基于加速度数据统计学特征的自适应零速区间判别方法与流程

1.本发明属于基于足部微惯性传感器的行人导航技术领域，涉及到一种基于加速度数据统计学特征的自适应零速区间判别方法。


背景技术：

2.传统的基于足部微惯性传感器的行人导航算法在判断零速区间时，其判别阈值是不变的，但行人在缓慢走、正常走、跑步等不同步态下的步速和运动剧烈程度不同，导致原始惯性数据幅值不同，利用固定阈值检测零速区间准确率会下降。


技术实现要素：

3.针对复杂运动状态下利用固定阈值检测零速区间准确率会下降的问题，本发明目的是提供一种基于加速度数据统计学特征的自适应零速区间判别方法。
4.为实现本发明目的，本发明提供了基于加速度数据统计学特征的自适应零速区间判别方法，采取技术方案如下：
5.基于加速度数据统计学特征的自适应零速区间判别方法，将微惯性传感器绑定于行人足部，采集行人步态下的原始惯性数据，利用广义似然比检测方法进行零速区间判别，将广义似然比的检测阈值设定为加速度统计量的加权组合，对零速区间检测阈值进行自适应调整。
6.进一步的，计算固定数据区间长度窗口内三轴加速度矢量和模值的均值f(n)
mean
、最大值f(n)
max
、最小值f(n)
min
，则广义似然比的零速区间检测阈值为：
7.γ＝a
·
f(n)
mean
+b
·
f(n)
max
+c
·
f(n)
min
8.其中，a、b、c为权重系数，均为常值。
9.进一步的，所述固定数据区间长度窗口n至少覆盖行走一步的采样时刻，行人正常行走时迈出一步的时间约为1～2s，则将n的值设为：
10.n＝t
step
*f
out
11.其中，t
step
为[1,2]区间内的一个常值，f
out
为微惯性传感器采样频率。
[0012]
本发明提出了一种基于加速度数据统计学特征的自适应零速区间判别方法，为了提高不同步态和步速下零速区间判别准确率，利用检测窗口内三轴加速度的均值、最大值、最小值等统计量反映行人运动状态，从而自适应调整零速区间检测阈值，大幅度提升零速检测精度，实现行人高精度定位导航。本项技术尤其适用于解决复杂运动状态下的高精度行人导航问题。
附图说明
[0013]
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。
[0014]
图1示出了根据本发明的具体实施例提供的基于加速度数据统计学特征的自适应零速区间判别方法基本原理框图。
具体实施方式
[0015]
需要说明的是，在不冲突的情况下，本技术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。
[0016]
作为本发明实施例，提供的基于加速度数据统计学特征的自适应零速区间判别方法内容如下：
[0017]
将微惯性传感器绑定于行人足部，采集行人在缓慢走、正常走、跑步等步态下的原始惯性数据；利用广义似然比检测方法进行零速区间判别；计算固定数据区间长度窗口内三轴加速度矢量和的均值、最大值、最小值等统计量；根据加速度统计学特征自适应调整零速检测阈值，提高检测准确率。
[0018]
如图1所示，具体实施方法包括如下步骤：
[0019]
步骤1.惯性数据采集和滤波
[0020]
将微惯性传感器绑定于行人足部，采集缓慢走、正常走、跑步多种运动状态下的原始惯性数据。由于足部原始惯性数据存在高频噪声干扰，无法直接使用，需对三轴加速度和三轴角速度数据进行中值滤波。
[0021]
步骤2.零速区间检测
[0022]
行人在运动过程中的每一个单步都存在周期性脚面贴地的时段，该时段内行人足部的运动速度为零，被称为零速区间。采用广义似然比方法判断零速区间，具体公式为：
[0023][0024]
其中，l为进行广义似然比检测时使用的惯性数据序列长度，a(t)为t时刻三轴加速度向量，ω(t)为t时刻三轴角速度向量，为n到n+l-1序列内三轴加速度均值向量，g为重力加速度常量，σa和σ
ω
为加速度和角速度的测量误差标准差，根据器件特性进行确定，γ为广义似然比检测阈值。
[0025]
步骤3.加速度统计量计算
[0026]
加速度的值可以反映脚部运动的剧烈程度，加速度幅值越大，代表行人运动越剧烈、步速越快；加速度幅值越小，代表行人运动越轻缓、步速越慢。为了根据步态特征动态调整广义似然比检测阈值，需要计算加速度的统计量表征步态特征。
[0027]
加速度统计量包含三类：三轴加速度矢量和模值的均值、峰值和谷值。三轴加速度矢量和模值的均值可以表示为：
[0028][0029]
其中，n为计算加速度统计量的数据区间长度，a
x
(t)、ay(t)、az(t)分别表示t时刻三轴加速度的值。
[0030]
三轴加速度矢量和模值的峰值可以表示为：
[0031][0032]
三轴加速度矢量和模值的谷值可以表示为
[0033][0034]
在计算上述三个统计量时，数据区间长度n至少应该覆盖行走一步的采样时刻，而行人正常行走时迈出一步的时间约为1～2s，所以将n的值设为：
[0035]
n＝t
step
*f
out
[0036]
其中，t
step
为[1,2]区间内的一个常值，f
out
为微惯性传感器采样频率。
[0037]
步骤4.零速检测阈值自适应调整
[0038]
传统的广义似然比检测阈值为固定阈值，但行人在缓慢走、正常走、跑步等不同步态下的步速和剧烈程度不同，所设定的广义似然比检测阈值也应发生变化，例如缓慢走时加速度和角速度在落地区段幅值较小，对应检测阈值应减小，在跑步时零速区间持续时间短、惯性量测幅值大，对应检测阈值应变大，所以需要对检测阈值进行自适应设置。
[0039]
将广义似然比的检测阈值设定为加速度统计量的加权组合，根据加速度所反映出的运动状态对阈值进行自适应调整，阈值的计算公式为：
[0040]
γ＝a
·
f(n)
mean
+b
·
f(n)
max
+c
·
f(n)
min
[0041]
其中，a、b、c为权重系数，均为常值。
[0042]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。