CN106767890B - 基于加速度传感器的深度网络自适应步长估计方法及装置 - Google Patents
基于加速度传感器的深度网络自适应步长估计方法及装置 Download PDFInfo
- Publication number
- CN106767890B CN106767890B CN201611139113.5A CN201611139113A CN106767890B CN 106767890 B CN106767890 B CN 106767890B CN 201611139113 A CN201611139113 A CN 201611139113A CN 106767890 B CN106767890 B CN 106767890B
- Authority
- CN
- China
- Prior art keywords
- data
- height
- walker
- interval censored
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
Abstract
本发明提供了两种基于加速度传感器的深度网络自适应步长估计方法及装置,基于加速度传感器采集数据,通过深度学习提取特征,以此来估计出使用者的身高信息,从而结合输入身高和三轴加速度信号来自适应估算步长。本发明可以自适应得到每次被试的实际身高,不需要测量腿长,身高的输入也不是必需,方便准确,不受个人隐私的限制;通过估计身高,结合合理的物理模型,估算出高可靠性的步长;每次估算得到的身高可给出误差范围,结合物理模型的误差范围可以给出整个步长的误差范围,对于后续卡尔曼滤波等技术对误差的需求得到满足。
Description
技术领域
本发明涉及基于加速度传感器的自适应步长估计技术领域,尤其涉及两种基于加速度传感器的深度网络自适应步长估计方法及装置。
背景技术
自适应的步长估计模型多是在PDR过程中,在实际PDR过程中,往往是通过蓝牙和wifi的定位来修正PDR,而PDR自身的可靠性对于融合定位的补充作用巨大。目前求步长的方法有静态方法和动态方法,其中静态方法为,对于女性k=0.413,对于男性k=0.415;动态方法多是需要输入腿长/身高信息,结合动态的评估每个步长内的z向加速度信号来完成步长的估计,相比静态模型,物理模型的可靠性和重复性更好。但对大部分物理模型,往往都需要身高信息或者腿长信息作为输入。然而对输入腿长的要求来说,本身腿长自身的定义模糊,对于腿长测量的理解也存在差异,同时鞋子高度对腿长的影响要大于身高,测量腿长在实际应用过程中不具备可操作性;对输入身高而言,实际用户在使用过程中情况复杂,自己手动输入身高影响体验,比较麻烦,涉及隐私,同时也会存在一些偏移输入,对女性穿不同高度的高跟鞋,与平底鞋相比身高有较大偏差,而且还存在同一个手机被不同人使用的概率,因此能够每次使用都自动识别当前使用者的身高状态十分有意义,输入身高可靠性不强。
发明内容
本发明的目的是提供两种基于加速度传感器的深度网络自适应步长估计方法及装置,旨在解决现有的估计步长的物理模型测量腿长较为困难且输入身高比较麻烦的问题。
本发明解决其技术问题所采用的技术方案是:
一种基于加速度传感器的深度网络自适应步长估计方法,包括:
通过加速度传感器采集行走者的加速度数据;
获取行走者的身高数据;
对行走者的加速度数据和身高数据进行训练,获取深度自动编码器;所述深度自动编码器包括输入层、隐藏层和输出层,用于输入加速度数据,输出身高分布数据,所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据;
根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据。
在上述实施例的基础上,进一步地,所述获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤,具体为:
将获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;
从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;
找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据。
在上述任意实施例的基础上,进一步地,所述根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据的步骤,具体为:
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;
获取该行走者的脚长数据;
根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
在上述任意实施例的基础上,进一步地,所述输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数,身高分布数据的预测函数为softmax函数。
一种基于加速度传感器的深度网络自适应步长估计方法,包括:
获取行走者的身高数据,根据身高数据对行走者进行分组;
通过加速度传感器采集每组行走者的加速度数据,并将所得数据分为训练集、验证集、测试集;所述加速度数据包括重力加速度在加速度传感器三轴方向上的分量;
将重力加速度在加速度传感器三轴方向上的分量分别除以重力加速度常数,获取预处理后的加速度数据;
对预处理后的训练集、验证集中的加速度数据进行训练,建立单层自动解码器,单层自动解码器包括输入层、隐藏层、输出层,输入层中输入单元的数目与加速度数据的采样点数相同,输出层中输出单元的数目与加速度数据的采样点数相同,输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数;
根据单层自动解码器,采用softmax函数,获取身高分布数据的预测结果,建立深层自动编码器;所述深层自动编码器设置层数、学习速率、迭代次数、随机置0率,用于输入加速度数据,输出身高分布数据;所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
将测试集中的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据;
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
一种基于加速度传感器的深度网络自适应步长估计装置,包括:
采集模块,用于:
通过加速度传感器采集行走者的加速度数据;
获取行走者的身高数据;
训练模块,用于:
对行走者的加速度数据和身高数据进行训练,获取深度自动编码器;所述深度自动编码器包括输入层、隐藏层和输出层,用于输入加速度数据,输出身高分布数据,所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
预测模块,用于:
获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据;
步长估计模块,用于:
根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据。
在上述实施例的基础上,进一步地,所述预测模块用于:
将获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;
从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;
找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据。
在上述任意实施例的基础上,进一步地,所述步长估计模块用于:
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;
获取该行走者的脚长数据;
根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
在上述任意实施例的基础上,进一步地,所述输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数,身高分布数据的预测函数为softmax函数。
一种基于加速度传感器的深度网络自适应步长估计装置,包括:
采集模块,用于:
获取行走者的身高数据,根据身高数据对行走者进行分组;
通过加速度传感器采集每组行走者的加速度数据,并将所得数据分为训练集、验证集、测试集;所述加速度数据包括重力加速度在加速度传感器三轴方向上的分量;
将重力加速度在加速度传感器三轴方向上的分量分别除以重力加速度常数,获取预处理后的加速度数据;
训练模块,用于:
对预处理后的训练集、验证集中的加速度数据进行训练,建立单层自动解码器,单层自动解码器包括输入层、隐藏层、输出层,输入层中输入单元的数目与加速度数据的采样点数相同,输出层中输出单元的数目与加速度数据的采样点数相同,输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数;
根据单层自动解码器,采用softmax函数,获取身高分布数据的预测结果,建立深层自动编码器;所述深层自动编码器设置层数、学习速率、迭代次数、随机置0率,用于输入加速度数据,输出身高分布数据;所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
预测模块,用于:
将测试集中的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据;
步长估计模块,用于:
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
本发明的有益效果是:
本发明提供了两种基于加速度传感器的深度网络自适应步长估计方法及装置,基于加速度传感器采集数据,通过深度学习提取特征,以此来估计出使用者的身高信息,从而结合输入身高和三轴加速度信号来自适应估算步长。本发明可以自适应得到每次被试的实际身高,不需要测量腿长,身高的输入也不是必需,方便准确,不受个人隐私的限制;通过估计身高,结合合理的物理模型,估算出高可靠性的步长;每次估算得到的身高可给出误差范围,结合物理模型的误差范围可以给出整个步长的误差范围,对于后续卡尔曼滤波等技术对误差的需求得到满足。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明实施例提供的一种基于加速度传感器的深度网络自适应步长估计方法的流程示意图;
图2示出了本发明实施例提供的一种基于加速度传感器的深度网络自适应步长估计装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不限定本发明。
具体实施例一
如图1所示,本发明实施例提供了一种基于加速度传感器的深度网络自适应步长估计方法,包括:
通过加速度传感器采集行走者的加速度数据;
获取行走者的身高数据;
对行走者的加速度数据和身高数据进行训练,获取深度自动编码器;所述深度自动编码器包括输入层、隐藏层和输出层,用于输入加速度数据,输出身高分布数据,所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据;
根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据。
本发明实施例基于加速度传感器采集数据,通过深度学习提取特征,以此来估计出使用者的身高信息,从而结合输入身高和三轴加速度信号来自适应估算步长。本发明实施例可以自适应得到每次被试的实际身高,不需要测量腿长,身高的输入也不是必需,方便准确,不受个人隐私的限制;通过估计身高,结合合理的物理模型,估算出高可靠性的步长;每次估算得到的身高可给出误差范围,结合物理模型的误差范围可以给出整个步长的误差范围,对于后续卡尔曼滤波等技术对误差的需求得到满足。
在上述实施例的基础上,优选的,本发明实施例中,所述获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤,可以具体为:将获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据。经过这样对稳定性的校验,可以提高所得身高区间数据的准确度。
在上述任意实施例的基础上,优选的,本发明实施例中,所述根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据的步骤,可以具体为:根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。本发明实施例将估计的身高区间数据输入步长动态物理模型,即可得到自适应的步长估计,例如,行人的行进过程是一个周期性的过程,在一个步态周期内人体重心的垂向位移也完成一个周期性的变化,人体重心的垂向位移变化可近似为正弦信号,位移的两次微分即为加速度信号,由于正弦信号的微分后不会改变其基本的形状,所以垂向位移的变化可由垂向加速度来求得。
在上述任意实施例的基础上,优选的,本发明实施例中,所述输入层、隐藏层、输出层中每个单元的激活函数可以为sigmoid函数,身高分布数据的预测函数可以为softmax函数。
具体实施例二
本发明实施例提供了一种基于加速度传感器的深度网络自适应步长估计方法,包括:
获取行走者的身高数据,根据身高数据对行走者进行分组;
通过加速度传感器采集每组行走者的加速度数据,并将所得数据分为训练集、验证集、测试集;所述加速度数据包括重力加速度在加速度传感器三轴方向上的分量;
将重力加速度在加速度传感器三轴方向上的分量分别除以重力加速度常数,获取预处理后的加速度数据;
对预处理后的训练集、验证集中的加速度数据进行训练,建立单层自动解码器,单层自动解码器包括输入层、隐藏层、输出层,输入层中输入单元的数目与加速度数据的采样点数相同,输出层中输出单元的数目与加速度数据的采样点数相同,输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数;本发明实施例对加速度数据的采样频率不做限定;
根据单层自动解码器,采用softmax函数,获取身高分布数据的预测结果,建立深层自动编码器;所述深层自动编码器设置层数、学习速率、迭代次数、随机置0率,用于输入加速度数据,输出身高分布数据;所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
将测试集中的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据;
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
本发明实施例基于加速度传感器采集数据,通过深度学习提取特征,以此来估计出使用者的身高信息,从而结合输入身高和三轴加速度信号来自适应估算步长。本发明实施例可以自适应得到每次被试的实际身高,不需要测量腿长,身高的输入也不是必需,方便准确,不受个人隐私的限制;通过估计身高,结合合理的物理模型,估算出高可靠性的步长;每次估算得到的身高可给出误差范围,结合物理模型的误差范围可以给出整个步长的误差范围,对于后续卡尔曼滤波等技术对误差的需求得到满足。
具体实施例三
如图2所示,本发明实施例提供了一种基于加速度传感器的深度网络自适应步长估计装置,包括:
采集模块,用于:
通过加速度传感器采集行走者的加速度数据;
获取行走者的身高数据;
训练模块,用于:
对行走者的加速度数据和身高数据进行训练,获取深度自动编码器;所述深度自动编码器包括输入层、隐藏层和输出层,用于输入加速度数据,输出身高分布数据,所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
预测模块,用于:
获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据;
步长估计模块,用于:
根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据。
本发明实施例基于加速度传感器采集数据,通过深度学习提取特征,以此来估计出使用者的身高信息,从而结合输入身高和三轴加速度信号来自适应估算步长。本发明实施例可以自适应得到每次被试的实际身高,不需要测量腿长,身高的输入也不是必需,方便准确,不受个人隐私的限制;通过估计身高,结合合理的物理模型,估算出高可靠性的步长;每次估算得到的身高可给出误差范围,结合物理模型的误差范围可以给出整个步长的误差范围,对于后续卡尔曼滤波等技术对误差的需求得到满足。
在上述实施例的基础上,优选的,本发明实施例中所述预测模块可以用于:将获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据。经过这样对稳定性的校验,可以提高所得身高区间数据的准确度。
在上述任意实施例的基础上,优选的,本发明实施例中所述步长估计模块可以用于:根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。本发明实施例将估计的身高区间数据输入步长动态物理模型,即可得到自适应的步长估计,例如,行人的行进过程是一个周期性的过程,在一个步态周期内人体重心的垂向位移也完成一个周期性的变化,人体重心的垂向位移变化可近似为正弦信号,位移的两次微分即为加速度信号,由于正弦信号的微分后不会改变其基本的形状,所以垂向位移的变化可由垂向加速度来求得。
在上述任意实施例的基础上,优选的,本发明实施例中,所述输入层、隐藏层、输出层中每个单元的激活函数可以为sigmoid函数,身高分布数据的预测函数可以为softmax函数。
具体实施例四
本发明实施例提供了一种基于加速度传感器的深度网络自适应步长估计装置,包括:
采集模块,用于:
获取行走者的身高数据,根据身高数据对行走者进行分组;
通过加速度传感器采集每组行走者的加速度数据,并将所得数据分为训练集、验证集、测试集;所述加速度数据包括重力加速度在加速度传感器三轴方向上的分量;
将重力加速度在加速度传感器三轴方向上的分量分别除以重力加速度常数,获取预处理后的加速度数据;
训练模块,用于:
对预处理后的训练集、验证集中的加速度数据进行训练,建立单层自动解码器,单层自动解码器包括输入层、隐藏层、输出层,输入层中输入单元的数目与加速度数据的采样点数相同,输出层中输出单元的数目与加速度数据的采样点数相同,输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数;本发明实施例对加速度数据的采样频率不做限定;
根据单层自动解码器,采用softmax函数,获取身高分布数据的预测结果,建立深层自动编码器;所述深层自动编码器设置层数、学习速率、迭代次数、随机置0率,用于输入加速度数据,输出身高分布数据;所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
预测模块,用于:
将测试集中的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据;
步长估计模块,用于:
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
本发明实施例基于加速度传感器采集数据,通过深度学习提取特征,以此来估计出使用者的身高信息,从而结合输入身高和三轴加速度信号来自适应估算步长。本发明实施例可以自适应得到每次被试的实际身高,不需要测量腿长,身高的输入也不是必需,方便准确,不受个人隐私的限制;通过估计身高,结合合理的物理模型,估算出高可靠性的步长;每次估算得到的身高可给出误差范围,结合物理模型的误差范围可以给出整个步长的误差范围,对于后续卡尔曼滤波等技术对误差的需求得到满足。
具体实施例五
本发明实施例提供了一种基于加速度传感器的深度网络自适应步长估计方法,包括:
分别选取5k个人(k个160段,k个165段,k个170段,k个180段,k个180段,k为正整数)携带加速度传感器行走,每次行走100米,每次采集5s的x,y,z轴线性加速度传感器数据(共3路信号,每路如果采样间隔为20ms,每路则有250个点,共计750个点),以3路信号(重力加速度x,y,z三轴分量和pitch,yaw,roll信号)各250个点、共750个点为一个样本,每个加速度传感器姿态采集不少于16000个样本,10000个样本作为训练集,3000个样本作为验证集,3000个样本作为测试集;
对样本进行预处理,3路线性加速度信号分别除以重力加速度常数g;
对标准化训练集和验证集进行训练,建立深度自动编码器,其中,深度自动编码器包含三个隐含层,分别为输入层、隐藏层和输出层,并分别得到每个隐藏层中的相关参数,深度自动编码器用于输入加速度数据,输出身高分布数据;所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
通过深度自动解码器实时预测最近5s时间内测试集的身高区间数据;
对测试集进行稳定性校验,即连续测试M次,统计测试结果中概率分布数据超过预定概率阈值的结果,并将出现最多的身高区间数据作为当前行走者的身高区间数据;
将估计的身高区间数据输入步长动态模型,即可得到自适应步长估计数据。
本发明实施例基于加速度传感器采集数据,通过深度学习提取特征,以此来估计出使用者的身高信息,从而结合输入身高和三轴加速度信号来自适应估算步长。本发明实施例可以自适应得到每次被试的实际身高,不需要测量腿长,身高的输入也不是必需,方便准确,不受个人隐私的限制;通过估计身高,结合合理的物理模型,估算出高可靠性的步长;每次估算得到的身高可给出误差范围,结合物理模型的误差范围可以给出整个步长的误差范围,对于后续卡尔曼滤波等技术对误差的需求得到满足。
具体的,建立深度自动解码器的步骤可以为:首先建立单层自动编码器,单层自动编码器输入层包括2503的个输入单元,输出层和输入层一致,也包括2503个单元;每个单元的激活函数为sigmoid函数:设定深度自动编码器的层数、学习速率、迭代次数、随机置0率;采用softmax函数得到各个加速度传感器姿态的预测概率,建立加速度数据与身高区间数据的预测关系,获取深度自动解码器:在建立深度自动解码器的过程中,可以采用损失函数,例如互熵。
具体的,自适应步长估计数据的计算步骤可以为:根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:,其中SL为步长数据,h为身高区间数据,为垂向重心位移数据,为脚长数据。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述,明显地,在不脱离本发明的精神和范围的条件下,可进行各个条件的适当变化。可以理解,本发明不限于所述实施方案,而归于权利要求的范围,其包括所述每个因素的等同替换。
Claims (8)
1.一种基于加速度传感器的深度网络自适应步长估计方法,其特征在于,包括:
通过加速度传感器采集行走者的加速度数据;
获取行走者的身高数据;
对行走者的加速度数据和身高数据进行训练,获取深度自动编码器;所述深度自动编码器包括输入层、隐藏层和输出层,用于输入加速度数据,输出身高分布数据,所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据;
根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据;所述根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据的步骤,具体为:
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;
获取该行走者的脚长数据;
根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
2.根据权利要求1所述的基于加速度传感器的深度网络自适应步长估计方法,其特征在于,所述获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤,具体为:
将获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;
从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;
找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据。
3.根据权利要求1或2所述的基于加速度传感器的深度网络自适应步长估计方法,其特征在于,所述输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数,身高分布数据的预测函数为softmax函数。
4.一种基于加速度传感器的深度网络自适应步长估计方法,其特征在于,包括:
获取行走者的身高数据,根据身高数据对行走者进行分组;
通过加速度传感器采集每组行走者的加速度数据,并将所得数据分为训练集、验证集、测试集;所述加速度数据包括重力加速度在加速度传感器三轴方向上的分量;
将重力加速度在加速度传感器三轴方向上的分量分别除以重力加速度常数,获取预处理后的加速度数据;
对预处理后的训练集、验证集中的加速度数据进行训练,建立单层自动解码器,单层自动解码器包括输入层、隐藏层、输出层,输入层中输入单元的数目与加速度数据的采样点数相同,输出层中输出单元的数目与加速度数据的采样点数相同,输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数;
根据单层自动解码器,采用softmax函数,获取身高分布数据的预测结果,建立深层自动编码器;所述深层自动编码器设置层数、学习速率、迭代次数、随机置0率,用于输入加速度数据,输出身高分布数据;所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
将测试集中的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据;
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
5.一种基于加速度传感器的深度网络自适应步长估计装置,其特征在于,包括:
采集模块,用于:
通过加速度传感器采集行走者的加速度数据;
获取行走者的身高数据;
训练模块,用于:
对行走者的加速度数据和身高数据进行训练,获取深度自动编码器;所述深度自动编码器包括输入层、隐藏层和输出层,用于输入加速度数据,输出身高分布数据,所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
预测模块,用于:
获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据;
步长估计模块,用于:
根据该行走者的身高区间数据,获取该行走者的自适应步长估计数据;
所述步长估计模块用于:
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;
获取该行走者的脚长数据;
根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
6.根据权利要求5所述的基于加速度传感器的深度网络自适应步长估计装置,其特征在于,所述预测模块用于:
将获取新的行走者的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;
从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;
找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据。
7.根据权利要求5或6所述的基于加速度传感器的深度网络自适应步长估计装置,其特征在于,所述输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数,身高分布数据的预测函数为softmax函数。
8.一种基于加速度传感器的深度网络自适应步长估计装置,其特征在于,包括:
采集模块,用于:
获取行走者的身高数据,根据身高数据对行走者进行分组;
通过加速度传感器采集每组行走者的加速度数据,并将所得数据分为训练集、验证集、测试集;所述加速度数据包括重力加速度在加速度传感器三轴方向上的分量;
将重力加速度在加速度传感器三轴方向上的分量分别除以重力加速度常数,获取预处理后的加速度数据;
训练模块,用于:
对预处理后的训练集、验证集中的加速度数据进行训练,建立单层自动解码器,单层自动解码器包括输入层、隐藏层、输出层,输入层中输入单元的数目与加速度数据的采样点数相同,输出层中输出单元的数目与加速度数据的采样点数相同,输入层、隐藏层、输出层中每个单元的激活函数为sigmoid函数;
根据单层自动解码器,采用softmax函数,获取身高分布数据的预测结果,建立深层自动编码器;所述深层自动编码器设置层数、学习速率、迭代次数、随机置0率,用于输入加速度数据,输出身高分布数据;所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据;
预测模块,用于:
将测试集中的加速度数据,通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据,并根据该行走者的身高分布数据,获取其身高区间数据的步骤重复多次,获取多组身高区间数据;从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据,获取每个身高区间数据其概率分布数据大于预定概率阈值的次数;找出概率分布数据大于预定概率阈值的次数最多的身高区间数据,作为该行走者的身高区间数据;
步长估计模块,用于:
根据该行走者的加速度数据,获取该行走者的垂向重心位移数据;获取该行走者的脚长数据;根据该行走者的身高区间数据、垂向重心位移数据、脚长数据,基于步长动态模型,获取该行走者的自适应步长估计数据;所述步长动态模型满足:其中SL为步长数据,h为身高区间数据,δ为垂向重心位移数据,s1为脚长数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139113.5A CN106767890B (zh) | 2016-12-12 | 2016-12-12 | 基于加速度传感器的深度网络自适应步长估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139113.5A CN106767890B (zh) | 2016-12-12 | 2016-12-12 | 基于加速度传感器的深度网络自适应步长估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106767890A CN106767890A (zh) | 2017-05-31 |
CN106767890B true CN106767890B (zh) | 2019-11-19 |
Family
ID=58875582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611139113.5A Active CN106767890B (zh) | 2016-12-12 | 2016-12-12 | 基于加速度传感器的深度网络自适应步长估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106767890B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109115207B (zh) * | 2017-06-23 | 2021-06-04 | 北京方位捷讯科技有限公司 | 行人步行轨迹检测方法、装置及系统 |
CN109426829A (zh) * | 2017-08-28 | 2019-03-05 | 中兴通讯股份有限公司 | 一种用户身高的估计方法、装置及计算机可读存储介质 |
CN111000328A (zh) * | 2019-12-20 | 2020-04-14 | 石狮市森科智能科技有限公司 | 应用于鞋自动松紧调整的智能姿态交互系统 |
CN111761409A (zh) * | 2020-07-09 | 2020-10-13 | 内蒙古工业大学 | 一种基于深度学习的多传感器数控机床刀具磨损监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104266648A (zh) * | 2014-09-16 | 2015-01-07 | 南京诺导电子科技有限公司 | Android平台MARG传感器的室内定位系统 |
-
2016
- 2016-12-12 CN CN201611139113.5A patent/CN106767890B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104266648A (zh) * | 2014-09-16 | 2015-01-07 | 南京诺导电子科技有限公司 | Android平台MARG传感器的室内定位系统 |
Non-Patent Citations (2)
Title |
---|
Natural Gait Parameters Prediction for Gait Rehabilitation via Artificial Neural Network;Lim HB etal.;《IEEE International Conference on Intelligent Robots and Systems》;20101203;第5398-5403页 * |
基于模糊逻辑的室内导航步长估计方法研究;贺锋涛等;《电子技术应用》;20161106;第42卷(第11期);第59-61、65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106767890A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106767890B (zh) | 基于加速度传感器的深度网络自适应步长估计方法及装置 | |
CN105263113B (zh) | 一种基于众包的WiFi位置指纹地图构建方法及其系统 | |
CN109579853A (zh) | 基于bp神经网络的惯性导航室内定位方法 | |
CN106157688B (zh) | 基于深度学习和大数据的停车位检测方法和系统 | |
CN1932524B (zh) | 在个人导航器中的检测步伐的设备和方法 | |
US20150153380A1 (en) | Method and system for estimating multiple modes of motion | |
CN105910601B (zh) | 一种基于隐马尔科夫模型的室内地磁定位方法 | |
Flores et al. | Weallwalk: An annotated dataset of inertial sensor time series from blind walkers | |
CN106256396B (zh) | 运动支援装置、运动支援方法、运动支援系统以及存储介质 | |
CN104395944B (zh) | 定向车道的识别 | |
Ye et al. | B-Loc: Scalable floor localization using barometer on smartphone | |
JP6232183B2 (ja) | 移動端末装置及び測位システム | |
CN106210269A (zh) | 一种基于智能手机的人体动作识别系统及方法 | |
KR20120064922A (ko) | 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치 | |
CN105771224B (zh) | 一种基于多传感器的运动评估系统 | |
CN109581281A (zh) | 基于到达时间差和到达频率差的移动目标定位方法 | |
CN105444763A (zh) | 一种imu室内定位方法 | |
CN106422274A (zh) | 一种基于多传感器的瑜伽评估系统 | |
CN111721306A (zh) | 道路匹配方法、装置、电子设备及可读存储介质 | |
CN109637126A (zh) | 一种基于v2x终端的交通对象识别系统及其方法 | |
CN109978026A (zh) | 一种基于lstm网络的电梯位置检测方法及系统 | |
Falcon et al. | Predicting floor-level for 911 calls with neural networks and smartphone sensor data | |
CN111623797B (zh) | 一种基于深度学习的步数测量方法 | |
CN205683550U (zh) | 一种基于多传感器的运动评估系统 | |
CN110426034B (zh) | 基于地图信息辅助惯导阵列的室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |