CN114061616A - 一种自适应波峰检测计步方法 - Google Patents
一种自适应波峰检测计步方法 Download PDFInfo
- Publication number
- CN114061616A CN114061616A CN202111230470.3A CN202111230470A CN114061616A CN 114061616 A CN114061616 A CN 114061616A CN 202111230470 A CN202111230470 A CN 202111230470A CN 114061616 A CN114061616 A CN 114061616A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- peak
- gait
- moment
- counting
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种自适应波峰检测计步方法,对行人不同运动状态下微惯性测量单元敏感的加速度、角速率进行波峰检测,统计不同运动状态下波峰值的分布情况及不同波峰值下的步态周期,以此作为训练集,采用多级支持向量机算法求解不同步态间的最优超平面,并构造决策函数以确定步态;根据当前检测周期角速率、加速度的波峰值和步态周期自适应调整下一检测周期的长度及波峰阈值,若周期角速率、加速度的波峰均有效,则相邻两波峰间计1步,否则不计步。本发明提高了计步的准确率,极大地提升了基于航位推算的行人微自主导航系统的精度。
Description
技术领域
本发明属于行人微自主导航领域,涉及到一种自适应波峰检测计步算法。
背景技术
能否准确计步直接关系到基于航位推算的微惯性行人自主导航系统的精度。传统的行人航位推算算法在进行计步时,常采用波峰检测法,通过寻找微惯性测量单元输出角速率、加速度的波峰点,并将两个相邻波峰点间视为一步来进行计步。然而行人在高动态运动(如跑步、跳跃)的过程中,角速率、加速度变化剧烈,易出现伪峰干扰,造成计步错误。
发明内容
本发明需解决的技术问题是提供一种波峰检测精度高的计步算法,解决传统波峰检测计步算法易受伪峰干扰、无法适应特殊步态的问题,提高行人微自主导航系统的精度。
为解决上述技术问题,本发明提供的一种自适应波峰检测计步方法,采取技术方案如下:
对行人不同运动状态下微惯性测量单元敏感的加速度、角速率进行波峰检测,统计不同运动状态下波峰值的分布情况及不同波峰值下的步态周期,以此作为训练样本集,采用多级支持向量机算法求解不同步态间的最优超平面,并构造决策函数以确定步态;
根据当前检测周期的角速率、加速度波峰值和步态周期判断步态并自适应调整下一检测周期的长度及波峰阈值,若周期角速率、加速度的波峰均有效,则相邻两波峰间计1步,否则不计步。
与现有技术对比,本发明有益效果如下:
本发明采用多级支持向量机算法,根据微惯性测量单元当前检测周期输出角速率、加速度的峰值来自适应调整后续波峰检测的周期和阈值,使周期控制在一个步态周期左右,并通过自适应阈值检测淘汰野值点及伪峰点,来提高波峰检测的准确率,进而提高计步的准确率。本发明极大地提升了基于航位推算的行人微自主导航系统的精度,尤其适用于解决复杂运动状态下行人高精度自主导航应用需求。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施例,并与文字描述一起来阐释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明的具体实施例提供的自适应波峰检测计步方法基本原理框图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供的自适应波峰检测计步方法具体为:
对行人不同运动状态(包括步行、跑步、跳跃等)下固定在腰部的微惯性测量单元敏感的加速度、角速率进行波峰检测,统计不同运动状态下波峰值的分布情况及不同波峰值下的步态周期,以此作为训练样本集,采用多级支持向量机算法求解不同步态间的最优超平面,并构造决策函数以确定步态。
根据当前检测周期角速率、加速度的波峰值和步态周期判断步态并自适应调整下一检测周期的长度及波峰阈值,进而淘汰掉野值点及伪峰点,提高行人导航系统计步的准确率。若周期角速率、加速度的波峰均有效,则相邻两波峰间计1步,否则不计步。
在本发明一些实施例中,所述加速度、角速率进行波峰检测方法具体如下:
(1)原始惯性数据采集
将微惯性测量单元固定在行人腰部,采集多组不同运动状态(包括行走、跑步、跳跃等)下行人腰部角速率、加速度的原始数据。
(2)过零检测
计算t时刻扣除重力加速度后腰部的垂向加速度为:
At=at-g
其中,at为t时刻采集到的垂向加速度,g为当地的重力加速度。若在t0时刻满足
采用角速率ωt计步时方法与加速度相同,过零时刻的判别条件为:
(3)提取峰谷值
相邻2个波峰间计为一步,用于航位推算。
在本发明一些实施例中,所述某种运动状态下步态判别方法如下:
(1)构造训练样本集
将采集到的不同运动状态下的行人腰部角速率及加速度峰值、步态周期进行分类并标记,构造训练样本集
其中,τn为步态周期,N为训练集样本容量;zn=0,1,2,3...,表示当前运动状态,zn=0表示静止状态,zn=1表示正常行走状态,zn=2表示慢跑状态,zn=3表示快跑状态,zn取其他值表示其他运动状态。
(2)求解边界条件
采用多级支持向量机算法对TA、Tω进行分类,得到不同运动状态间的边界,并对该边界表达式进行求解。
zni和zn(i+1)状态间的边界条件表达式形式如下(i=1,2,3,...):
(3)构造决策函数
根据边界条件构造决策函数如下:
进一步的,根据行人运动过程中某时刻的周期角速率波峰值Ap、加速度波峰值ωp、步态周期τ,根据上述决策函数,判断该时刻行人所处的运动状态,进而调整下一波峰检测周期的长度及波峰检测阈值。仅当
时,认为角速率、加速度的波峰均有效。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种自适应波峰检测计步方法,其特征在于,
对行人不同运动状态下微惯性测量单元敏感的加速度、角速率进行波峰检测,统计不同运动状态下波峰值的分布情况及不同波峰值下的步态周期,以此作为训练样本集,采用多级支持向量机算法求解不同步态间的最优超平面,并构造决策函数以确定步态;
根据当前检测周期的角速率、加速度波峰值和步态周期判断步态并自适应调整下一检测周期的长度及波峰阈值,若周期角速率、加速度的波峰均有效,则相邻两波峰间计1步,否则不计步。
4.根据权利要求3所述的一种自适应波峰检测计步方法,其特征在于,某种运动状态下步态判别方法如下:
步骤(1)构造训练样本集
将采集到的不同运动状态下的角速率及加速度峰值、步态周期进行分类并标记,构造训练样本集
其中,τn为步态周期,N为训练集样本容量;zn=0,1,23...,表示当前运动状态;
步骤(2)求解边界条件
采用多级支持向量机算法对TA、Tω进行分类,获得某种运动状态下波峰值的变化趋势及范围,zni和zn(i+1)状态间的边界条件表达式形式如下(i=1,2,3,...):
步骤(3)构造决策函数
根据边界条件构造决策函数如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111230470.3A CN114061616A (zh) | 2021-10-22 | 2021-10-22 | 一种自适应波峰检测计步方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111230470.3A CN114061616A (zh) | 2021-10-22 | 2021-10-22 | 一种自适应波峰检测计步方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114061616A true CN114061616A (zh) | 2022-02-18 |
Family
ID=80235158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111230470.3A Pending CN114061616A (zh) | 2021-10-22 | 2021-10-22 | 一种自适应波峰检测计步方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114061616A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114739412A (zh) * | 2022-04-11 | 2022-07-12 | 河海大学 | 一种基于智能手机的行人步态实时检测方法及设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
CN104323780A (zh) * | 2014-10-30 | 2015-02-04 | 上海交通大学 | 基于支持向量机的行人步态分类系统及方法 |
US20150154868A1 (en) * | 2012-07-27 | 2015-06-04 | Tomer Neuner | Intelligent state determination |
CN104729507A (zh) * | 2015-04-13 | 2015-06-24 | 大连理工大学 | 一种基于惯性传感器的步态识别方法 |
CN106529499A (zh) * | 2016-11-24 | 2017-03-22 | 武汉理工大学 | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 |
CN107103219A (zh) * | 2017-04-10 | 2017-08-29 | 南京大学 | 基于步态的可穿戴设备用户识别方法及系统 |
CN108257352A (zh) * | 2017-12-30 | 2018-07-06 | 广州柏颐信息科技有限公司 | 一种基于智能穿戴设备的跌倒检测预警方法 |
CN110163264A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 一种基于机器学习的行走模式识别方法 |
CN113029153A (zh) * | 2021-03-29 | 2021-06-25 | 浙江大学 | 基于智能手机多传感器融合和svm分类的多场景pdr定位方法 |
CN113239803A (zh) * | 2021-05-13 | 2021-08-10 | 西南交通大学 | 一种基于行人运动状态识别的航迹推算定位方法 |
CN113295158A (zh) * | 2021-05-14 | 2021-08-24 | 江苏大学 | 一种融合惯性数据、地图信息以及行人运动状态的室内定位方法 |
WO2021184621A1 (zh) * | 2020-03-19 | 2021-09-23 | 南京因果人工智能研究院有限公司 | 一种基于mdp的多目标车辆跟踪方法 |
-
2021
- 2021-10-22 CN CN202111230470.3A patent/CN114061616A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154868A1 (en) * | 2012-07-27 | 2015-06-04 | Tomer Neuner | Intelligent state determination |
CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
CN104323780A (zh) * | 2014-10-30 | 2015-02-04 | 上海交通大学 | 基于支持向量机的行人步态分类系统及方法 |
CN104729507A (zh) * | 2015-04-13 | 2015-06-24 | 大连理工大学 | 一种基于惯性传感器的步态识别方法 |
CN106529499A (zh) * | 2016-11-24 | 2017-03-22 | 武汉理工大学 | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 |
CN107103219A (zh) * | 2017-04-10 | 2017-08-29 | 南京大学 | 基于步态的可穿戴设备用户识别方法及系统 |
CN108257352A (zh) * | 2017-12-30 | 2018-07-06 | 广州柏颐信息科技有限公司 | 一种基于智能穿戴设备的跌倒检测预警方法 |
CN110163264A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 一种基于机器学习的行走模式识别方法 |
WO2021184621A1 (zh) * | 2020-03-19 | 2021-09-23 | 南京因果人工智能研究院有限公司 | 一种基于mdp的多目标车辆跟踪方法 |
CN113029153A (zh) * | 2021-03-29 | 2021-06-25 | 浙江大学 | 基于智能手机多传感器融合和svm分类的多场景pdr定位方法 |
CN113239803A (zh) * | 2021-05-13 | 2021-08-10 | 西南交通大学 | 一种基于行人运动状态识别的航迹推算定位方法 |
CN113295158A (zh) * | 2021-05-14 | 2021-08-24 | 江苏大学 | 一种融合惯性数据、地图信息以及行人运动状态的室内定位方法 |
Non-Patent Citations (2)
Title |
---|
邢智妍: "基于SVM流形正则化的人体动作识别", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 20 * |
雷明等: "多步态SVM分类且自适应阈值的行人定位方法", 《传感技术学报》, vol. 34, no. 7, pages 911 - 918 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114739412A (zh) * | 2022-04-11 | 2022-07-12 | 河海大学 | 一种基于智能手机的行人步态实时检测方法及设备 |
CN114739412B (zh) * | 2022-04-11 | 2024-05-03 | 河海大学 | 一种基于智能手机的行人步态实时检测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106289309B (zh) | 基于三轴加速度传感器的计步方法及装置 | |
CN104075730B (zh) | 一种步态计步方法及计步器 | |
CN104323780B (zh) | 基于支持向量机的行人步态分类系统及方法 | |
CN107220617A (zh) | 人体姿态识别系统及方法 | |
CN108244744A (zh) | 一种运动状态识别的方法、鞋底及鞋 | |
CN105868779B (zh) | 一种基于特征增强和决策融合的行为识别方法 | |
CN103699795A (zh) | 一种运动行为识别方法、装置及运动强度监测系统 | |
CN107657277B (zh) | 一种基于大数据的人体异常行为检测与判定方法及系统 | |
CN106210269A (zh) | 一种基于智能手机的人体动作识别系统及方法 | |
CN104978561A (zh) | 融合梯度和光流特征的视频动作行为识别方法 | |
CN107463873B (zh) | 一种基于rgbd深度传感器的实时手势分析与评价方法与系统 | |
CN106067001A (zh) | 一种动作识别方法及系统 | |
CN109540133B (zh) | 基于微惯性技术的自适应步态划分方法、系统 | |
CN114061616A (zh) | 一种自适应波峰检测计步方法 | |
CN108814618A (zh) | 一种运动状态的识别方法、装置及终端设备 | |
CN106017502A (zh) | 一种计步方法及电子设备 | |
CN110044375A (zh) | 一种基于加速度计的新型计步方法 | |
Huan et al. | Gait recognition of acceleration sensor for smart phone based on multiple classifier fusion | |
CN110163264B (zh) | 一种基于机器学习的行走模式识别方法 | |
CN106406516A (zh) | 一种智能手机本地实时的运动轨迹特征提取与识别方法 | |
CN104089625A (zh) | 一种具备自学习能力的计步方法 | |
Wang et al. | Robust and accurate step counting based on motion mode recognition for pedestrian indoor positioning using a smartphone | |
CN111603169A (zh) | 基于mems惯性传感器的行人步态识别方法 | |
CN107392106B (zh) | 一种基于双门限的人体活动端点检测方法 | |
CN109350072B (zh) | 一种基于人工神经网络的步频探测方法 |
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 |