基于JY-901和Cocos2d-x的游戲健身設(shè)備

齊勝旺 王華畢 章可嘉 陳思 衛(wèi)穎 范家新

摘要 本文提出了一種基于九軸加速度傳感器JY-901和Cocos-2dx的游戲健身方案，通過藍牙將JY-901采集的人體行為數(shù)據(jù)傳送到Android端，并在Android端進行人體行為識別、處理，從而控制游戲進行。本方案將人體運動與游戲相結(jié)合，以游戲的方式幫助人們健身，解決了常規(guī)運動枯燥的問題，有助于對推動全民健身。

【關(guān)鍵詞】游戲健身 加速度傳感器 Android游戲 Cocos2d-x 人體行為識別 機器學習 JNI技術(shù) LIBSVM

現(xiàn)代社會生活節(jié)奏加快、運動成本增加，使得增強運動的趣味性成為了促進全民健身的重要課題。體感技術(shù)也稱人體動作感應(yīng)控制技術(shù)，是由機器通過感應(yīng)器對用戶的動作進行辨識、解析，并按照預定感測模式作出反饋的人機交互技術(shù)。體感游戲使用戶擺脫鼠標和鍵盤等傳統(tǒng)媒介，可簡化計算機復雜操作，增強人機互動性，有效提升個體在游戲中的置入感和沉浸感，能夠幫助用戶達到最優(yōu)化的健身效果。本文實現(xiàn)了一種基于JY-901和Cocos2d-x的游戲健身方案，可以根據(jù)JY-901獲取的人體數(shù)據(jù)進行人體行為識別從而實現(xiàn)游戲交互，以達到游戲健身的目的。

1 系統(tǒng)設(shè)計

系統(tǒng)由下位機和上位機組成，使用時打開下位機電源并將其放置于人體的某一位置，如手腕，然后打開安裝了配套游戲軟件的Android設(shè)備的藍牙開關(guān)，接下來打開游戲軟件并連接下位機。游戲過程中只要通過運動放置了下位機的肢體即可完成游戲。下位機主要由人體動作數(shù)據(jù)獲取模塊和數(shù)據(jù)傳輸模塊兩部分組成，負責人體數(shù)據(jù)的獲取和發(fā)送。上位機主要由人體行為識別模塊和游戲模塊兩部分組成，用于識別人體動作并實現(xiàn)游戲交互。系統(tǒng)框圖如圖l所示。

1.1 下位機設(shè)計

下位機主要分為人體動作數(shù)據(jù)獲取模塊和數(shù)據(jù)傳輸模塊兩大模塊。人體動作數(shù)據(jù)獲取模塊用于獲得運動肢體的加速度數(shù)據(jù);數(shù)據(jù)傳輸模塊可以將數(shù)據(jù)獲取模塊獲取到的數(shù)據(jù)通過藍牙傳輸給上位機。

1.1.1 人體動作數(shù)據(jù)獲取模塊

人體動作數(shù)據(jù)獲取模塊采用了高精度九軸加速度傳感器模塊JY-901。該模塊基于Cortex-M內(nèi)核處理器，采用高精度MEMS傳感器，加速度的最大量程遠遠高于人體動作水平，可達士1 6g，最低可識別6.le-5g，保證了人體動作識別的精度。其內(nèi)部還實現(xiàn)了姿態(tài)解算器和卡爾曼濾波算法，很好地解決了Z軸漂移問題，在運動時能夠準確地直接輸出加速度、角速度、角度等數(shù)據(jù)的數(shù)字信號?；貍魉俾士筛模疚脑O(shè)置為200Hz。該模塊還具備超低功耗的特點，工作電流約為20mA，供電電壓為3-6V，可直接使用3.7V鋰電池供電，足以滿足要求。

1.1.2 數(shù)據(jù)傳輸模塊

數(shù)據(jù)傳輸模塊采用HC-08來實現(xiàn)將JY901的數(shù)據(jù)發(fā)送給上位機。該模塊基于藍牙4.0協(xié)議，可根據(jù)需求利用AT指令進行串口波特率等參數(shù)的更改。在空曠環(huán)境下，該模塊可以和配備了藍牙模塊的設(shè)備實現(xiàn)80米遠距離通訊，完全滿足需求。

JY-901獲取到的數(shù)據(jù)通過TTL發(fā)送給HC-08，HC-08通過藍牙發(fā)送給上位機，以便上位機處理。

1.2 上位機設(shè)計

上位機即Android設(shè)備，該部分主要分為人體行為識別模塊和游戲模塊兩大模塊。人體行為識別模塊可以通過藍牙獲取到下位機的人體行為數(shù)據(jù)，然后通過處理這些人體行為數(shù)據(jù)來識別出人體行為。游戲模塊可以根據(jù)識別到的人體動作觸發(fā)游戲，實現(xiàn)人機交互，達到游戲健身的效果。

1.2.1 人體行為識別模塊

人體行為識別部分采用Java編寫，在軟件被打開后請求用戶打開設(shè)備藍牙并配對下位機，配對完成后創(chuàng)建一個藍牙服務(wù)以實時獲取來自下位機的加速度等數(shù)據(jù)。在游戲過程中，人體行為識別模塊根據(jù)獲得的模型對實時人體行為數(shù)據(jù)進行識別，當識別到特定的人體行為時通知游戲主進程，發(fā)送識別到的人體行為，觸發(fā)特定的游戲交互。

由于對于線性不可分的情況，支持向量機通過使用非線性映射算法，將低維輸入空間特性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進行線性分析成為了可能。故而本文采用LIBSVM作為分類器。所以人體行為識別的主要步驟為訓練集數(shù)據(jù)構(gòu)建，訓練人體行為識別模型，獲取實時人體行為數(shù)據(jù)，使用訓練出來的模型來識別人體行為。為了方便繪圖，本文人體行為識別算法使用MATLAB進行說明，原理與Java相同。

本文使用的傳感器回傳頻率為200Hz，實測每秒鐘可獲得180-190條數(shù)據(jù)，為了計算方便，本文以數(shù)據(jù)行數(shù)作為時間單位。本文以擺臂動作和打拳動作的識別為例。經(jīng)過測量，打拳（圖2）和擺臂（圖3）完整動作時間基本為40行數(shù)據(jù)和120行數(shù)據(jù)。又因為單條數(shù)據(jù)在人體動作識別中的作用有限，且受限于上位機性能、電源，難以實現(xiàn)對每條數(shù)據(jù)的實時處理，所以本文在特征提取過程中截取每40條數(shù)據(jù)作為一個整體進行處理，并設(shè)置每個相鄰整體按50%重疊。在采用了該技術(shù)后人體行為的周期約為O.lls，即動作發(fā)生后最多O.lls，系統(tǒng)就能夠進行識別，完全滿足本文需求。

1.2.1.1 構(gòu)建訓練集數(shù)據(jù)和標簽

（1）數(shù)據(jù)采集：因為JY-901內(nèi)部已經(jīng)實現(xiàn)了姿態(tài)解算器和卡爾曼濾波算法，所以不必進行濾波，可以直接進行信號特征的提取。獲取擺臂和打拳等肢體動作數(shù)據(jù)時，可以將加速度傳感器置于手腕背部，手心朝下手背朝上時傳感器的Z軸負方向與重力方向相同，Y軸方向與手臂保持平行。獲取到的每行數(shù)據(jù)格式為ax，ay，az，wx，wy，wz，部分數(shù)據(jù)如下圖4，左邊7個為打拳動作，右邊8個位擺臂動作。

（2）構(gòu)建訓練集數(shù)據(jù)：將步驟（1）獲取到的數(shù)據(jù)按照每40條數(shù)據(jù)一個整體，每個相鄰整體按50%重疊進行處理。將每個整體按照ax，ay，az，wa，wy，wz的順序分別求均值、標準差、偏度、峰度，并將求得的值存放于大小為24X1的矩陣中作為一條數(shù)據(jù)。將步驟（1）獲得的所有數(shù)據(jù)進行如上處理，即可完成訓練集數(shù)據(jù)的構(gòu)建。

（3）構(gòu)建訓練集標簽：由于人體行為識別使用監(jiān)督式學習算法，所以需要人工給數(shù)據(jù)加入標簽。本文將所有行為區(qū)分為打拳、無動作和擺臂，分別用.5、O和5來表示。由于訓練集大部分數(shù)據(jù)為無動作，故而可以初始化所有標簽為O，并根據(jù)訓練集數(shù)據(jù)實際情況調(diào)整數(shù)據(jù)標簽。在調(diào)整好標簽后，將包含標簽的數(shù)據(jù)也繪制出來，如圖5所示。

1.2.1.2 訓練人體行為識別模型

LIB SVM提供了一個訓練模型的函數(shù)：svmtrain。該函數(shù)前兩個參數(shù)分別為上邊獲取到的訓練集數(shù)據(jù)和標簽，在第三個參數(shù)中設(shè)置SVM類型為C-SVC，核函數(shù)類型為RBF函數(shù)。另外，還需要設(shè)置當前訓練集的最佳參數(shù)C和g以提高識別率。通過使用GirdSearch可以獲得本文最佳參數(shù)C為1.7411，最佳參數(shù)g為0.0039。

構(gòu)建完人體行為識別模型后可以采用交叉驗證等方式來測試模型準確度。本文選用最佳C和g后，在交叉驗證參數(shù)為3時，準確度約為83%，可以滿足本文需要。

1.2.1.3 構(gòu)建實時人體行為數(shù)據(jù)

構(gòu)建實時人體行為數(shù)據(jù)矩陣與構(gòu)建訓練集數(shù)據(jù)時類似，將實時獲取的人體數(shù)據(jù)每40條數(shù)據(jù)按照ax，ay，az，wa，wy，wz的順序分別求均值、標準差、偏度、峰度，并將求得的值存放于24X1的矩陣中作為一條數(shù)據(jù)，并將其用于識別動作。每獲得一次矩陣就進行一次識別。

1.2.1.4 識別人體行為

在獲得模型后，只需要將每一條24X1的人體行為數(shù)據(jù)矩陣使用svmpredict函數(shù)來預測即可判斷其分類。測試識別效果如下圖6，前六個為打拳，后四個為擺臂，可見此模型能夠很好地識別人體行為。

1.2.2 游戲模塊

游戲部分主要通過修改基于開源游戲引擎Cocos2d-x的開源游戲《Flappy Bird》（下墜的小鳥）來實現(xiàn)。Cocos2d-x是一款基于MIT開源協(xié)議的跨平臺游戲引擎，支持Lua、Javascript和C++語言開發(fā)。游戲部分主要使用C++來實現(xiàn)。但是因為游戲需要使用系統(tǒng)藍牙來獲取人體行為識別部分數(shù)據(jù)，所以在Android平臺下的人體行為識別模塊可以使用Java來實現(xiàn)，并且可以通過運用JNI技術(shù)（即Java Native Interface）來完成函數(shù)互調(diào)。實現(xiàn)在人體行為識別模塊識別到打拳或擺臂動作時觸發(fā)游戲中角色跳躍動作。

2 游戲運行測試

游戲測試采用黑盒測試，測試環(huán)境為Android M，主要進行功能和性能兩方面的測試。首先，打開游戲進行藍牙設(shè)備的配對.然后，進入游戲界面點擊開始游戲，通過運動肢體來實現(xiàn)控制游戲進行;最后，查看游戲得分并選擇繼續(xù)或退出。測試過程中，游戲各項指標均為正常，運行效果良好。部分運行圖如圖7-12。

3 結(jié)論

本文實現(xiàn)了一種基于JY-901和Cocos2d-x的游戲健身方案。本方案利用九軸加速度傳感器JY-901獲取人體行為數(shù)據(jù)，對數(shù)據(jù)進行處理后，使用LIB SVM識別出人體行為，并根據(jù)人體行為觸發(fā)游戲交互，實現(xiàn)了通過運動來控制游戲的目標。本方案不但提高了游戲的娛樂性，而且可以在游戲的同時實現(xiàn)健身，增強了運動的趣味性，有利于促進全民健身，具有一定的實用價值。

（通訊作者：王華畢）

參考文獻

[1]徐云，季靈芝，體感游戲在孤獨癥兒童干預中的效用[J].中國臨床心理學雜志，2016 （04）： 762-765+761.

[2]衡霞，王忠民，基于手機加速度傳感器的人體行為識別[J].西安郵電大學學報，2014 （06）：76-79.

[3]Hsu C-W， Chang C-C， Lin C-J.Apractical guide to support vectorclassification[R]. 2013.

[4] Chang C-C，Lin C-J. LIBSVM：A libraryfor support vector machines [R]. 2013.

[5] cocos2dx實例開發(fā)之flappybird [EB/OL]，ht tps： //blog. csdn. net /u0122 34115/article/details/40487557.

[6]沈晨，謝璨，基于Cocos2d-x引擎的跨平臺跑酷類手游的設(shè)計與實現(xiàn)[J].電腦知識與技術(shù)，2017 （29）： 46-47+57.

[7]許曉寧.Java Native Interface應(yīng)用研究[J].計算機科學，2006 （10）： 291-292+295.

[8]張海藩軟件工程導論[M].北京：清華大學出版社，2008：152-179.