野外训练计算机辅助系统的研究

摘 要

　　野外训练是提升部队士兵体能和战斗力的重要方式，对于建立强军强国的部队具有重要意义。计算机辅助训练技术的应用，对军事训练过程中的士兵信息管理、训练方案的实施、士兵运动状态的检测、保障训练过程安全等方面，都有非常实际的意义。计算机辅助训练的关键是训练场所士兵训练的实时数据采集，对运动形态的模式识别。

　　野外训练的地理环境复杂，包括山林、湖泊等；训练时间段不定，白天夜晚都有训练任务；训练场景多样，会放置形状各异的障碍物；参训人员数量较多，人员之间经常互相遮挡。这些因素对于基于图像处理技术的运动形态模式识别、全天候使用存在一定的难度，某种程度上应用受限。

　　野外训练中采用传感器技术采集士兵的各项运动参数，对上述提到的各种复杂情况，是一种有效的实施方法，可以满足野外训练的各种情况。人体装备的传感器不受白天黑夜的影响，周边的障碍物和人员的重叠不会影响传感器的数据。

　　根据野外训练的特殊场合，本文研究的野外训练计算机辅助系统，信息采集和运动模式识别主要基于传感器技术。

　　论文主要做了以下几方面的工作：
　　1）分析系统的功能需求，给出系统设计方案，由用户单元模块、上位机接口和计算机三部分组成系统。用户单元模块是可穿戴式设备，由部位数据采集单元和数据汇总单元组成，采集每一个士兵装备的传感器运动信息并发送出去；上位机接口接收单元模块用于接收和存储多个训练士兵发送的数据，向计算机发送数据；计算机实现对数据的处理。确定用户单元模块内部信息采用无线通信方法、用户单元模块和上位机接口单元模块采用 LoRa 通信方法、上位机接口单元模块和计算机采用 LAN 通信方式。

　　2）根据系统设计方案，对加速度传感器、大气压传感器、定位传感器、无线通信模块、PHY芯片和微处理器等选型、确定接口电路。

　　完成原理图设计、PCB 布局和硬件电路制作。

　　3）上位机接口部分的软件设计。在嵌入式处理器中通过移植FreeRTOS 设计一个数据管理存储系统，对上位机接口中的 Flash,单元索引为每个用户单元模块保存识别信息以及现场工作数据，对Flash 的数据采用 FAT 管理，单元的运动信息包括 GPS 位置、高度、步数及运动类型，用结构体的形式保存到单元信息。另外用三个线程分别实现以太网通信、LoRa 通信管理和运动数据运算。

　　4）部位数据采集和数据汇总单元的软件设计，对大气压传感器和加速度传感器的实时数据进行分析，根据加速度传感器的数据变化规律，控制传感器的转换速率。检测在设备不使用的情况下，关闭大气压传感器。以满足穿戴设备节能低功耗的需求。微处理器通过串口的 RX 端口接收北斗定位信息，由于通信数据速率高，USART 采用DMA 工作模式接收北斗数据。对 LoRa 模块的协议栈进行移植。LoRa的 SPI 同样采用 DMA 通信方式。通过 DMA 控制，可以大幅降低微处理器的负荷。

　　关键词：可穿戴式设备；低功耗；无线数据采集；LoRa 通信

Abstract

　　Field training is an important way to improve soldiers' physical fitness and combat effectiveness. It is of great significance to establish a strong army. The application of computer-aided training technology has very practical significance for soldier information management, the implementation of training scheme, the detection of soldier movement state, and ensuring the safety of training process. The key of computer-aided training is the real-time data acquisition of soldiers' training in the training place and the pattern recognition of movement form.

　　The geographical environment of field training is complex, including mountains, forests, lakes, etc; The training period is uncertain, and there are training tasks during the day and night; There are various training scenes, and obstacles of different shapes will be placed; There are a large number of trainees, and they often block each other. These factors have certain difficulties in motion pattern recognition and all-weather use based on image processing technology, and their application is limited to some extent.

　　Using sensor technology to collect soldiers' motion parameters in field training is an effective implementation method for the above-mentioned complex situations, which can meet various situations of field training. The sensors of human body equipment are not affected by day and night, and the overlap of surrounding obstacles and personnel will not affect the sensor data.

　　According to the special occasions of field training, the computer-aided system of field training studied in this paper is mainly based on sensor technology.

　　The main work of this paper is as follows: 1） analyze the functional requirements of the system, and give the system design scheme, which is composed of user unit module, host computer interface and computer. The user unit module is a wearable device, which is composed of a position data acquisition unit and a data summary unit to collect and send the sensor motion information of each soldier's equipment; The upper computer interface receiving unit module is used to receive and store the data sent by a plurality of training soldiers and send data to the computer; The computer processes the data. It is determined that the internal information of the user unit module adopts the wireless communication method, the user unit module and the upper computer interface unit module adopt the Lora communication method, and the upper computer interface unit module and the computer adopt the LAN communication mode.

　　2） According to the system design scheme, the acceleration sensor, atmospheric pressure sensor, positioning sensor, wireless communication module, PHY chip and microprocessor are selected and the interface circuit is determined.

　　Complete schematic design, PCB layout and hardware circuit making.

　　3） Software design of host computer interface. In the embedded processor, a data management storage system is designed by transplanting FreeRTOS. For the flash in the upper computer interface, the unit index saves the identification information and field work data for each user unit module. The flash data is managed by fat. The motion information of the unit includes GPS position, height, steps and motion type, Save to cell information in the form of structure. In addition, three threads are used to realize Ethernet communication, Lora communication management and motion data operation respectively.

　　4） The software design of part data acquisition and data summary unit analyzes the real-time data of atmospheric pressure sensor and acceleration sensor, and controls the conversion rate of the sensor according to the data change law of acceleration sensor. Detect that the atmospheric pressure sensor is turned off when the equipment is not in use. To meet the needs of energy saving and low power consumption of wearable devices. The microprocessor receives Beidou positioning information through the RX port of the serial port. Due to the high communication data rate, USART adopts DMA working mode to receive Beidou data. Porting the protocol stack of Lora module. The spi of Lora also adopts DMA communication mode. Through DMA control, the load of microprocessor can be greatly reduced.

　　Keywords: wearable device; Low power consumption; Wireless data acquisition; Lora communication

目录

　　第一章 绪论

　　1.1 研究背景及意义

　　野外训练是部队中士兵训练的一个重要项目，可以提升部队士兵的体能和战斗力，对于建立强军强国的部队具有重要意义。野外训练包括野外行军、部队驻扎、实弹射击等。为更接近实战，部队会选择野外无人区进行训练，培养士兵对陌生地域的适应性、锻炼野外生存能力。

　　野外地势环境复杂，包括山林、湖泊等；训练时间不定，白天夜间都有训练任务；训练场地范围大，会有障碍物对人进行遮蔽；训练人员数量多，人员之间存在肢体遮蔽。训练中存在一定危险性，所以需要保障训练人员的安全以及体能进行估计，需要计算机辅助训练，关键在于训练的数据采集以及运动形态的识别。

　　目前基于视觉图像技术的运动识别方法在野外全天候的使用中具有局限性，而基于传感器技术的运动识别方法可以解决以上的问题，不受光线和设备部署的局限，可实现对每个训练人员的运动信息进行采集。

　　目前传感器以体积小、功耗低、性能稳定等特点常用于人体运动识别中。通过有线传输数据方式佩戴传感器会影响到正常训练，采用低功耗无线传输的方式不影响运动且可以实现数据传输到计算机当中。上述传感器技术、通信技术、计算机等几部分的组成，构成一套嵌入式穿戴式智能设备，当前嵌入式设备以其成本低、功耗低等优势适用于户外运动中。

　　本文设计的野外训练计算机辅助系统，关键在于通过收集训练人员的运动信息，识别运动状态，对训练效果的评估和训练方案的设定提供基础依据，在军事训练中具有很重要的现实意义。

　　1.2 研究现状

　　1）加速度传感器在人体动作识别应用方面的研究现状早于 1953 年，Saunders 等人就在人体动作识别研究中引入加速度传感器的运用[1],但由于早期的加速度计体积大、质量重、价格高等客观因素，其相关的研究工作和应用市场都比较匮乏。直到近年来，随着 MEMS 惯性传感器的技术发展逐渐成熟，其价格低、耗能低、体积小、质量轻、精度高、工作稳定等特点，使得传感器在科学研究和实际应用领域都得到广泛的使用。

　　加速度传感器为运动数据的采集提供数据支撑。Saunders 等人提出一种基于三轴加速度信号的失重特征识别方法，利用向量机（SVM）对四个活动进行分类识别，平均准确率为 97.21%,优于基于传统的时域特征方法，针对加速度计不同位置有较强的鲁棒性[2].He 等人提出一种基于人体佩戴式无线加速度计的精确活动识别系统，加速度计佩戴在腰间，采集到的运动数据区分六种日常生活活动和过渡活动，应用于病人监护的实际应用中[3].Khan 等人提出分层识别方法，基于胸部安装一个三轴加速度计数据，在低层次，通过统计信号特征和人工神经网络（ANNs）用于识别活动所属的状态。上层使用加速度信号的自回归（AR）模型，可实现识别三种状态和 15 种活动状态[4].Curone 等人对一个可穿戴三轴加速度计产生的信号实时处理，实现人体姿态和活动水平检测，在检测到危险条件时启动警报，可应用于老年人健康监测中[5].Yang 等人提出一种基于三轴加速度计的上下楼人体识别算法，该算法包括垂直加速度标定，特征（四分位距和小波能量）提取，包装法特征选择方法，支持向量机分类算法，实现传感器在不同位置时（被测者腰带上、裤袋中、衬衫口袋中）的上下楼梯识别[6].同一运动不同位置的加速度输出会有所不同，存在内部差异，Khan 等人提出通过线性判别分析减少内部差异，实现对休息（躺着/坐着/站着），步行，上楼，步行到楼下，跑步，骑自行车和吸尘七个动作的区分，可适用于老年人的长期活动监测[7].

　　文献[8]中将多个加速度传感器放置在手腕、臀部、大腿、脚踝处，通过多特征方法可以识别到 30 个体育运动动作。郝立果提出以 ARM7、三轴加速度传感器为核心，采用 5 个传感器节点实现人体运动信息采集，实现用运动信息控制对电脑游戏[9].朱国康等人提出将加速度计配置在手腕处，为腕臂动作识别提供数据支持[10].Gao 等人使用三轴加速度传感器捕获大量动物身体运动和姿态数据，提出 SAAR （ Semantic Annotation and Activity Recognition）系统，对特定的动物行为进行识别[11].Vinh 等人使用基于加速度计的传感设备，提出半马尔可夫条件随机场（ semi-Markov Conditional Random Fields）的实现方法，可有效识别吃饭、开车等复杂活动[12].Catrine 等人使用佩戴在腰间的加速度计，测量儿童的清醒时间和睡眠时间，检测人体的体育活动和久坐时间，给儿童肥胖、生活方式的研究提供数据[13].

　　Mangiarotti 等人设计一种可穿戴式的无线系统，该穿戴设备有两个独立单元，每个单元含有一个三轴加速度计和陀螺仪、一个安装在 TinyDuino 平台上的微控制器和一个电池，分别放置在两个手腕上，采用蓝牙通信技术实现与计算机的连接，用于实时识别篮球运动员的双手动作[14].Burns 等人使用基于腕表的加速度计，对马拉松中的运动员进行步频的检测，显示了步频与跑步速度、人体疲劳和人体特征的关系[15].Makhni 等人使用基于加速度传感器的可穿戴式设备，放置在内侧肘部，通过测量内侧肘关节的扭矩，以及手臂速度、手臂槽和肩部旋转等附加参数，实现棒球运动中对快速球、曲线球、变速球的识别[16].

　　3）穿戴式设备的研究现状无线技术、低功耗电子产品以及物联网的进步推动了可穿戴设备的创新。

　　Shang 等人指出智能穿戴设备在中国医疗保健中起了重要作用[22].Yasser 等人提出灵活且可扩展的传感器与基于硅的低功耗电子设备相结合是一种可行且有效的医疗监控方法，用于监视人体生命体征（例如体温，心率，呼吸频率，血压，脉搏氧合和血糖）的柔性医疗设备已应用于健康状况监测和医学诊断中[23].不久的将来可能存在机器人同步跟随人类行动，Kim 等人提出通过手势识别控制机器人暂停同步模式，穿戴式设备中使用三维加速度计识别人类手势，使用 125 kHz低频（LF）和 2.4 GHz 蓝牙低功耗（BLE）两种无线通信协议实现实时交互和同步 [24].Zhang 等人提出一个在剧烈运动中使用腕式光电容积描记信号进行心率监测的通用框架，称为 TROIKA,该框架包括用于降噪的信号分解，用于高分辨率频谱估计的稀疏信号 RecOnstructIon 以及带有验证的频谱峰值跟踪，该框架对于可穿戴设备（例如使用 PPG 信号监测心率是否适合健康的智能手表）具有重要价值[25].Abro 等人开发了一种智能保护皮带，用 FBG 传感器来监测膝盖关节的运动，设计简单并且易于佩戴和使用，持续收集准确的信息，在关节屈膝时，系统通过膝盖的姿势改变进行校准，避免运动中的关节受损，并用于识别实验者各种静态和运动姿势下的身体姿势，可用于体育运动以及在监测中风患者[26].

　　Roh 等人设计了一种恒温的可穿戴式衣物，支持感应温度和加热操作，可以设定最佳舒适温度，当环境温度发生变化时，能及时调整温度到人体最舒适的温度[27].

　　4）2.4G 通信研究现状通过 2.4G 无线技术可以实现短距离内的无线通信。米秋香将 WiFi、蓝牙、2.4G 通信功能与终端设备组合，实现多种无线通信技术的结合，构建一种高性能、低成本的智能家居系统[28].吕刚等人结合 2.4 G 无线短距离通讯技术，设计绝缘子喷涂设备控制系统，实现了绝缘子的自动化喷涂和清洗[29].江武志等人给出一个以 STC89C52 为控制核心、nRF24L01 为无线通讯模块的红绿灯识别系统，对行车过程进行控制，红灯停，绿灯行，防止汽车闯红灯[30].王宇纯等人通过nRF24L01 无线通讯模块将各点温度传感器中采集到的数据传输至控制中心，实现了环境温度的远程测量[31].朱慧彦等人通过高性能 MCU 和 nRF24L01 无线传输芯片组成无线通信系统，通过软件配置实现了多点对单点的双向通讯，在网格化条件下实现了稳定可靠的无线通信[32].孙建朋以 ARM9 为核心，使用 Zigbee组建家居系统内部网络，通过手机等移动终端对家居设备进行无线控制，实现家居系统自动化和智能化[33].肖林京等人通过电池检测芯片和温度传感器精准检测电池电压和温度数据，通过 nRF24L01 模块实现传输的收发，通过上位机对数据进行存储管理，实现大规模串联锂电池电压、温度参数的远程无线检测[34].刘婷以 STM32 为主控制器，通过 nRF24L01 模块实现手持终端发送装车站情况的数据到装车站接收端，解决了人员对装车站存在视觉盲区的问题，实现了操作人员对装车站情况的实时控制[35].石瑛提出以 STM32 为处理器，综合 Zigbee、蓝牙和 WiFi 无线技术实现智能家居系统，Zigbee 实现各终端设备间的组网，蓝牙实现用户对整个系统的控制，通过 WiFi 实现传输数据至云平台并处理，多传输模块设计实现了用户的个性化需求[36]. 5）LoRa 通信研究现状LoRa 无线通信技术是一种低功耗、远距离的无线传感器网络扩频通信技术，最早由 Semtech 公司在 2013 年发布。2015 年 Semtech 公司建立 LoRa 联盟，为众多小公司提供 LoRa 服务，推动了低成本低功耗物联网的发展[37].

　　LoRa 技术以其低功耗、远距离传输等特点在无线传感领域中有广泛应用。

　　例如在渔业养殖方面，张铮等人利用低功耗的 LoRa 技术设计了双信道网关，如果鱼塘内有环境监测指标超标情况，向计算机发送警报，LoRa 技术既满足低功耗的要求，又能实现数据实时传输的要求，给大面积鱼塘的管理带来新选择[38].

　　室内空气质量问题一直是人们的关注焦点，含有甲醛和挥发性有机物的空气影响人体健康，周成状等人利用 LoRa 模块组建一种智能环境监测调节系统，可同时检测室内气温以及空气质量，通过LoRa模块将采集到的数据发送到监控中心[39].

　　在农业大棚应用中，棚内温湿度对作物的生长发挥重要作用，使用现代化农业是必然趋势，仲宇璐等人利用 LoRa 技术对温室内的温、湿度进行自动监测，根据温、湿度变化自动调整到适宜生长的温、湿度环境，有效提高了生产质量[40].LoRa技术还广泛适用于智能电表领域[41] .LoRa 技术不仅仅适用于室内、室外环境，在穿戴式设备中也得到了应用。在井下的电力施工中需检测是否有易燃气体和有毒气体，施工人员佩戴基于 LoRa 的可穿戴式气体检测装置实时监测井下空气含量，利用 LoRa 传输到地面监测装置，增加了通信距离和传输稳定性，增强了施工的安全性[42]. 6）人体动作识别的研究现状早于 1973 年，心理学家 Johansson 做了人体运动感知实验[43],发现人体的运动识别可以通过人体肢体关节点的运动来识别，对 10-12 个关节点进行组合追踪，可以刻画出跳舞、走路、跑步等人体行为。人体动作识别一直是研究的热门领域，在跌倒检测、医疗监控、动作追踪、人机互动、体育训练等领域得到了广泛的应用。

　　Li 等人将轨迹池卷积与 3D 卷积方法相结合，提出一种新的用于动作识别的多尺度轨迹池 3D 描述符对人体动作进行识别，提高视频中的动作识别效率[44].

　　李玉明利用 Kinect 获取骨骼信息，通过肢体姿势识别实现人体姿势识别，提取肢体信息特征值，根据基于骨骼向量特征值的模板匹配算法设计的分类器实现人体姿势识别，识别率高达 98%,解决了人体姿势识别算法复杂度高、不易实现的问题[45].胡春生等人基于安卓机内置的传感器，提取传感器特征值，利用网格搜索法、遗传算法对参数进行寻优，提高人体运动识别准确率，可识别人体行走、站立、跑步等动作 [46].Lei 等人提出使用回归模型，基于 RGB 视频数据中的细粒度评估函数对人体动作进行识别，对动作质量进行评估，用于体育动作的评估打分[47].Majd 等人基于 RGB 图像，提出使用光流的时空视频识别网络，估计运动光流并提取时空特征，实现对人体动作识别，在计算时间上具有优势[48].Yadav等人基于 RGB 图像，使用基于卷积神经网络（CNN）和长短时记忆（LSTM）的深度学习算法，实现对瑜伽 6 种体式的识别[49].Nazir 等人提出一个动态时空表情袋（D-STBoE）模型进行人类行为识别，适用于现实场景中出现视图独立、遮挡的问题[50]. 7）军事模拟训练研究现状Fan 等人通过身体局域网（BAN）（有线）收集训练数据，实时识别士兵的身体动作或姿势，将虚拟现实技术与 BAN 结合在一起，在虚拟环境中捕获步行、跑步、射击等动作，可以提供训练过程中完整的信息，实现真实的虚拟训练[51]

　　陈苒君等研究的基于计算机视觉的士兵对抗系统，使用视频流的运动检测与跟踪，实现对视频中士兵运动形态的识别与跟踪，通过运动轨迹判断士兵是否被击中，进而判断士兵对抗结果，既保证了训练的实时真实性，又保护了士兵的训练安全[52].在真实战场中，为了保证士兵的健康状况与安全问题，Pulimamidia 等人提出使用远程士兵健康检测工具监测士兵身体状况，采用 GPS 定位技术支持跟踪士兵位置，通过无线通信提供与基站服务器的连接[53].

　　1.3 本文研究内容

　　野外训练是部队中提升部队士兵的体能和战斗力的重要方式，对于建立强军强国的部队具有重要意义。野外训练包括野外行军、部队驻扎、实弹射击等。为了更接近实战，部队会去野外山林进行训练，培养士兵对陌生地域的适应能力、锻炼野外生存能力。野外训练在提升士兵的体能和战斗力的同时，也会伴有安全隐患，例如走失、掉下悬崖、运动量过度等。如果训练方案不够完善，训练过程中出现训练损伤，有悖于训练的目的。训练人员的运动信息反应了训练的体能情况，对训练方案、战略计划提供数据基础，定位信息对及时救援具有重要作用。

　　针对上述背景，本文提出一种野外训练计算机辅助系统，主要内容有：

　　1） 提出一个可扩展的穿戴式运动数据采集设备。

　　考虑到对训练人员运动量的估计，需要对人体运动进行识别。虽然基于视觉的运动识别已经成熟，但是在本研究中，野外训练地理环境复杂，包括山林、湖泊等，不满足视觉采集设备的布置；同时训练时间段不定，包括白天和夜晚的训练，夜晚光线不佳影响采集图像的质量；天气情况复杂，刮风下雨等对图像采集设备影响很大；训练中会有很多障碍物遮挡，训练人员数量多，人员之间相互遮挡，也会影响图像内容的识别。用穿戴式传感器检测技术，根据传感器数据进行运动识别，不受上述因素的影响，适合在野外环境应用。在人体的某个部位放置单个传感器可以识别简单的运动，满足简单的训练要求。为了精准判断人体运动的不同姿态和运动方式，可以采用可扩展的穿戴式设备，在人体的多个部位运动数据采集单元，再用一个数据汇总单元统一向外发送检测数据。本系统作为野外训练计算机辅助系统，需要采集训练人员更多的肢体动作，以便判断训练动作和训练强度是否符合训练要求，因此需要在人体多个部位添加穿戴式设备，分别放置在肩膀、大腿、脚踝、手腕等处，扩展采集数据的范围。同时需要考虑训练时，同样的肢体运动方式，上坡和下坡的运动量不同，因此本文设计的穿戴式部位运动数据采集单元需同时配置加速度传感器和大气压传感器，协同完成人体运动数据的采集。数据汇总单元还需添加 GPS 定位功能，为野外训练发生意外时提供训练位置，以便救援人员及时赶到现场营救。考虑到设备佩戴在身体各个部位，尽量不影响正常训练运动，在硬件设计时以体积小、重量轻为标准。

　　2） 短距离传输和远距离传输共同实现。

　　训练现场采集到的数据需要发送到训练指挥车上的计算机，进行数据的处理和存储。野外训练人员数量大，训练范围广，训练场地不定，基本没有有线通信网络，数据有线传输方式明显不适用，故采用无线通信的方式传输数据。野外训练时，训练人员和指挥车的距离通常相距数公里远，从现场训练人员身上采集到的数据需要传输的距离大，必须采用大功率远距离的 LoRa 无线通信技术。训练人员个体内部各单元采集到的数据需要汇总到数据汇总单元，由汇总单元发送到指挥车计算机。为了不对人员的运动造成影响，训练人员个体内部各单元和数据汇总单元也采用无线通信。由于个人身上佩戴多个设备，它们的信息如果也用远距离方式传输，会对边上其他人员产生干扰，所以人员个体内部采用可设定发射功率和发射通道的短距离通信方式。考虑到设备使用锂电池供电，在采取传输方式时都以低功耗为标准。

　　3） 上位机接口板设计。

　　计算机与外界的数据传输方式只包含蓝牙、WiFi、USB、LAN,无法通过 LoRa直接通信，为了实现计算机接收无线传输的数据，通过设计上位机接口板，实现与人员设备间的 LoRa 无线通信，与计算机之间通过 LAN 接口实现数据的传输，野外计算机的通信可靠性不强，为了数据能够持续的接收，在上位机接口中添加一个存储模块，缓存无线传输过来的人员信息，和计算机再次连接时能保证后期的数据追溯，减小野外训练辅助系统对计算机的依赖性。

　　4） 软件设计。

　　在计算机中接收到的数据需要进行处理和存储，考虑使用一个数据管理系统实现对每个人员的信息的管理和保存。通过程序设计实现数据采集设备的工作，包括各传感器的工作方式以及无线传输的工作模式。考虑到整个设备使用电池供电，为了尽量延长电池使用时间，程序设计时尽可能考虑节能的工作方式。

　　1.4 论文结构

　　本文后续章节内容安排如下：

　　第二章，系统设计分析。分析系统需要完成的任务和功能，根据功能分析提出系统方案设计，阐述各个系统部分的功能要求，根据系统模块之间数据传输的需求，分析当前常用的无线传输技术，确定系统的无线通信方案。

　　第三章，用户单元模块硬件设计。简要阐述用户单元模块的功能，用户单元模块分为部位数据采集单元和数据汇总单元两个部分，分别对两个部分进行硬件电路设计，根据单元模块的系统框架开始硬件芯片选型、模块接口电路设计，最后完成整体电路设计以及 PCB 布线和制板。

　　第四章，上位机接口硬件设计。简要阐述上位机接口的功能，完成从硬件模块的选型到模块接口电路设计，最后完成整体电路设计以及 PCB 布线和制版。

　　第五章，接口部分软件设计。计算机与用户单元之间通过无线通信进行数据传输，上位机接口通过软件实现对采集数据的接收，提出用户数据管理系统，对信息进行处理和存储，通过三个线程实现各模块的工作管理。

　　第六章，部位数据和数据汇总单元程序设计。程序控制各传感器的工作模式，控制单元之间数据的无线传输，以及与上位机接口之间的无线传输。通过程序实现低功耗的工作模式。

　　第七章，总结与展望。总结本文的主要工作，针对本文系统提出进一步研究的方向，展望未来。

　　第二章 系统设计分析

　　2.1 系统功能分析

　　2.1.1 功能需求

　　2.2.2 性能需求

　　2.2 系统设计方案

　　2.3 近距离无线传输技术方案

　　2.4 远距离无线技术方案

　　2.5 本章小结

　　第三章 用户单元模块硬件设计

　　3.1 部位数据采集单元硬件系统设计

　　3.1.1 功能分析和硬件结构

　　3.1.2 加速度模块选型及电路设计

　　3.1.3 高度模块选型与电路设计

　　3.1.4 2.4G 通信模块选型及电路设计

　　3.1.5 微处理器选型及电路设计

　　3.1.6 电源电路设计

　　3.2 数据汇总单元硬件设计

　　3.2.1 功能分析和硬件结构

　　3.2.2 北斗定位模块选型及电路设计

　　3.2.3 LoRa 模块选型及电路设计

　　3.2.4 微处理器选型及电路设计

　　3.4 本章小结

　　第四章 上位机接口硬件设计

　　4.1 功能分析和硬件结构

　　4.2 微处理器选型及电路设计

　　4.3 外围存储模块选型及电路设计

　　4.4 LAN 模块选型及电路设计

　　4.5 网络连接接口选型及电路设计

　　4.6 电源电路设计

　　4.7 本章小结

　　第五章 接口部分软件设计

　　5.1 数据管理系统结构

　　5.1.1 单元索引

　　5.1.2 FAT 管理

　　5.1.3 单元信息

　　5.2 数据管理系统工作

　　5.2.1 数据初始化

　　5.2.2 数据保存

　　5.2.3 数据读取

　　5.3 接口设备系统工作

　　5.3.1 以太网通信线程

　　5.3.2 LoRa 通信线程

　　5.3.3 运动数据运算线程

　　5.4 本章小结

　　第六章 部位数据和数据汇总单元程序设计

　　6.1 部位数据采集单元软件设计

　　6.1.1 2.4G 通信模块控制

　　6.1.2 加速度传感器与大气压传感器

　　6.2 数据汇总单元软件设计

　　6.2.1 北斗定位模块数据的读取

　　6.2.2 LoRa 通信

　　6.3 本章小结

第七章 总结与展望

　　7.1 总结

　　本文研究设计了适用于野外训练的计算机辅助系统，实现了需要完成的基本功能，实现对人体运动数据的采集，通过无线通信传输数据到计算机，由计算机控制各用户单元模块的数据传输，对接收到的数据进行运动识别和存储管理。本文主要完成的工作如下：

　　1）概述了本研究的背景及意义，分析了与本研究相关技术的研究现状，根据野外训练的实际需求提出了本文的研究内容。

　　2）根据研究内容对本系统进行功能分析，设计系统方案，野外训练计算机辅助系统含有用户单元模块、上位机接口和计算机三部分。用户单元模块是嵌入式穿戴设备，由部位数据采集单元和数据汇总单元组成，完成对每个训练人员信息的采集并发送。上位机接口实现接收和保存每个人员的运动信息，再向计算机发送数据。计算机接收每个人员的数据，进行处理和保存。

　　3）分析了当前适用于用户单元模块内部的近距离无线传输技术，对 Zigbee、WiFi、蓝牙等 2.4G 传输技术与 nRF24L01 进行对比；分析了当前适用于用户单元模块与上位机的远距离无线传输技术，对 LoRa、NB-IoT 和Sigfox 进行对比分析。

　　4）根据系统设计方案完成硬件设计，包括了用户单元模块和上位机接口的硬件设计，对加速度传感器、大气压传感器、定位传感器、无线通信模块、PHY 芯片和微处理器等选型、确定接口电路。完成原理图设计、PCB布局和硬件电路制作。

　　5）完成上位机接口部分的软件设计。通过在 STM32F407 中移植 FreeRTOS设计一个数据管理存储系统，实现 Flash 保存单元模块发送的数据，以及实现计算机读取 Flash 中存储的数据。其中定义单元索引为每个用户单元模块保存识别信息以及现场工作数据，对 Flash 的数据采用 FAT 管理，单元的运动信息包括 GPS 位置、高度、步数及运动类型，用结构体的形式保存到单元信息。通过三个线程，实现 LoRa 管理，同步单元模块的时间，设定工作参数。通过设定缓冲队列，解决了不同工作速率的 LAN 和LoRa 的协同工作问题。

　　6）完成部位数据采集单元和数据汇总单元的软件设计。通过控制 nRF24L01的设备地址，完成它们单元之间数据的收发。通过 I2C 接口区分大气压传感器和加速度传感器且控制操作，根据加速度传感器的数据变化规律，控制传感器的转换速率。通过 SPI 的 DMA 通信方式控制 LoRa 模块、北斗定位模块的工作。在最大程度实现节能方面，根据加速度传感器的数据变化规律，控制传感器工作，在设备不使用的情况下，关闭大气压传感器，SPI 采用 DMA 通信方式减少微处理器的负担。

　　7.2 展望

　　由于时间的限制，系统目前实现了基本功能，本研究还有很多方面有待继续研究和探讨，对各方面功能进行增强和完善，以下是我总结的值得深入研究和探讨的问题：

　　1）进一步完善运动数据采集系统，从能耗、体积、成本等方面继续完善。 2）该设备主要适用于野外训练场景，场景使用具有针对性，可将其功能进一步改进，引入日常生活、商业领域。

　　3）对收集到的数据可进一步处理，对运动模式进行区分。

　　参考文献[1] Saunders JB, Inman VT, Eberhart HD. The Major Determinants in Normal and PathologicalGait[J]. Journal of Bone and Joint Surgery, 1953, 35（1）： 543-558.

　　[2] He Z, Liu Z, Jin L, et al. Weightlessness Feature - A Novel Feature for Single Tri-axialAccelerometer based Activity Recognition[C]// 19th International Conference PatternRecognition on IEEE, 2009: 1-4.

　　[3] Gupta P, Dallas T. Feature Selection and Activity Recognition System Using a Single TriaxialAccelerometer[J]. IEEE Transactions on Biomedical Engineering, 2014, 61（6）： 1780-1786.

　　[4] Khan AM, Lee YK, Lee SY, et al. A Triaxial Accelerometer-Based Physical-ActivityRecognition via Augmented-Signal Features and a Hierarchical Recognizer[J]. IEEETransactions on Information Technology in Biomedicine, 2010, 14（5）： 1166-1172.

　　[5] Curone D, Bertolotti GM, Cristiani A, et al. A Real-Time and Self-Calibrating Algorithm Basedon Triaxial Accelerometer Signals for the Detection of Human Posture and Activity[J].

　　Transactions on Information Technology in Biomedicine, 2010, 14（4）： 1098-1105.

　　[6] Yang X, Jin L. Discrimination between Upstairs and Downstairs Based on Accelerometer[J].Ieice Transactions on Information & Systems, 2011, E94-D （6）：1173-1177.

　　[7] Khan AM, Lee YK, Lee S, et al. Accelerometer's Position Independent Physical ActivityRecognition System for Long-term Activity Monitoring in the Elderly[J]. Medical &Biological Engineering & Computing, 2010, 48（12）：1271-1279.

　　[8] Tapia E M, Intille SS, Haskell W, et al. Real-Time Recognition of Physical Activities and TheirIntensities Using Wireless Accelerometers and a Heart Rate Monitor[C]// IEEE InternationalSymposium on Wearable Computers, 2007: 37-40.

　　[9] 郝立果。 基于加速度传感器的运动信息采集和应用研究[D]. 天津大学，2010.

　　[10] 朱国康， 周涛。 面向腕臂动作识别的加速度计数据分析[J]. 机械科学与技术， 2018,37（09）： 1426-1430.

　　[11] Gao L, Campbell HA, Bidder OR, Hunter J. A Web-based Semantic Tagging and ActivityRecognition System for Species' Accelerometry Data[J]. Ecological Informatics, 2013, 13: 47-56.

　　[12] Vinh LT, Lee S, Le HX, Ngo HQ, Kim HI, Han M, Lee YK. Semi-Markov Conditional RandomFields for Accelerometer-based Activity Recognition[J]. Applied Intelligence, 2011, 35（2）：226-241.

　　[13] Catrine TL, Tiago VB, John MS, et al. Improving Wear Time Compliance with a 24-hour WaistWorn Accelerometer Protocol in the International Study of Childhood Obesity, Lifestyle andthe Environment （ISCOLE）[J]. International Journal of Behavioral Nutrition and PhysicalActivity, 2015, 12（1）： 11-19.

　　[14] Mangiarotti M, Ferrise F, Graziosi S, Tamburrino F, Bordegoni M. A Wearable Device to Detectin Real-Time Bimanual Gestures of Basketball Players During Training Sessions [J]. Journalof Computing and Information Science in Engineering, 2019,19（1）： 1-10.

　　[15] Burns GT, Zendler JM, Zernicke RF. Step Frequency Patterns of Elite Ultramarathon RunnersDuring a 100-km Road Race[J]. Journal of applied physiology,2019,126（2）： 462-468.

　　[16] Makhni EC, Lizzio VA, Meta F, Stephens JP,Okoroha KR,Moutzouros V. Assessment ofElbow Torque and Other Parameters During the Pitching Motion: Comparison of Fastball,Curveball, and Change-up[J]. Journal of Applied Physiology, 2018,34（3）： 816-822.

　　[17] Moon J, Kim J, Kim J, et al. Roller Skiing Biomechanical Information Analysis Using GPS,IMU, and Atmospheric Pressure Sensors: A Case Study[J]. Sports Engineering, 2018,21（4）：341-346.

　　[18] 刘善武， 陈帅， 谭聚豪， 顾得友。 一种辅助GNSS/INS组合导航系统的高度计设计[J]. 航天控制， 2019, 37（05）： 75-80.

　　[19] 侯小华， 胡文东， 张利利。 一种大气压力传感器数据采集系统的研究[J]. 计算机测量与控制， 2011, 19（09）： 2300-2301.

　　[20] Zhang L, Ma L, Wang X, et al. Application of Pressure Sensor in Chinese Area PositioningSystem[M]. 2012: 551-558.

　　[21] He Z, Liu Z, Jin L, et al. Weightlessness Feature-A Novel Feature for Single Tri-axialAccelerometer based Activity Recognition[C]// 2008 19th International Conference on PatternRecognition. IEEE, 2008: 1-4.

　　[22] Shang G, Zhang X, Peng S. Understanding the Adoption of Smart Wearable Devices to AssistHealthcare in China[C]// Conference on e-Business, e-Services and e-Society. Springer, Cham,2016:280-291.

　　[23] Yasser Khan, Aminy E, Ostfeld, Claire M. Lochner, Adrien Pierre, Ana C. Arias. Monitoringof Vital Signs with Flexible and Wearable Medical Devices[J]. Advanced Materials, 2016,28（22）： 4373-4395.

　　[24] Kim M, Lee J, Kang S. A Self-Organizing Interaction and Synchronization Method between aWearable Device and Mobile Robot[J]. Sensors, 2016, 16（6）： 842-856.

　　[25] Zhang Z, Pi Z, Liu B. TROIKA: A General Framework for Heart Rate Monitoring Using WristType Photoplethysmographic Signals During Intensive Physical Exercise[J]. BiomedicalEngineering IEEE Transactions on, 2015, 62（2）：522-531.

　　[26] Abro Z A, Hong C, Chen N. A fiber Bragg Grating-based Smart Wearable Belt for MonitoringKnee Joint Postures[J]. Textile Research Journal, 2020, 90（3-4）： 386-394.

　　[27] Roh JS, Kim S. All-fabric Intelligent Temperature Regulation System for Smart ClothingApplications[J]. Journal of Intelligent Material Systems and Structures, 2016, 27（9）： 1165-1175.

　　[28] 米秋香。 基于 2.4G 技术的智能家居系统实现[D]. 华南理工大学， 2018.

　　[29] 吕刚， 唐华东， 陈亮， 邓文斌， 王春， 张瑞亮。 基于 2.4 G 无线通讯的绝缘子喷涂清洁设备控制系统[J]. 环境技术， 2020, 38（04）： 36-39.

　　[30] 江武志， 许娜芬， 普清民。 基于 nRF24L01 的小车自动识别红绿灯的设计[J]. 汽车零部件， 2011（10）： 82-84.

　　[31] 王宇纯， 罗红宇。 智能温度采集系统研究与设计[J]. 吉林工程技术师范学院学报， 2020,36（01）： 94-96.

　　[32] 朱慧彦， 林林。 基于 MCU 和 nRF24L01 的无线通信系统设计[J]. 电子科技， 2012, 25（04）：81-83.

　　[33] 孙建朋。 基于 ZigBee 和 ARM 的智能家居系统的设计与实现[D]. 安徽理工大学， 2017.

　　[34] 肖林京， 于鹏杰， 常龙， 张森。 基于 LTC6803 和 NRF24L01 的动力电池检测系统[J]. 计算机测量与控制， 2015, 23（07）： 2278-2280.

　　[35] 刘婷。 基于 nRF24L01 和 STM32 的定量装车站无线控制系统[J]. 工矿自动化， 2015,41（06）： 104-106.

　　[36] 石瑛。 基于 ZigBee 与 WiFi 深度结合的智能家居系统的研究与设计[D]. 南京邮电大学，2019.

　　[37] Cotrim J R, Kleinschmidt J H. LoRaWAN Mesh Networks: A Review and Classification ofMultihop Communication[J]. Sensors, 2020, 20（15）： 4273-4283.

　　[38] 张铮， 曹守启， 朱建平， 陈佳品。 面向大面积渔业环境监测的长距离低功耗LoRa传感器网络[J]. 农业工程学报， 2019, 35（01）： 164-171.

　　[39] 周成状， 王琪。 基于 LoRa 技术的室内环境监测及智能调节系统设计[J]. 传感器与微系统， 2021, 40（04）： 96-98.

　　[40] 仲宇璐， 李娜。 基于 LoRa 技术的农业大棚温室监测系统设计[J]. 淮北职业技术学院学报， 2019, 18（02）： 111-113.

　　[41] 刘羽轩， 蔡高琰， 梁炳基， 骆德汉， 何家峰。 基于 LoRa 的智能电表通信方案设计[J]. 信息技术与网络安全， 2021, 40（03）： 54-59.

　　[42] 巩文东， 王广涛， 林毓梁。 基于 LoRa 无线通信的气体检测装置在电力施工中的应用[J].山东电力技术， 2021, 48（03）： 32-35.

　　[43] Johansson G. Visual Perception of Biological Motion and a Model for its Analysis[J].Perception&Psychophysics, 1973, 14（2）： 201-211.

　　[44] Lu X, Yao H, Zhao S, et al. Action Recognition with Multi-scale Tajectory-pooled 3DConvolutional Descriptors[J]. Multimedia Tools and Applications, 2019, 78（3）：1-17.

　　[45] 李玉明。 基于 Kinect sensor 的人体姿势识别研究[D].东北大学，2017.

　　[46] 胡春生， 赵汇东。 基于腕部 IMU 数据采集的人体运动模式识别[J]. 宁夏大学学报（自然科学版）， 2021, 42（01）： 45-50.

　　[47] Lei Q, Zhang H, Du J, Hsiao T, Chen C. Learning Effective Skeletal Representations on RGBVideo for Fine-Grained Human Action Quality Assessment[J]. Electronics, 2020, 9（4）： 568-588.

　　[48] Majd M, Safabakhsh R. A Motion-aware ConvLSTM Network for Action Recognition[J].Applied Intelligence, 2019, 49（7）： 1-7.

　　[49] Yadav SK, Singh A, Gupta A, Raheja JL. Real-time Yoga Recognition Using Deep Learning[J].Neural Computing and Applications, 2019, 31（12）： 9349-9361.

　　[50] Nazir S, Yousaf M H, Nebel J C, Velastin SA. Dynamic Spatio-Temporal Bag of Expressions（D-STBoE） Model for Human Action Recognition[J]. Sensors, 2019, 19（12）： 2790-2810.

　　[51] Fan Y C, Wen C Y. A Virtual Reality Soldier Simulator with Body Area Networks for TeamTraining[J]. Sensors, 2019, 19（3）： 451-472.

　　[52] 陈苒君。 士兵射击视频对抗系统中运动目标的捕捉与跟踪[D]. 东华大学， 2014.

　　[53] Pulimamidia B, Kumar D N, Prasad S. Soldier Tracking and Health Monitoring Systems[C]//International Conference on Electrical Electronics and Data Communication, 2015, 3: 37-42.

致谢

　　两年研究生时光稍纵即逝，即使时光短暂，但在东华大学的求学生活给我的人生留下了精彩的篇章。

　　在此毕业论文完成之际，我要向所有关心我、帮助我、鼓励我的人表示感谢。

　　首先，尤其要感谢我的导师曾培峰教授，从毕业设计的选题，到毕业论文的撰写，过程中给了我很多帮助，他严谨的治学精神和严格的科研态度，深深地感染了我，同样也非常感谢唐莉萍老师，在我遇到困难的时候，提供了很多有用的意见。在我研究生生涯中，遇到了两位和蔼可敬的老师，是我人生的幸运。

　　其次，我还要感谢我的朋友们，在生活中给予我很多关怀，给我很多陪伴，让我的生活充满活力。

　　最后，我要感谢我的家人，给我无限的支持，毫无保留的关心我，爱护我，相信我。

　　在未来的工作生活中，定不负身边人对我的信任，不懈努力，满怀感恩。

（如您需要查看本篇毕业设计全文，请您联系客服索取）