CN114444603A - 自适应步态划分方法及装置、存储介质和终端 - Google Patents

Abstract

本发明公开了一种自适应步态划分方法及装置、存储介质和终端，其中方法包括：实时获取待划分传感器数据的采样点数据，并按预设滑窗获取方式获取最新滑窗样本数据段，计算最新滑窗样本数据段的方差，并按获取最新待识别数据段；基于预设趋势强度获取方式获取最新待识别数据段的趋势强度特征，并其作为目标趋势强度特征；计算目标特征强度特征与趋势强度特征库中的趋势强度特征集合组建立关联度，依据关联度信息和特征集合的步态类别对待识别的数据段进行模糊分类，最后基于模糊分类获取待识别数据段的补发标签。本发明提高了对不同行人个体在和在不同行走速度下对步伐识别的准确度，有助于行人室内定位系统满足实际应用中对定位系统鲁棒性的要求。

Description

自适应步态划分方法及装置、存储介质和终端

技术领域

本发明涉及面向室内行人惯导定位技术领域，尤其涉及一种自适应步态划分方法及装置、存储介质和终端。

背景技术

随着微机电技术(MEMS，Micro-Electro-Mechanical Systems)的发展，惯性测量单元(IMU,Inertial Measurement Unit)在小型化、精度和可靠性上取得突破，并且具备便携性和成本经济等优势。其中惯性测量单元由一个三轴加速度计、三轴陀螺仪和三轴磁力计组成，并提供足够的采样率(100Hz～300Hz)来采集佩戴部位的实时运动数据，因此在被广泛应用于行人室内定位应用和研究。

为了从惯性传感器数据中识别出步伐的边界，目前主要是基于传感器信号找到脚部运动信号中脚部与地面保持相对静止的阶段，这一阶段被称为“零速阶段”。目前定位领域对检测行人脚部运动“零速阶段”的方法通过计算方差来体现信号的波动程度，将方差与固定阈值对比来获得检测结果。由于行人个体在性别，身高上的差异表现在传感器数据的波动幅度上，这种方法往往需要针对不同的行人个体对阈值进行微调，这使得步伐识别对个体差异非常敏感。例如会将一些缓慢行走时步伐的动态阶段识别为普通步伐的静态阶段，这导致了伪步伐的错误结果；或者将快速行走的静态阶段识别为普通步伐的动态阶段，这导致了遗漏步伐的错误结果。

综上所述，现有对惯性传感器数据的处理方式存在较大的噪声影响，步伐识别对个体差异非常敏感，行人室内定位精度和可靠性差的问题。

发明内容

本发明所要解决的技术问题是现有对惯性传感器数据的处理方式存在较大的噪声影响，步伐识别对个体差异非常敏感，行人室内定位精度和可靠性差。

为了解决上述技术问题，本发明提供了一种自适应步态划分方法，包括：

实时获取待划分传感器数据的采样点数据，并按预设滑窗获取方式获取最新滑窗样本数据段，计算所述最新滑窗样本数据段的方差，并按预设数据段获取方式获取最新待识别数据段；

基于预设趋势强度获取方式获取所述最新待识别数据段的趋势强度特征，并将所述最新待识别数据段的趋势强度特征作为目标趋势强度特征；

计算所述目标趋势强度特征分别与所述趋势强度特征库中每个趋势强度特征集合组之间的隶属度，并从所有所述隶属度中从大到小选取预设个数的隶属度作为投票隶属度，将每个所述投票隶属度所对应的趋势强度特征集合组作为投票集合组；

基于各趋势强度集合中的步态标签，分别对每个所述投票集合组中的所有趋势强度特征集合进行分类，以获取每个所述投票集合组的静止阶段子集合和非静止阶段子集合，并分别计算每个所述静止阶段子集合的聚类中心和每个所述非静止阶段子集合的聚类中心；

计算所述目标趋势特征分别与每个所述静止阶段子集合聚类中心之间的欧氏距离，以及与每个所述非静止阶段子集合聚类中心之间的欧氏距离，并基于每个所述投票集合组所对应的欧氏距离获取对应所述投票集合组的静止阶段步态概率估计值和非静止阶段步态概率估计值；

以对应的所述投票隶属度为权重，分别对所有所述静止阶段步态概率估计值进行加权并求和，以获取所述最新待识别数据段的静止阶段决策值，并分别对所述非静止阶段步态概率估计值进行加权并求和，以获取所述最新待识别数据段的非静止阶段决策值；

判断所述静止阶段决策值是否大于所述非静止阶段决策值，若是则判定所述最新待识别数据段的步态为静止阶段，否则判定所述最新待识别数据段的步态为非静止阶段。

优选地，所述趋势强度特征库的获取过程为：

获取参考步态数据集，并基于影响参数对所述参考步态数据集中的所有参考步态数据段进行分组，以获取多个参考步态数据组，其中所述参考步态数据集中包括多段所述参考步态数据段以及每段所述参考步态数据段所对应的步态标签；

通过预设滑窗获取方式获取每段所述参考步态数据段的所有参考滑窗样本数据段，计算每段所述参考滑窗样本数据段的方差，并按预设数据段获取方式获取每段所述参考步态数据段的参考数据段；

基于预设趋势强度获取方式获取每段所述参考数据段的趋势强度特征，并将每段所述参考步态数据段所对应的趋势强度特征和其所对应的步态标签集合为趋势强度特征集合，将每组所述参考步态数据组所对应的所有趋势强度特征集合分别集合为趋势强度特征集合组，所有所述趋势强度特征集合组形成趋势强度特征库；

其中，所述影响参数包括性别、身高和行走速度。

优选地，所述预设滑窗获取方式为：

计算目标采样点数据的加速度模值以作为目标加速度模值，并将所述目标加速度模值添加到滑窗队列末端，在所述滑窗队列中以所述目标加速度模值为起点依次向前选取w个加速度模值作为滑窗样本数据段；

其中，当所针对数据为待划分传感器数据时，所述目标采样点数据为所述待划分传感器数据的最新采样点数据，所获取滑窗样本数据段为最新滑窗样本数据段；

当所针对数据为参考步态数据段时，所述参考步态数据段中的采样点数据依次作为目标采样点数据，所获取滑窗样本数据段为参考滑窗样本数据段；

当所针对数据为目标数据段时，所述目标数据段中的采样点数据依次作为目标采样点数据，所获取滑窗样本数据段为滑窗数据段。

优选地，所述预设数据段获取方式为：

将目标方差放置到目标方差队列末端，若所述目标方差小于预设方差阈值，且当前所述目标方差队列中所述目标方差前一位方差大于所述预设方差阈值时，则判断所述目标方差所对应滑窗样本数据段的终点加速度模值所对应的采样点数据为目标数据段起点；

若所述目标方差大于预设方差阈值，且当前所述目标方差队列中所述目标方差前一位方差小于所述预设方差阈值，则判定所述目标方差所对应滑窗样本数据段的终点加速度模值所对应的采样点数据为目标数据段终点；

每当判定出一个所述目标数据段终点，就将当前所针对数据中最新判定的所述目标数据段起点至最新判定的所述目标数据段终点的采样点数据作为目标数据段；

其中，当所针对数据为待划分传感器数据时，所述目标方差为所述最新滑窗样本数据段的方差，所述目标方差队列为最新方差队列，所述目标数据段为最新待识别数据段；

当所针对数据为参考步态数据段时，所述目标方差为所述参考滑窗样本数据段的方差，所述目标方差队列为参考方差队列，所述目标数据段为参考数据段。

优选地，基于预设趋势强度获取方式获取所述目标数据段的趋势强度特征包括：

以多种时间尺度为滑窗宽度，通过预设滑窗获取方式分别对所述目标数据段进行滑动采样，以获取每种时间尺度的滑窗数据段；

分别基于每种时间尺度的所有滑窗数据段，延时间顺序获取每种时间尺度的移动平均值序列；，以使得所有时间尺度的移动平均值序列中相同序位处的移动平均值相对应，且所有时间尺度所对应的移动平均值序列具有相同数据长度

基于信号趋势条件从所述目标数据段中截取所有趋势数据段，并从所有所述趋势数据段中选取数据长度最长的作为最明显趋势数据段，所述趋势数据段中的所有所述采样点数据均需满足：针对单个采样点数据所对应的所有所述移动平均值需满足信号趋势条件，所述采样点数据所对应的所有所述移动平均值包括：该采样点数据作为目标采样点数据时，分别以每种时间尺度的滑窗数据段为依据获取的移动平均值；

计算所述最明显趋势数据段的趋势强度特征，所述趋势强度特征包括所述最明显趋势数据段占所述目标数据段的时间长度比例，所述最明显趋势数据段的信号能量，所述最明显趋势数据段的平均能量值以及所述最明显趋势数据段的斜率；

其中，所述信号趋势条件为：按照时间尺度依次增大或依次减小的顺序，所有所述移动平均值序列依次增大或依次减小；所述目标数据段为所述最新待识别数据段或所述参考数据段。

优选地，基于单种时间尺度的所有滑窗数据段获取该种时间尺度的移动平均值序列为：

其中，acc_mod_mw_k表示时间尺度为w的移动平均值序列中的第k个移动平均值，acc_mod_k表示目标数据段中第k个采样点数据的加速度模值。

优选地，计算所述目标趋势强度特征分别与所述趋势强度特征库中单个趋势强度特征集合组之间的隶属度包括：

其中，dect_fea表示所述目标趋势强度特征，center_q表示当前趋势强度特征集合组的聚类中心，d(dect_fea,center_q)表示所述目标趋势强度特征与当前趋势强度特征集合组的聚类中心之间的欧氏距离，

表示趋势强度特征dect_fea分别与所有趋势强度特征集合组c_q之间的隶属度的总和，center_w表示所述趋势强度特征库中第w组所述趋势强度特征集合组的聚类中心，O为所述趋势强度特征库中所述趋势强度特征集合组的个数，α表示拉格朗日乘子。

为了解决上述技术问题，本发明还提供了一种自适应步态划分装置，包括最新待识别数据段获取模块、目标趋势强度特征获取模块、投票隶属度获取模块、聚类中心获取模块、步态概率估计值获取模块、决策值获取模块和阶段判断模块；

所述最新待识别数据段获取模块，用于实时获取待划分传感器数据的采样点数据，并按预设滑窗获取方式获取最新滑窗样本数据段，计算所述最新滑窗样本数据段的方差，并按预设数据段获取方式获取最新待识别数据段；

所述目标趋势强度特征获取模块，用于基于预设趋势强度获取方式获取所述最新待识别数据段的趋势强度特征，并将所述最新待识别数据段的趋势强度特征作为目标趋势强度特征；

所述投票集合组获取模块，用于计算所述目标趋势强度特征分别与所述趋势强度特征库中每个趋势强度特征集合组之间的隶属度，并从所有所述隶属度中从大到小选取预设个数的隶属度作为投票隶属度，将每个所述投票隶属度所对应的趋势强度特征集合组作为投票集合组；

所述聚类中心获取模块，用于基于各趋势强度集合中的步态标签，分别对每个所述投票集合组中的所有趋势强度特征集合进行分类，以获取每个所述投票集合组的静止阶段子集合和非静止阶段子集合，并分别计算每个所述静止阶段子集合的聚类中心和每个所述非静止阶段子集合的聚类中心；

所述步态概率估计值获取模块，用于计算所述目标趋势特征分别与每个所述静止阶段子集合聚类中心之间的欧氏距离，以及与每个所述非静止阶段子集合聚类中心之间的欧氏距离，并基于每个所述投票集合组所对应的欧氏距离获取对应所述投票集合组的静止阶段步态概率估计值和非静止阶段步态概率估计值；

所述决策值获取模块，用于以对应的所述投票隶属度为权重，分别对所有所述静止阶段步态概率估计值进行加权并求和，以获取所述最新待识别数据段的静止阶段决策值，并分别对所述非静止阶段步态概率估计值进行加权并求和，以获取所述最新待识别数据段的非静止阶段决策值；

所述阶段判断模块，用于判断所述静止阶段决策值是否大于所述非静止阶段决策值，若是则判定所述最新待识别数据段的步态为静止阶段，否则判定所述最新待识别数据段的步态为非静止阶段。

为了解决上述技术问题，本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现自适应步态划分方法。

为了解决上述技术问题，本发明还提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行自适应步态划分方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

应用本发明实施例提供的自适应步态划分方法，以大量包含广泛影响参数数据范围的参考步态数据集为基础，获取带有步态标签的趋势强度特征库，而后基于趋势强度特征对待划分传感器数据进行分类，即获取待划分传感器数据与趋势强度特征库中不同特征组的关联程度，最后以关联度多为权重参数对模糊分类的结果进行集中决策，从而达使步伐分割算法能够满足实际应用场景中跨个体和广速域的要求。本发明提高了对不同行人个体在和在不同行走速度下对步伐识别的准确度，有助于行人室内定位系统满足实际应用中对定位系统鲁棒性的要求。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1示出了本发明实施例一自适应步态划分方法的流程示意图；

图2示出了本发明实施例一中某静止阶段的加速度数据示意图；

图3示出了本发明实施例一中某静止阶段加速度数据的移动均值示意图；

图4示出了本发明实施例一中某非静止阶段的加速度数据示意图；

图5示出了本发明实施例一中某非静止阶段加速度数据的移动均值示意图；

图6示出了本发明实施例二自适应步态划分装置的结构示意图；

图7示出了本发明实施例四终端的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

小型的惯性测量单元受到信号噪声的影响，导致行人在距离和方向计算上，往往因为累积误差而无法长期应用。行人由于个体差异(性别，身高，年龄等)，在室内行走的模式具有多样性和不确定性，基于惯性测量单元的系统在不同行人个体和不同的行走速度下，稳定性较差，往往需要针对每一个使用个体设计参数。这使得系统的稳定性和泛用性受到限制，因此降低传感器采集数据中的噪声影响，提升定位系统跨行人个体应用的稳定性，成为提高行人室内定位精度和可靠性的关键技术方向。

惯性测量单元通常佩戴于人体头部，腰部，腿部，背包，口袋以及脚部等部位，其中脚部相对于其他佩戴方式而言，能够获得于行走最直接最相关的运动信息，因此是行人室内定位主要的数据类型之一。

行人的脚部运动数据包含行走的动态模式和静态模式，但上述两种运动模式也体现了行人个体的差异和个体行走模式的影响。在对脚部的运动数据进行处理时，尽管能够发现信号具有明显的周期性，但也需要尽可能降低脚部数据中噪声的影响，并尽可能保持应用对于跨个体的适应性。

在实际应用场景中，行人脚部运动在不同个体和不同的行走速度下使得以上方法无法保证对步伐识别的准确性。例如由于个体差异，上述方法往往会存在识别出伪步伐和遗漏步伐等问题。其原因是来源于行人行走时，传感器采集到的脚部运动信号的幅值在不同个体和不同行走速度的场景中差异非常大。由于阈值的限制，上述方法往往会将一些缓慢行走时步伐的动态阶段识别为普通步伐的静态阶段，这导致了伪步伐的错误结果；或者将快速行走的静态阶段识别为普通步伐的动态阶段，这导致了遗漏步伐的错误结果。

实施例一

为解决现有技术中存在的技术问题，本发明实施例提供了一种适应步态划分方法。

图1示出了本发明实施例一自适应步态划分方法的流程示意图；参考图1所示，本发明实施例自适应步态划分方法包括如下步骤。

步骤S101，实时获取待划分传感器数据的采样点数据，并按预设滑窗获取方式获取最新滑窗样本数据段，计算所述最新滑窗样本数据段的方差，并按预设数据段获取方式获取最新待识别数据段。

具体地，本实施例可采用实时获取采样点数据的方式实时获取待划分传感器数据的采样点数据，并基于实时获取的采样点数据来对待划分传感器数据进行步态划分，并实时确定划分后步态的步态标签。同时本发明实施例也可对已获取完成的待划分传感器数据进行自适应步态划分，此时可按时间顺序逐次提供已完全获取的待划分传感器数据中的采样点数据，以作为实时获取的待划分传感器数据的采样点数据。进一步地，待划分传感器数据包含加速度数据，即实时获取的采样点数据即为采样点加速度数据，且加速度数据通过三个垂直的轴方向数据来表示。三个轴方向分别为上下方向贯穿人体的长轴方向(即垂直轴，与水平面垂直，用Z轴表示)、前后方向贯穿人体的水平轴方向(即水平轴，与冠状面垂直，用X轴表示)以及左右方向贯穿人体的水平轴方向(即冠状轴，与矢状面垂直，用Y轴表示)。且本发明实施例中的待划分传感器数据为记录脚步运动的传感器数据，下边参考步态数据集中的传感器数据的数据形式与待划分传感器数据中的数据形式相同。

待划分传感器数据可用如下形式表示：

其中，acc表示加速度数据，t表示时间，x,y,z分别表示加速度数据的三个轴方向，此时j表示待划分传感器数据中的第j个采样点，N表示待划分传感器数据的数据长度。

在获取到待划分传感器数据的采样点数据后，需以最新获取的采样点数据为基础按预设滑窗获取方式获取最新滑窗样本数据段，并计算最新滑窗样本数据段的方差，再基于最新滑窗样本数据段的方差按预设数据段获取方式获取最新待识别数据段。其中采用预设滑窗获取方式对待划分传感器数据进行处理可去除待划分传感器数据中的高频噪声。

具体地，最新滑窗样本数据段方差的计算方式为：

其中，S表示最新滑窗样本数据段的方差，

表示最新滑窗样本数据段中第j个采样点数据的加速度模值，

表示最新滑窗样本数据段所有采样点数据加速度模值的平均值，N表示最新滑窗样本数据段中采样点数据的个数，此时j表示最新滑窗样本数据段中的第j个采样点，N表示最新滑窗样本数据段的数据长度。

进一步地，以最新获取的采样点数据为基础按预设滑窗获取方式获取最新滑窗样本数据段的过程具体包括：将待划分传感器数据的最新采样点数据作为目标采样点数据，计算目标采样点数据的加速度模值以作为目标加速度模值，并将目标加速度模值添加到滑窗队列末端，在滑窗队列中以目标加速度模值为起点依次向前选取w个加速度模值作为滑窗样本数据段，滑窗样本数据段即为最新滑窗样本数据段。其中w代表的时间尺度即为滑窗宽度，滑窗宽度范围需满足在最短步伐时间的1/4至1/2之间，且本发明实施例中滑窗的滑动步伐设置为1个采样点数据。例如通常行人步行时单脚迈出一步的时间为250毫秒至2000毫秒，当传感器采样频率为100Hz时(即每个样本之间的间隔10毫秒)，因此w的取值范围可为[7,13]。

其中某个采样点数据的加速度模值的计算方式为：

其中，

表示第j个采样点数据的加速度模值，acc_xj、acc_yj和acc_zj分别表示第j个采样点数据三个方向上的加速度数据。

需要说明的是，由于每个加速度模值均对应一个采样点数据，而最新滑窗样本数据段获取均是以某个加速度模值为起点进行的，因此我们将加速度模值作为起点的最新滑窗样本数据段作为与该加速度模值对应的最新滑窗样本数据段，进一步即一个采样点数据即对应一个最新滑窗样本数据段，其它通过预设滑窗获取方式获取的滑窗样本数据段也看作相同的设定。

进一步地，基于最新滑窗样本数据段的方差按预设数据段获取方式获取最新待识别数据段的过程具体包括：将最新滑窗样本数据段的方差作为目标方差，在获取目标方差后，将目标方差放置到目标方差队列末端，而后将目标方差与预设方差阈值进行对比，若目标方差小于预设方差阈值，且当前目标方差队列中目标方差前一位方差大于预设方差阈值时，即方差相对于预设方差阈值进行了负穿越，此时判定目标方差所对应的最新滑窗样本数据段的终点加速度模值所对应的采样点数据为目标数据段起点；若目标方差大于预设方差阈值，且当前目标方差队列中目标方差前一位方差小于预设方差阈值，即方差相对于预设方差阈值进行了正穿越，此时判定则判定目标方差所对应的最新滑窗样本数据段的终点加速度模值所对应的采样点数据为目标数据段终点；本步骤中的目标数据段起点和目标数据段终点均为待划分传感器数据中的采样点数据，且每当判定出一个目标数据段终点后，就将待划分传感器数据中最新判定的目标数据段起点至最新判定的目标数据段终点的采样点数据作为目标数据段。为了便于区分，我们认定该处预设数据段获取方式中的目标方差队列为最新方差队列，所获取的目标数据段为最新待识别数据段。

步骤S102，基于预设趋势强度获取方式获取最新待识别数据段的趋势强度特征，并将最新待识别数据段的趋势强度特征作为目标趋势强度特征。

具体地，设置多种时间尺度以作为滑窗宽度，滑窗宽度范围需满足最大不能超过最短步伐时间的1/4，且本发明实施例中滑窗的滑动步伐设置为1个采样点数据，同时为了体现出信号趋势强度在不同尺度滑窗的差别，本步骤中设置的多种滑窗宽度之间需满足从小到大呈现2倍的关系。例如滑窗宽度限定行人步行时单脚迈出一步的时间为250毫秒至2000毫秒，本方案中使用的传感器采样频率为100Hz，即每个样本之间的间隔10毫秒，因此采用的滑窗宽度最大不超过13，再基于对多种滑窗宽度之间设置的限制关系，因此本实施例所选取的多种时间尺度可分别为3、6和12。

而后分别以上述的每种时间尺度为滑窗宽度，通过预设滑窗获取方式对目标数据段进行滑动采样，以获取每种时间尺度的所有滑窗数据段，即每种时间尺度均具有对应的滑窗数据段群。需要说明的是，该步骤针对每种时间尺度采用预设滑窗获取方式获取滑窗数据段时，是将目标数据段中的采样点数据依次作为目标采样点数据，预设滑窗获取方式中获取的滑窗样本数据段即为滑窗数据段；进一步该处以目标数据段中的采样点数据作为目标采样点数据，按预设滑窗获取方式获取滑窗样本数据段的过程与上述以最新获取的采样点数据为基础按预设滑窗获取方式获取最新滑窗样本数据段的过程几乎相同，其区别仅在于目标数据段中的采样点数据作为目标采样点数据，相对应所获取的滑窗样本数据段为滑窗数据段。

在获取每种时间尺度所对应的所有滑窗数据段后，再基于每种时间尺度的所有滑窗数据段获取每种时间尺度的移动平均值序列，移动平均值序列中的所有移动平均值可按时间顺序排列。

进一步，基于单种时间尺度的所有滑窗数据段获取该种时间尺度的移动平均值序列可通过下述公式实现：

其中，acc_mod_mw_k表示时间尺度为w的移动平均值序列中的第k个移动平均值，acc_mod_k表示目标数据段中第k个采样点数据的加速度模值，

即代表该种时间尺度的第k个滑窗数据段中所有加速度模值的平均值。通过上述公式可知，所有时间尺度作的移动平均值序列均具有相同的数据长度，且所有时间尺度的移动平均值序列中相同序位处的移动平均值是相对应的。

获得每种时间尺度的移动平均值序列后，即可利用每种时间尺度的移动平均值序列从目标数据段中获取最明显趋势数据段。具体获取最明显趋势数据段的过程包括：基于信号趋势条件从目标数据段中截取所有趋势数据段，并从所有趋势数据段中选取数据长度最长的作为最明显趋势数据段。进一步趋势数据段的获取过程为：使得趋势数据段中的所有采样点数据均需满足固定条件，该固定条件为针对单个采样点数据所对应的所有所述移动平均值需满足信号趋势条件。由于趋势数据段是从目标数据段中截取的数据段，因此可保证趋势数据段中的采样点数据在目标数据段中连续。进一步采样点数据所对应的所有移动平均值包括：该采样点数据作为目标采样点数据时，分别以每种时间尺度的滑窗数据段为依据获取的移动平均值。而信号趋势条件为：按照时间尺度依次增大或依次减小的顺序，所有移动平均值序列依次增大或依次减小。

即若多种时间尺度分别为3、6和12时，趋势数据段中的采样点数据均需满足：

(acc_mod_m3_k>acc_mod_m6_k>acc_mod_m12_k),k＝1,2,……N (5)

或趋势数据段中的采样点数据均需满足：

(acc_mod_m3_k<acc_mod_m6_k<acc_mod_m12_k),k＝1,2,……N (6)

在对现脚步传感器数据进行分析时，我们发现行人在正常行走时脚部数据呈现周期性，且静态阶段和非静止阶段的加速度数据在幅值大小和分布上均存在明显不同。图2示出了本发明实施例一中某静止阶段的加速度数据示意图；图3示出了本发明实施例一中某静止阶段中的加速度数据的移动均值示意图；参考图2和图3所示，静态阶段的加速度垂直轴数据呈现0轴附近的随机波动。同时为了体现出波动的随机性，图3中使用了滑窗分别为3，6，12大小的均值滤波，可以看出滤波后的3种信号曲线，基本无法体现出加速度的趋势。图4示出了本发明实施例一中某非静止阶段的加速度数据示意图；图5示出了本发明实施例一中某非静止阶段加速度数据的移动均值示意图；参考图4和图5所示，非静止阶段中的加速度数据先后出现了不同均值信号曲线之间的有序穿越情况，这反映了信号出现了趋势明显的增大或者减小。对比静止阶段和非静止阶段的趋势信号线，我们可以看出他们的数值在静态和非静止之间呈现明显的量级差异。

结合对上述内容的分析我们提出了如下基于信号的趋势强度特征；趋势强度特征包括(1)该信号段占整个步伐信号段的时间长度比例；(2)该信号段的信号能量；(3)该信号段的平均能量值；(4)该信号段的斜率。上述趋势强度特征针对脚部传感器数据的非静止阶段覆盖了加速度体现出的信号趋势的强度、能量平均值、信号线的形态(斜率)以及相对于整个步伐信号在时间上的比例，基本对信号趋势的时空特性进行了描述和记录。时间长度和能量相对于整个步伐的比值，可以避免个体差异对信号幅值的影响，因此这一组特征比传统的统计特征(峰值，方差等)具有对个体差异更好的适应性。

获取最明显趋势数据段后，即可计算最明显趋势数据段的趋势强度特征。最明显趋势数据段的趋势强度特征包括：

(1)最明显趋势数据段占目标数据段的时间长度比例，具体计算公式如下：

其中，trend_per表示最明显趋势数据段占目标数据段的时间长度比例，tre_seg表示最明显趋势数据段，obj_seg表示目标数据段，length(tre_seg)表示最明显趋势数据段中采样点数据个数，length(obj_seg)表示目标数据段中采样点数据个数。

(2)最明显趋势数据段的信号能量，具体计算公式如下：

其中，trend_power表示最明显趋势数据段的信号能量，tre_seg_p表示最明显趋势数据段中第p个采样点数据，q＝length(tre_seg)表示最明显趋势数据段中采样点数据个数。

(3)最明显趋势数据段的平均能量值，具体计算公式如下：

其中，trend_power_mean表示最明显趋势数据段的平均能量值，trend_power表示最明显趋势数据段的信号能量，length(tre_seg)表示最明显趋势数据段中采样点数据个数。

(4)最明显趋势数据段的斜率，具体计算公式如下：

其中，trend_ang表示最明显趋势数据段的斜率，max(tre_seg)表示最明显趋势数据段中的最大值，min(tre_seg)表示最明显趋势数据段中的最小值，length(tre_seg)表示最明显趋势数据段中采样点数据个数。

在获取最新待识别数据段的趋势强度特征后，并将最新待识别数据段的趋势强度特征作为目标趋势强度特征。

步骤S103，计算目标趋势强度特征分别与趋势强度特征库中每个趋势强度特征集合组之间的隶属度，并从所有隶属度中从大到小选取预设个数的隶属度作为投票隶属度，将每个投票隶属度所对应的趋势强度特征集合组作为投票集合组。

具体地，在对待划分传感器数据进行自适应步态划分之前，是需先获取趋势强度特征库的。具体趋势强度特征库的获取过程如下：

根据实际采集的数据获取参考步态数据集，并基于影响参数对参考步态数据集中的所有参考步态数据段进行分组，以获取多个参考步态数据组。其中参考步态数据集中包括多段参考步态数据段以及每段参考步态数据段所对应的步态标签。需要说明的是，行人个体之间的行走习惯具有明显的差异，影响不同个体的行走时，脚部运动模式的影响因素主要包括行人的性别、身高和行走速度，因此本发明将性别、身高和行走速度设置为影响参数。将数据按照性别、身高和行走速度进行分组后，得到的是针对某种性别某个身高范围内的行人在使用某种速度级别行走的步伐和步态数据。且需要说明的是，本发明要求影响参数的范围尽可能的广，以尽可能的涵盖各种身高各种行走速度的参考步态数据段。

例如本发明实施例中，可对参考步态数据集提供的步伐生理特征(性别，身高)和步伐所属的行走速度种类(快速，慢速，中速)逐层进行分组。具体包括：首先将参考步态数据集中的所有参考步态数据段按照性别划分为两个大类，然后对每个性别的参考步态数据段按照步态具有的身高信息划分为多个身高段，例如可划分为6个身高段：{140cm,160cm},{160cm,165cm},{165cm,170cm},{170cm,175cm},{175cm,180cm},{180cm,200cm}，这6个身高段覆盖了140cm～200cm的身高范围。

通常地，普通的健康男性和健康女性对比，男性的下肢力量明显更强，因此传感器采集到的男性行走时脚部运动的加速度信号幅度比女性行走时的传感器信号幅度更大；对不同身高的行人个体，步幅通常会和身高之间呈现正相关的关系，脚部在空中的摆动阶段比身高较矮的个体持续时间更长；在日常生活中，行人的行走速度往往会因为所处的场景而又明显的区别，当行人在一边走路一边思考时，是采用一种缓慢地行走速度，而且比正常行走地速度更慢；若行人是着急去某个目的地，例如是赶一班即将到来的末班公交车，通常会使用非常急促的行走速度。通常地，行人个体都会根据自身所处地场景使用快速，正常和慢速这三种行走速度档位。即对每个性别下每个身高段的数据集子集，按照步伐数据的速度种类，划分为{慢速}，{中速}，{快速}。其中慢速行走常见于行人在行走的同时在认真思考问题，因而步伐周期较长，脚部运动较为缓和；快速行走常见于行人为了赶上即将到来的末班公交车的状态，步伐周期很短，脚部运动剧烈；中速行走则是介于前两者之间行走状态。需要说明的是，上述速度区分方式仅为参考，该三种速度没有具体的数值区间，具体是在构建数据集时可根据不同行人在生活中使用的三种行走速度进行区分的，由于面向不同的使用场景可能会具有明显的差异。基于上述分组方式，上述参考步态数据集可根据2种性别，6个身高组以及3档行走速度被划分为36个步态数据组。

需要说明的是，参考步态数据集基于影响参数进行分组的过程不限于上述形式，还可以设置为其它合理情况。

在对参考步态数据集分组完成后，需通过预设滑窗获取方式获取每段参考步态数据段的所有参考滑窗样本数据段，并计算每段参考滑窗样本数据段的方差，最后按预设数据段获取方式获取每段参考步态数据段的参考数据段。

其中通过预设滑窗获取方式获取单段参考步态数据段的所有参考滑窗样本数据段的过程，与步骤S101中按预设滑窗获取方式获取最新滑窗样本数据段的过程几乎相同，其区别仅在于其所针对数据为参考步态数据段，且需将参考步态数据段中的采样点数据依次作为目标采样点数据来获取滑窗样本数据段，所获取滑窗样本数据段也为参考滑窗样本数据段。

同时按预设数据段获取方式获取单段参考步态数据段的参考数据段的过程，也与步骤S101中按预设数据段获取方式获取最新待识别数据段的过程几乎相同，其区别仅在于所针对数据为参考步态数据段，且其中的目标方差应为参考滑窗样本数据段的方差，目标方差队列应为参考方差队列，所获取的目标数据段也为参考数据段。

最后，在获取每段参考步态数据段的参考数据段后，再基于预设趋势强度获取方式获取每段参考数据段的趋势强度特征。其中基于预设趋势强度获取方式获取每段参考数据段的趋势强度特征的过程，与步骤S102中基于预设趋势强度获取方式获取最新待识别数据段的趋势强度特征的过程几乎相同，其区别在于每段参考步态数据段的参考数据段分为作为目标数据段。

在获取每段参考数据段的趋势强度特征后，由于参考数据段是参考步态数据段的一部分，而每段参考步态数据段均具有所对应的步态标签，我们将参考步态数据段所对应的步态标签作为所有从该段参考步态数据段中获取的参考数据段的步态标签。需要说明的是，通常情况下单段参考步态数据段中会获取单段参考数据段，但某些情况下单段参考步态数据段中会获取多段参考数据段，此时我们将获取的多段参考数据段均作为该段参考步态数据段的参考数据段。

而后我们将每段参考步态数据段所对应的趋势强度特征和其所对应的步态标签集合为趋势强度特征集合。需要说明的是，若某段参考步态数据段对应多段参考数据段时，需分别将每段参考数据段的趋势强度特征和该参考步态数据段所对应的步态标签分别集合为趋势强度特征集合。

在获取所有参考步态数据段所对应的趋势强度特征和其所对应的步态标签集合为趋势强度特征集合后，再将每组参考步态数据组所对应的所有趋势强度特征集合分别集合为趋势强度特征集合组，所有趋势强度特征集合组即形成趋势强度特征库。

趋势强度特征集合可表示为：

c_q＝{mem_t},q＝1,2,…,O,t＝1,2,…,T (11)，其中

mem_t＝{trend_per_t,trend_power_t,trend_pow_mean_t,trend_ang_t,stride_phase_t} (12)

其中，O表示基于影响参数对参考步态数据集中的所有参考步态数据段进行分组得到的总组数，t表示第q参考步态数据组中第t个参考步态数据段，mem_t表示第q参考步态数据组中第t个参考步态数据段的趋势强度特征，trend_per_t,trend_power_t,trend_pow_mean_t,trend_ang_t分别表示第q参考步态数据组中第t个参考步态数据段各个对应的趋势强度特征，stride_phase表示第q参考步态数据组中第t个参考步态数据段的步态标签，T表示第q参考步态数据组中包含参考步态数据段的总段数，需要说明的是，不同参考步态数据组中参考步态数据段的总段数可能不同。

获取趋势强度特征库后，即可完成目标趋势强度特征与趋势强度特征库中每个趋势强度特征集合组之间的关联度计算。即计算目标趋势强度特征分别与趋势强度特征库中每个趋势强度特征集合组之间的隶属度。

进一步地，模糊聚类数据关联算法即是通过使目标函数最小化，把待识别数据段分别划分到每个步态数据组中从而实现关联。

首先建立模糊聚类关联的代价函数为：

其中，dect_fea为目标趋势强度特征，d(dect_fea,center_q)表示dect_fea与聚类中心center_q之间的欧氏距离，u_q表示目标趋势强度特征与第q个趋势强度特征集合组的隶属度，聚类中心center_q是将dect_fea临时归类为c_q集合中后重新计算的聚类中心，聚类中心算法如下：

其中，center_q表示第q参考步态数据组的聚类中心，O表示基于影响参数对参考步态数据集中的所有参考步态数据段进行分组得到的总组数，t表示第q参考步态数据组中第t个参考步态数据段，T表示第q参考步态数据组中包含参考步态数据段的总段数，dect_fea为目标趋势强度特征，trend_per_t,trend_power_t,trend_pow_mean_t,trend_ang_t分别表示第q参考步态数据组中第t个参考步态数据段各个对应的趋势强度特征。

并且u_q应服从以下约束条件：

其次，为了最小无偏地描述目标趋势强度特征dect_fea和各个趋势强度特征集合组的隶属度，本方案使用最大香农熵原理，表达式为：

进一步，在式(14)和式(15)地约束下，最大化式(16)，应用拉格朗日乘子法，定义目标函数为：

其中的α和λ为拉格朗日乘子，最大化式(17)，可得到趋势强度特征dect_fea和趋势强度特征集合组c_q之间的隶属度为：

其中，u_q表示趋势强度特征dect_fea和趋势强度特征集合组c_q之间的隶属度，该式中

实际要表示趋势强度特征dect_fea分别与所有趋势强度特征集合组c_q之间的隶属度的总和，为了便于区分我们在该式子中用W取代q表示各个趋势强度特征集合组，同理W的最大值为O。

通过上述公式即可实现目标趋势强度特征分别与趋势强度特征库中每个趋势强度特征集合组之间隶属度的计算。

计算出目标趋势强度特征分别与趋势强度特征库中每个趋势强度特征集合组之间的隶属度后，我们从所获取的所有隶属度中从大到小选取预设个数的隶属度作为投票隶属度，并将每个投票隶属度所对应的趋势强度特征集合组作为投票集合组。优选地，预设个数可为基于影响参数对参考步态数据集中的所有参考步态数据段进行分组得到的总组数的30％。

步骤S104，基于各趋势强度集合中的步态标签，分别对每个投票集合组中的所有趋势强度特征集合进行分类，以获取每个投票集合组的静止阶段子集合和非静止阶段子集合，并分别计算每个静止阶段子集合的聚类中心和每个非静止阶段子集合的聚类中心。

具体地，基于投票集合组中各个趋势强度集合中的步态标签，分别对每个投票集合组进行分类，以将每个投票集合组分为静止阶段子集合和非静止阶段子集合。而后计算每个静止阶段子集合的聚类中心，以及每个非静止阶段子集合的聚类中心。此处聚类中心的计算方式与公式(12)相类似，仅需将考步态数据组改为静止阶段子集合或非静止阶段子集合即可。在此不再对其进行详细赘述。

步骤S105，计算目标趋势特征分别与每个静止阶段子集合聚类中心之间的欧氏距离，以及与每个非静止阶段子集合聚类中心之间的欧氏距离，并基于每个投票集合组所对应的欧氏距离获取对应投票集合组的静止阶段步态概率估计值和非静止阶段步态概率估计值。

具体地，分别计算目标趋势特征分别与每个静止阶段子集合聚类中心之间的欧氏距离，以及目标趋势特征分别与每个非静止阶段子集合聚类中心之间的欧氏距离。由此每个投票集合组分别对应两个欧氏距离，其中目标趋势特征与投票集合组中静止阶段子集合聚类中心之间的欧氏距离用d(dect_fea,sta_center)表示，目标趋势特征与投票集合组中非静止阶段子集合聚类中心之间的欧氏距离用d(dect_fea,non_sta_center)表示。

而后基于每个投票集合组所对应的欧氏距离获取对应投票集合组的静止阶段步态概率估计值和非静止阶段步态概率估计值。

其中，投票集合组的静止阶段步态概率估计值计算方式为：

投票集合组的非静止阶段步态概率估计值计算方式为：

步骤S106，以对应的投票隶属度为权重，分别对所有静止阶段步态概率估计值进行加权并求和，以获取最新待识别数据段的静止阶段决策值，并分别对非静止阶段步态概率估计值进行加权并求和，以获取最新待识别数据段的非静止阶段决策值。

具体地，分别以每个投票集合组所对应的投票隶属度为权重，分别对所有静止阶段步态概率估计值进行加权，并对加权后的所有静止阶段步态概率估计值进行求和，以得到最新待识别数据段的静止阶段决策值。同理以每个投票集合组所对应的投票隶属度为权重，分别对所有非静止阶段步态概率估计值进行加权，并对加权后的所有非静止阶段步态概率估计值进行求和，以得到最新待识别数据段的非静止阶段决策值。

其中，最新待识别数据段的静止阶段决策值的计算公式如下：

其中，p_dec_sta表示最新待识别数据段的静止阶段决策值，p_sta_v表示第v投票集合组的静止阶段步态概率估计值，u_v表示第v投票集合组所对应的投票隶属度，A表示预设个数。

最新待识别数据段的非静止阶段决策值的计算公式如下：

其中，p_dec_sta表示最新待识别数据段的非静止阶段决策值，p_nonsta_v表示第v投票集合组的非静止阶段步态概率估计值，u_v表示第v投票集合组所对应的投票隶属度，A表示预设个数。

步骤S107，判断静止阶段决策值是否大于非静止阶段决策值，若是则判定最新待识别数据段的步态为静止阶段，否则判定最新待识别数据段的步态为非静止阶段。

具体地，当静止阶段决策值大于非静止阶段决策值时，判定最新待识别数据段的步态为静止阶段，且最新待识别数据段的右边界看作当前步伐的最后一个样本点，最新待识别数据段的左边界看作上一个步伐的右边界。当静止阶段决策值小于或等于非静止阶段决策值时，则判定最新待识别数据段的步态为非静止阶段，且其中不包含步伐的边界点。

重复上述步骤S101-S107即可划分出待划分传感器数据的所有步态。

本发明实施例提供的自适应步态划分方法，主要是对传感器数据检测到的波动程度低于一定阈值的数据段提取趋势强度特征，并基于对已有特征库中的特征集合建立关联度，依据关联度信息和特征集合的步态类别对待识别数据段进行模糊分类，并根据和特征集合的关联度对模糊分类结果加权求和来获得对待识别数据段的判断结果。最后对确定为静止阶段的待识别数据段的最后一个采样点数据作为这一段步伐信号的边界，该方法能够在跨行人个体广速域的复杂情形中保持良好的步伐识别准确率和稳定性。

实施例二

为解决现有技术中存在的技术问题，本发明实施例提供了一种步态自适应识别装置。

图6示出了本发明实施例二自适应步态划分装置的结构示意图；参考图6所示，本发明实施例自适应步态划分装置包括最新待识别数据段获取模块、目标趋势强度特征获取模块、投票隶属度获取模块、聚类中心获取模块、步态概率估计值获取模块、决策值获取模块和阶段判断模块。

最新待识别数据段获取模块用于实时获取待划分传感器数据的采样点数据，并按预设滑窗获取方式获取最新滑窗样本数据段，计算最新滑窗样本数据段的方差，并按预设数据段获取方式获取最新待识别数据段；

目标趋势强度特征获取模块用于基于预设趋势强度获取方式获取最新待识别数据段的趋势强度特征，并将最新待识别数据段的趋势强度特征作为目标趋势强度特征；

投票集合组获取模块用于计算目标趋势强度特征分别与趋势强度特征库中每个趋势强度特征集合组之间的隶属度，并从所有隶属度中从大到小选取预设个数的隶属度作为投票隶属度，将每个投票隶属度所对应的趋势强度特征集合组作为投票集合组；

聚类中心获取模块用于基于各趋势强度集合中的步态标签，分别对每个投票集合组中的所有趋势强度特征集合进行分类，以获取每个投票集合组的静止阶段子集合和非静止阶段子集合，并分别计算每个静止阶段子集合的聚类中心和每个非静止阶段子集合的聚类中心；

步态概率估计值获取模块用于计算目标趋势特征分别与每个静止阶段子集合聚类中心之间的欧氏距离，以及与每个非静止阶段子集合聚类中心之间的欧氏距离，并基于每个投票集合组所对应的欧氏距离获取对应投票集合组的静止阶段步态概率估计值和非静止阶段步态概率估计值；

决策值获取模块用于以对应的投票隶属度为权重，分别对所有静止阶段步态概率估计值进行加权并求和，以获取最新待识别数据段的静止阶段决策值，并分别对非静止阶段步态概率估计值进行加权并求和，以获取最新待识别数据段的非静止阶段决策值；

阶段判断模块用于判断静止阶段决策值是否大于非静止阶段决策值，若是则判定最新待识别数据段的步态为静止阶段，否则判定最新待识别数据段的步态为非静止阶段。

本发明实施例提供的自适应步态划分装置，以大量包含广泛影响参数数据范围的参考步态数据集为基础，获取带有步态标签的趋势强度特征库，而后基于趋势强度特征对待划分传感器数据进行分类，即获取待划分传感器数据与趋势强度特征库中不同特征组的关联程度，最后以关联度多为权重参数对模糊分类的结果进行集中决策，从而达使步伐分割算法能够满足实际应用场景中跨个体和广速域的要求。本发明提高了对不同行人个体在和在不同行走速度下对步伐识别的准确度，有助于行人室内定位系统满足实际应用中对定位系统鲁棒性的要求。

实施例三

为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现实施例一中自适应步态划分方法中的所有步骤。

自适应步态划分方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同，在此不在对其进行赘述。

需要说明的是：存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

实施例四

为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种终端。

图7示出了本发明实施例四终端的结构示意图，参照图7，本实施例终端包括相互连接的处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行时可实现实施例一自适应步态划分方法中的所有步骤。

自适应步态划分方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同，在此不在对其进行赘述。

需要说明的是，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种自适应步态划分方法，包括：

实时获取待划分传感器数据的采样点数据，并按预设滑窗获取方式获取最新滑窗样本数据段，计算所述最新滑窗样本数据段的方差，并按预设数据段获取方式获取最新待识别数据段；

基于预设趋势强度获取方式获取所述最新待识别数据段的趋势强度特征，并将所述最新待识别数据段的趋势强度特征作为目标趋势强度特征；

计算所述目标趋势强度特征分别与所述趋势强度特征库中每个趋势强度特征集合组之间的隶属度，并从所有所述隶属度中从大到小选取预设个数的隶属度作为投票隶属度，将每个所述投票隶属度所对应的趋势强度特征集合组作为投票集合组；

基于各趋势强度集合中的步态标签，分别对每个所述投票集合组中的所有趋势强度特征集合进行分类，以获取每个所述投票集合组的静止阶段子集合和非静止阶段子集合，并分别计算每个所述静止阶段子集合的聚类中心和每个所述非静止阶段子集合的聚类中心；

计算所述目标趋势特征分别与每个所述静止阶段子集合聚类中心之间的欧氏距离，以及与每个所述非静止阶段子集合聚类中心之间的欧氏距离，并基于每个所述投票集合组所对应的欧氏距离获取对应所述投票集合组的静止阶段步态概率估计值和非静止阶段步态概率估计值；

以对应的所述投票隶属度为权重，分别对所有所述静止阶段步态概率估计值进行加权并求和，以获取所述最新待识别数据段的静止阶段决策值，并分别对所述非静止阶段步态概率估计值进行加权并求和，以获取所述最新待识别数据段的非静止阶段决策值；

判断所述静止阶段决策值是否大于所述非静止阶段决策值，若是则判定所述最新待识别数据段的步态为静止阶段，否则判定所述最新待识别数据段的步态为非静止阶段。

2.根据权利要求1所述的方法，其特征在于，所述趋势强度特征库的获取过程为：

获取参考步态数据集，并基于影响参数对所述参考步态数据集中的所有参考步态数据段进行分组，以获取多个参考步态数据组，其中所述参考步态数据集中包括多段所述参考步态数据段以及每段所述参考步态数据段所对应的步态标签；

通过预设滑窗获取方式获取每段所述参考步态数据段的所有参考滑窗样本数据段，计算每段所述参考滑窗样本数据段的方差，并按预设数据段获取方式获取每段所述参考步态数据段的参考数据段；

基于预设趋势强度获取方式获取每段所述参考数据段的趋势强度特征，并将每段所述参考步态数据段所对应的趋势强度特征和其所对应的步态标签集合为趋势强度特征集合，将每个所述参考步态数据组所对应的所有趋势强度特征集合分别集合为趋势强度特征集合组，所有所述趋势强度特征集合组形成趋势强度特征库；

其中，所述影响参数包括性别、身高和行走速度。

3.根据权利要求1或2所述的方法，其特征在于，所述预设滑窗获取方式为：

计算目标采样点数据的加速度模值以作为目标加速度模值，并将所述目标加速度模值添加到滑窗队列末端，在所述滑窗队列中以所述目标加速度模值为起点依次向前选取w个加速度模值作为滑窗样本数据段；

其中，当所针对数据为待划分传感器数据时，所述目标采样点数据为所述待划分传感器数据的最新采样点数据，所获取滑窗样本数据段为最新滑窗样本数据段；

当所针对数据为参考步态数据段时，所述参考步态数据段中的采样点数据依次作为目标采样点数据，所获取滑窗样本数据段为参考滑窗样本数据段；

当所针对数据为目标数据段时，所述目标数据段中的采样点数据依次作为目标采样点数据，所获取滑窗样本数据段为滑窗数据段。

4.根据权利要求3所述的方法，其特征在于，所述预设数据段获取方式为：

将目标方差放置到目标方差队列末端，若所述目标方差小于预设方差阈值，且当前所述目标方差队列中所述目标方差前一位方差大于所述预设方差阈值时，则判断所述目标方差所对应滑窗样本数据段的终点加速度模值所对应的采样点数据为目标数据段起点；

若所述目标方差大于预设方差阈值，且当前所述目标方差队列中所述目标方差前一位方差小于所述预设方差阈值，则判定所述目标方差所对应滑窗样本数据段的终点加速度模值所对应的采样点数据为目标数据段终点；

每当判定出一个所述目标数据段终点，就将当前所针对数据中最新判定的所述目标数据段起点至最新判定的所述目标数据段终点的采样点数据作为目标数据段；

其中，当所针对数据为待划分传感器数据时，所述目标方差为所述最新滑窗样本数据段的方差，所述目标方差队列为最新方差队列，所述目标数据段为最新待识别数据段；

当所针对数据为参考步态数据段时，所述目标方差为所述参考滑窗样本数据段的方差，所述目标方差队列为参考方差队列，所述目标数据段为参考数据段。

5.根据权利要求4所述的方法，其特征在于，基于预设趋势强度获取方式获取所述目标数据段的趋势强度特征包括：

以多种时间尺度为滑窗宽度，通过预设滑窗获取方式分别对所述目标数据段进行滑动采样，以获取每种时间尺度的滑窗数据段；

分别基于每种时间尺度的所有滑窗数据段，获取每种时间尺度的移动平均值序列；

基于信号趋势条件从所述目标数据段中截取所有趋势数据段，并从所有所述趋势数据段中选取数据长度最长的作为最明显趋势数据段，所述趋势数据段中的所有所述采样点数据均需满足：针对单个采样点数据所对应的所有所述移动平均值需满足信号趋势条件，所述采样点数据所对应的所有所述移动平均值包括：该采样点数据作为目标采样点数据时，分别以每种时间尺度的滑窗数据段为依据获取的移动平均值；

计算所述最明显趋势数据段的趋势强度特征，所述趋势强度特征包括所述最明显趋势数据段占所述目标数据段的时间长度比例，所述最明显趋势数据段的信号能量，所述最明显趋势数据段的平均能量值以及所述最明显趋势数据段的斜率；

其中，所述信号趋势条件为：按照时间尺度依次增大或依次减小的顺序，所有所述移动平均值序列依次增大或依次减小；所述目标数据段为所述最新待识别数据段或所述参考数据段。

6.根据权利要求5所述的方法，其特征在于，基于单种时间尺度的所有滑窗数据段获取该种时间尺度的移动平均值序列为：

其中，acc_mod_mw_k表示时间尺度为w的移动平均值序列中的第k个移动平均值，acc_mod_k表示目标数据段中第k个采样点数据的加速度模值。

7.根据权利要求1所述的方法，其特征在于，计算所述目标趋势强度特征分别与所述趋势强度特征库中单个趋势强度特征集合组之间的隶属度包括：

其中，dect_fea表示所述目标趋势强度特征，center_q表示当前趋势强度特征集合组的聚类中心，d(dect_fea,center_q)表示所述目标趋势强度特征与当前趋势强度特征集合组的聚类中心之间的欧氏距离，

表示趋势强度特征dect_fea分别与所有趋势强度特征集合组c_q之间的隶属度的总和，center_w表示所述趋势强度特征库中第w组所述趋势强度特征集合组的聚类中心，O为所述趋势强度特征库中所述趋势强度特征集合组的个数，α表示拉格朗日乘子。

8.一种自适应步态划分装置，其特征在于，包括最新待识别数据段获取模块、目标趋势强度特征获取模块、投票隶属度获取模块、聚类中心获取模块、步态概率估计值获取模块、决策值获取模块和阶段判断模块；

所述最新待识别数据段获取模块，用于实时获取待划分传感器数据的采样点数据，并按预设滑窗获取方式获取最新滑窗样本数据段，计算所述最新滑窗样本数据段的方差，并按预设数据段获取方式获取最新待识别数据段；

所述目标趋势强度特征获取模块，用于基于预设趋势强度获取方式获取所述最新待识别数据段的趋势强度特征，并将所述最新待识别数据段的趋势强度特征作为目标趋势强度特征；

所述投票集合组获取模块，用于计算所述目标趋势强度特征分别与所述趋势强度特征库中每个趋势强度特征集合组之间的隶属度，并从所有所述隶属度中从大到小选取预设个数的隶属度作为投票隶属度，将每个所述投票隶属度所对应的趋势强度特征集合组作为投票集合组；

所述聚类中心获取模块，用于基于各趋势强度集合中的步态标签，分别对每个所述投票集合组中的所有趋势强度特征集合进行分类，以获取每个所述投票集合组的静止阶段子集合和非静止阶段子集合，并分别计算每个所述静止阶段子集合的聚类中心和每个所述非静止阶段子集合的聚类中心；

所述步态概率估计值获取模块，用于计算所述目标趋势特征分别与每个所述静止阶段子集合聚类中心之间的欧氏距离，以及与每个所述非静止阶段子集合聚类中心之间的欧氏距离，并基于每个所述投票集合组所对应的欧氏距离获取对应所述投票集合组的静止阶段步态概率估计值和非静止阶段步态概率估计值；

所述决策值获取模块，用于以对应的所述投票隶属度为权重，分别对所有所述静止阶段步态概率估计值进行加权并求和，以获取所述最新待识别数据段的静止阶段决策值，并分别对所述非静止阶段步态概率估计值进行加权并求和，以获取所述最新待识别数据段的非静止阶段决策值；

所述阶段判断模块，用于判断所述静止阶段决策值是否大于所述非静止阶段决策值，若是则判定所述最新待识别数据段的步态为静止阶段，否则判定所述最新待识别数据段的步态为非静止阶段。

9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项自适应步态划分方法。

10.一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项自适应步态划分方法。

Images