CN111603169A - 基于mems惯性传感器的行人步态识别方法 - Google Patents
基于mems惯性传感器的行人步态识别方法 Download PDFInfo
- Publication number
- CN111603169A CN111603169A CN201910140277.7A CN201910140277A CN111603169A CN 111603169 A CN111603169 A CN 111603169A CN 201910140277 A CN201910140277 A CN 201910140277A CN 111603169 A CN111603169 A CN 111603169A
- Authority
- CN
- China
- Prior art keywords
- gait recognition
- inertial sensor
- recognition method
- mems inertial
- method based
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于MEMS惯性传感器的室内定位人员步态识别方法。在室内定位中，精确的步态识别可以为姿态估计算法提供先验信息，从而提高定位精度。采集被测者在走、跑、静止、上楼梯、下楼梯这五个步态下的加速度和角速度。然后对采集的数据进行差值填充、平滑滤波等预处理。接着进行特征构造，采用加窗、快速傅里叶变换、主成分分析法来加大特征的差异性。最后用随机森林算法进行模型训练。实验结果表明，采用随机森林算法训练出的模型分类精度较高，由于支持矢量机、梯度提升树等其他分类算法。五个状态的平均分类精度为98.2％。
Description
技术领域
本发明涉及个人导航定位领域，可用于卫星导航不可用的场合，如室内、地下通道等地点。
背景技术
在基于惯性导航技术的行人定位方法中，步态识别技术得到了广泛使用。通过大量数据训练出步态识别模型，从而可以判断出行人此刻处于哪种步态，为下一步的姿态估计算法提供了先验信息，从而可以提高定位精度。是决定定位精度的重要因素。
传统的步态识别算法仅仅通过判断加速度或角速度的大小以及不同状态下数据的差异性来估算步态。这种方法在使用时识别精度不高。不同步态下加速度和角速度有时候差异性没有那么大，因此实用性较差。为此，我们提出了一种适用能力较强的步态识别算法。
发明内容
本发明的主要目的在于提供行人不同运动状态下步态的精确识别，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为：
基于MEMS惯性传感器的室内人员步态识别方法，通过以下两个步骤判断步态：
一、通过加速度计、陀螺仪采集三轴加速度和三轴角速度。因为噪声等干扰。需要对加速度和角速度进行缺值填充、平滑滤波。接着，通过加一个1秒的窗，来构造一条训练数据输入项。特征构造方面，采用快速傅里叶变换来扩大数据的差异性，主成分分析法来进行降维处理。至此，特征构造部分完成，然后需要进行模型设计。
二、根据目前已经处理好的数据，采用机器学习中的随机森林算法来进行分类处理。通过该算法训练模型，并且进行相应的参数调优，并与其它机器学习中的分类算法进行对比。根据以上两个步骤可以训练出模型，进行精确的步态识别。与现有技术相比，本发明具有如下有益效果：提出的步态识别方法对不同的行人有较强的适应能力。使用该模型即可实现不同行人、不同运动状态下步态的准确判断。相对于传统的步态检测方法，所提出的步态检测方法更为实用，识别精度也更高。
附图说明
图1为本发明基于MEMS惯性传感器的室内人员步态识别方法的算法流程示意图。
图2为使用本发明基于MEMS惯性传感器的室内人员步态识别方法的测试精度对比图。
图3为使用本发明基于MEMS惯性传感器的室内人员步态识别方法的运行时间对比图。
图中：1、对加速度角速度进行差值填充、平滑滤波；2、特征构造；3、训练测试模型。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1所示，基于MEMS惯性传感器的室内人员步态识别方法，包括对加速度角速度进行差值填充、平滑滤波。进行特征构造，最后设计实验模型。
由于加速度角速度在不同时刻的差异性较大，所以选择加速度和角速度来作为原始特征数据。为了能够更好进行识别分类，需要对数据进行特征处理，正常成年人的步速是1.5m/s，因此可以认为1秒内可以跨出完整的一步。所以，加一个1秒的窗，然后进行快速傅里叶变换、主成分分析法来进行降维处理。特征构造好之后，采用随机森林算法来进行模型构造。随机森林采用集成学习的思想，适用于多分类的问题。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.基于MEMS惯性传感器的行人步态识别方法，其特征在于：首先采集到行人的加速度和角速度，对缺失值进行差值填充，异常值进行平滑处理(1)，随后对采集到的数据进行加窗、快速傅里叶变换、主成分分析法来达到降维等目的(2)，接着选择随机森林算法来设计训练出测试模型(3)。
2.根据权利要求1所述的基于MEMS惯性传感器的室内定位人员步态识别方法，其特征在于：使用差值填充、平滑滤波(1)来对数据进行预处理。
3.根据权利要求1所述的基于MEMS惯性传感器的室内定位人员步态识别方法，其特征在于：加窗构造训练数据输入项，快速傅里叶变换和主成分分析法来进行降维(2)。
4.根据权利要求1所述的基于MEMS惯性传感器的室内定位人员步态识别方法，其特征在于：使用随机森林算法来构造测试模型(3)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910140277.7A CN111603169A (zh) | 2019-02-26 | 2019-02-26 | 基于mems惯性传感器的行人步态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910140277.7A CN111603169A (zh) | 2019-02-26 | 2019-02-26 | 基于mems惯性传感器的行人步态识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111603169A true CN111603169A (zh) | 2020-09-01 |
Family
ID=72195647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910140277.7A Pending CN111603169A (zh) | 2019-02-26 | 2019-02-26 | 基于mems惯性传感器的行人步态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111603169A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112004193A (zh) * | 2020-09-11 | 2020-11-27 | 合肥创兆电子科技有限公司 | 一种基于北斗导航的野外训练通讯监管用穿戴手表 |
| CN112418649A (zh) * | 2020-11-19 | 2021-02-26 | 东南大学 | 基于多维mems惯性传感器的建筑楼梯人流量估计系统 |
| CN114047010A (zh) * | 2021-11-10 | 2022-02-15 | 宜昌达瑞机电科技有限公司 | 汽车空调的振动和噪音检测方法、装置和计算机设备 |
-
2019
- 2019-02-26 CN CN201910140277.7A patent/CN111603169A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112004193A (zh) * | 2020-09-11 | 2020-11-27 | 合肥创兆电子科技有限公司 | 一种基于北斗导航的野外训练通讯监管用穿戴手表 |
| CN112418649A (zh) * | 2020-11-19 | 2021-02-26 | 东南大学 | 基于多维mems惯性传感器的建筑楼梯人流量估计系统 |
| CN114047010A (zh) * | 2021-11-10 | 2022-02-15 | 宜昌达瑞机电科技有限公司 | 汽车空调的振动和噪音检测方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Klein et al. | Pedestrian dead reckoning with smartphone mode recognition | |
| Widhalm et al. | Transport mode detection with realistic smartphone sensor data | |
| CN101894252B (zh) | 基于3轴加速度传感器信号的步行运动分类方法 | |
| CN111603169A (zh) | 基于mems惯性传感器的行人步态识别方法 | |
| CN110553643B (zh) | 一种基于神经网络的行人自适应零速更新点选取方法 | |
| CN103974887B (zh) | 用于电梯运动检测的方法和装置 | |
| EP3498559B1 (en) | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus | |
| CN107358248B (zh) | 一种提高跌倒检测系统精度的方法 | |
| US11096593B2 (en) | Method for generating a personalized classifier for human motion activities of a mobile or wearable device user with unsupervised learning | |
| CN106646449A (zh) | 物体检测装置及物体检测方法 | |
| CN109495654B (zh) | 一种基于智能手机感知行人安全方法 | |
| CN104323780A (zh) | 基于支持向量机的行人步态分类系统及方法 | |
| Sun et al. | Combining machine learning and dynamic time wrapping for vehicle driving event detection using smartphones | |
| CN107277222A (zh) | 基于手机内置传感器的用户行为状态判断方法 | |
| CN110163264B (zh) | 一种基于机器学习的行走模式识别方法 | |
| Susi et al. | Detection of quasi-static instants from handheld MEMS devices | |
| Elhoushi et al. | Robust motion mode recognition for portable navigation independent on device usage | |
| EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
| CN116092193A (zh) | 一种基于人体运动状态识别的行人航迹推算方法 | |
| Dwiyantoro et al. | A simple hierarchical activity recognition system using a gravity sensor and accelerometer on a smartphone | |
| CN114061616A (zh) | 一种自适应波峰检测计步方法 | |
| CN108072371A (zh) | 定位方法、定位装置和电子设备 | |
| İsmail et al. | Human activity recognition based on smartphone sensor data using cnn | |
| Al-Din et al. | Development of a highway driving events identification and classification using smartphone | |
| Han et al. | Motion mode recognition in multi-storey buildings based on the naive Bayes method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200901 |