CN110163264B - 一种基于机器学习的行走模式识别方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的行走模式识别方法，包括离线训练和在线识别两个阶段；离线训练阶段将分别收集行人在正常行走、原地踏步和小跑这三种行走模式下的加速度计数据和磁力计数据，训练基于机器学习的分类器；在线识别阶段将利用训练好的分类器来实时识别行人的行走模式。本发明弥补了传统模式识别领域对于原地踏步这一行走模式的识别。能够精确区分正常行走、原地踏步和小跑这三种行走模式，通过分类器校正进一步的提高分类精度。将本发明与基于PDR的室内定位技术相结合，能够使PDR技术适应行人不同的行走模式，提高定位精度，完善PDR技术的应用范围。总体上，本发明技术原理简单，在现实中具有很好的实用性和应用前景。

Description

一种基于机器学习的行走模式识别方法

技术领域

本发明涉及模式识别领域，具体涉及一种基于机器学习的行走模式识别方法。

背景技术

行走模式识别是一项重要的技术，已经被用于广泛的应用领域，包括室内定位与导航、健康监测和移动社交网络等。当前行走模式识别的研究对象主要是正常行走、静止、上下楼梯、跑步这几种行走模式，忽视了原地踏步这一重要模式。为了更好地在各个领域应用行走模式识别技术，分析和处理原地踏步的信息进而识别原地踏步具有很高的研究价值。

现有的行走模式识别技术主要包括基于图像的行走模式识别技术和基于惯性数据的行走模式识别技术两大类。前者通过分析行人不同行走模式所拍摄的图像，提取特征实现行走模式的识别；后者通过采集行人在不同行走模式下的惯性数据，分析数据，提取特征，继而通过机器学习的算法实现行走模式的识别。

惯性数据是指通过惯性传感器采集得到的数据，随着微机电系统技术的发展，智能终端配备了各种各样的惯性传感器，如加速计、磁力计和陀螺仪等。与特地在身体上安装设备相比，智能终端更适合用于惯性传感器上的行走模式识别，因为它们无处不在，易于使用，而且不会干扰用户的正常活动。

发明内容

为解决传统行走模式识别对原地踏步这一模式的忽视，本发明提出了一种基于机器学习的行走模式识别方法，可以有效的识别正常行走、原地踏步和小跑这三种行走模式。本发明可以应用于内置加速度计和磁力计的智能终端设备中，如智能手机、掌上电脑、个人数字设备和智能佩戴设备等。技术原理简单，易于推广使用。

本发明公布的基于机器学习的行走模式识别方法具体包括离线训练和在线识别两个阶段。离线训练阶段将分别收集行人在正常行走、原地踏步和小跑这三种行走模式下的加速度计数据和磁力计数据，训练基于机器学习的分类器。在线识别阶段将利用训练好的分类器来实时识别行人的行走模式。

本发明公布的离线训练阶段，具体包括如下步骤：

步骤1.分别收集行人在正常行走、原地踏步和小跑这三种模式下的加速度计数据和磁力计数据，并记录数据所属的标签。

步骤2.数据的预处理；

步骤3.数据的周期分割；

步骤4.提取速度计数据和磁力计数据在每一周期内的特征；

步骤5.根据提取的特征及其所属的标签训练分类器；

所述的步骤1中的标签具体是指行人的行走模式，将行人在不同行走模式下收集的数据与其标签进行绑定，方便后续的分类器训练。

所述的步骤2包括以下步骤：

2.1加速度数据的预处理

2.1.1由加速度计收集的三轴加速度计数据a_x，a_y，a_z来计算平均加速度a_total；

2.1.2移除平均加速度a_total中的重力加速度分量；

2.1.3通过一个数字域截止频率f_LP＝0.2π的4阶巴特沃斯数字低通滤波器过滤加速度中的高频噪声分量，获得最终的加速度序列a；

2.2磁力计数据的预处理：

由磁力计收集的三轴磁力计数据

来计算平均地磁场强度h_total。

所述步骤3中的周期分割具体包括如下步骤：

步骤3.1.根据过零检测法获得加速度数据的零点集合S1；

步骤3.2.根据周期约束，获得下一个峰谷值的预测范围；

步骤3.3.根据动态时间规整(DTW)约束，精炼步骤3.2获得的预测范围；

步骤3.4.在步骤3.3获得的预测范围内搜索最值，即为下一个峰值或谷值；

步骤3.5.将峰值和谷值的检测结果转化为零点的检测结果，获得预测零点；

步骤3.6.根据预测零点，剔除零点集合S1中的假零点，获得真实零点集合S2，S2中的每两个相邻零点记为一个周期。

所述步骤3.2的包括以下步骤：

3.2.1第一个峰值(谷值)和第二个峰值(谷值)由峰值检测法获得。当检测到两个峰值(谷值)后，继续后续步骤。

3.2.2下一个峰值的候选点其所处时刻与上一个峰值时刻的差值(下一个谷值的候选点其所处时刻与上一个谷值时刻的差值)t_i应该满足如下周期约束：

t_i∈((1-γ)*T,(1+γ)*T)

其中γ为预测范围长度控制参数，根据实验经验设定。T为不断更新的周期模板，其更新方式如下：

T_i为当前周期模板，T_i+1为下一次的周期模板，t为当前峰值与下一个峰值之间的时刻差。

3.2.3搜索所有满足周期约束的候选点获得下一个峰值(谷值)的预测范围R_P。

所述步骤3.3包括以下步骤：

3.3.1构造匹配序列：

其中

和

分别为第i-1个峰值(谷值)所处时刻和第i个峰值(谷值)所处时刻。a为预处理过后的加速度序列。

3.3.2构造测试序列集合：

V＝{v₁,v₂,…,v_j,…,v_k}

其中，v_j为第j个测试序列，由上一个峰值(谷值)时刻到预测范围R_P中的第j个点之间的加速度数据组成。

3.3.3计算DTW距离集合：

D＝{DTW(μ,v₁),DTW(μ,v₂),…DTW(μ,v_j),…DTW(μ,v_k)}

其中DTW(μ,v_j)为匹配序列μ_i-1和测试序列v_j根据DTW计算得到的距离值。

3.3.4根据如下DTW约束获得更加精确的峰谷值预测范围R_D：

其中

和τ为预测范围R_D的长度控制参数，D_min为DTW距离集合D中的最小值。

3.3.5DTW约束建立在行人于同一行走模式下每一步加速度波形具有相似性的基础上。若行人改变行走模式，那么在运动模式改变的过渡区这种相似性难以满足，R_D将会是空集。通过观察R_D是否为空集来判断行人是否改变行走模式，完成行人在进行连续不同的行走模式情况下的计步。

所述步骤3.4包括以下步骤：

当进行峰值检测时，在预测范围R_D内寻找对应加速度最大的值做为下一个峰值时刻。当进行谷值检测时，在预测范围R_D内寻找对应加速度最小的值做为下一个谷值时刻。

所述步骤3.5包括以下步骤：

根据如下公式将峰值和谷值的检测结果转化为零点的检测结果：

其中t_zero,i为第i+1个预测零点，t_peak,i为第i+1个峰值时刻，t_valley,i为第i个谷值时刻。

所述步骤3.6的特征在于：

根据如下公式剔除S1中的假零点：

其中t(i)为假零点集合S1中的第i个零点，t_zero为预测零点，S2为真实零点集合。根据S2进行周期分割，S2中每两个零点记为一步，即为一个完整的周期。

所述的步骤4中的提取速度计数据和磁力计数据在每一周期内的特征，具体包括如下特征：

4.1加速度a_total的统计特征：包括加速度绝对值的均值φ_a，加速度的方差

加速度的偏度ske_a以及加速度的峰度kur_a。

4.2地磁场强度h_total的统计特征：包括地磁场强度的方差

地磁场强度的偏度

地磁场强度的峰度

4.3其他特征：根据过零检测法检测加速度数据在每一个周期内所包含的零点：

S1＝{t|a_t≥0,a_t-1≤0}∪{t|a_t≤0,a_t-1≥0}

将每一个周期内所包含的零点个数，即集合S1的长度ρ作为一个特征。该特征使原地踏步较好的区别于其他两种行走模式。

所述的步骤5中的训练分类器具体是指，将提取到的特征和其所属的标签输入到分类器中训练分类器，分类器基于机器学习算法，根据需要选择不同的分类器，如随机森林，支持向量机(SVM)等。行走模式的标签根据需要拟定，如正常行走的标签设为1，原地踏步的标签为2，小跑的标签为3。

本发明公布的在线识别阶段，具体包括下面6个步骤：

步骤1.行人携带智能终端进行运动，智能终端实时收集加速度计数据和磁力计数据。

步骤2.数据的预处理；

步骤3.数据的周期分割；

步骤4.提取速度计数据和磁力计数据在每一周期内的特征；

步骤5.根据提取的特征，通过离线阶段训练好的分类器获得行走模式识别的初步结果；

步骤6.分类器结果校正，获得最终行走模式识别结果。

所述的步骤1中的行人携带智能终端，其携带方式与训练阶段一致。行人进行运动具体是指行人采用正常行走、原地踏步和小跑中的一种行走模式或者几种行走模式的连续混合运动，如行人先正常行走，然后原地踏步，最后小跑。

所述的步骤2至步骤4的具体步骤和离线阶段一致。

所述的步骤5具体是指将实时提取的特征作为分类器的输入，而分类器的输出为标签，也就是行人的行走模式初步识别结果。

所述的步骤6中的分类器结果校正是指在获得分类器的结果后，对该结果做一定的判断来决定是否将其作为最终的行走模式识别结果。当第i步的分类器结果与第i-1步的行走模式不同时，做一定的延时，考虑后续两步i+1,i+2的分类器结果，若后续两步的分类器结果均与第i步的结果不同，则将第i-1步的行走模式作为第i步的最终行走模式识别结果；否则采用分类器的结果作为第i步的最终行走模式识别结果，如下式所示：

其中，WP(i-1)和WP(i)分别表示第i-1步和第i步的模式识别结果，c(i)，c(i+1)和c(i+2)分别表示第i步，第i+1步和第i+2步的分类器结果。

本发明的有益效果是：

本发明弥补了传统模式识别领域对于原地踏步这一行走模式的识别。本发明提出了具有针对性的特征，能够精确区分正常行走、原地踏步和小跑这三种行走模式，然后通过分类器校正进一步的提高分类精度。本发明在众多领域都有着巨大的发挥空间，特别是将本发明与基于PDR的室内定位技术相结合，能够使PDR技术适应行人不同的行走模式，极大的提高定位精度，完善PDR技术的应用范围。总体上，本发明技术原理简单，在现实中具有很好的实用性和应用前景

附图说明

图1是本发明的总流程示意图。

具体实施方式

下面结合实施例和附图对本发明做进一步的说明，本实施例采用随机森林作为分类器。

如图1所示，本发明提出的基于机器学习的行走模式识别方法具体包括离线训练和在线识别两个阶段。

离线训练阶段：通过内置加速度计和磁力计的智能终端设备分别收集行人在正常行走、原地踏步和小跑三种行走模式下的加速度计数据和磁力计数据。将收集的加速度计数据和磁力计数据进行预处理，通过周期分割实现步与步之间的数据的精确分离，最后提取每一周期的特征和其所属的标签训练随机森林分类器。

在线识别阶段：行人携带智能终端进行实时运动，智能终端收集加速度计数据和磁力计数据，先进行数据预处理和周期分割阶段，然后提取每一周期的特征，继而通过离线阶段训练好的随机森林分类器获得行走模式的初步识别结果，最后通过分类结果校正阶段获得最终的行走模式识别结果。

本发明提出的离线训练阶段，具体包括下面5个步骤：

步骤1.分别收集行人在正常行走、原地踏步和小跑这三种模式下的加速度计数据和磁力计数据，并记录数据所属的标签。

步骤2.数据的预处理；

步骤3.数据的周期分割；

步骤4.提取速度计数据和磁力计数据在每一周期内的特征；

步骤5.根据提取的特征及其所属的标签训练随机森林分类器；

步骤1.行人手持内置加速度计的智能终端进行运动，分别以正常行走，原地踏步和小跑这三种行走模式进行运动。智能终端内置的加速度计和磁力计在行人运动过程中采集加速度数据。为保证数据的一般性，选择不同的行人进行这三类行走模式的运动，行人在身高、体重、性别、年龄等多方面均有所差异。将采集到的加速度数据和磁力计数据和标签(行人进行的行走模式)进行绑定标记。

步骤2.将采集到的加速度数据和磁力计数据进行预处理，具体包括以下步骤：

2.1加速度数据的预处理：

2.1.1通过由智能终端设备内置的三轴加速度计采集得到的加速度数据计算平均加速度a_total：

其中a_x，a_y，a_z分别表示三轴加速度计采集到的X轴，Y轴和Z轴的加速度数据。

2.1.2移除平均加速度a_total中的重力加速度分量:

a′＝a_total-g

其中g表示重力加速度，a′表示移除重力加速度分量后的加速度数据。

2.1.3加速度计的原始加速度数据含有大量的高斯噪声信号，影响计步的准确性，故而需要一个滤波阶段，尽可能多的消除各种噪声和毛刺。用一个数字域截止频率f_LP＝0.2π的4阶巴特沃斯数字低通滤波器对移除重力分量后的加速度值a′进行滤波，滤波后的加速度为a。

2.2磁力计数据的预处理：

通过由智能终端设备内置的三轴磁力计采集得到的磁力计数据计算平均加速度平均地磁场强度h_total：

其中

分别表示三轴磁力计采集到的X轴，Y轴和Z轴的地磁场强度数据。

步骤3进行数据的周期分割，具体包括以下步骤：

步骤3.1.通过过零检测法得到零点集合S1，S1中的零点均为正向零点，即：

S1＝{t|a_t-1≤0,a_t≥0}

其中a_t-1和a_t分别表示t和t-1时刻加速度的大小。

下面结合一个具体实施例来阐述上述步骤3.2至步骤3.6。由于计步过程中加速度谷值的检测和峰值的检测相似，本实施例主要以波峰的检测为例。假设最新检测到的峰值时刻为t_peak,i。

步骤3.2.根据周期约束，获得下一个峰谷值的预测范围，具体包括如下步骤：

3.2.1考虑当前是否已经获得不少于2个的峰值，若是，则继续后续步骤。否则通过峰值检测法获得峰值。即第一个峰值和第二个峰值是由峰值检测法获得的。

3.2.2更新周期模板：

其中，T_i为更新后的周期模板，T_i-1为上一次的周期模板，t_i为当前峰值时刻

与上一个峰值时刻

之间的差值，即当前一步的周期。

由于在同一运动模式下行人每一步周期的是相似的，所以下一个峰值

的候选点其所处时刻与当前峰值时刻

的差值t_i+1应该满足如下周期约束：

t_i+1∈((1-γ)*T_i,(1+γ)*T_i)

其中γ为预测范围长度控制参数，根据实验经验设定。

3.2.3记录所有满足周期约束的候选点获得

预测范围R_P。

步骤3.3.同一运动模式下行人相邻两步加速度波形是具有相似性的，通过计算这种相似性能够进一步预测下一个峰值所处的时刻。由于智能终端内置的加速度计在行人每一步的收集到的加速度数据数量是不同的，即计算的是两个长度不同序列之间的相似性，所以采用DTW计算这种相似性是一个好的选择。

DTW，即动态时间规整，是一种为计算两个长度不同的时间序列之间的相似性而设计的算法，最早应用于语音序列的识别上。DTW算法的步骤为：1)计算两个序列各个点之间的距离(常用欧式距离)，获得距离矩阵D。2)寻找一条从该距离矩阵左上角到右下角的路径，使得该路径上的矩阵元素和最小。该最小值即为两序列的相似度，其路径通过动态规划得到，如下所示：

γ(i,j)＝D(i,j)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}

其中，D(i,j)表示序列1中第i个点和序列2中第j个点的距离。γ(i,j)为当右下角点为(i,j)时的最短路径。本专利利用DTW计算匹配序列和测试序列的相似度。

3.3.1更新匹配序列：

其中

和

分别为上一个峰值所处时刻和当前峰值所处时刻。a为预处理过后的加速度序列。

3.3.2构造测试序列集合，将当前峰值时刻

到预测范围R_P中的第一个数之间的加速度数据作为首个测试序列，将

到预测范围R_P中的第二个数之间的加速度数据作为第二个测试序列，以此类推获得一个测试序列集合：

V＝{v₁,v₂,…,v_j,…,v_k}

其中，v_j为第j个测试序列，由

到R_P中的第j个点之间的加速度数据组成，测试序列集合的长度k和预测范围R_P的长度一致。

3.3.3将匹配序列μ_i和每一个测试序列进行DTW计算，获得DTW距离集合：

D＝{DTW(μ,v₁),DTW(μ,v₂),…DTW(μ,v_j),…DTW(μ,v_k)}

其中DTW(μ,v_j)为匹配序列μ_i-1和测试序列v_j根据DTW计算得到的距离值。

3.3.4DTW约束：(1)预测范围R_D内的点其DTW值小于设定的阈值φ；(2)预测范围R_D内的点其DTW值和该预测范围内的最小其DTW值之间的差值小于设定的阈值τ。根据DTW约束获得更加精确的峰谷值预测范围R_D：

其中

和τ为预测范围R_D的长度控制参数，D_min为DTW距离集合D中的最小值。

3.3.5DTW约束建立在行人于同一行走模式下每一步加速度波形的相似性的基础上。若行人改变行走模式，那么在行走模式改变的过渡区这种相似性难以满足，R_D将会是空集。当R_D为空集时，行人改变了行走模式，周期约束和DTW约束需要重新建立，返回步骤3.2；否则继续步骤3.4。

步骤3.4.在预测范围R_D内寻找对应加速度最大的值做为下一个峰值时刻t_peak,i+1。

步骤3.5.为了消除集合S1中的假零点，将波峰和波谷的检测结果转化为零点的检测结果。转化过程如下：

其中t_zero,i+1为第i+1个预测零点，t_peak,i+1为第i+1个峰值时刻，t_valley,i为第i个谷值时刻。

步骤3.6.根据如下公式剔除S1中的假零点：

其中t(i)为假零点集合中的第i个零点，S2为真实零点集合。

S2中每两个零点记为一步，即{t_i,t_i+1}记为一个完整的周期，t_i,t_i+1∈S2,i＝1,2,3,…。以此完成周期分割。

步骤4.提取速度计数据和磁力计数据在每一周期内的特征，具体包括如下特征：

4.1加速度a_total的统计特征：

加速度绝对值的均值φ_a：

加速度的方差

加速度的偏度ske_a：

加速度的峰度kur_a：

4.2地磁场强度h_total的统计特征：

地磁场强度的方差

地磁场强度的偏度

地磁场强度的峰度

4.3其他特征：

根据过零检测法检测加速度数据在每一个周期内所包含的零点：

S1＝{t|a_t≥0,a_t-1≤0}∪{t|a_t≤0,a_t-1≥0}

将每一个周期内所包含的零点个数，即集合S1的长度ρ作为一个特征。

步骤5.将提取到的特征和其所绑定的行走模式标签输入到随机森林分类器中训练分类器。行走模式的标签根据需要拟定，如正常行走的标签设为1，原地踏步的标签为2，小跑的标签为3。

本发明提出的在线识别阶段，具体包括下面6个步骤：

步骤1.行人携带智能终端进行运动，智能终端实时收集加速度计数据和磁力计数据。

步骤2.数据的预处理；

步骤3.数据的周期分割；

步骤4.提取速度计数据和磁力计数据在每一周期内的特征；

步骤5.根据提取的特征，通过离线阶段训练好的随机森林分类器获得行走模式识别的初步结果；

步骤6.分类器结果校正，获得最终行走模式识别结果。

步骤1中的行人携带智能终端，其携带方式与训练阶段一致。行人进行运动具体是指行人采用正常行走、原地踏步和小跑中的一种行走模式或者几种行走模式的连续混合运动，如行人先正常行走，然后原地踏步，最后小跑。

步骤2至步骤4的具体步骤和离线阶段一致。

步骤5具体是指将实时提取的特征作为分类器的输入，而分类器的输出为标签，也就是行人的行走模式初步识别结果。

步骤6.一般情况下，行人的行走模式会持续一段时间，而不是时刻变换的。根据这点可以通过行人相邻几步的行走模式识别结果，对当前这步的分类器结果作一定的校正，特别是要校正那些突然改变行走模式的分类器结果，能够提高行走模式识别的精度。在获得分类器的结果后，对该结果做一定的判断来决定是否将其作为最终的行走模式识别结果。当第i步的分类器结果与第i-1步的行走模式不同时，做一定的延时，考虑后续两步i+1,i+2的分类器结果，若后续两步的分类器结果均与第i步的结果不同，则将第i-1步的行走模式作为第i步的最终行走模式识别结果；否则采用分类器的结果作为第i步的最终行走模式识别结果，如下式所示：

其中，WP(i-1)和WP(i)分别表示第i-1步和第i步的模式识别结果，c(i)，c(i+1)和c(i+2)分别表示第i步，第i+1步和第i+2步的分类器结果。

Claims (2)

1.一种基于机器学习的行走模式识别方法，包括离线训练和在线识别两个阶段；离线训练阶段将分别收集行人在正常行走、原地踏步和小跑这三种行走模式下的加速度计数据和磁力计数据，训练基于机器学习的分类器；在线识别阶段将利用训练好的分类器来实时识别行人的行走模式；其特征在于所述的离线训练阶段，具体包括如下步骤：

步骤1.分别收集行人在正常行走、原地踏步和小跑这三种模式下的加速度计数据和磁力计数据，并记录数据所属的标签；

步骤2.数据的预处理；

步骤3.数据的周期分割；

步骤4.提取速度计数据和磁力计数据在每一周期内的特征；

步骤5.根据提取的特征及其所属的标签训练分类器；

所述的步骤1中的标签具体是指行人的行走模式，将行人在不同行走模式下收集的数据与其标签进行绑定，方便后续的分类器训练；

所述的步骤2包括以下步骤：

2.1加速度数据的预处理

2.1.1由加速度计收集的三轴加速度计数据a_x，a_y，a_z来计算平均加速度a_total；

2.1.2移除平均加速度a_total中的重力加速度分量；

2.1.3通过一个数字域截止频率f_LP＝0.2π的4阶巴特沃斯数字低通滤波器过滤加速度中的高频噪声分量，获得最终的加速度序列a；

2.2磁力计数据的预处理：

由磁力计收集的三轴磁力计数据h_x，h_y，h_z来计算平均地磁场强度h_total；

所述步骤3中的周期分割具体包括如下步骤：

步骤3.1.根据过零检测法获得加速度数据的零点集合S1；

步骤3.2.根据周期约束，获得下一个峰谷值的预测范围；

步骤3.3.根据动态时间规整约束，精炼步骤3.2获得的预测范围；

步骤3.4.在步骤3.3获得的预测范围内搜索最值，即为下一个峰值或谷值；

步骤3.5.将峰值和谷值的检测结果转化为零点的检测结果，获得预测零点；

步骤3.6.根据预测零点，剔除零点集合S1中的假零点，获得真实零点集合S2，S2中的每两个相邻零点记为一个周期；

所述步骤3.2的包括以下步骤：

3.2.1第一个峰值和第二个峰值由峰值检测法获得；当检测到两个峰值后，继续后续步骤；峰值的预测范围通过检测峰值来实现，谷值的预测范围通过检测谷值来实现，并且两者的实现方式的一样的，后续步骤以检测峰值来进行说明；

3.2.2下一个峰值的候选点其所处时刻与上一个峰值时刻的差值t_i应该满足如下周期约束：

t_i∈((1-γ)*T，(1+γ)*T)

其中γ为预测范围长度控制参数，根据实验经验设定；T为不断更新的周期模板，其更新方式如下：

T_i为当前周期模板，T_i+1为下一次的周期模板，t为当前峰值与下一个峰值之间的时刻差；

3.2.3搜索所有满足周期约束的候选点获得下一个峰值的预测范围R_P；

所述步骤3.3包括以下步骤：

3.3.1构造匹配序列：

其中

和

分别为第i-1个峰值所处时刻和第i个峰值所处时刻；a为预处理过后的加速度序列；

3.3.2构造测试序列集合：

V＝{v₁，v₂，...，v_j，...，v_k}

其中，v_i为第j个测试序列，由上一个峰值时刻到预测范围R_P中的第j个点之间的加速度数据组成；

3.3.3计算DTW距离集合：

D

＝{DTW(μ_i-1，v₁)，DTW(μ_i-1，v₂)，...DTW(μ_i-1，v_j)，...DTW(μ_i-1，v_k)}

其中DTW(μ_i-1，v_j)为匹配序列μ_i-1和测试序列v_j根据DTW计算得到的距离值；

3.3.4根据如下DTW约束获得更加精确的峰谷值预测范围R_D：

其中

和τ为预测范围R_D的长度控制参数，D_min为DTW距离集合D中的最小值；

3.3.5通过观察R_D是否为空集来判断行人是否改变行走模式，完成行人在进行连续不同的行走模式情况下的计步；

所述步骤3.4包括以下步骤：

当进行峰值检测时，在预测范围R_D内寻找对应加速度最大的值做为下一个峰值时刻；当进行谷值检测时，在预测范围R_D内寻找对应加速度最小的值做为下一个谷值时刻；

所述步骤3.5包括以下步骤：

根据如下公式将峰值和谷值的检测结果转化为零点的检测结果：

其中t_zero，i为第i+1个预测零点，t_peak，i为第i+1个峰值时刻，t_valley，i为第i个谷值时刻；

所述步骤3.6的特征在于：

根据如下公式剔除S1中的假零点：

其中t(i)为假零点集合S1中的第i个零点，t_zero为预测零点，S2为真实零点集合；根据S2进行周期分割，S2中每两个零点记为一步，即为一个完整的周期；

所述的步骤4中的提取速度计数据和磁力计数据在每一周期内的特征，具体包括如下特征：

4.1加速度a_total的统计特征：包括加速度绝对值的均值φ_a，加速度的方差

加速度的偏度ske_a以及加速度的峰度kur_a；

4.2地磁场强度h_total的统计特征：包括地磁场强度的方差

地磁场强度的偏度ske_h，地磁场强度的峰度kur_h；

4.3其他特征：根据过零检测法检测加速度数据在每一个周期内所包含的零点：

S1＝{t|a_t≥0，a_t-1≤0}∪{t|a_t≤0，a_t-1≥0}

将每一个周期内所包含的零点个数，即集合S1的长度ρ作为一个特征；

所述的步骤5中的训练分类器具体是指，将提取到的特征和其所属的标签输入到分类器中训练分类器，分类器基于机器学习算法，根据需要选择不同的分类器，行走模式的标签根据需要拟定：正常行走的标签设为1，原地踏步的标签为2，小跑的标签为3。

2.根据权利要求1所述的一种基于机器学习的行走模式识别方法，其特征在于所述的在线识别阶段，具体包括下面6个步骤：

步骤①.行人携带智能终端进行运动，智能终端实时收集加速度计数据和磁力计数据；

步骤②.数据的预处理；

步骤③.数据的周期分割；

步骤④.提取速度计数据和磁力计数据在每一周期内的特征；

步骤⑤.根据提取的特征，通过离线阶段训练好的分类器获得行走模式识别的初步结果；

步骤⑥.分类器结果校正，获得最终行走模式识别结果；

所述的步骤①中的行人携带智能终端，其携带方式与训练阶段一致；

所述的步骤②至步骤④的具体步骤和离线阶段一致；

所述的步骤⑤具体是指将实时提取的特征作为分类器的输入，而分类器的输出为标签，也就是行人的行走模式初步识别结果；

所述的步骤⑥中的分类器结果校正是指在获得分类器的结果后，对该结果做判断来决定是否将其作为最终的行走模式识别结果；当第i步的分类器结果与第i-1步的行走模式不同时，做延时，考虑后续两步i+1，i+2的分类器结果，若后续两步的分类器结果均与第i步的结果不同，则将第i-1步的行走模式作为第i步的最终行走模式识别结果；否则采用分类器的结果作为第i步的最终行走模式识别结果，如下式所示：

其中，WP(i-1)和WP(i)分别表示第i-1步和第i步的模式识别结果，c(i)，c(i+1)和c(i+2)分别表示第i步，第i+1步和第i+2步的分类器结果。

Images