本发明属于惯性传感技术和模式识别技术交叉领域，具体涉及一种基于卷积神经网络的人体运动步态分类方法。
背景技术：
随着社会不断发展，大型建筑日益增多且结构复杂，人们对室内位置服务需求越来越高。基于惯性传感器的行人航位推算(pdr)作为室内导航的主流技术之一，不需要外部系统支持，自主性强，彰显出极大优势。但惯性导航系统误差随时间累积，因此必须引入相应的误差控制方法。如果能对行人当前的运动步态有一个明确分类，就可以更为准确的估算行人当前的移动距离和运动方向，进而提高pdr的推算精度。因此需要利用模式识别的方法来识别行人运动的步态。
现有研究将微惯性传感装置(mimu)置于人体足部、腿部、腰部等不同位置，利用模式识别中k近邻、支持向量机等方法对在不同步态下采集到的加速度和角速度信号进行训练和分类，进而实现步态分类。然而，传统的步态分类方法只能识别平地走、跑步、上下楼等简单步态，由于人体运动具有任意性，在人体复杂运动时，传统的人体运动步态分类方法不再适用，因此必须找到新的方法解决人体复杂运动步态划分问题，提高步态识别精度，为室内人员全运动步态导航奠定基础。
技术实现要素：
有鉴于此，本发明提供了一种基于卷积神经网络的人体运动步态分类方法，能够对人体复杂运动步态进行高精度的步态划分，从而完成后续的精确导航任务。
本发明是通过以下技术方案来实现的：
包括如下步骤：
步骤1，采集人体在不同运动步态下的三轴加速度和三轴角速度信息，得到六个参量的样本数据，针对各个参量的样本数据，计算其在各步态下的步态统计学特征，并获得各参量的步态统计学特征差异；
选取步态统计学特征差异大于设定阈值的参量为敏感参量，以敏感参量的数据作为卷积神经网络输入；
将人体运动步态作为卷积神经网络输出；
步骤2，建立卷积神经网络，并利用步骤1得到的敏感参量的样本数据以及步态对卷积神经网络进行训练，得到训练好的卷积神经网络；
步骤3，实时采集敏感参量的数据并输入到训练好的卷积神经网络中，得到的输出结果即为当前的人体运动步态，实现人体运动步态分类。
其中，所述统计学特征为均值、方差、偏度、峰度或相关系数。
其中，所述人体运动步态包括平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进和后退。
其中，所述步骤1中，利用微惯性传感器采集人体在不同运动步态下的加速度和角速度信息。
其中，所述步骤2中，卷积神经网络的隐含层激励函数为sigmoid函数、relu函数或者tanh函数，卷积神经网络的输出层激励函数为softmax函数。
其中，所述步骤1中，卷积神经网络的最优化方法为梯度下降法。
其中，卷积神经网络的代价函数的形式为在计算方差中加入l1范数的形式。
其中，所述卷积神经网络包括的隐含层数目选取范围为5-10，每个隐含层包含神经元模块数为10-15。
有益效果：
本发明通过对测量得到的各个参量数据进行步态统计学分析，得到对人体运动步态变化最敏感的参量，以该参量作为卷积神经网络输入，能够获得准确的、与步态分类有关的数据，减少卷积神经网络的输入，降低网络计算的复杂度；
通过敏感参量的选取后，剔除了一些与步态划分无关的输入量，使得卷积神经网络的步态识别精度高，实现对人体复杂运动步态的高精度划分。
附图说明
图1为本发明基于卷积神经网络的人体运动步态分类方法流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于卷积神经网络的人体运动步态分类方法，方法示意图如图1所示。该方法采用如下步骤实现：
步骤1，建立人体坐标系，以人体重心为原点，前后方向为x轴，左右横向为y轴，上下纵向为z轴，x轴y轴与z轴符合右手定则；
采集人体在不同运动步态下的三轴加速度和三轴角速度信息，得到六个参量的样本数据，针对各个参量的样本数据，计算其在各步态下的步态统计学特征，并获得各参量的步态统计学特征差异；
选取步态统计学特征差异大于设定阈值的参量为敏感参量，以敏感参量的数据作为卷积神经网络输入；
所述统计学特征可以为均值、方差、偏度、峰度或相关系数等统计学特征；
计算各个参量的样本数据在各步态下的均值、方差、偏度、峰度和相关系数的统计学特征，各个参量在各步态下的均值、方差、偏度、峰度或相关系数差异中只要有一个统计学特征差异大于设定阈值，则选取该参量为敏感参量；
其中，利用微惯性传感器作为敏感元件采集人体在不同运动步态下的加速度和角速度信息，目前微惯性传感器常用陀螺仪和加速度计。
利用惯性传感器数据与步态特征的统计学关系，得到对人体运动的表征最为明显的参量的数据组。微惯性传感器配置于人体足部时，三轴加速度和y轴角速度对人体运动的表征最为明显，不同步态下的均值、方差、偏度、峰度或相关系数中差异大于设定阈值的参量为三轴加速度和y轴角速度，即三轴加速度和y轴角速度对人体运动的表征最为明显，因此选用这四个参量的数据组作为卷积神经网络输入。
将人体运动步态作为卷积神经网络输出；本实施例中的人体运动步态包括平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进和后退10种步态；
步骤2，根据利用步骤1得到的作为卷积神经网络输入的敏感参量个数以及作为卷积神经网络输出的步态种数，综合考虑卷积神经网络的分类准确率和计算效率，确定卷积神经网络的卷积神经网络深度以及隐含层的神经元模块数，建立卷积神经网络；
卷积神经网络深度即为卷积神经网络包括的隐含层数目，本发明隐含层选取范围定为5-10个，每个隐含层包含神经元模块定为10-15个。
由步骤1可知，本实施例中，当惯性传感器置于人体足部时，三轴加速度和y轴角速度对人体运动的表征最为明显，因此选用这四个数据组作为卷积神经网络输入，假设微惯性传感器的微惯性导航系统采样频率为mhz，而一个导航滤波周期为ns，则卷积神经网络输入为4×mn的矩阵。综合考虑卷积神经网络的分类准确率和计算效率，确定卷积神经网络深度为8层，即包含8个隐含层，其中有5层为卷积层，3层为全连层，每个隐含层包含12个神经元模块。即在本实施例中，卷积神经网络的隐含层层数选为8层，输入为三轴加速度和y轴角速度数据，输出为编好标签的10个神经元，对应平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进和后退10种步态。
其中，卷积神经网络隐含层的激励函数可以选用sigmoid函数、relu函数或者tanh函数，本实施例选用sigmoid函数。sigmoid函数常被用于卷积神经网络中，具体形式为：
卷积神经网络输出层激励函数选为softmax函数，具体形式为：
其中，wj(j＝1,2,...,10)为从隐含层到输出层的权重向量。
卷积神经网络的代价函数可以选为常规形式或交叉熵代价函数形式；本实施中卷积神经网络的代价函数选为常规形式，即计算方差，具体形式为：
其中，hθ(x)为预测值，y为实测值，m为mini-batch。
由于不同步态所敏感的输入信息不同，例如正常行走时对z轴和x轴加速度更为敏感，而上下楼梯则对y轴加速度更为敏感，因此权重越稀疏，越有利于特征的选择，也就越有利于最后的步态分类。所以在卷积神经网络的代价函数中加入l1范数，在提高分类准确度的同时稀疏权重，具体形式为：
ω(θ)＝∑i|ωi|
卷积神经网络的最优化方法选用常规的mini-batch梯度下降法，每n个序列集成一个mini-batch，具体形式为：
其中，α为学习速率，本实施例中n取128。由于最优化方法选用梯度下降法，因此采用后向传播算法来求解梯度。
利用步骤1得到的敏感参量的样本数据以及步态对卷积神经网络进行训练，确定卷积神经网络每一层的连接权值，从而得到训练好的卷积神经网络；
步骤3，将实时采集的三轴加速度和y轴角速度数据输入到训练好的卷积神经网络中，得到的输出结果即为当前的人体运动步态，实现人体运动步态分类。
方案验证，利用已知步态的测试集数据作为卷积神经网络输入数据组验证本发明所述方法的有效性，用下式计算分类精度：
经验证，本实施例的步态分类精度为90％，实现了精确、有效的步态分类。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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。