一种基于加速度传感器的实时步长估计方法
【专利摘要】本发明提供了一种基于加速度传感器的实时步长估计方法，包括如下步骤：1、基于斜率运算及加速度值的检峰方法；2、步频计算，通过计算并存储相邻两个峰值点之间的采样点数，对其进行排序，然后从中间往两边各取四分之一的数据算平均值作为走一步的时间内的采样点数，由该采样点数结合加速度传感器的采样频率可以算出步频；3、基于多变量回归的模型估计。具有估算简单和估算方便等优点。
【专利说明】一种基于加速度传感器的实时步长估计方法
【技术领域】
[0001]本发明涉及一种估算实时步长技术，特别涉及一种基于加速度传感器的实时步长估计方法。
【背景技术】
[0002]美国全球定位系统GPS自20世纪70年代开始研制并于1994年全面建成以来，在民用市场，军事和政府部门的导航服务中起到了无法估计的作用。作为当前民用导航定位的重要手段，其广泛应用于大地勘测、应急救援、物流业、智能交通、个人导航定位等领域。然而，虽说GPS是获取位置信息最常用的方式，但由于卫星信号容易受障碍物的遮挡，故GPS不适合用于室内场合以及一些有较高遮挡物的室外场合。在智能手机普及的今天，利用手机里面集成的多种传感器开发各种应用软件已经屡见不鲜。目前，关于惯性导航的室内定位和走路计算的研究已经有了一定的成果，然而，这些研究成果主要针对高精度的传感单元，对于利用智能手机完成实时步长计算的方案还比较少。因此，通过智能手机内置加速度传感器获取人体走路时的加速度信号，分析人体走路时的步态，计算实时走路步频，结合用户的身高，体重信息建立数学模型，从而求解出用户行走时的步长，具有其实际意义。
【发明内容】
[0003]本发明的目的在于克服现有技术的缺点与不足，提供一种基于加速度传感器的实时步长估计方法，该估计方法是一种有效的，简便的室内外定位方案。
[0004]本发明的目的通过下述技术方案实现:一种基于加速度传感器的实时步长估计方法，通过用户的身高、体重和实时走路步频来估计用户的实时走路步长，包括如下步骤:
[0005](I)基于斜率运算及加速度值的检峰方法，通过确定加速度数据当前点和下一点的斜率正负以及加速度值来确定峰值点；
[0006](2)步频计算，通过计算并存储相邻两个峰值点之间的采样点数，对其进行排序，再除去不满足人体走路频率的数据，然后从中间往两边各取四分之一的数据算平均值作为走一步的时间内的采样点数，由该采样点数结合加速度传感器的采样频率可以算出步频；
[0007](3)基于多变量回归的模型估计，首先建立走路步长关于身高、体重和步频的多变量回归模型，再对步长、身高、体重、步频等数据进行特征归一化处理，对处理后的数据运用梯度下降算法求解多变量回归模型，通过多次调节学习率和迭代次数，最后得到最优的实时步长估计模型。
[0008]所述步骤(I)中，基于斜率运算及加速度值的检峰方法，对于用户走路时加速度传感器采集到的实时加速度信号a(i),定义:m = a(i+l)-a(i), η = a (i+2)-a (i+1), i表示第i个时刻，则m和n均为有正负值的标量，当m或n为正时，表示i时刻或i+Ι时刻的斜率为正，i时刻或i+Ι时刻加速度数据呈现上升趋势，当m或η为负时，表示当前i时刻或i+Ι时刻的斜率为负，当前i时刻或i+Ι时刻的加速度数据呈现下降趋势；因此，当i时刻有m > O且η < O时，表示i时刻处于加速度数据的转折点；由于归一化后的加速度数据均分布于区间[O，I]之间，为了消除前面数据预处理阶段未能完全消除的、由于人的抖动因素而导致的加速度数据在非波峰阶段呈现的抖动的现象，定义变量yi = 0.6A作为峰值点附近加速度值必须满足的条件，其中，A为归一化后所有加速度数据的最大值，该条件是由多次在计算机上检峰处理效果较好得到的经验值，即:需满足i时刻有a(i) >y1； i+2时刻有a(i+2)>yi，i_2时刻有a(i_2)>yi，这是为了消除由于人的抖动而出现的加速度呈现上下抖动的现象，此外还需同时满足i_2时刻有a(1-l)>a(i_3)，i+2时刻有a (i+1) >a (i+3)，这是为了消除加速度数据上升或下降阶段未到达峰值时出现的加速度数据暂时下降或上升而出现转折点的想象，由此得到峰值判断步骤如下:
[0009]步骤11、判断当前i时刻是否满足m≥O且η≤0，若满足，则可确定当前i时刻为加速度转折点，继续步骤(2);
[0010]步骤12、判断当前i时刻能否同时满足
【权利要求】
1.一种基于加速度传感器的实时步长估计方法，通过用户的身高、体重和实时走路步频来估计用户的实时走路步长，其特征在于，包括如下步骤: (1)基于斜率运算及加速度值的检峰方法，通过确定加速度数据当前点和下一点的斜率正负以及加速度值来确定峰值点； (2)步频计算，通过计算并存储相邻两个峰值点之间的采样点数，对其进行排序，然后从中间往两边各取四分之一的数据算平均值作为走一步的时间内的采样点数，由该采样点数结合加速度传感器的采样频率可以算出步频； (3)基于多变量回归的模型估计，首先建立走路步长关于身高、体重和步频的多变量回归模型，再对步长、身高、体重、步频等数据进行特征归一化处理，对处理后的数据运用梯度下降算法求解多变量回归模型，通过调节学习率和迭代次数，最后得到最优的实时步长估计模型。
2.根据权利要求1所述的基于加速度传感器的实时步长估计方法，其特征在于，所述步骤(1)中，基于斜率运算及加速度值的检峰方法，对于用户走路时加速度传感器采集到的实时加速度信号a(i),定义:m = a(i+l)-a⑴，n = a(i+2)-a(i+1), i表示第i个时刻，则m和η均为有正负值的标量，当m或η为正时，表示i时刻或i+Ι时刻的斜率为正，i时刻或i+Ι时刻加速 度数据呈现上升趋势，当m或η为负时，表示当前i时刻或i+Ι时刻的斜率为负，当前i时刻或i+Ι时刻的加速度数据呈现下降趋势；因此，当i时刻有m3 O且η < O时，表示i时刻处于加速度数据的转折点；由于归一化后的加速度数据均分布于区间[O，I]之间，为了消除前面数据预处理阶段由于人的抖动因素而导致的加速度数据在非波峰阶段呈现的抖动的现象，定义变量I1 = 0.6A作为峰值点附近加速度值必须满足的条件，其中，A为归一化后所有加速度数据的最大值，该条件是由计算机上检峰处理效果的经验值，即:需满足i时刻有a(i)>yi，i+2时刻有a(i+2)>yi，i_2时刻有a (i_2) >yi，这是为了消除由于人的抖动而出现的加速度呈现上下抖动的现象，同时满足i_2时刻有a(1-l)>a(1-3)，i+2时刻有a(i+l)>a(i+3)，这是为了消除加速度数据上升或下降阶段未到达峰值时出现的加速度数据暂时下降或上升而出现转折点的想象，由此得到峰值判断步骤如下: 步骤11、判断当前i时刻是否满足m > O且η≤O，若满足，则可确定当前i时刻为加速度转折点，继续步骤(2);
步骤12、判断当前i时刻能否同时满足
3.根据权利要求1所述的基于加速度传感器的实时步长估计方法，其特征在于，所述步骤(2)中步频计算的计算方法为:在步骤(1)确定峰值点的同时获取该峰值点在所有数据中的位置i，定义h为第j个峰值点与第j-Ι个峰值点之间加速度采样点数，在所有峰值点确定之后，即得到矩阵K = [k1； kfkN]，其中，h为第j个峰值点与第j-Ι个峰值点之间加速度采样点数，且I < j < N，N为峰值点的总数减I ;由于人的运动频率基本在20Hz以内，为减小误差，先对矩阵K进行排序，然后除去两边1^_ ^ 75和kj ( 10的数据，剩下的矩阵K的数据长度 记为NO，则从敌阵K的中间起向左右两边各取j.N0个数据，总共4 N0个数据，再把所
4I述的I NO个数据算平均值作为该次加速度传感器采样得到的走一步时间内加速度的采样点数Ns,贝U步频计算公式如下:
4.根据权利要求1所述的基于加速度传感器的实时步长估计方法，其特征在于，所述步骤(3)中，在基于多变量回归的模型估计时，由于正常人的步长与身高呈正相关关系，与体重呈现线性关系，与人的走路速度呈现正相关关系，用步频来表征走路速度的快慢为:步频越高，表示速度越快，步频越低，表示速度越慢，由此，建立步长与身高、体重和步频的数学模型如下:
y = ah+ β w+ λ f+ μ， 其中，h为身高,w为体重，f为步频，μ为惩罚项； 由该模型的特点可建立多变量回归假设如下:
he (x) = θ ο+ θ 1Χ1+ θ 2Χ2+...+ θ ηΧη， 其中，χ为特征矩阵[XtlX1……xn]，其中Xtl= 1，η为特征的总数，Q1为待求解参数，其中O≤I≤η,由此,多变量回归函数表示为:hg (χ) = θ τχ,
其中，χ = [X0 X1 χ2......χη]τ, θ = [ θ ο θ I θ 2......θ η]τ, 求解模型时先对身高、体重、步频三个特征进行归一化处理，身高的归一化步骤如下:
(h -h -) 步骤31、求解均值标准差oh，其中=
【文档编号】G01C22/00GK103983273SQ201410179119
【公开日】2014年8月13日 申请日期:2014年4月29日 优先权日:2014年4月29日
【发明者】薛洋, 刘龙坡, 金连文 申请人:华南理工大学