CN104406604B - 一种计步方法 - Google Patents

Abstract

本发明提供一种计步方法，包括下列步骤：1)根据数据窗获取一段时间内的合加速度数据，其中，所述数据窗在时间轴上不断向正向平移；2)使用自适应滤波器对当前数据窗中的合加速度数据进行滤波；其中，所述自适应滤波器的滤波器系数根据在先数据窗中的合加速度数据进行自适应训练；3)根据当前数据窗中的滤波后的合加速度数据进行计步。本发明能够实时给出较为精确的计步结果。

Description

一种计步方法

技术领域

本发明涉及测量技术和传感器数据处理技术，具体地说，本发明涉及一种计步方法。

背景技术

随着人们生活水平的提高，人们越来越注重自己的健康。计步器可以检测出人们的行走步数，帮助人们实时掌握锻炼情况，从而制定一个合理的健康规划。近年来，智能手机功能的日益增多使其在现代生活中的使用越来越广泛，运用手机等便携式设备中的内嵌的传感器来开发计步器也已屡见不鲜。

例如：公开号为CN201410183644的中国专利申请提出了一种基于加速度传感器的计步方法，它提出了一种用于计步的状态机，并将人行走一步的过程划分为多个阶段，每个阶段均唯一地对应于状态机中的一个状态，使得人的行走过程与状态机中的状态转移相对应；将人体步行产生的线性加速度矢量的幅度值依照时序输入所述状态机，触发所述状态机的状态转移，根据状态转移的循环得出计步数值。

公开号为CN201310751226的中国专利申请提出了一种计步方法及装置,该方案对测得的三轴加速度信号的每个单轴加速度信号进行高通滤波；然后对每个高通滤波后的单轴加速度信号进行基频检测，并利用基频检测所获得的基频作截止频率设置低通或带通滤波器，对相应的高通滤波后的单轴加速度信号进行低通或带通滤波；随后对滤波后的加速度信号极值点的数目进行统计，得到累计步数。

公开号为CN201310663945的中国专利申请提出了一种基于蓝牙的网络计步器及计步方法，该方案中，对加速度信号进行数字滤波并计算动态阈值大小，然后进行三步判断，判断加速度变化是否大于预定义精度，判断加速度幅度大于动态阈值，判断加速度曲线斜率是否为正。如果满足上述条件则记为一步。

公开号为CN201310754515的中国专利申请提出了一种基于3轴加速计的计步方法和计步器，该方案中，计算采集的3轴加速度平方和作为基准加速度，并对基准加速度进行平滑处理得到处理加速度。根据预设周期内处理加速度的最大值和最小值的差值设置当前时间窗口范围；然后判断处理加速度中是否存在连续的至少三个处理加速度成依次减小趋势；若是，确定至少三个中的第一个处理加速度的采集时间为当前步伐起始时刻，然后依次判断连续两个步伐起始时刻的时间差值是否落入所述当前时间窗口范围内，若是，步伐计数加1。

上述方案均能够实现基于便携式设备加速度传感器的计步，然而，这些计步方法对采集到的加速度数据，没有进行数据预处理或者仅仅进行了简单的数字滤波，对噪声的抑制效果有限，这导致计步效果容易受到加速度传感器佩戴位置，个人步行习惯等因素的影响。

此外，不同的人的步行习惯和状态会所有不同，即便是同一个人，在不同时段的步行状态也会有所不同，如何使计步方案更贴近使用人的步行习惯和状态，也是当前迫切需要解决的问题之一。

发明内容

因此，本发明的任务是克服上述现有技术的不足，提供一种基于加速度数据的计步解决方案。

本发明提供了一种计步方法，包括下列步骤：

1)根据数据窗获取一段时间内的合加速度数据，其中，所述数据窗在时间轴上不断向正向平移；

2)使用自适应滤波器对当前数据窗中的合加速度数据进行滤波；其中，所述自适应滤波器的滤波器系数根据在先数据窗中的合加速度数据进行自适应训练；

3)根据当前数据窗中的滤波后的合加速度数据进行计步。

其中，所述步骤2)还包括：将合加速度数据作为所述自适应滤波器的输入信号，将延迟Δ的合加速度数据的作为所述自适应滤波器的期望信号，所述延迟Δ根据前一阶段的计步结果确定。

其中，所述步骤2)中，设前一数据窗计步结果所对应的两步间平均间隔时间为T，则所述延迟Δ＝aT+NT，1/10≤a<1/4，N＝0，1,2或者3。

其中，所述步骤2)中，所述自适应滤波器中，输出信号y(k)＝x(k)*W(k)^T，其中，x(k)为输入信号，滤波器系数W(k)＝[W₁(k),W₂(k),……W_n(k)]，n为自适应滤波器的阶数，k代表合加速度数据x(k)所对应的采集时刻点。

其中，所述步骤2)中，对自适应滤波器的系数进行自适应训练时，对于每一个时刻点k，计算下一时刻的滤波器系数W(k+1)＝W(k)+2μe(k)x(k)，其中，μ为预设的迭代步长，e(k)＝y(k)-x(k+Δ)。

其中，所述步骤2)中，当输出信号y(k)与参考信号x(k+Δ)的均方误差收敛时，停止更新下一时刻的滤波器系数，将当前时刻的滤波器系数作为训练好的滤波器系数。

其中，所述步骤3)中，对于滤波后的合加速度数据，根据计步波峰幅度阈值提取有效波峰，所述计步波峰幅度阈值按下述方法得出：

31)将当前数据窗内的滤波后合加速度最大值乘以预设的百分比α，得到动态阈值；

32)如果动态阈值位于预设的静态阈值上限和静态阈值下限之间，则设定该动态阈值为计步波峰幅度阈值，否则选择接近所述动态阈值的所述静态阈值上限或者所述静态阈值下限作为波峰幅度阈值。

其中，所述步骤3)中，对于当前数据窗内的有效波峰，根据相邻波峰的时间间隔是否超过时间间隔阈值的原则，排除错误波峰，然后再根据当前数据窗内最终留下的有效波峰进行计步。

其中，所述步骤3)中，所述时间间隔阈值按下述方法得出：

33)将前一数据窗所得计步结果的两步间平均时间间隔乘以预设的百分比β，得到动态时间间隔阈值；

34)如果动态时间间隔阈值位于预设的静态时间间隔阈值上限和静态时间间隔阈值下限之间，则设定该动态时间间隔阈值为当前窗口的时间间隔阈值，否则选择接近所述动态阈值的所述静态时间间隔阈值上限或者所述静态时间间隔阈值下限作为当前窗口的时间间隔阈值。

其中，所述步骤1)中，前后相邻的数据窗存在重叠。

其中，所述步骤2)还包括：在计步的初始阶段，使用频率选择滤波器对当前数据窗中的合加速度数据进行滤波，同时基于当前数据窗中的合加速度数据对自适应滤波器的系数进行自适应训练；在自适应滤波器训练完成后，再使用自适应滤波器对当前数据窗中的合加速度数据进行滤波。

与现有技术相比，本发明具有下列技术效果：

1、本发明能够更好地消除所采集的加速度数据中的毛刺，使得计步更加准确。

2、本发明的计步方式更符合个人步行习惯和当前步行状态，从而使计步更加准确。

3、本发明能够对不同运动状态(例如：步行，慢跑)进行自适应调节，从而提升计步效果。

附图说明

以下，结合附图来详细说明本发明的实施例，其中：

图1示出了本发明一个实施例的计步方法的流程图；

图2示出了本发明一个实施例的计步装置的模块示意图。

具体实施方式

为使本发明更加清楚明白，下面结合附图和优选实施例进行进一步地阐述。

图1示出了本发明一个实施例的计步方法的流程图，该计步方法基于两种模式，分别是频率选择滤波计步和自适应滤波计步模式。在计步开始时，采用频率选择滤波计步，合加速度通过滤波器系数预先设定好的频率选择滤波滤波器(比如FIR带通滤波器)，抑制噪声干扰。同时利用采集的合加速度数据训练自适应滤波器系数。在步行一段时间后(比如50步，根据采样频率而定，要求采样点足够多，满足自适应滤波器训练要求)，自适应滤波器系数训练完成，进入自适应滤波计步阶段，此时不再使用频率选择滤波器，而是将新采集计算得到的合加速度数据通过自适应滤波器来消除噪声干扰，同时自适应滤波器系数会根据输入合加速度不断自行调整，从而更贴近用户步行习惯和当前步行状态。

参考图1，本实施例的计步方法具体包括下列步骤：

步骤101：初始化计步过程所需参数(比如计步总数)，开始计步过程。这一步既可以重新计步，也可以在之前的步行总数上继续计步。如果在之前的计步总数上继续计步，则下面步骤104的计步阈值a需要加上之前累积的计步总数。

步骤102：实时采集三轴加速度数据。在具体实现上，实时采集三轴加速度数据，然后再将其传递给数据处理模块进行后续处理。

步骤103：根据三轴加速度数据计算合加速度a：

其中a_x,a_y，a_z分别为所采集的x，y，z轴的加速度数据，即三轴加速度数据。

本步骤中，在获得合加速度的基础上，还根据采样频率以一段时间的合加速度构成一个长度合适的数据窗，该数据窗在时间轴上不断向正向平移，随时间增加不断传入新采集并计算得到的合加速度数据。在一个例子中，对计算得到的合加速度数据a，组成合加速度数据窗口，窗口长度可以根据采样频率调整，例如可以设定为2秒，如果采样频率为50Hz，则窗口内应有100个合加速度点。窗口重叠率50％，每次窗口在时间轴上向正向移动，读入内存模块保存的最新一秒的合加速度数据，即每次窗口内移出最早的50个合加速度点，并读入最新的50个合加速度点。

步骤104：检查当前计步总数，判断是否超过计步阈值a，如果否，进行步骤105，如果是，进入步骤106。本步骤的作用是根据判定结果选择进入带通滤波和自适应滤波两种模式中的一种。

步骤105：基于频率选择滤波模式对窗口内的合加速度数据进行滤波，同时训练自适应滤波器系数。本步骤中，将数据窗中的合加速度通过滤波器系数预先设定好的频率选择滤波器(比如带通滤波器)。其中，频率选择滤波器的截止频率(比如1Hz和6Hz)以及阻带衰减参数预先设定，然后根据所选择的滤波器模型的参数要求计算相应的滤波器系数，即可完成频率选择滤波器的设计。该频率选择滤波器能够很好地滤除合加速度中的静态分量和高频噪声。

与此同时，在使用频率选择滤波器进行数据预处理的时候，同时以原始合加速度数据输入自适应滤波器，以原始合加速度数据的适当延迟数据作为参考信号输入自适应滤波器，从而训练自适应滤波器参数，直至自适应滤波器收敛。在通常的计步场景下，输入自适应滤波器的原始合加速度x可以分解为确定性信号分量x(p)和随机信号分量x(R)。人体日常步行的合加速度信号的确定性信号分量为周期性信号或者准周期性信号，因此可认为x(p)和x(R)互不相关，且x(p)的自相关性远远强于x(R)的自相关性。本实施例中，就是要用自适应滤波器从原始合加速度x中提取出确定性信号分量x(p)，从而滤除随机信号分量x(R)，即滤除噪声分量。自适应滤波器是能够根据输入信号自动调整滤波器系数，进行数字信号处理，从含噪声的输入信号中抽取目标信号的数字滤波器，自适应滤波器的系数可以根据自适应算法自动调整。

在一个实施例中，k时刻输入信号x(k)包含了的目标信号s(k)和干扰噪声v(k)，

x(k)＝s(k)+v(k) (1)

n阶自适应滤波器(ADF)的滤波器系数为：

W(k)＝[W₁(k),W₂(k),……W_n(k)] (2)

输出信号y(k)满足：

y(k)＝x(k)*W(k)^T (3)

其中“*”为卷积符号。

误差信号e(k)是目标信号与输出信号之差：

e(k)＝y(k)-d(k) (4)

自适应滤波器每个时刻点(即k+1时刻，k+2时刻，k+3时刻……)都会重新计算ΔW(k)，改变滤波器系数：

W(k+1)＝W(k)+ΔW(k) (5)

在反复迭代中通过不断的改变滤波器系数W(k)，来使e(k)最小，从而提取出目标信号s(k)，达到滤波的目的。如果自适应滤波器收敛，则滤波器的滤波结果不是发散的，否则需要重新设计自适应滤波器的迭代相关系数。此处，自适应滤波器收敛的含义是：信号通过滤波器之后的信号能量有限，而不是幅度发散的，则该自适应滤波器收敛。

式(5)中，ΔW(k)是滤波器系数的校正因子。在自适应滤波中，可采用各种自适应算法根据输入信号与误差信号计算这个校正因子。例如：自适应算法可以采用最小均方算法(LMS)，递归最小平方算法(RLS)，或者归一化最小均方算法(NLMS)等等。

以采用自适应算法计算ΔW(k)为例进行说明。在一定迭代次数后，如果自适应滤波器满足收敛条件，即滤波结果y(k)序列不是发散的且e(k)的值在允许的预设的误差范围内，就能够获得一组合适的动态自适应滤波器系数W(k)，此时，就能够通过自适应滤波器从带噪声的输入信号抽取出目标信号。

容易理解，初始状态下，原始合加速度x中的确定性信号分量x(p)是未知的，因此，以原始合加速度数据的适当延迟作为参考信号输入自适应滤波器。参考信号记为：d(k),原始合加速度数据的适当延迟记为：x(k+Δ)，

d(k)＝x(k+Δ)＝s(k+Δ)+n(k+Δ) (6)

其中,s(k)是具有时域相关性的周期性或者准周期性信号分量，n(k)是随机信号分量，Δ代表所选择的延迟，该延迟需要使得x(p)和x(R)互不相关，且x(p)的自相关性远远强于x(R)的自相关性，这个选择延迟所需满足的条件可转换为式(7)，(8)，(9)即：

R(s(k),s(k+Δ))＞＞R(s(k),n(k+Δ)) (7)

R(s(k),s(k+Δ))＞＞R(s(k+Δ),n(k)) (8)

R(s(k),s(k+Δ))＞＞R(n(k),n(k+Δ)) (9)

其中R表示两个函数之间的互相关算子。

发明人通过观察人体步行信号x(k)，发现x(k)在变化趋势上与正弦信号存在相似性，如此则能够根据人体步行一步的时间长度和正弦信号的相关特性来选择合适的时间延迟长度Δ。对于周期为T的正弦信号，当延迟Δ小于1/4个T时，其自相关系数应当大于0，即

R(s(k),s(k+Δ))＞0 (10)

其中，Δ<1/4T。进一步地，由于

R(x(k),x(k+Δ))＝R(s(k),s(k+Δ))+R(s(k),n(k+Δ))+R(s(k+Δ),n(k))+R(n(k),n(k+Δ))

又由于前述式(7)，(8)，(9)成立，所以

R(x(k),x(k+Δ))≈R(s(k),s(k+Δ))＞0 (11)

因此，在选择Δ时，确保式(11)成立，能够获得较佳的自适应滤波效果。一个实施例中，在选择Δ时，根据前一时段(例如前一窗口)合加速度数据的计步结果，可得到平均步频，进而得到每一步的平均时长，该时长可作为周期T，选取小于1/4T的Δ，例如Δ＝0.1T，然后验证式(11)是否成立，如成立，则将该Δ作为自适应滤波器参考信号所需的延迟。在另一个实施例中，由于x(k)可被认为是周期信号，所以令Δ＝aT+nT，然后验证式(11)是否成立，如成立，则将该Δ作为自适应滤波器参考信号所需的延迟。这里a的取值不能太大，要保证延迟Δ后目标近正弦周期信号的相关函数大于0，且a不能取0，如果a太小，放宽到工程条件下无法使周期信号和干扰信号的互相关函数，干扰信号的自相关函数接近0，常见a取0.1以上，因此本实施例中，1/10<a<1/4。另一方面，n的取值也不能太大，因为n影响了Δ的大小，如果N太大，表示选择了输入信号相当长时间以后的延迟信号作为期望信号输入自适应滤波器，考虑到人体步行状况可能发生变化，时常无法保证相当长时间后延迟信号与当前信号的相关性，因此本实施例中，n的取值不大于3，即n＝1,2或者3。如此，所述延迟Δ就能够使得所述自适应滤波器的输入信号和期望信号的互相关函数R(x(k),x(k+Δ))始终大于0

在确定Δ后，以输入信号x(k)的延迟信号x(k+Δ)作为参考信号d(k)，以y(k)去逼近d(k)＝x(k+Δ)，每次迭代中，

W(k+1)＝W(k)+2μe(k)x(k) (12)

μ是设定好的迭代步长，迭代步长对自适应滤波器的收敛速度起重要作用。当迭代步长较大时，滤波器收敛到稳态需要的迭代次数较少，但滤波效果较差，且均方误差的稳态值随着步长的增大而增大；如果迭代步长较小，则自适应滤波器收敛较慢。选择合适的迭代步长，对自适应滤波效果和滤波器收敛速度有重要影响。在一个实施例中，根据人体步行加速度信号特征和滤波器阶数，设置迭代步长μ，其常见取值范围为0.0001与0.01之间，当滤波器阶数为25时，μ取为0.001。

当采用式(12)进行迭代校正时，每次迭代过程中，y(k)中含有的s(k)成分与x(k+Δ)中的s(k+Δ)相关性更强，被保留下来，而随机干扰n(k)，n(k+Δ)成分与y(k)相关性更弱，被逐渐滤掉。这样，在多次迭代后，时域相关性较强的信号分量s(k)保留下来，干扰信号n(k)被滤掉。这种基于自适应滤波器的消噪效果优于预设参数的频率选择滤波器(例如带通滤波器)，它能够更好地消除数据毛刺的影响。此外在使用过程中自适应滤波器参数能够不断根据输入信号调整，更符合个人步行习惯和当前的步行状态。

步骤106：基于自适应滤波模式对窗口内的合加速度数据进行滤波。本步骤中，以合加速度信号通过训练好的自适应滤波器，其消噪效果比普通带通滤波器好，能够更好地消除数据毛刺的影响。此外在使用过程中自适应滤波器参数能够不断根据输入信号调整，更符合个人步行习惯和当前步行状态。

步骤107：对于窗口内的滤波后的合加速度数据，识别该窗口内的波峰。其中，滤波后的合加速度数据是指在频率选择滤波或者自适应滤波模式下滤波后得到的合加速度数据。本步骤中，窗口内的波峰识别方法是：窗口内，如果一个数据点的幅值大于左右各两个点的幅值，则认为该数据点为波峰。

本步骤中，还进一步得出用于计步的波峰幅度阈值。波峰幅度阈值的选取采用动态和静态相结合的方法。一方面，根据实验数据统计合适的波峰幅度静态阈值上限和下限。另一方面，结合实验数据设置一个合适的百分比α，选择滤波后的合加速度数据窗内的最大值的百分比α作为波峰幅度的动态阈值。α的取值和用户身高，运动模式(步行，慢跑)以及计步器佩戴位置有关。在一个实施例中，根据先验数据，在已知步行步数情况下，用多项式拟合α取值和计步方法计步结果之间的关系，设定默认的α值。在另一个实施例中，提供同用户校正α的接口，这样用户可以根据计步结果修正α，比如计步结果偏大则将α调小，计步结果偏小，则将α调大。本步骤中，如果计算得到的数据窗口内的动态阈值位于静态阈值上限和下限之间，则设定该动态阈值为计步波峰幅度阈值b。否则选择接近动态阈值的静态阈值作为波峰幅度阈值b。

步骤108：排除当前窗口内不满足波峰幅度阈值b的波峰。将步骤107识别到的波峰幅值与波峰幅度阈值b对比，如果超过波峰幅度阈值b，则保留该波峰，否则，丢弃该波峰。这么做的目的是减少人体无意识抖动或者噪声产生的幅值较小的波峰对计步效果的影响。

本步骤中，将识别到的波峰幅值与波峰幅度阈值对比，超过波峰幅度阈值才认为可能存在一步。容易理解，加速度传感器佩戴在人体不同位置，比如腰部或者手腕上，人体步行时腰部和手腕的运动激烈程度不同，采集的加速度幅值不同；人体处于不同运动状态，比如步行或者慢跑，采集的加速度幅值也不同，慢跑时加速度变化更为剧烈。使用上述动态波峰幅度阈值，并合理设定阈值的上下限，能够使波峰幅度阈值大小随加速度传感器佩戴位置，人体运动状态变化(例如在实测中的某次计步过程，波峰幅度阈值随加速度传感器佩戴位置，人体运动状态的变化在4.4至5.0之间波动)，能够有效处理部分异常情况，进而避免单个错误的峰值点对计步效果造成不利影响。

步骤109：对窗口内所识别出的超过波峰幅度阈值的波峰，计算相邻波峰间的时间间隔。当时间间隔超过一定阈值时，才认为波峰有效。其理论基础是：人体步频存在上限，不可能太大，因此时间距离太近的两个波峰不应被识别为两步。人体日常步行模式具有连续性，步频发生骤变的情况少于步频缓慢变化的情况。因此，当人之前步频较大时设置时间间隔阈值较小，当人步频较慢时设置时间间隔阈值较大。同时，根据经验预先设定人体步频的上下限，使得动态调整两步之间的时间间隔阈值处于预先设定的人体步频上下限所对应的两步之间的时间间隔上下限之间。本实施例的方案能进一步减少异常峰值点和合加速度毛刺的不利影响，从而更加准确地进行计步。

在一个实施例中，对满足波峰幅度阈值b的所有波峰，计算相邻波峰之间的时间间隔，判断是否满足时间间隔阈值c，如果满足时间间隔阈值c，则保留这个两个波峰，否则丢弃相邻波峰中的后一波峰，重新计算前一波峰与所丢弃波峰之后的下一波峰之间的时间间隔。时间间隔阈值c根据之前一个数据窗口所统计的平均步频及预设的时间间隔阈值上下限来合理调整。这样能避免时间距离太近的两个波峰被识别为两步，减少合加速度毛刺的不利影响，且更适合计步过程中具有多种不同运动状态(例如步行和慢跑)应用场景下的计步效果。在一个例子中，记录当前时刻前5秒内的计步总数，算出平均每秒步行了多少步(步频)，进而得到5秒内两步之间的平均时间间隔，以该平均时间间隔值作参考，取平均时间间隔值的一定百分比β(β可根据情况取值，例如β的取值为60％)作为时间间隔阈值。进一步地，设定合适的静态范围，使得动态的时间间隔阈值始终落在该静态范围内。比如由于人的步频很难超过4步/秒，所以动态时间阈值存在下限。在先验实验中，某次计步过程中此时间间隔阈值在0.2秒至0.4秒之间波动。

步骤110：根据当前窗口内最终保留下的波峰进行计步。经步骤108,109处理后的波峰为最终的有效波峰，每个有效波峰代表一步。完成当前窗口内的计步后，回到步骤102，读取下一窗口的三轴加速度数据。

进一步地，在一个实施例中，计步方法还可以包括：

步骤111：根据计步总数和人体身高体重参数，计算人体当前步行距离及运动能耗(卡路里)，将计步总数，当前步行总距离，消耗的卡路里呈现给用户。

根据本发明的一个实施例，还提供了一种使用上述计步方法的计步装置，图2示出了该计步装置的模块示意图，该计步装置主要包括四大模块，分别是三轴加速度采集模块，数据处理模块，内存模块和显示模块。

三轴加速度采集模块用于实时采集人体运动的三轴加速度数据。它可以采用三轴加速度传感器，例如内置在手机中的三轴加速度传感器。

数据处理模块用于执行上述步骤101至110(或者步骤101至111)。概括来说，数据处理模块的功能包括：根据三轴加速度数据计算合加速度，组成合加速度数据窗口，窗口长度可以根据采样频率调整，可以设定为2秒。窗口重叠率50％，即每次窗口在时间轴上向正向移动，读入保存在内存模块中的最新一秒的合加速度数据。随后数据处理模块进行滤波计算并根据滤波后的数据得到计步结果，计步结果累加到计步总数上。同时还可以根据人体参数将计步结果进一步换算为步行能耗(卡路里)。

内存模块用于保存计步过程中的缓存数据。

显示模块用于将计步结果和换算得到的能耗呈现给用户。

在验证本计步方法计步精度的实验中，根据测试人员使用手机的习惯，将加速度采集传感器(计步装置)放置在各自的习惯位置(裤子，上衣口袋)，让测试人员以各自习惯的步行方式，以不同速度步行。每组情况5次重复实验。每人在步行时默数步行步数，这样采集的加速度数据对应的实际步行步数已知。然后利用计步算法根据加速度数据计算计步结果。用相对平均偏差来评价计步方法的精度：相对平均偏差＝abs(计步方法显示步数-实际步行步数)/实际步行步数*100％，其中abs()表示取绝对值。*表示相乘。

实验结果表明，在实验中各种步行条件下，单人平均相对偏差最大11.2％，最小1.2％，总体相对平均偏差6.0％，展现出较好的计步效果。

另外，需要说明的是，根据本发明的方法得到滤波后的合加速度数据后，即可通过预设的计步条件进行计步，从而得到计步结果。前文的实施例中，通过识别出当前数据窗内波峰幅度大于波峰幅度阈值，波峰时间间隔满足时间间隔阈值的波峰，然后根据波峰的数目进行计步。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其它的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (10)

1.一种计步方法，包括下列步骤：

1)根据数据窗获取一段时间内的合加速度数据，其中，所述数据窗在时间轴上不断向正向平移；

2)使用自适应滤波器对当前数据窗中的合加速度数据进行滤波；其中，所述自适应滤波器的滤波器系数根据在先数据窗中的合加速度数据进行自适应训练；

3)根据当前数据窗中的滤波后的合加速度数据进行计步；

所述步骤3)中，对于滤波后的合加速度数据，根据计步波峰幅度阈值提取有效波峰，每个有效波峰代表一步，所述计步波峰幅度阈值按下述方法得出：

31)将当前数据窗内的滤波后合加速度最大值乘以预设的百分比α，得到动态阈值；

32)如果动态阈值位于预设的静态阈值上限和静态阈值下限之间，则设定该动态阈值为计步波峰幅度阈值，否则选择接近所述动态阈值的所述静态阈值上限或者所述静态阈值下限作为波峰幅度阈值。

2.根据权利要求1所述的计步方法，其特征在于，所述步骤2)还包括：将合加速度数据作为所述自适应滤波器的输入信号，将延迟Δ的合加速度数据作为所述自适应滤波器的期望信号，所述延迟Δ根据前一阶段的计步结果确定。

3.根据权利要求2所述的计步方法，其特征在于，所述步骤2)中，设前一数据窗计步结果所对应的两步间平均间隔时间为T，则所述延迟Δ＝aT+NT，1/10≤a<1/4，N＝0，1,2或者3。

4.根据权利要求3所述的计步方法，其特征在于，所述步骤2)中，所述自适应滤波器中，输出信号y(k)＝x(k)*W(k)^T，其中，x(k)为输入信号，滤波器系数W(k)＝[W₁(k),W₂(k),……W_n(k)]，n为自适应滤波器的阶数，k代表合加速度数据x(k)所对应的采集时刻点。

5.根据权利要求4所述的计步方法，其特征在于，所述步骤2)中，对自适应滤波器的系数进行自适应训练时，对于每一个时刻点k，计算下一时刻的滤波器系数W(k+1)＝W(k)+2μe(k)x(k)，其中，μ为预设的迭代步长，e(k)＝y(k)-x(k+Δ)。

6.根据权利要求5所述的计步方法，其特征在于，所述步骤2)中，当输出信号y(k)与参考信号x(k+Δ)的均方误差收敛时，停止更新下一时刻的滤波器系数，将当前时刻的滤波器系数作为训练好的滤波器系数。

7.根据权利要求1所述的计步方法，其特征在于，所述步骤3)中，对于当前数据窗内的有效波峰，根据相邻波峰的时间间隔是否超过时间间隔阈值的原则，排除错误波峰，然后再根据当前数据窗内最终留下的有效波峰进行计步。

8.根据权利要求7所述的计步方法，其特征在于，所述步骤3)中，所述时间间隔阈值按下述方法得出：

33)将前一数据窗所得计步结果的两步间平均时间间隔乘以预设的百分比β，得到动态时间间隔阈值；

34)如果动态时间间隔阈值位于预设的静态时间间隔阈值上限和静态时间间隔阈值下限之间，则设定该动态时间间隔阈值为当前窗口的时间间隔阈值，否则选择接近所述动态阈值的所述静态时间间隔阈值上限或者所述静态时间间隔阈值下限作为当前窗口的时间间隔阈值。

9.根据权利要求1所述的计步方法，其特征在于，所述步骤1)中，前后相邻的数据窗存在重叠。

10.根据权利要求1所述的计步方法，其特征在于，所述步骤2)还包括：在计步的初始阶段，使用频率选择滤波器对当前数据窗中的合加速度数据进行滤波，同时基于当前数据窗中的合加速度数据对自适应滤波器的系数进行自适应训练。