CN101894252A - 基于3轴加速度传感器信号的步行运动分类方法 - Google Patents
基于3轴加速度传感器信号的步行运动分类方法 Download PDFInfo
- Publication number
- CN101894252A CN101894252A CN 201010134122 CN201010134122A CN101894252A CN 101894252 A CN101894252 A CN 101894252A CN 201010134122 CN201010134122 CN 201010134122 CN 201010134122 A CN201010134122 A CN 201010134122A CN 101894252 A CN101894252 A CN 101894252A
- Authority
- CN
- China
- Prior art keywords
- state
- enter
- value
- stage
- acceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
一种基于3轴加速度传感器信号的步行运动分类方法:将3轴加速度传感器固定于被测者脚踝上部并与计算机相连接,设置初始值,获取运动时的不同加速度变化情况;调用一步检测子程序;判断一步检测是否成功;调用下楼状态检测子程序;判断是否处于下楼状态;调用投票算法子程序;判断是否处于上楼状态;判断是否处于向前走状态;设置运动状态为向前走状态;设置运动状态为上楼状态;设置运动状态为向后走状态;设置运动状态为下楼状态;判断当前加速度值是否溢出:设置运动状态为静止状态;设置运动状态为跑步状态;结束。本发明为个人导航系统,M-health系统或者在一些GPS信号覆盖不到的地区,在估算步行者位置提供了一种有效的解决方案。
Description
技术领域
本发明涉及一种步行运动分类方法。特别是涉及一种获取行走时的加速度变化情况,并根据所得数据信号提出一种区分步行运动状态的基于3轴加速度传感器信号的步行运动分类方法。
背景技术
当今计算机技术飞速发展,各种计算机技术应用于不同的领域,随着掌上电脑的普及,传感器技术特别是传感器微型化技术的发展,使用运动检测系统更容易携带,运动信息的获取和处理更加方便,同时也促进了运动分类技术的发展。所谓运动分类算法指通过对获得的运动数据进行分析,将运动划分为站立、一般步行、跑动、上坡和下坡等不同的运动状态的一种运动分类方法。文献Zuolei Sun,Xuchu Mao,Weifeng Tian etc.,Activity classification and dead reckoning for pedestrian navigation withwearable sensors,Measurement Science and Technology,v20,n1,2009.和S.H.Lee,H.D.Park,S.Y.Hong etc.,A Study on Activity Classification Using a TriaxialAccelerometer,Annual International Conference of the IEEE Engineering inMedicine and Biology-Proceedings,v 3,p2941-2943,2003.指出,在人的步行运动的每一步中,慢速行走和快速行走会有不同的特征,通过检测这些特征,可以对运动进行分类。
在文献Seika-cho,Soraku-gun,Kyoto,Recognition of Walking Behaviors forPedestrian Navigation,Proceedings of the 2001 IEEE International Conference onControl Applications,September 5-7,2001 Mexico City,Mexico:1152-1155.中,Seika-cho等人使用一个双轴加速度传感器分别测量步行者的加速度,然后根据测得的加速度值进行计算,利用计算结果将运动分为平地行走、上坡和下坡等不同运动模式。该算法的关键是识别出一步中的4个峰值,但该文献并没有给出传感器模块不同的摆放倾角和摆放位置时的测量结果,也没有跑步状态的测量结果。
文献Zhenyu He,Zhibin Liu,Lianwen Jin etc.,Weightlessness Feature-A NovelFeature for Single Tri-axial Accelerometer based Activity Recognitions,2008 19thInternational Conference on Pattern Recognition,ICPR2008,December 08,2008-December 11,2008.则提出了传感器放置位置的不同会对不同运动类型的识别率有很大的影响。He等人把运动分类看作一个模式识别的问题,将加速度数据进行时域特征和频域特征的提取,使用SVM(Support Vector Machine)对运动分类。
此外还有人提出以窗口(windows/frames)为单位对信号进行分析,换句话说,即在同时对多种运动状态进行分析。
但这些分类算法都没有区分不同运动状态的运动速度。
发明内容
本发明所要解决的技术问题是,提供一种使用一定分类算法识别出不同的运动状态,然后根据不同运动状态按不同的方式计算每一次的运动距离,再结合运动方向,与之前的位置进行累加,获得当前位置的基于3轴加速度传感器信号的步行运动分类方法。
本发明所采用的技术方案是:一种基于3轴加速度传感器信号的步行运动分类方法,包括如下阶段:
1)将3轴加速度传感器固定于被测者脚踝上部,并通过USB接口与计算机相连接,并为分类软件设置各变量的初始值,获取运动时的不同加速度变化情况;
2)调用一步检测子程序,识别步行者每一步的开始与结束;
3)根据第二阶段中一步检测子程序输出的检测结果判断一步检测是否成功,成功,进入第4阶段,否则进入第13阶段;
4)调用下楼状态检测子程序;
5)判断是否处于下楼状态,是,进入第16阶段,否则进入第6阶段;
6)调用投票算法子程序;
7)判断是否处于上楼状态,是,进入第10阶段,否则进入第8阶段;
8)判断是否处于向前走状态,是,进入第9阶段,否则进入第11阶段;
9)设置运动状态为向前走状态,然后进入第16阶段;
10)设置运动状态为上楼状态,然后进入第16阶段;
11)设置运动状态为向后走状态,然后进入第16阶段;
12)设置运动状态为下楼状态,然后进入第16阶段;
13)判断当前加速度值是否溢出,是进入第15阶段,否则进入第14阶段:
14)为干扰信号,设置运动状态为静止状态,然后进入第16阶段;
15)设置运动状态为跑步状态,然后进入第16阶段;
16)返回运动状态,结束。
所述的调用一步检测子程序,识别步行者每一步的开始与结束,包括如下步骤:
1)从3轴加速度传感器采集采集加速度数据,并进行预处理和设定阈值范围;
2)调用极值检测子程序;
3)判断当前值是否为极值,是进入第4步骤,否则进入第13步骤;
4)判断当前极值是否为极大值,是进入第5步骤,否则进入第9步骤;
5)判断当前极值是否大于已设置的极大值阈值,是,进入第6步骤,否则返回第1步骤重新开始;
6)判断是否检测到加速度的第一个峰值,是,进入第8步骤,否则进入第7步骤;
7)设置检测第一峰处理阶段的标志为1,并记录所有极大值,直到得到最大值后返回第1步骤重新开始;
8)设置检测第三峰处理阶段的标志为3,并记录所有极大值,直到得到最大值后返回第1步骤重新开始;
9)判断当前极值是否小于已设置的极小值阈值,是进入第10步骤,否则否则返回第1步骤重新开始:
10)判断是否检测到加速度的第二个峰值,是,进入第12步骤,否则进入第11步骤:
11)设置检测第二峰处理阶段的标志为2,并记录所有极小值,直到得到最小值后返回第1步骤重新开始;
12)判断是否设置了第三峰处理阶段的标志,是,进入第14步骤,否则返回第1步骤重新开始:
13)判断当前极值是否在平衡点区间,是,进入第12步骤,否则返回第1步骤重新开始:
14)设置一步检出标志为1,用以表示成功检测出步行者的一步,并返回主程序。
所述的预处理包括有:绘制加速度的变化曲线,去掉干扰信号,使信号曲线变平。
所述的极值检测子程序,包括如下步骤:
1)计算diffCur和diffPre的值,其中,diffCur=t+1时刻的加速度-t时刻的加速度,diffPre=t时刻的加速度-t-1时刻的加速度;
2)判断diffCur×diffPre>0.0是否成立,是,则为当前曲线处于单调状态,即递增或递减状态,否则,进入第3步骤;
3)判断diffCur×diffPre=0.0是否成立,是,进入第5步骤,否则,进入第4步骤;
4)判断diffCur>0.0是否成立,是,为极小值,否则,为极大值;
5)判断diffCur=0.0逻辑或diffPre=0.0是否成立,是,进入第8步骤,否则,进入第6步骤;
6)判断(diffCur>0.0&diffPre>0.0)逻辑或(diffCur<0.0&diffPre<0.0)是否成立,是则为当前曲线处于单调状态,即递增或递减状态,否则,进入第7步骤;
7)判断diffCur<0.0&diffPre>0.0是否成立,是为极大值,否则为当前曲线处于单调状态,即递增或递减状态;
8)判断diffPre=0.0&diffCur!=0.0是否成立,是进入第11步骤,否则进入第9步骤;
9)判断diffPre!=0.0&diffCur=0.0是否成立,是进入第10步骤,否则为当前曲牌线处于单调状态,即递增或递减状态;
10)判断diffPre>0.0是否成立,是,则为极大值,否则为极小值;
11)判断diffCur>0.0是否成立,是,则为极小值,否则为极大值。
所述的下楼状态检测子程序,包括如下步骤:
1)设置下楼状态检测时间阈值,并设置下楼状态检出标志为0,表示未检测出下楼状态;
2)判断是否到达时间阈值,是,检测结束,返回主程序,否则调用极值检测子程序;
3)判断当前值是否为极值,是进入第4步骤,否则返回第2步骤;
4)判断当前极值是否为极大值,是进入第5步骤,否则返回第2步骤;
5)设置下楼状态检出标志为1,表示已检测出下楼状态,检测结束返回主程序。
所述的投票算法子程序,包括如下步骤:
1)设置F、B、U初始值为0,其中,F为向前票数,B为后退票数,U为上楼票数;
2)检测水平方向和全局加速度,其中X轴为水平方向;
3)判断是否具有向前运动的特征,是,则F+1,否则B+1;
4)检测垂直方向和全局加速度,其中Z轴为垂直方向;
5)判断相邻波峰距离是否在设定阈值内,是,则F+1,否则U+1;
6)检测垂直方向和全局加速度,其中Z轴为垂直方向;
7)判断是否最具有上楼运动的特征,是,则U+1,否则B+1;
8)比较票数,当F=B=U=1时,为判断出错,返回第1步骤重新检测;当F=2时,为向前状态,检测结束返回主程序;当U=2时,为上楼状态,检测结束返回主程序;当B=2时,为向后状态,检测结束返回主程序。
本发明的基于3轴加速度传感器信号的步行运动分类方法,通过使用一个3轴的加速度传感器,然后对测得的加速度值进行分析,对步行时的运动状态进行分类。实现步行时运动状态的分类,为个人导航系统(PNS,Personal Navigation Systems),M-health系统或者在一些GPS信号覆盖不到的地区,在估算步行者位置提供了一种有效的解决方案。
附图说明
图1是本发明的整体流程图;
图2是本发明的一步检测算法流程;
图3是本发明的极值检测算法流程图;
图4是本发明的下楼状态检测算法流程图;
图5是本发明的投票算法实现流程图;
图6是传感器放置位置示意图;
图7是加速度变化模式;
图8是步行者奔跑时的加速度信号变化曲线图;
图9是步行者下楼时的加速度信号变化曲线图;
(a)慢速/正常速度运动 (b)正常速度/快速运动
图10是步行者向前走时的加速度信号变化曲线图;
(a)慢速运动 (b)正常速度运动
图11是步行者向后退时的加速度信号变化曲线图;
(a)慢速运动 (b)正常速度运动
图12是步行者上楼时的加速度信号变化曲线图。
(a)慢速/正常速度运动 (b)正常速度/快速运动
其中:
diffCur=t+1时刻的加速度-t时刻的加速度
diffPre=t时刻的加速度-t-1时刻的加速度
MONOTOME:当前曲牌线处于单调(递增或递减)状态
MINIMUM:极小值
MAXIMUM:极大值
1:支撑物 2:3轴加速度传感器
3:脚踝 S:一步的间隔
具体实施方式
下面结合实施例和附图对本发明的基于3轴加速度传感器信号的步行运动分类方法做出详细说明。
如图1所示,本发明的基于3轴加速度传感器信号的步行运动分类方法,包括如下阶段:
一)将3轴加速度传感器固定于被测者脚踝上部,如图6所示,并通过USB接口与计算机相连接,并为分类软件设置各变量的初始值,获取运动时的不同加速度变化情况;
本发明将步行运动分为跑,向前行走,向后行走,上楼和下楼五种状态,我们通过一个3轴加速度传感器2获取运动时的不同加速度变化情况。
二)调用一步检测子程序,识别步行者每一步的开始与结束;
首先,需要识别出步行者每一步的开始与结束。在加速度传感器所测得的数据中,每一步加速度做有规律的变化,其变化模式如图7所示,每一步加速度变化曲线始终呈现“波峰-波谷-波峰”三个阶段,因此,当三个阶段都检测完毕,即识别出一步,称之为“一步检测算法”。
所述的调用一步检测子程序,识别步行者每一步的开始与结束,如图2所示,包括如下步骤:
1)从3轴加速度传感器采集采集加速度数据,并进行预处理和设定阈值范围,所述的预处理包括有:绘制加速度的变化曲线,去掉干扰信号,使信号曲线变平;
2)调用极值检测子程序;
所述的极值检测子程序,如图3所示,包括如下步骤:
(1)计算diffCur和diffPre的值,其中,diffCur=t+1时刻的加速度-t时刻的加速度,diffPre=t时刻的加速度-t-1时刻的加速度;
(2)判断diffCur×diffPre>0.0是否成立,是,则为当前曲线处于单调状态,即递增或递减状态,否则,进入第3步骤;
(3)判断diffCur×diffPre=0.0是否成立,是,进入第5步骤,否则,进入第4步骤;
(4)判断diffCur>0.0是否成立,是,为极小值,否则,为极大值;
(5)判断diffCur=0.0逻辑或diffPre=0.0是否成立,是,进入第8步骤,否则,进入第6步骤;
(6)判断diffCur>0.0&diffPre>0.0逻辑或diffCur<0.0&diffPre<0.0是否成立,是则为当前曲线处于单调状态,即递增或递减状态,否则,进入第7步骤;
(7)判断diffCur<0.0&diffPre>0.0是否成立,是为极大值,否则为当前曲线处于单调状态,即递增或递减状态;
(8)判断diffPre=0.0&diffCur!=0.0是否成立,是进入第11步骤,否则进入第9步骤;
(9)判断diffPre!=0.0&diffCur=0.0是否成立,是进入第10步骤,否则为当前曲线处于单调状态,即递增或递减状态;
(10)判断diffPre>0.0是否成立,是,则为极大值,否则为极小值;
(11)判断diffCur>0.0是否成立,是,则为极小值,否则为极大值。
3)判断当前值是否为极值,是进入第4步骤,否则进入第13步骤;
4)判断当前极值是否为极大值,是进入第5步骤,否则进入第9步骤;
5)判断当前极值是否大于已设置的极大值阈值,是,进入第6步骤,否则返回第1步骤重新开始;
6)判断是否检测到加速度的第一个峰值,是,进入第8步骤,否则进入第7步骤;
7)设置检测第一峰处理阶段的标志为1,并记录所有极大值,直到得到最大值后返回第1步骤重新开始;
8)设置检测第三峰处理阶段的标志为3,并记录所有极大值,直到得到最大值后返回第1步骤重新开始;
9)判断当前极值是否小于已设置的极小值阈值,是进入第10步骤,否则否则返回第1步骤重新开始:
10)判断是否检测到加速度的第二个峰值,是,进入第12步骤,否则进入第11步骤:
11)设置检测第二峰处理阶段的标志为2,并记录所有极小值,直到得到最小值后返回第1步骤重新开始;
12)判断是否设置了第三峰处理阶段的标志,是,进入第14步骤,否则返回第1步骤重新开始:
13)判断当前极值是否在平衡点区间,是,进入第12步骤,否则返回第1步骤重新开始:
14)设置一步检出标志为1,用以表示成功检测出步行者的一步,并返回主程序。
三)根据第二阶段中一步检测子程序输出的检测结果,判断一步检测是否成功,当一步检测子程序输出的检测结果是1判断为成功,进入第四阶段,否则进入第十三阶段;
在检测出每一步的运动之后,开始通过对每一步的运动进行分析,以识别当前该步行者正在进行的运动状态。
由于速度的变化对加速度曲线的形状影响很大,因此,当步行者奔跑的时候,可能不容易检测出“波峰-波谷-波峰”序列。因为,当步行者奔跑时,其运动速度可能高于传感器的采样速度,导致每一步都与分别其前一步和后一步共享一个“波峰”。步行者奔跑时的加速度变化如图8,其中由上至下,第一条曲线表示水平方向的加速度变化,第二条表示全局加速度变化,第三条表示垂直方向的加速度变化。
此时,若一步检测算法失败,在确定不是由干扰引起信号变化后,可判断当前的运动状态为奔跑。
若一步检测算法成功,则说明当前步行者处于向前走,向后退,上楼,下楼四种状态之一。若在成功地检测到“两峰一谷”的信号后,在规定时间阈值内还能检测到第三个“波峰”则说明当前运动状态为下楼。下楼的加速度信号变化曲线如图9,该信号变化的特点即为每一步出现三个“波峰”。
四)调用下楼状态检测子程序;
所述的下楼状态检测子程序,如图4所示,包括如下步骤:
1)设置下楼状态检测时间阈值,并设置下楼状态检出标志为0,表示未检测出下楼状态;
2)判断是否到达时间阈值,是,检测结束,返回主程序,否则调用极值检测子程序;
3)判断当前值是否为极值,是进入第4步骤,否则返回第2步骤;
4)判断当前极值是否为极大值,是进入第5步骤,否则返回第2步骤;
5)设置下楼状态检出标志为1,表示已检测出下楼状态,检测结束返回主程序。
五)判断是否处于下楼状态,是,进入第十六阶段,否则进入第六阶段;
六)调用投票算法子程序;
若在成功地检测到“两峰一谷”的信号后,未检测出第三个“波峰”,则说明运动状态只可能为向前走,向后退,上楼三种之一。由于这三种运动状态呈现出的加速度变化规律有一定的相似度,因此本发明采用“投票”的方式识别步行者当时实际的运动状态,“投票”一共进行三轮。
第一轮:向前状态vs.向后状态。二者相似处在于连续两个“波峰”的距离基本相等,因此判断加速度水平方向(X方向)和全局曲线的形状,若曲线形状是尖的,则向前运动状态获得“一票”;反之,向后运动状态获得“一票”。
第二轮:向前状态vs.上楼状态。二者相似处在于加速度曲线形状均为尖的,因此判断加速度垂直方向(Y方向)和全局曲线的形状,当两个“波峰”相距较近时,向前状态获得“一票”;反之,上楼状态获得“一票”。
第三轮:向后状态vs.向上状态。本轮中,结合两种状态加速度垂直方向(Y方向)和全局曲线的特点,设置一个阈值,若测得的最小加速度值比阈值小,则上楼运动状态获得“一票”;反之,向后状态获得“一票”。
在三轮的“投票”之后,票数为两票的运动状态“获胜”。三种运动状态的加速度变化曲线图如图10,11,12所示。
所述的投票算法子程序,如图5所示,包括如下步骤:
1)设置F、B、U初始值为0,其中,F为向前票数,B为后退票数,U为上楼票数;
2)检测水平方向和全局加速度,其中X轴为水平方向;
3)判断是否具有向前运动的特征,是,则F+1,否则B+1;
4)检测垂直方向和全局加速度,其中Z轴为垂直方向;
5)判断相邻波峰距离是否在设定阈值内,是,则F+1,否则U+1;
6)检测垂直方向和全局加速度,其中Z轴为垂直方向;
7)判断是否最具有上楼运动的特征,是,则U+1,否则B+1;
8)比较票数,当F=B=U=1时,为判断出错,返回第1步骤重新检测;当F=2时,为向前状态,检测结束返回主程序;当U=2时,为上楼状态,检测结束返回主程序;当B=2时,为向后状态,检测结束返回主程序。
七)判断是否处于上楼状态,是,进入第十阶段,否则进入第八阶段;
八)判断是否处于向前走状态,是,进入第九阶段,否则进入第十一阶段;
九)设置运动状态为向前走状态,然后进入第十六阶段;
十)设置运动状态为上楼状态,然后进入第十六阶段;
十一)设置运动状态为向后走状态,然后进入第十六阶段;
十二)设置运动状态为下楼状态,然后进入第十六阶段;
十三)判断当前加速度值是否溢出,是进入第十一阶段,否则进入第十四阶段:
十四)为干扰信号,设置运动状态为静止状态,然后进入第十六阶段;
十五)设置运动状态为跑步状态,然后进入第十六阶段;
十六)返回运动状态,结束。
Claims (6)
1.一种基于3轴加速度传感器信号的步行运动分类方法,其特征在于:包括如下阶段:
1)将3轴加速度传感器固定于被测者脚踝上部,并通过USB接口与计算机相连接,并为分类软件设置各变量的初始值,获取运动时的不同加速度变化情况;
2)调用一步检测子程序,识别步行者每一步的开始与结束;
3)根据第二阶段中一步检测子程序输出的检测结果判断一步检测是否成功,成功,进入第4阶段,否则进入第13阶段;
4)调用下楼状态检测子程序;
5)判断是否处于下楼状态,是,进入第16阶段,否则进入第6阶段;
6)调用投票算法子程序;
7)判断是否处于上楼状态,是,进入第10阶段,否则进入第8阶段;
8)判断是否处于向前走状态,是,进入第9阶段,否则进入第11阶段;
9)设置运动状态为向前走状态,然后进入第16阶段;
10)设置运动状态为上楼状态,然后进入第16阶段;
11)设置运动状态为向后走状态,然后进入第16阶段;
12)设置运动状态为下楼状态,然后进入第16阶段;
13)判断当前加速度值是否溢出,是进入第15阶段,否则进入第14阶段:
14)为干扰信号,设置运动状态为静止状态,然后进入第16阶段;
15)设置运动状态为跑步状态,然后进入第16阶段;
16)返回运动状态,结束。
2.根据权利要求1所述的基于3轴加速度传感器信号的步行运动分类方法,其特征在于,所述的调用一步检测子程序,识别步行者每一步的开始与结束,包括如下步骤:
1)从3轴加速度传感器采集采集加速度数据,并进行预处理和设定阈值范围;
2)调用极值检测子程序;
3)判断当前值是否为极值,是进入第4步骤,否则进入第13步骤;
4)判断当前极值是否为极大值,是进入第5步骤,否则进入第9步骤;
5)判断当前极值是否大于已设置的极大值阈值,是,进入第6步骤,否则返回第1步骤重新开始;
6)判断是否检测到加速度的第一个峰值,是,进入第8步骤,否则进入第7步骤;
7)设置检测第一峰处理阶段的标志为1,并记录所有极大值,直到得到最大值后返回第1步骤重新开始;
8)设置检测第三峰处理阶段的标志为3,并记录所有极大值,直到得到最大值后返回第1步骤重新开始;
9)判断当前极值是否小于已设置的极小值阈值,是进入第10步骤,否则否则返回第1步骤重新开始:
10)判断是否检测到加速度的第二个峰值,是,进入第12步骤,否则进入第11步骤:
11)设置检测第二峰处理阶段的标志为2,并记录所有极小值,直到得到最小值后返回第1步骤重新开始;
12)判断是否设置了第三峰处理阶段的标志,是,进入第14步骤,否则返回第1步骤重新开始:
13)判断当前极值是否在平衡点区间,是,进入第12步骤,否则返回第1步骤重新开始:
14)设置一步检出标志为1,用以表示成功检测出步行者的一步,并返回主程序。
3.根据权利要求2所述的基于3轴加速度传感器信号的步行运动分类方法,其特征在于,所述的预处理包括有:绘制加速度的变化曲线,去掉干扰信号,使信号曲线变平。
4.根据权利要求2所述的基于3轴加速度传感器信号的步行运动分类方法,其特征在于,所述的极值检测子程序,包括如下步骤:
1)计算diffCur和diffPre的值,其中,diffCur=t+1时刻的加速度-t时刻的加速度,diffPre=t时刻的加速度-t-1时刻的加速度;
2)判断diffCur×diffPre>0.0是否成立,是,则为当前曲线处于单调状态,即递增或递减状态,否则,进入第3步骤;
3)判断diffCur×diffPre=0.0是否成立,是,进入第5步骤,否则,进入第4步骤;
4)判断diffCur>0.0是否成立,是,为极小值,否则,为极大值;
5)判断diffCur=0.0逻辑或diffPre=0.0是否成立,是,进入第8步骤,否则,进入第6步骤;
6)判断(diffCur>0.0&diffPre>0.0)逻辑或(diffCur<0.0&diffPre<0.0)是否成立,是则为当前曲线处于单调状态,即递增或递减状态,否则,进入第7步骤;
7)判断diffCur<0.0&diffPre>0.0是否成立,是为极大值,否则为当前曲线处于单调状态,即递增或递减状态;
8)判断diffPre=0.0&diffCur!=0.0是否成立,是进入第11步骤,否则进入第9步骤;
9)判断diffPre!=0.0&diffCur=0.0是否成立,是进入第10步骤,否则为当前曲牌线处于单调状态,即递增或递减状态;
10)判断diffPre>0.0是否成立,是,则为极大值,否则为极小值;
11)判断diffCur>0.0是否成立,是,则为极小值,否则为极大值。
5.根据权利要求1所述的基于3轴加速度传感器信号的步行运动分类方法,其特征在于,所述的下楼状态检测子程序,包括如下步骤:
1)设置下楼状态检测时间阈值,并设置下楼状态检出标志为0,表示未检测出下楼状态;
2)判断是否到达时间阈值,是,检测结束,返回主程序,否则调用极值检测子程序;
3)判断当前值是否为极值,是进入第4步骤,否则返回第2步骤;
4)判断当前极值是否为极大值,是进入第5步骤,否则返回第2步骤;
5)设置下楼状态检出标志为1,表示已检测出下楼状态,检测结束返回主程序。
6.根据权利要求1所述的基于3轴加速度传感器信号的步行运动分类方法,其特征在于,所述的投票算法子程序,包括如下步骤:
1)设置F、B、U初始值为0,其中,F为向前票数,B为后退票数,U为上楼票数;
2)检测水平方向和全局加速度,其中X轴为水平方向;
3)判断是否具有向前运动的特征,是,则F+1,否则B+1;
4)检测垂直方向和全局加速度,其中Z轴为垂直方向;
5)判断相邻波峰距离是否在设定阈值内,是,则F+1,否则U+1;
6)检测垂直方向和全局加速度,其中Z轴为垂直方向;
7)判断是否最具有上楼运动的特征,是,则U+1,否则B+1;
8)比较票数,当F=B=U=1时,为判断出错,返回第1步骤重新检测;当F=2时,为向前状态,检测结束返回主程序;当U=2时,为上楼状态,检测结束返回主程序;当B=2时,为向后状态,检测结束返回主程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010134122 CN101894252B (zh) | 2010-03-29 | 2010-03-29 | 基于3轴加速度传感器信号的步行运动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010134122 CN101894252B (zh) | 2010-03-29 | 2010-03-29 | 基于3轴加速度传感器信号的步行运动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101894252A true CN101894252A (zh) | 2010-11-24 |
CN101894252B CN101894252B (zh) | 2012-12-05 |
Family
ID=43103441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010134122 Expired - Fee Related CN101894252B (zh) | 2010-03-29 | 2010-03-29 | 基于3轴加速度传感器信号的步行运动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101894252B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665170A (zh) * | 2012-04-24 | 2012-09-12 | 北京邮电大学 | 一种用户上/下楼层判定方法及装置 |
CN102818913A (zh) * | 2012-07-31 | 2012-12-12 | 宋子健 | 一种人体运动信息检测装置及其检测方法 |
CN103020636A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 一种基于三维人体运动能耗仪的上下楼动作识别的方法 |
CN103340634A (zh) * | 2013-06-17 | 2013-10-09 | 无锡市中安捷联科技有限公司 | 一种基于加速度变化检测人运动状态的方法 |
TWI422824B (zh) * | 2010-12-06 | 2014-01-11 | Inst Information Industry | 人體運動特徵辨識與定位方法 |
CN103886323A (zh) * | 2013-09-24 | 2014-06-25 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
CN104063604A (zh) * | 2014-07-01 | 2014-09-24 | 百度在线网络技术(北京)有限公司 | 一种运动状态检测方法和装置 |
CN104904244A (zh) * | 2013-01-07 | 2015-09-09 | 崇实大学校产学协力团 | 用于区分用户运动的移动装置、区分用户运动的方法及其生成分层树模型的方法 |
CN104913772A (zh) * | 2015-06-05 | 2015-09-16 | 北京信息科技大学 | 一种基于腿部姿态信息的行人运动检测方法 |
CN105549763A (zh) * | 2016-01-26 | 2016-05-04 | 清华大学 | 一种基于可穿戴式蓝牙设备有效运动次数的检测方法 |
CN106598222A (zh) * | 2016-11-14 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 一种场景模式的切换方法和系统 |
CN107004054A (zh) * | 2014-12-04 | 2017-08-01 | 皇家飞利浦有限公司 | 计算健康参数 |
CN107192402A (zh) * | 2017-05-24 | 2017-09-22 | 上海与德科技有限公司 | 一种计步方法和装置 |
CN107367745A (zh) * | 2016-05-12 | 2017-11-21 | 通用汽车环球科技运作有限责任公司 | 涉及重叠道路的全球导航卫星系统车辆定位 |
CN108986883A (zh) * | 2017-06-02 | 2018-12-11 | 四川理工学院 | 一种基于Android平台的运动状态识别系统和方法 |
CN109074706A (zh) * | 2016-12-24 | 2018-12-21 | 华为技术有限公司 | 一种确定用户乘车地理位置的方法及设备 |
CN109106375A (zh) * | 2018-05-22 | 2019-01-01 | 卡丁(福建)儿童用品有限公司 | 一种促进足部健康的系统 |
CN109331389A (zh) * | 2018-11-12 | 2019-02-15 | 重庆知遨科技有限公司 | 一种基于多传感器融合的消防机器人动作实时监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1541614A (zh) * | 2003-04-10 | 2004-11-03 | ���µ�����ҵ��ʽ���� | 身体运动解析装置和身体运动解析系统 |
CN1940570A (zh) * | 2005-09-16 | 2007-04-04 | 三星电子株式会社 | 用于在个人导航系统中检测脚步的设备和方法 |
CN101394787A (zh) * | 2006-03-14 | 2009-03-25 | 索尼株式会社 | 人体运动检测设备、人体运动检测方法和人体运动检测程序 |
-
2010
- 2010-03-29 CN CN 201010134122 patent/CN101894252B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1541614A (zh) * | 2003-04-10 | 2004-11-03 | ���µ�����ҵ��ʽ���� | 身体运动解析装置和身体运动解析系统 |
CN1940570A (zh) * | 2005-09-16 | 2007-04-04 | 三星电子株式会社 | 用于在个人导航系统中检测脚步的设备和方法 |
CN101394787A (zh) * | 2006-03-14 | 2009-03-25 | 索尼株式会社 | 人体运动检测设备、人体运动检测方法和人体运动检测程序 |
Non-Patent Citations (2)
Title |
---|
《MEASUREMENT SCIENCE AND TECHNOLOGY》 20091231 Zuolei Sun,et al Activity classification and dead reckoning for pedestrian navigation with wearable sensors 1-10 1-6 , * |
《传感器与微系统》 20091231 侯文生等 基于加速度传感器的前臂运动姿态检测 106-108 1-6 第28卷, 第1期 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI422824B (zh) * | 2010-12-06 | 2014-01-11 | Inst Information Industry | 人體運動特徵辨識與定位方法 |
CN102665170A (zh) * | 2012-04-24 | 2012-09-12 | 北京邮电大学 | 一种用户上/下楼层判定方法及装置 |
CN102665170B (zh) * | 2012-04-24 | 2015-03-11 | 北京邮电大学 | 一种用户上/下楼层判定方法及装置 |
CN102818913A (zh) * | 2012-07-31 | 2012-12-12 | 宋子健 | 一种人体运动信息检测装置及其检测方法 |
CN103020636B (zh) * | 2012-11-16 | 2016-05-04 | 哈尔滨工程大学 | 一种基于三维人体运动能耗仪的上下楼动作识别的方法 |
CN103020636A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 一种基于三维人体运动能耗仪的上下楼动作识别的方法 |
CN104904244A (zh) * | 2013-01-07 | 2015-09-09 | 崇实大学校产学协力团 | 用于区分用户运动的移动装置、区分用户运动的方法及其生成分层树模型的方法 |
CN104904244B (zh) * | 2013-01-07 | 2018-11-02 | 崇实大学校产学协力团 | 用于区分用户运动的移动装置、区分用户运动的方法及其生成分层树模型的方法 |
CN103340634A (zh) * | 2013-06-17 | 2013-10-09 | 无锡市中安捷联科技有限公司 | 一种基于加速度变化检测人运动状态的方法 |
CN103340634B (zh) * | 2013-06-17 | 2015-11-18 | 无锡市中安捷联科技有限公司 | 一种基于加速度变化检测人运动状态的方法 |
CN103886323A (zh) * | 2013-09-24 | 2014-06-25 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
CN103886323B (zh) * | 2013-09-24 | 2017-02-15 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
CN104063604A (zh) * | 2014-07-01 | 2014-09-24 | 百度在线网络技术(北京)有限公司 | 一种运动状态检测方法和装置 |
CN104063604B (zh) * | 2014-07-01 | 2017-04-05 | 百度在线网络技术(北京)有限公司 | 一种运动状态检测方法和装置 |
CN107004054A (zh) * | 2014-12-04 | 2017-08-01 | 皇家飞利浦有限公司 | 计算健康参数 |
CN104913772A (zh) * | 2015-06-05 | 2015-09-16 | 北京信息科技大学 | 一种基于腿部姿态信息的行人运动检测方法 |
CN105549763B (zh) * | 2016-01-26 | 2018-04-10 | 清华大学 | 一种基于可穿戴式蓝牙设备有效运动次数的检测方法 |
CN105549763A (zh) * | 2016-01-26 | 2016-05-04 | 清华大学 | 一种基于可穿戴式蓝牙设备有效运动次数的检测方法 |
CN107367745A (zh) * | 2016-05-12 | 2017-11-21 | 通用汽车环球科技运作有限责任公司 | 涉及重叠道路的全球导航卫星系统车辆定位 |
CN106598222A (zh) * | 2016-11-14 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 一种场景模式的切换方法和系统 |
CN109074706A (zh) * | 2016-12-24 | 2018-12-21 | 华为技术有限公司 | 一种确定用户乘车地理位置的方法及设备 |
CN107192402A (zh) * | 2017-05-24 | 2017-09-22 | 上海与德科技有限公司 | 一种计步方法和装置 |
CN108986883A (zh) * | 2017-06-02 | 2018-12-11 | 四川理工学院 | 一种基于Android平台的运动状态识别系统和方法 |
CN108986883B (zh) * | 2017-06-02 | 2021-08-10 | 四川理工学院 | 一种基于Android平台的运动状态识别系统和方法 |
CN109106375A (zh) * | 2018-05-22 | 2019-01-01 | 卡丁(福建)儿童用品有限公司 | 一种促进足部健康的系统 |
CN109106375B (zh) * | 2018-05-22 | 2021-05-11 | 手挽手(福建)科技有限公司 | 一种促进足部健康的系统 |
CN109331389A (zh) * | 2018-11-12 | 2019-02-15 | 重庆知遨科技有限公司 | 一种基于多传感器融合的消防机器人动作实时监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101894252B (zh) | 2012-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101894252B (zh) | 基于3轴加速度传感器信号的步行运动分类方法 | |
Tong et al. | HMM-based human fall detection and prediction method using tri-axial accelerometer | |
Liu et al. | Toward detection of unsafe driving with wearables | |
CN104323780B (zh) | 基于支持向量机的行人步态分类系统及方法 | |
KR101157073B1 (ko) | 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치 | |
Zhou et al. | Hand-written character recognition using MEMS motion sensing technology | |
Yuan et al. | Accelerometer-based Chinese traffic police gesture recognition system | |
CN105487644B (zh) | 辨识装置、智能装置以及信息提供方法 | |
CN108510011B (zh) | 一种基于手机多传感器的用户出行方式分析方法 | |
JP2013003110A (ja) | 車両状態検出装置 | |
CN105426858A (zh) | 一种基于视觉和振动信息融合的地面类型辨识方法 | |
Shao et al. | DePedo: Anti periodic negative-step movement pedometer with deep convolutional neural networks | |
Sun et al. | Combining machine learning and dynamic time wrapping for vehicle driving event detection using smartphones | |
CN107038406B (zh) | 用于分析姿态的方法 | |
EP3289435B1 (en) | User interface control using impact gestures | |
CN109540143B (zh) | 多传感源动态峰值融合的行人非常规动作方向识别方法 | |
Karaduman et al. | Deep learning based traffic direction sign detection and determining driving style | |
CN111552383A (zh) | 虚拟增强现实交互设备的手指识别方法、系统及交互设备 | |
CN107662613B (zh) | 一种基于移动群智感知的极端驾驶行为识别方法及系统 | |
KR101584458B1 (ko) | 혼합 센서 데이터 기반 실시간 행위인지 및 자세인지 장치 및 그 방법 | |
CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
Muhammad et al. | Hand gesture user interface for smart devices based on mems sensors | |
CN111603169A (zh) | 基于mems惯性传感器的行人步态识别方法 | |
JP5786503B2 (ja) | 状態検出装置、電子機器、プログラム及び状態検出方法 | |
Chen | An LSTM recurrent network for step counting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121205 |