样协议，该协议定义了传感器在何种条件下发送当前测量样本至接收器。在每个采样时刻 t，传感器根据当前和过去的测量结果评估一个传输准则。如果准则满足，则发送当前样本；若发送了样本，接收器则重复使用上次接收到的样本³，使得重建数据具有与原始数据相同的常数采样率。考虑以下两种方法：

增量发送(SOD)

类似于[3]，当当前测量值与上次发送的测量值之间的差的欧几里得范数超过某一阈值时，发送该样本。

面积发送(SOA)

类似于[4]，上述差值的欧几里得范数被累加。如果该累加和超过某一阈值，则发送当前样本，并将累加和重置为零⁴。

降低阈值：目前，这两种方法都可能导致非常长的通信间隔。从应用角度来看，这可能并不理想。因此，我们提出以下扩展方案可以与增量发送和区域发送相结合：对于每一系列连续跳过的样本，阈值c在n ∈ N ≥ 0步内线性递减，确保最多跳过n个连续样本。例如，当n= 3时，实际阈值分别为c、 2/3 c、1/3 c和0。

对于当前应用，考虑两个或多个惯性测量单元（IMUs），它们无线传输其加速度a(t) ∈ R³和角速度 g(t) ∈ R³的测量值至接收器，接收器随后使用实时算法从重建的数据中估计运动参数。每个惯性测量单元分别对当前测量值a(t)和g(t)应用增量发送或面积触发发送，且阈值可为常数或递减。当满足其中一个或两个条件时，该惯性测量单元将包含a(t)和g(t)的组合数据样本发送至接收器。

3 实验评估

3.1 模拟在线数据分析

在我们的测试设置中，每条腿使用两个惯性测量单元，通过[13]中描述的算法计算每条腿的膝关节角度，该算法大致如下：角度 αgyr(t)由角速度g(t)计算得出，而角度 αacc(t)由加速度a(t)计算得出。角度 αgyr(t)准确但存在漂移，而 αacc(t)无漂移现象，但在快速运动期间精度较低。

通过对这两个角度进行传感器融合，得到最终的角度 αIMU(t)。详细信息请参见[13]。

包含11名健康受试者的396次试验的大量行走数据，以及通过光学三维动作捕捉系统获得的参考角度αopt(t)均可获取。如果采用标准全速率采样，惯性测量单元角度与参考角度之间的均方根误差为3.18°。所提出的算法实现如下：记录的原始惯性测量单元数据用作模拟发送器的输入，该发送器评估所述准则。模拟接收器将重建的数据馈送到膝关节角度计算算法（参见图1）。

我们考虑了四种不同的采样方法，如表1所示。面积触发发送仅应用于角速度g(t)。阈值ath和gth在一个 16 × 16网格中从零变化到手动选择的最大值。

表1 ：基于事件的采样方法。增量发送(SOD)始终用于加速度a(t)，而角速度g(t)则使用增量发送(SOD)或面积触发发送(SOA)。当采用递减阈值时，该方式同时适用于a(t)和g(t)。

方法	a(t)	g(t)	阈值 ath和gth
方法1	SOD	SOD	常数
方法2	SOD	SOA	常数
方法3	SOD	SOD	减少，n= 5
方法4	SOD	SOA	减小，n= 5

作为对比，我们还测试了仅发送每第二个和第三个样本，从而对信号进行降采样。

3.2 参数优化与性能评估

为了进行评估，我们分析了在应用基于事件的采样时，相对于光学参考角度的均方根误差（RMSE）的变化情况。对于每种方法，我们独立地改变阈值ath和gth，并计算相应的RMSE和压缩比，如图2所示。压缩比的计算方式如下：

$$
\text{压缩比} = \frac{\text{跳过的样本数}}{\text{跳过的样本数} + \text{发送的样本数}}
$$

为了比较这些方法，我们绘制了（可实现的最小）均方根误差随压缩比变化的曲线图。图3比较了所有四种测试方法。该图的生成方式如下：将均方根误差和压缩比的 16 × 16网格插值到更高分辨率。然后将从零到最大压缩比的范围等分为20个区间。对于每个区间，找出在该区间内具有最小均方根误差且压缩比位于该区间内的RMSE与压缩比的对应数据对。将这些数据对连接起来，得到图3中所示的曲线。作为示例，在图2的等高线图中显示了所述数据对（针对方法2）的连接线。

)

4 结果与讨论

增量发送的基于事件采样表现远不如简单的降采样，这令人惊讶。对于角速度使用面积触发发送显著降低了误差，这一点并不意外，因为 αgyr的计算涉及角速度的积分。然而，与降采样相比，该算法仅略微改善了结果。

结合递减阈值使用增量发送同样如此。但是，当将区域触发采样与递减阈值结合（方法4）时，误差可进一步减少。例如，如图4所示，可以将传输数据减少66%，而总平均均方根误差仅增加0.3度。

5 结论与展望

我们提出了四种用于通过惯性传感器网络在生物反馈、神经假体和主动矫形器控制等实时应用中进行人体运动分析的基于事件的采样算法。为了测试所提出的方法，我们在模拟在线方式下将其应用于大量行走数据，并分析了当传输的数据样本减少时误差如何增加。结果表明，在对精度影响较小的情况下，有潜力大幅降低无线通信负载。例如，研究发现，在膝关节角度的均方根误差仅增加0.3度的情况下，可以减少64%的传输样本。

所提出的方法仅针对一种非常特定的场景进行了测试。考虑其他设置和用于人体运动分析的算法是未来工作的计划内容。采用基于模型的预测[6, 8]替代零-order hold，有望进一步减少无线通信[14]。此类方法在所考虑的应用中的有效性将作为未来研究的内容。