1. 引言

步行運(yùn)動(dòng)是一項(xiàng)普遍的，門檻低的全民健身運(yùn)動(dòng)，在諸多方面對(duì)人體有益，但是過多運(yùn)動(dòng)也會(huì)對(duì)人體產(chǎn)生損傷，因而有效計(jì)步顯得十分重要。計(jì)步器可以記錄步行的步數(shù)，在孕婦健康管理、體育教學(xué)、反映能量消耗、增強(qiáng)運(yùn)動(dòng)等方面發(fā)揮著巨大的作用。微機(jī)電系統(tǒng)(Micro-electro Mechanical Systems, MEMS)以體積小、重量輕、功耗低、耐用性好、價(jià)格低廉等優(yōu)點(diǎn)廣泛應(yīng)用于智能手機(jī)傳感器模塊中。目前大多數(shù)計(jì)步算法都是圍繞加速度實(shí)現(xiàn)的，而智能手機(jī)內(nèi)置的加速度傳感器能夠方便獲取加速度。

對(duì)于精確計(jì)步問題，很多學(xué)者已經(jīng)進(jìn)行了研究，涌現(xiàn)出了很多方法。

文獻(xiàn) [1] 提出多級(jí)自適應(yīng)門限計(jì)步算法，先檢測(cè)加速度信號(hào)中的峰值點(diǎn)和谷值點(diǎn)，接著基于獲得的峰值點(diǎn)和谷值點(diǎn)，計(jì)算人物的步頻特征，根據(jù)所得步頻特征判斷人物的運(yùn)動(dòng)狀態(tài)，最后，針對(duì)每種運(yùn)動(dòng)狀態(tài)，自適應(yīng)分配對(duì)應(yīng)的時(shí)間差閾值和動(dòng)態(tài)峰谷值差值閾值，實(shí)現(xiàn)多級(jí)自適應(yīng)。該算法的準(zhǔn)確率能達(dá)到95%以上，但對(duì)波峰或者波谷的檢測(cè)準(zhǔn)確度要求很高。文獻(xiàn) [2] 提出了一種基于加速度傳感器的自適應(yīng)計(jì)步算法，通過對(duì)加速度傳感器采集的信號(hào)數(shù)據(jù)進(jìn)行一系列處理，然后利用人工免疫算法對(duì)處理后提取的特征值進(jìn)行判斷，確定人的運(yùn)動(dòng)狀態(tài)，再進(jìn)行計(jì)步。該算法改進(jìn)了特征值提取方法，摒棄了傳統(tǒng)的貝葉斯分類算法，采用人工免疫分類算法有效地提高了計(jì)步的準(zhǔn)確率，但是運(yùn)動(dòng)狀態(tài)的判定對(duì)樣本數(shù)據(jù)庫有較強(qiáng)的依賴性。

文獻(xiàn) [3] 設(shè)計(jì)了一種基于MPU6050加速度傳感器的自適應(yīng)采樣計(jì)步器，該計(jì)步器通過MPU6050加速度傳感器采集步態(tài)信號(hào)，運(yùn)用滑動(dòng)濾波算法對(duì)傳感器輸出的數(shù)字步態(tài)信號(hào)進(jìn)行濾波與降噪處理，采用動(dòng)態(tài)閥值算法對(duì)行人的跑步和走路兩種狀態(tài)進(jìn)行自動(dòng)識(shí)別，并根據(jù)人體不同的運(yùn)動(dòng)狀態(tài)自動(dòng)調(diào)整采樣速率，計(jì)步精度可以達(dá)到95%以上。文獻(xiàn) [4] 利用MEMES-IMU多種特征值，提出了行走和跑步的兩種步態(tài)檢測(cè)算法。在行走狀態(tài)下，采用加速度、角速度，足部著地和跨步時(shí)間的多條件約束實(shí)現(xiàn)零速區(qū)間檢測(cè)。在跑步狀態(tài)時(shí)，通過步伐探測(cè)和跨步探測(cè)的方法，并結(jié)合多條件約束，實(shí)現(xiàn)零速區(qū)間檢測(cè)。檢測(cè)精度達(dá)到99%以上，但未將行走狀態(tài)與跑步狀態(tài)算法統(tǒng)一。

針對(duì)以上算法出現(xiàn)的問題，本文提出了基于加速度的門限檢測(cè)算法，在波谷檢測(cè)算法的基礎(chǔ)上改進(jìn)和優(yōu)化。算法運(yùn)用卡爾曼濾波算法對(duì)傳感器輸出的步態(tài)信號(hào)進(jìn)行濾波和降噪等預(yù)處理，然后根據(jù)狀態(tài)門限閾值判定行人的運(yùn)動(dòng)狀態(tài)，比如跑步、行走或者靜止，針對(duì)不同的運(yùn)動(dòng)狀態(tài)分別設(shè)置步頻時(shí)間差閾值和峰谷值時(shí)間差閾值，滿足閾值條件則計(jì)步。該算法計(jì)步精度可以達(dá)到96%以上，可以有效應(yīng)用于計(jì)步器、室內(nèi)定位等領(lǐng)域，測(cè)量不同狀態(tài)下的步數(shù)，滿足工程應(yīng)用的需求。

2. 計(jì)步原理

步態(tài)周期可以分為支撐期和擺動(dòng)期，是指行走過程中一側(cè)足跟著地至該側(cè)足跟再次著地時(shí)所經(jīng)過的時(shí)間 [5]。

如圖1所示，在一個(gè)步態(tài)周期中，人由于大腿的擺動(dòng)，垂直加速度先增大后減小，前向加速度在邁步過程中增大，在提腳過程中減小。

通過Android手機(jī)的三軸加速度傳感器獲取手機(jī)坐標(biāo)系(如圖2(a)所示，x軸沿手機(jī)左右方向，y軸沿手機(jī)上下方向，z軸沿垂直于手機(jī)屏幕的方向)下的加速度數(shù)據(jù)，如圖2(b)所示。加速度數(shù)據(jù)的變化可以反映出行人運(yùn)動(dòng)的全過程，因而基于加速度的算法實(shí)現(xiàn)計(jì)步是可行的。

Figure 1. The law of acceleration change during a gait cycle

圖1. 一個(gè)步態(tài)周期過程中加速度變化規(guī)律

Figure 2. Acceleration changes in the mobile phone coordinate system and a gait cycle

圖2. 手機(jī)坐標(biāo)系和一個(gè)步態(tài)周期里加速度變化

3. 算法設(shè)計(jì)

3.1. 預(yù)處理

acc_z (z軸加速度)盡管能夠反映出行人運(yùn)動(dòng)的加速度變化，但是單軸加速度對(duì)噪聲的抗干擾能力較差，不穩(wěn)定.在實(shí)際生活中，行人握持手機(jī)的姿勢(shì)或者手機(jī)的擺放位置不盡相同，而且手機(jī)加速度的方向與行人行走方向并不相同。對(duì)此，大部分研究采用三軸合一加速度，如公式(1)所示：

(1)

其中acc_x表示側(cè)向加速度，acc_y表示垂直加速度，acc_z表示前向加速度 [5]。

三軸合一的加速度結(jié)果如圖3所示。

Figure 3. Three-axis combined acceleration

圖3. 三軸合一加速度

3.2. 卡爾曼濾波

在數(shù)據(jù)的采集過程中，由于傳感器的噪聲和手機(jī)的擺動(dòng)或者與衣服的摩擦，不可避免會(huì)產(chǎn)生錯(cuò)誤的數(shù)據(jù)(如圖4(a)所示)，因此需要對(duì)采集的數(shù)據(jù)進(jìn)行濾波，矯正錯(cuò)誤的數(shù)據(jù).本文采用卡爾曼濾波算法 [6]。

圖4(b)是經(jīng)過卡爾曼濾波后的波形圖，從圖中可以看出卡爾曼濾波模型有效地消除了偽波峰或波谷，提高了計(jì)步的準(zhǔn)確性，同時(shí)也使得波形更加平滑，趨近于實(shí)際加速度的變化趨勢(shì)。

(a)

(b)

Figure 4. (a) Before Kalman filtering; (b) After Kalman filtering

圖4. (a) 卡爾曼濾波前；(b) 卡爾曼濾波后

3.3. 門限檢測(cè)計(jì)步算法

傳統(tǒng)的波峰波谷計(jì)步算法由于只檢測(cè)峰值或者谷值對(duì)噪聲抗干擾能力較弱，當(dāng)濾波過程中無法完全消除偽波峰或者偽波谷，那么就會(huì)出現(xiàn)多次計(jì)步的情況，降低計(jì)步的準(zhǔn)確性。本文在傳統(tǒng)波峰波谷計(jì)步算法上做出改進(jìn)，兼顧波峰和波谷檢測(cè)，同時(shí)引入波峰時(shí)間自更新，避免由于行人停留使得相鄰兩波峰或波谷的時(shí)間差大大超過閾值而無法計(jì)步的情況，有效提高了計(jì)步的準(zhǔn)確性。

3.3.1. 狀態(tài)門限閾值設(shè)置

行人在慢走、快走或者跑步過程中的步頻是不一樣的，一步所需的時(shí)間也不同，因而在計(jì)步前需要判斷行人的運(yùn)動(dòng)狀態(tài)。本文區(qū)分靜止、行走和跑步這3中狀態(tài)，約定靜止?fàn)顟B(tài)state = 0，行走狀態(tài)state = 1，跑步狀態(tài)state = 2。為描述狀態(tài)判斷的過程，引入如下符號(hào)：

still_peak：靜止時(shí)加速度的峰值最大閾值，即行走時(shí)加速度的峰值最小閾值；

walk_peak：行走時(shí)加速度的峰值最大閾值，即跑步時(shí)加速度的峰值最小閾值；

still_valley：行走時(shí)加速度的谷值最小閾值，即行走時(shí)加速度的谷值最大閾值；

walk_valley：行走時(shí)加速度的谷值最小閾值，即跑步時(shí)加速度的谷值最大閾值；

在8個(gè)歷元的滑動(dòng)窗口中取出最大值Max和最小值Min (一般重力加速度g取9.8 m/s2，滿足最大值大于重力加速度，最小值小于重力加速度)，狀態(tài)轉(zhuǎn)移方程如(2)所示：

(2)

如圖5所示，行人在不同狀態(tài)運(yùn)動(dòng)時(shí)，峰值和谷值都有明顯的差別，對(duì)人行走和跑步時(shí)的數(shù)據(jù)多次采樣，繪制加速度幅值分布情況圖，由實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果可知：行人在正常行走情況下加速度峰值幅值分布在[1.1 g, 2 g]，谷值幅值分布在[0.4 g, 0.9 g]的比重達(dá)到98%以上；跑步狀態(tài)下加速度峰值幅值大于2 g，谷值幅值小于0.4 g的比重達(dá)到99%以上，因此取still_peak為11.1 m/s2，walk_peak為20 m/s2，still_valley為9.3 m/s2，walk_valley為4 m/s2。

Figure 5. Acceleration waveforms in different motion states

圖5. 不同運(yùn)動(dòng)狀態(tài)下的加速度波形

狀態(tài)判定函數(shù)Judge_State()的偽代碼如下。

Dim state AS INTERGER

state=1

input(acc)

if acc<9.8 Then

do 狀態(tài)轉(zhuǎn)

Endif

if acc>9.8 Then

do 狀態(tài)轉(zhuǎn)移

Endif

3.3.2. 時(shí)間差門限閾值設(shè)置

通常情況下，正常人行走的頻率為1~2.5 Hz，跑步時(shí)的頻率不超過5 Hz，所以設(shè)置行走時(shí)的時(shí)間差門限閾值為[0.4 s, 1 s]，設(shè)置跑步時(shí)的時(shí)間差門限閾值為[0.2 s, 0.5 s]；記行走時(shí)相鄰兩波谷的時(shí)間差為delta_1，跑步時(shí)相鄰兩波谷的時(shí)間差為delta_2，通過檢測(cè)delta_1或者delta_2是否在門限閾值范圍內(nèi)進(jìn)行一次判斷，如果小于閾值下限，表示存在偽波谷(如圖6波谷2所示，波谷2中兩個(gè)波谷的時(shí)間差小于閾值)，如果大于閾值上限，可能行人停止行走或休息，此時(shí)需要更新前一個(gè)谷值時(shí)間，避免影響后續(xù)計(jì)步。

Figure 6. Two types of pseudo-valley

圖6. 兩種偽波谷類型

記相鄰的波峰與波谷的時(shí)間差為delta；如圖6所示，盡管波谷1達(dá)到閾值要求，但是波峰1沒有達(dá)到閾值要求，在計(jì)步過程中并不能計(jì)成一步，因而需要通過delta來進(jìn)行二次判斷消除這種情況的偽波谷的影響。錯(cuò)誤率與delta的關(guān)系如圖8所示，當(dāng)delta取值過小，會(huì)導(dǎo)致一步內(nèi)波峰與波谷的檢測(cè)時(shí)間差過小，從而忽略如慢走的步數(shù)，降低了計(jì)步準(zhǔn)確性；當(dāng)delta取值過大，會(huì)導(dǎo)致本次判斷失效，不能消除圖6中偽波谷1。根據(jù)實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計(jì)，如圖7所示，當(dāng)delta取0.4時(shí)，錯(cuò)誤率最低即計(jì)步的準(zhǔn)確率最高。

Figure 7. Relationship between step error rate and delta

圖7. 計(jì)步的錯(cuò)誤率與delta的關(guān)系

閾值判斷的峰值和谷值盡管在窗口里是最值，但仍需判斷是否是前后鄰域的最值，窗口兩側(cè)的最值不滿足要求，需要摒棄，這是第三次判斷.當(dāng)三次判斷都滿足條件時(shí)，計(jì)步并更新前一個(gè)谷值時(shí)間，進(jìn)入下一輪讀取，算法偽代碼如下所示。

input(acc)

input(time)

do 潛在峰值和谷值獲取

if峰值:

state= Judge_State(Max)

if 時(shí)間閾值判定成立 Then

do 計(jì)步

Endif

Endif

if 谷值：

state = Judge_State(Min)

if 時(shí)間閾值判定成立 Then

do 計(jì)步

Endif

Endif

4. 實(shí)驗(yàn)與結(jié)果分析

4.1. 實(shí)驗(yàn)設(shè)計(jì)

為了獲取行人在運(yùn)動(dòng)過程中握持Android手機(jī)時(shí)的加速度，編寫了一款A(yù)PP讀取三軸加速度的數(shù)值.選取物聯(lián)網(wǎng)工程學(xué)院寬闊的走廊作為實(shí)驗(yàn)的場(chǎng)地(如圖8所示)，便于實(shí)驗(yàn)。

Figure 8. Experimental corridor

圖8. 實(shí)驗(yàn)走廊

實(shí)驗(yàn)使用的手機(jī)是HUAWEI Honor 10，系統(tǒng)為Android9.0.1。實(shí)驗(yàn)區(qū)別靜止、行走和跑步三種狀態(tài)，每種狀態(tài)均采用門限檢測(cè)計(jì)步算法，采集三組數(shù)據(jù)，每組數(shù)據(jù)的實(shí)際步數(shù)都是100步。

4.2. 實(shí)驗(yàn)結(jié)果分析

經(jīng)過行人運(yùn)動(dòng)時(shí)加速度數(shù)據(jù)的采集，預(yù)處理，濾波，計(jì)步算法等過程進(jìn)行了隨機(jī)測(cè)試，測(cè)試的結(jié)果如表1所示。通過門限檢測(cè)算法可以有效實(shí)現(xiàn)計(jì)步，行走狀態(tài)下的準(zhǔn)確率可達(dá)100%，最低為93%；跑步狀態(tài)下的準(zhǔn)確率可達(dá)99%，最低為95%；靜止?fàn)顟B(tài)下的行人可以100%識(shí)別；在實(shí)際生活應(yīng)用中可以作為室內(nèi)定位或者計(jì)步器的一部分，準(zhǔn)確提供行人的步數(shù)信息。

Table 1. Step detection results

表1. 步數(shù)檢測(cè)結(jié)果

4.3. 與傳統(tǒng)波峰檢測(cè)算法比較

文獻(xiàn) [7] 采用傳統(tǒng)峰值檢測(cè)實(shí)現(xiàn)計(jì)步，選取統(tǒng)一的時(shí)間窗口[0.2 s, 2 s]，比較上一峰值與此峰值的時(shí)間間隔，如果處于時(shí)間窗口內(nèi)，則視為有效信號(hào)。此算法對(duì)噪聲的抗干擾能力較弱，只能一次性計(jì)步，計(jì)步過程中不能過長(zhǎng)停留，否則會(huì)形成累積誤差，無法計(jì)步。如圖9所示，紅線以上部分均達(dá)到峰值要求，計(jì)步是前3個(gè)峰值計(jì)步有效，但第三個(gè)與第四個(gè)峰值間有較長(zhǎng)的時(shí)間間隔，且超過時(shí)間閾值，第四個(gè)峰值以及往后的峰值都是無效的。

Figure 9. Results of step counting in [7]

圖9. 文獻(xiàn) [7] 計(jì)步結(jié)果

對(duì)于本文的算法和文獻(xiàn) [7] 的算法分別進(jìn)行10次行走和跑步測(cè)試.將2種算法計(jì)算的總步數(shù)與實(shí)際行走的步數(shù)進(jìn)行比較，可以得到如圖10所示的誤差比較。

由圖10可知，測(cè)試10次之后，文獻(xiàn) [7] 傳統(tǒng)峰值檢測(cè)算法計(jì)算出的總步數(shù)與實(shí)際的步數(shù)誤差較大，跑步狀態(tài)下步態(tài)周期短，誤差范圍大于等于3%占比60%，均在5%以內(nèi)。行走狀態(tài)下步態(tài)周期相對(duì)變長(zhǎng)，此時(shí)誤差范圍大于等于3%占比90%，大于等于5%占比60%。而本文算法測(cè)試10次，跑步狀態(tài)下誤差范圍大于等于3%占比30%，均在5%以內(nèi)。行走狀態(tài)下誤差范圍大于等于3%占比30%，均在5%以內(nèi)。由實(shí)驗(yàn)結(jié)果表明：本文的算法優(yōu)于傳統(tǒng)的峰值檢測(cè)算法，有效地提高了計(jì)步的精度。

Figure 10. Experimental error comparison

圖10. 實(shí)驗(yàn)誤差比較

5. 結(jié)束語

本文討論了基于加速度的門限檢測(cè)計(jì)步算法，在傳統(tǒng)的波峰波谷檢測(cè)算法的基礎(chǔ)上做出改進(jìn)，提高了計(jì)步的準(zhǔn)確性。本文也討論了卡爾曼濾波原理，對(duì)原始的加速度數(shù)據(jù)進(jìn)行過濾，降低了噪聲的干擾。在狀態(tài)判斷的基礎(chǔ)上進(jìn)行三次門限檢測(cè)有效對(duì)偽波峰和偽波谷起到抑制作用。實(shí)驗(yàn)表明本算法能夠滿足計(jì)步器、室內(nèi)定位等方向的精度要求，在此后的工作里，我們團(tuán)隊(duì)將致力于濾波方法的改進(jìn)，進(jìn)一步提高精度，降低噪聲對(duì)實(shí)驗(yàn)的影響。

參考文獻(xiàn)

總結(jié)

以上是生活随笔為你收集整理的android 计步器acc,基于加速度的门限检测计步算法设计的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。