[论文解读] Experiments of posture estimation on vehicles using wearable acceleration sensors

Yoji Yamato|arXiv (Cornell University)|Jun 6, 2017

Ergonomics and Musculoskeletal Disorders参考文献 14被引用 3

一句话总结

本文提出一种利用T恤式可穿戴传感器（hitoe）的加速度数据估算车辆内驾驶员姿势的方法，重点检测如弯腰拾物等危险姿势。通过在Y轴加速度变化上应用阈值分析以检测身体倾斜，该方法成功识别了姿势变化，且无需依赖受传感器精度差异影响的智能手机加速度减法方法。实地测试证实，即使在陡坡上，该方法也具备可行性与低误报率。

ABSTRACT

In this paper, we study methods to estimate drivers' posture in vehicles using acceleration data of wearable sensor and conduct a field test. Recently, sensor technologies have been progressed. Solutions of safety management to analyze vital data acquired from wearable sensor and judge work status are proposed. To prevent huge accidents, demands for safety management of bus and taxi are high. However, acceleration of vehicles is added to wearable sensor in vehicles, and there is no guarantee to estimate drivers' posture accurately. Therefore, in this paper, we study methods to estimate driving posture using acceleration data acquired from T-shirt type wearable sensor hitoe, conduct field tests and implement a sample application. Y. Yamato, "Experiments of Posture Estimation on Vehicles Using Wearable Acceleration Sensors," The 3rd IEEE International Conference on Big Data Security on Cloud (BigDataSecurity 2017), pp.14-17, DOI: 10.1109/BigDataSecurity.2017.8, May 2017. "(c) 2017 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works."

研究动机与目标

• 为解决车辆运动干扰导致驾驶员姿势准确估算的挑战。
• 评估使用可穿戴加速度传感器（hitoe）在移动车辆中实现实时姿势监测的可行性。
• 对比并验证两种方法：使用智能手机进行加速度减法与基于阈值的hitoe数据姿势检测。
• 开发并测试一个可视化姿势变化并支持基于云的安全管理的示范应用。
• 为未来与公交公司合作开展的结合姿势与疲劳监测的实地试验奠定基础。

提出的方法

• 本研究使用T恤式可穿戴传感器（hitoe）在真实车辆中采集驾驶员的三维加速度数据。
• 基于阈值的方法通过分析Y轴加速度变化检测姿势变化，-0.34G的阈值对应20度的身体倾斜。
• 使用低通滤波器降低加速度数据中的噪声，以提高检测精度。
• 该方法避免依赖因传感器精度差异而引入误差的智能手机加速度减法。
• 示范应用处理滤波后的数据，可视化姿势变化，并将数据传输至云端以供进一步分析。
• 基于云端的分析利用心率变异性（RRI）和心脏迷走神经指数（CVI）估算疲劳与放松水平。

实验结果

研究问题

• RQ1 在车辆运动干扰下，可穿戴加速度传感器能否准确估算移动车辆中的驾驶员姿势？
• RQ2 将智能手机加速度从可穿戴传感器数据中减去，能否提供可靠的姿势估算？
• RQ3 基于Y轴加速度变化的阈值检测能否有效识别如弯腰拾物等危险姿势？
• RQ4 该方法在陡坡等复杂条件下表现如何？
• RQ5 实时应用能否成功可视化姿势变化并支持基于云端的安全管理？

主要发现

• 尽管经过噪声滤波，将智能手机加速度从hitoe数据中减去的方法仍因传感器固有精度差异而不可靠。
• 基于Y轴加速度变化的阈值检测方法（设定为-0.34G）成功识别出如拾物时的前倾等姿势变化。
• 在20%坡度的富士山登山巴士上进行的实地测试中未检测到任何误报，证实了在高车辆倾斜情况下的鲁棒性。
• 在普通城市巴士上的实地测试中，示范应用成功实时可视化了姿势变化。
• 该系统展示了实现实时姿势监测以及与基于云端的疲劳和健康状态分析集成的可行性。
• 计划与公交公司合作开展实地试验，进一步验证结合使用hitoe ECG与加速度数据进行姿势与疲劳联合监测的效果。