一种基于多条件融合的零速判断条件及计步方法与流程

本发明涉及一种计步方法，具体涉及便携式运动采集设备对于康复运动的计步策略，属于运动分析技术领域。

背景技术：

便携式运动参数采集设备为康复运动带来了新的发展。康复人群可以在家训练，医师可以从网上分析运动数据。康复人群的运动分析的关键是对步行时的脚触地时段即零速度时段进行准确检测。

便携式运动参数采集设备包括加速度传感器，角速度传感器。由于传感器自身的不精确性，佩戴者的速度及位置会逐渐发散。零速度检测方法通过检测佩戴者每一步的零速度，对一步之内的速度进行更新，从而减小误差。通常来说，每个人在正常步行中有0.2-0.4秒的零速度区间。这一区间从脚完全触地开始到开始抬脚前进终止。零速度检测对于准确测量佩戴者的速度及位移至关重要。现有方法或者将加速度及角速度的差分低于阈值视为静止条件，或者将加速度与角速度某一分量值低于阈值视为静止条件，或者将角速度模低于某一阈值视为静止判断条件。这些静止条件无法百分之百将零速区间识别出来。

技术实现要素：

本发明针对目前便携式运动采集设备需要对运动零速进行判断而当前零速判断条件无法百分百进行零速判断的问题，提出了一种多条件融合的零速判断条件，在此基础上提出了一种计步算法。

本发明提出的基于多条件融合的零速判断条件及计步方法，包括：

步骤1、为运动人员佩戴便携式采集设备，采集x,y,z三个方向的加速度[ax,ay,az]，三个方向的角速度[gx,gy,gz]；

步骤2、标定不同运动人员的零速判断条件阈值；

步骤3、基于所提出多条件融合的零速判断方法判断零速并完成计步。

本发明的优点在于：

1、本发明基于多条件融合的零速判断条件及计步方法，引入不同零速判断条件联合判断零速，使得零速判断更加准确；

2、本发明基于多条件融合的零速判断条件及计步方法，基于所提出准确的零速判断方法计算运动步数，使得计步更加准确。

附图说明

图1为本发明基于多条件融合的零速判断条件及计步方法整体流程图。

图2为本发明基于多条件融合的零速判断条件及计步方法中优化阈值时目标函数流程图。

图3为本发明基于多条件融合的零速判断条件及计步方法中粒子群优化算法流程图。

图4为本发明基于多条件融合的零速判断条件及计步方法中利用多条件融合判断零速及计步流程图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

本发明提出的一种基于多条件融合的零速判断条件及计步方法，首先实现了一种切实有效的零速识别方法，在此基础上进行计步，本发明实施例中分为如下三个步骤来说明，如图1所示。

步骤一：采集便携式测量设备所测得的加速度，角速度信号。

为运动人员佩戴便携式测量设备，测量设备佩戴在被测人员的脚背，与被测人员之间无相对位移。通过测量设备以一定采样周期测量n名被测人员空间x,y,z三个方向的加速度[ax,ay,az]，三个方向的角速度[gx,gy,gz]；

步骤二：不同条件的阈值标定。

a、不同条件包括加速度及角速度的模条件，加速度及角速度的差分条件以及时长条件。具体来说，设第k次采样采集到的加速度信号为a(k)x,a(k)y,a(k)z，角速度信号为g(k)x,g(k)y,g(k)z；则：

a、加速度模条件为：

式(1)中，ath代表加速度模条件的阈值，为待求量。

b、角速度模条件为：

式(2)中，gth代表角速度模条件的阈值，为待求量。

c、加速度差分条件为：

式(3)中，代表加速度差分条件的阈值，a(k-1)x,a(k-1)y,a(k-1)z代表第k-1次采样采集到的x,y,z三个方向的加速度信号。

d、角速度差分条件为：

式(4)中，代表角速度差分条件的阈值，g(k-1)x,g(k-1)y,g(k-1)z代表第k-1次采样采集到的x,y,z三个方向的角速度信号。

e、时长条件为：

若从第s次采样起，采集到的加速度信号及角速度信号开始满足模条件以及差分条件，到第e次采样为止，模条件或差分条件之一不满足，则时长条件为：

(e-s)ts＞tth(5)

其中，ts代表采样周期，tth代表时长条件阈值。

使用三个条件的逻辑与组合判断脚触地时刻。阈值标定即识别出最佳ath,gth,以及tth，使得同时满足模条件，差分条件以及时长条件的运动数据皆为脚触地时采集的数据，且不满足的数据皆为脚不触地时产生的运动数据。

b、阈值标定之前，需要对优化算法的目标函数进行定义。具体如图2所示，从步骤1采集的数据中，对n个人的运动数据进行滤波后，求出所有加速度数据及角速度数据的模的最大值amax，最小值amin及加速度差分最大值最小值角速度差分最大值最小值每个人步行时，最小触地时段中最长时段时长为t。模范围为[amin,amax]，[gmin,gmax]；差分范围为时长范围为[0,t]。在这些不同范围内，给出待优化变量ath,gth,tth。

从第一个人的运动开始，令初始优化目标cost为零。令i＝1，对第i个人的运动，得到满足模条件，时长条件与差分条件的时段个数，即为算法计算触地次数根据步行的周期性肉眼判断出第i个人的触地次数为stepi。得到第i个人的局部优化目标：

并更新优化目标：

将i加1，重复以上计算步骤计算qi；直至i.大于n。优化目标即为的最终值。

c、利用粒子群优化算法进行阈值标定，具体来说就是利用粒子群优化算法求解最优ath,gth,tth，使得目标函数最小。粒子群优化算法优化变量维数为5，优化算法如图3所示，具体如下：

(a)设置种群粒子个数为m和粒子维度5；

(b)随机初始化种群中各粒子的速度和位置，得到始种群位置下角标表示粒子标号，um是一个五维的向量，表示第m个粒子的位置，是优化过程中一个可能的解，也就是ath,gth,tth的可能的值，上角标“1”表示当前为第1次迭代过程；设置初始种群速度v(1)；

(c)在迭代过程中，比较各可能解的目标函数值。将迭代过程中每个粒子的最优位置(目标函数值最小)设为该粒子最优位置，第i个粒子的最优位置为pbest,i；比较得到所有粒子中最优位置设为粒子群最优位置gbest；

(d)对每个粒子更新粒子速度和位置，以第i个粒子为例，表达式如下：

其中，v为粒子速度，u为粒子位置，w为惯性权重，r1和r2为分布于区间[0,1]内的随机数，s为当前迭代次数，初始值为1，为第s次迭代时第i个粒子的个体最优粒子位置，为第s代时的全局最优粒子位置，c1与c2为常数。

进而得到s+1代种群位置：

(e)计算s+1步的每个粒子的目标函数值，并与之前的最优位置所对应得到的目标函数值比较，若当前位置更好(标函数值更小)，则将其当前位置作为该粒子的最优位置将每一个粒子的目标函数值与粒子群的最优粒子位置相比较，若当前位置更好(目标函数值更小)，则更新最优粒子位置

(f)检查终值条件，若精度(目标函数值大小)满足预设条件或迭代次数超出限制，则停止迭代，否则重复步骤(c)到(f)；

(g)输出粒子群最优位置即为最优的ath,gthtth。

步骤四：利用所求解的最优ath,gth,tth，进行触地时段判断，并计步，如图4所示。具体来说，对于一段运动采集到的加速度及角速度数据，首先对数据进行滤波，接着计算该段运动中每个采样时刻的加速度模，角速度模，加速度差分，角速度差分，寻找滤波后的数据中连续满足模条件与差分条件的数据段，判断该数据段的时长是否满足时长条件tth，若满足，则该时段为触地时段，绝对速度为0，对满足条件的时段次数进行计数，所得次数即为步行步数；若不满足则该时段不是触地时段。

以上阈值条件计算方法避免了传统方法用于寻找判断阈值的复杂尝试，为阈值条件计算提供了新思路，以上阈值条件以及计步方法将角速度与加速度的模条件，差分条件以及时长条件融合，可以有效减少计步错误。