论文部分内容阅读
[摘 要]目前世界上发展较为成熟与精确的就是全球卫星定位系统，现在GPS定位已经可以达到很高的精度了。但是在某些特定的场景下，如战场或者消防现场等情况下，GPS无法正常使用。而对行人的运动状态的研究，可以作为弥补定位系统盲区的自定位方法，近年来备受关注。国内外对行人运动分类已经做了一些工作，但目前仍在研究阶段，有很大的发展空间。而对于步长的估计，主要是用来辅助估计行人的运动轨迹，是个人导航的基础。本文通过搭建一个可以携带的硬件设施，对加速度值进行采集，进而对数据进行分析，来估计行人运动的步态以及步长。通过实际场地的测试，对步态估计的误差大概在20%之内；对步长的估计的误差在10%之内。
[关键词]运动加速度步态识别 时域特征步长估计
中图分类号：TE461 文献标识码：A 文章编号：1009-914X（2017）34-0292-04
1.简介
随着科学技术的发展，个人定位技术也在飞速的发展，并且定位技术的相关产品与服务的融合也越来越多，市场需求也越来越大。定位的概念也越来越引起了人们的关注，更多的融入了人们的生活，也越来越人性化，为不同类型的用户提供位置信息服务[1]。然而对于GPS系统来说，干扰是不得不提的问题，它严重影响了GPS定位的准确性[2]。于是地磁导航逐渐成为人们关注的领域，地磁导航技术是一种无辐射、隐蔽性强、无漂移误差的自主导航技术，属于主动式导航。利用磁电子罗盘可以测得航向信息，再对行人的步长、步数进行估计，两者结合就可以得到位移信息。所以基于加速度传感器对行人运动分类及步长估计是进行个人导航的基础工作。
基于加速度计来进行人体步态识别，是一个新兴领域，相比于基于视觉的行为识别有一定的优点，它携带方便，有较强的抗干扰能力，获得数据的方式较自由。除此之外，对人运动状态的研究在机器人的行走、人的行为理解等科学研究上也占有举足轻重的地位。随着测试技术的处理方法的日臻完善，步态研究广泛的用于骨科、假肢设计、运动医学、神经内外科等诸多领域，成为生物力学的一个重要分支[4]。
2 估計步态步长的方法
2.1 估计步态的方法
基于加速度计的硬件系统搭建好了以后，将其置于行人的腰间、脚踝或手臂处来测量行走时的加速度值。在放置的时候保证X轴的正方向指向人前进的方向，Y轴的正方向指向人体的正左方，Z轴的正方向指向人体的正上方。根据参考文献[6]：
X轴数据（前进方向）：假设人走路的速度是恒定的，那么X轴方向上的加速度将不受人行走速度的影响，它仅仅反映了前进过程中单腿支撑阶段人腰部（脚踝、手臂）的加速度。
Y轴数据（左右方向）：Y轴方向的加速度反映了人行走过程中腰部（脚踝、手臂）左右方向（侧向）的加速度。
Z轴数据（垂直方向）：Z轴方向的加速度反映了人行走过程中在腰部（脚踝、手臂）产生的上下方向的加速度。
根据加速度信号的时域特征进行分类：
反映数据分布的特征主要有三个方面，分别是散布特征、位置特征、形态特征。加速度传感器获得的加速度信号是离散的数字信号，又因为形态特征是针对单个波峰而言的，我们选择从散布特征和位置特征两方面来对加速度信号描述。本文分别选取平均值、标准差、百分位数、平均偏差四个方面的时域特征。平均值属于位置特征，是信号大小相互抵消的结果，是对信号的集中程度的描述。标准差、百分位数和平均偏差属于散布特征，是对信号的离散程度的描述。
设原始信号为X（1），X（2），…X（n），则信号的平均值、标准差和平均偏差分别为：
信号的时域特征从时域方面对信号的离散程度和集中程度的描述，能够反映信号的分布特征。可以根据加速度的这个特征对行人运动进行分类。
2.2 步长估计算法
走路是一个周期运动，全身肌肉参与，包括人体重心移位，骨盆倾斜旋转，髋、膝、踝关节伸屈及内外旋展等，使人体位移的一种复杂的随意运动。行走过程中，从一侧脚跟着地开始到该脚跟再次着地构成，一个步态周期对指定的下肢而言，一个步态周期的活动可分为支撑时相和摆动时相，支撑时相又分为脚跟着地趾着地、支撑中期、脚跟离地、蹬离期和趾离地动作阶段，摆动时相分为加速期摆动期和减速期（如图1）[20]。
（一）步态的生物力学参数：
1）步长：步长是指同侧足尖或足跟到迈步后足跟或足尖之间的距离（如图2），其值为跨步长的两倍。
2）步宽：步宽是指人们在行走时两侧足内侧弓之间的距离（如图2）。
3）步频：步频是指单位时间内的行走步数，是步态周期中的另外一个重要参数。
4）步速：步速是指单位时间内的行走距离，又叫步行速度。
5）步行周期：步行周期是指平均步幅时间，相当于支撑相与摆动相之和，也就是一个完整的步态周期时间。
（二）通过测得的加速度的值对步长进行估计
基于行人运动时垂直方向加速度的最大值和最小值的非线性计算公式。
公式（2-6）是步长的非线性计算方法[21]，公式（2-6）中，Amax和Amin是每一步态周期中垂直方向加速度的最大值和最小值，K是常数，可以经过校正阶段进行计算得到，单个参数易于校正，且对具体的个人来说，K值变化不大。
3 运动加速度信号无线采集系统的实现
3.1 运动加速度信号无线采集系统的实现方案
首先通过行人携带的加速度传感器来获得行人走路时产生的加速度信号值，然后進行AD转换，即将模拟信号转换为数字信号，送至微处理器进行处理计算。处理后的加速度值由蓝牙模块转至PC机，得到最后的估计值。
如图3.1无线采集数据结构图所示，行人加速度值的采集系统主要由蓝牙模块和PC机组成。发射模块主要是加速度传感器、AD转换器、单片机和蓝牙模块的发射部分组成；接收部分主要是蓝牙模块的接收部分和PC机两部分。 3.2 本文硬件搭建
首先進行的是对加速度传感器选型，微处理器选型。
1）考虑到行人在运动过程中产生的加速度的范围，以及灵敏度等问题，本次毕设选择的加速度计是MPU6050，该加速度计是一个六轴加速度计，但是在本文中暂时只是用三个轴向方向的加速度值作为研究对象。
2）考虑到需要对数据进行采集，和相应的处理计算以及开发环境等，本文选择的是STM32的微处理器。
3）由于需要对行人的加速度值进行无线实时的传输，选择加入一个蓝牙模块，以实现数据的实时传输。
4）最终的数据以及结果显示是在上位机上（图4，图5）。
4 系统软件设计
4.1 软件设计
在本文的研究中，对软件的设计主要是集中在对估计步态和步长的算法上，加速度计采样的频率是10ms，也就是每1s采样100次，主要是通过单片机采集和蓝牙传输得到加速度值；采用滑动平均值对加速度值进行滤波，之后在进行计算。每1s计算一次加速度的平均值、方差，求出最大值、最小值，并计算最大值与最小值的差的四次方根。这些值都是为之后区分步态、计算步长做准备的。
5 系统测试与实验
5.3.1实地测试（图7）
测试结果如表1：
由场地测试的结果可以看出：精确度大部分都在80%以上，可以对行人的步态进行很好的估计。尤其是在“跑”的状态下，步态估计都达到了100%，精确度很高。
2.对步长的估计值和真实值的对如表2：
由测试结果可看出：通过拟合后的公式基本可以完成对步长的估计工作，大概的误差在10%以内。
本文研究获得的区分行人运动状态和估算行人步长的结果和已有研究结果的对比。
1.运动状态分析的对比
查阅相关资料，找到以下参考数据，将当前动作分类结果和之前研究结果相比较，如表3所示。
由对比结果可以看出，本文的总体的正确度与之前的研究相比较并没有很明显的优势，但是在前进这一步态的分辨上，之前的研究对前进的分辨率很高，几乎达到了100%，而本文的正确率只有85%左右。但是也可以看出本文的优势，之前的研究从单个状态的正确度来看，只有走路（前进、后退）的正确度较高，但是对上下楼的分辨率并不及前进的正确率，而且可以说差距较大，但是在本文的方法下，可以说几种运动状态的正确区分率较为平均，基本都维持在85%左右。也可以说是本文的一个优势所在。
2.估算步长研究的对比
查阅相关资料，得到的数据只有估算行人行走状态的数据，于是将本文对行走状态下的步长估计结果和之前的研究进行对比，如表4。
根据比较的结果可以看出，本文的误差率和之前研究的相比有了一定程度的减小。但是，值得注意的是，本次实验中研究对象只有作者本人，而之前的实验研究对象都不止一人，但数据还是具有一定的参考价值。
6 结论
本文通過加速度计得到行人运动过程中的加速度值，通过对加速度值进行处理得到行人运动的步态及步长相应的估计值，且相比于之前的研究在精确度上有所提升，对个人导航的发展有很大的促进作用。
参考文献
[1] 田增山，朝磊，邢培基，等.行人导航系统中航迹推算参数估计方法的研究[J].电子技术应用，2009（12）：84-87.
[2] Feliz Alonso R， Zalama Casanova E， Gómez García-Bermejo J. Pedestrian tracking using inertial sensors[J]. 2009.
[3] 苏长云.“地面勇士”的综合导航系统[J].情报指挥控制系统与仿真技术，2001（3）：16-18.
[4] 刘晓婷.基于加速度的人体步态信息多尺度熵研究[D].天津大学，2008.
[5] 刘志，杨先军，姚志明，等.电子步道在步态时空参数测量中的可靠性[J].传感技术学报，2010，23（7）：913-917.
[6] Feliz Alonso R， Zalama Casanova E， Gómez García-Bermejo J. Pedestrian tracking using inertial sensors[J]. 2009.
[7] 郭才发，胡正东，张士峰，等.地磁导航综述[J].宇航学报，2009，30（4）：1314-1319.
[8] 侯向锋.基于运动加速度的步态识别研究[D].武汉：华中师范大学，2007.
[9] 翟文婷.利用加速度传感器实现人体步态识别[D].沈阳工业大学，2013.
[0] Shu tler J.， Nixo n M.， Har r is C.. Statistical gait recognition via temporal moments. Proceeding IEEE Symposium on Image Analsis and Interpretation， Austin，Texas，2000，19（03）291-295.
[11] Hayfron- Acqua h J .，Nixon M ， Cart er J ..Automatic gait recog nition by symmetry analys is.Proceeding I nternational . Conference . on Audio - Video - Based Biom etr ic Person Authentication ，Halmstad， Sweden ， 2001 ，12 （ 09 ） ： 27 2 - 27 7 . [12] Ailisto H J， Lindholm M， Mantyjarvi J， et al. Identifying people from gait pattern with accelerometers[C]//Defense and Security. International Society for Optics and Photonics， 2005： 7-14.
[13] Mantyjarvi J， Lindholm M， Vildjiounaite E， et al. Identifying users of portable devices from gait pattern with accelerometers[C]//Acoustics， Speech， and Signal Processing， 2005. Proceedings.（ICASSP'05）. IEEE International Conference on. IEEE， 2005， 2： ii/973-ii/976 Vol. 2.
[14] Gafurov D， Helkala K， S？ndrol T. Gait recognition using acceleration from MEMS[C]//Availability， Reliability and Security， 2006. ARES 2006. The First International Conference on. IEEE， 2006： 6 pp.
[15] 侯向鋒，刘蓉，周兆丰.加速度传感器MMA7260在步态特征提取中的应用[J].传感技术学报，2007，20（3）：507-511.
[16] 劉晓婷.基于加速度的人体步态信息多尺度熵研究[D].天津大学，2008.
[17] 王犇，袁涛，梁灿.基于加速度特征点提取的步态身份认证[J].清华大学学报：自然科学版，2009（10）：1601-1604.
[18] 刘晓祥.基于加速度传感器的动作捕捉系统的研究[D].长春：吉林大学[23 Van Gestel T， Suykens JAK， Baestaens DE， et a1. Financial time series prediction using least squares suppo～ vector ma—chines within the evidence framework2001 （O4）[33， 2011.
[19] 庞晗.基于MEMS惯性器件的徒步个人导航仪设计与实现[D].哈尔滨工程大学，2012.
[20] 钱竞光，宋雅伟，叶强，等.步行动作的生物力学原理及其步态分析[J].南京体育学院学报：自然科学版，2006，5（4）：1-7.
[21] Wei Chen，Ruizhi Chen，Yuwei Chen，et al. An effective pedestrian dead reckoning algorithm using a unified heading error model[J]. IEEE， 978-1-4244-5037-4/10，2010：340-347.
[22] 徐川龙，顾勤龙，姚明海.一种基于三维加速度传感器的人体行为识别方法①[J].2013.
[关键词]运动加速度步态识别 时域特征步长估计
中图分类号：TE461 文献标识码：A 文章编号：1009-914X（2017）34-0292-04
1.简介
随着科学技术的发展，个人定位技术也在飞速的发展，并且定位技术的相关产品与服务的融合也越来越多，市场需求也越来越大。定位的概念也越来越引起了人们的关注，更多的融入了人们的生活，也越来越人性化，为不同类型的用户提供位置信息服务[1]。然而对于GPS系统来说，干扰是不得不提的问题，它严重影响了GPS定位的准确性[2]。于是地磁导航逐渐成为人们关注的领域，地磁导航技术是一种无辐射、隐蔽性强、无漂移误差的自主导航技术，属于主动式导航。利用磁电子罗盘可以测得航向信息，再对行人的步长、步数进行估计，两者结合就可以得到位移信息。所以基于加速度传感器对行人运动分类及步长估计是进行个人导航的基础工作。
基于加速度计来进行人体步态识别，是一个新兴领域，相比于基于视觉的行为识别有一定的优点，它携带方便，有较强的抗干扰能力，获得数据的方式较自由。除此之外，对人运动状态的研究在机器人的行走、人的行为理解等科学研究上也占有举足轻重的地位。随着测试技术的处理方法的日臻完善，步态研究广泛的用于骨科、假肢设计、运动医学、神经内外科等诸多领域，成为生物力学的一个重要分支[4]。
2 估計步态步长的方法
2.1 估计步态的方法
基于加速度计的硬件系统搭建好了以后，将其置于行人的腰间、脚踝或手臂处来测量行走时的加速度值。在放置的时候保证X轴的正方向指向人前进的方向，Y轴的正方向指向人体的正左方，Z轴的正方向指向人体的正上方。根据参考文献[6]：
X轴数据（前进方向）：假设人走路的速度是恒定的，那么X轴方向上的加速度将不受人行走速度的影响，它仅仅反映了前进过程中单腿支撑阶段人腰部（脚踝、手臂）的加速度。
Y轴数据（左右方向）：Y轴方向的加速度反映了人行走过程中腰部（脚踝、手臂）左右方向（侧向）的加速度。
Z轴数据（垂直方向）：Z轴方向的加速度反映了人行走过程中在腰部（脚踝、手臂）产生的上下方向的加速度。
根据加速度信号的时域特征进行分类：
反映数据分布的特征主要有三个方面，分别是散布特征、位置特征、形态特征。加速度传感器获得的加速度信号是离散的数字信号，又因为形态特征是针对单个波峰而言的，我们选择从散布特征和位置特征两方面来对加速度信号描述。本文分别选取平均值、标准差、百分位数、平均偏差四个方面的时域特征。平均值属于位置特征，是信号大小相互抵消的结果，是对信号的集中程度的描述。标准差、百分位数和平均偏差属于散布特征，是对信号的离散程度的描述。
设原始信号为X（1），X（2），…X（n），则信号的平均值、标准差和平均偏差分别为：
信号的时域特征从时域方面对信号的离散程度和集中程度的描述，能够反映信号的分布特征。可以根据加速度的这个特征对行人运动进行分类。
2.2 步长估计算法
走路是一个周期运动，全身肌肉参与，包括人体重心移位，骨盆倾斜旋转，髋、膝、踝关节伸屈及内外旋展等，使人体位移的一种复杂的随意运动。行走过程中，从一侧脚跟着地开始到该脚跟再次着地构成，一个步态周期对指定的下肢而言，一个步态周期的活动可分为支撑时相和摆动时相，支撑时相又分为脚跟着地趾着地、支撑中期、脚跟离地、蹬离期和趾离地动作阶段，摆动时相分为加速期摆动期和减速期（如图1）[20]。
（一）步态的生物力学参数：
1）步长：步长是指同侧足尖或足跟到迈步后足跟或足尖之间的距离（如图2），其值为跨步长的两倍。
2）步宽：步宽是指人们在行走时两侧足内侧弓之间的距离（如图2）。
3）步频：步频是指单位时间内的行走步数，是步态周期中的另外一个重要参数。
4）步速：步速是指单位时间内的行走距离，又叫步行速度。
5）步行周期：步行周期是指平均步幅时间，相当于支撑相与摆动相之和，也就是一个完整的步态周期时间。
（二）通过测得的加速度的值对步长进行估计
基于行人运动时垂直方向加速度的最大值和最小值的非线性计算公式。
公式（2-6）是步长的非线性计算方法[21]，公式（2-6）中，Amax和Amin是每一步态周期中垂直方向加速度的最大值和最小值，K是常数，可以经过校正阶段进行计算得到，单个参数易于校正，且对具体的个人来说，K值变化不大。
3 运动加速度信号无线采集系统的实现
3.1 运动加速度信号无线采集系统的实现方案
首先通过行人携带的加速度传感器来获得行人走路时产生的加速度信号值，然后進行AD转换，即将模拟信号转换为数字信号，送至微处理器进行处理计算。处理后的加速度值由蓝牙模块转至PC机，得到最后的估计值。
如图3.1无线采集数据结构图所示，行人加速度值的采集系统主要由蓝牙模块和PC机组成。发射模块主要是加速度传感器、AD转换器、单片机和蓝牙模块的发射部分组成；接收部分主要是蓝牙模块的接收部分和PC机两部分。 3.2 本文硬件搭建
首先進行的是对加速度传感器选型，微处理器选型。
1）考虑到行人在运动过程中产生的加速度的范围，以及灵敏度等问题，本次毕设选择的加速度计是MPU6050，该加速度计是一个六轴加速度计，但是在本文中暂时只是用三个轴向方向的加速度值作为研究对象。
2）考虑到需要对数据进行采集，和相应的处理计算以及开发环境等，本文选择的是STM32的微处理器。
3）由于需要对行人的加速度值进行无线实时的传输，选择加入一个蓝牙模块，以实现数据的实时传输。
4）最终的数据以及结果显示是在上位机上（图4，图5）。
4 系统软件设计
4.1 软件设计
在本文的研究中，对软件的设计主要是集中在对估计步态和步长的算法上，加速度计采样的频率是10ms，也就是每1s采样100次，主要是通过单片机采集和蓝牙传输得到加速度值；采用滑动平均值对加速度值进行滤波，之后在进行计算。每1s计算一次加速度的平均值、方差，求出最大值、最小值，并计算最大值与最小值的差的四次方根。这些值都是为之后区分步态、计算步长做准备的。
5 系统测试与实验
5.3.1实地测试（图7）
测试结果如表1：
由场地测试的结果可以看出：精确度大部分都在80%以上，可以对行人的步态进行很好的估计。尤其是在“跑”的状态下，步态估计都达到了100%，精确度很高。
2.对步长的估计值和真实值的对如表2：
由测试结果可看出：通过拟合后的公式基本可以完成对步长的估计工作，大概的误差在10%以内。
本文研究获得的区分行人运动状态和估算行人步长的结果和已有研究结果的对比。
1.运动状态分析的对比
查阅相关资料，找到以下参考数据，将当前动作分类结果和之前研究结果相比较，如表3所示。
由对比结果可以看出，本文的总体的正确度与之前的研究相比较并没有很明显的优势，但是在前进这一步态的分辨上，之前的研究对前进的分辨率很高，几乎达到了100%，而本文的正确率只有85%左右。但是也可以看出本文的优势，之前的研究从单个状态的正确度来看，只有走路（前进、后退）的正确度较高，但是对上下楼的分辨率并不及前进的正确率，而且可以说差距较大，但是在本文的方法下，可以说几种运动状态的正确区分率较为平均，基本都维持在85%左右。也可以说是本文的一个优势所在。
2.估算步长研究的对比
查阅相关资料，得到的数据只有估算行人行走状态的数据，于是将本文对行走状态下的步长估计结果和之前的研究进行对比，如表4。
根据比较的结果可以看出，本文的误差率和之前研究的相比有了一定程度的减小。但是，值得注意的是，本次实验中研究对象只有作者本人，而之前的实验研究对象都不止一人，但数据还是具有一定的参考价值。
6 结论
本文通過加速度计得到行人运动过程中的加速度值，通过对加速度值进行处理得到行人运动的步态及步长相应的估计值，且相比于之前的研究在精确度上有所提升，对个人导航的发展有很大的促进作用。
参考文献
[1] 田增山，朝磊，邢培基，等.行人导航系统中航迹推算参数估计方法的研究[J].电子技术应用，2009（12）：84-87.
[2] Feliz Alonso R， Zalama Casanova E， Gómez García-Bermejo J. Pedestrian tracking using inertial sensors[J]. 2009.
[3] 苏长云.“地面勇士”的综合导航系统[J].情报指挥控制系统与仿真技术，2001（3）：16-18.
[4] 刘晓婷.基于加速度的人体步态信息多尺度熵研究[D].天津大学，2008.
[5] 刘志，杨先军，姚志明，等.电子步道在步态时空参数测量中的可靠性[J].传感技术学报，2010，23（7）：913-917.
[6] Feliz Alonso R， Zalama Casanova E， Gómez García-Bermejo J. Pedestrian tracking using inertial sensors[J]. 2009.
[7] 郭才发，胡正东，张士峰，等.地磁导航综述[J].宇航学报，2009，30（4）：1314-1319.
[8] 侯向锋.基于运动加速度的步态识别研究[D].武汉：华中师范大学，2007.
[9] 翟文婷.利用加速度传感器实现人体步态识别[D].沈阳工业大学，2013.
[0] Shu tler J.， Nixo n M.， Har r is C.. Statistical gait recognition via temporal moments. Proceeding IEEE Symposium on Image Analsis and Interpretation， Austin，Texas，2000，19（03）291-295.
[11] Hayfron- Acqua h J .，Nixon M ， Cart er J ..Automatic gait recog nition by symmetry analys is.Proceeding I nternational . Conference . on Audio - Video - Based Biom etr ic Person Authentication ，Halmstad， Sweden ， 2001 ，12 （ 09 ） ： 27 2 - 27 7 . [12] Ailisto H J， Lindholm M， Mantyjarvi J， et al. Identifying people from gait pattern with accelerometers[C]//Defense and Security. International Society for Optics and Photonics， 2005： 7-14.
[13] Mantyjarvi J， Lindholm M， Vildjiounaite E， et al. Identifying users of portable devices from gait pattern with accelerometers[C]//Acoustics， Speech， and Signal Processing， 2005. Proceedings.（ICASSP'05）. IEEE International Conference on. IEEE， 2005， 2： ii/973-ii/976 Vol. 2.
[14] Gafurov D， Helkala K， S？ndrol T. Gait recognition using acceleration from MEMS[C]//Availability， Reliability and Security， 2006. ARES 2006. The First International Conference on. IEEE， 2006： 6 pp.
[15] 侯向鋒，刘蓉，周兆丰.加速度传感器MMA7260在步态特征提取中的应用[J].传感技术学报，2007，20（3）：507-511.
[16] 劉晓婷.基于加速度的人体步态信息多尺度熵研究[D].天津大学，2008.
[17] 王犇，袁涛，梁灿.基于加速度特征点提取的步态身份认证[J].清华大学学报：自然科学版，2009（10）：1601-1604.
[18] 刘晓祥.基于加速度传感器的动作捕捉系统的研究[D].长春：吉林大学[23 Van Gestel T， Suykens JAK， Baestaens DE， et a1. Financial time series prediction using least squares suppo～ vector ma—chines within the evidence framework2001 （O4）[33， 2011.
[19] 庞晗.基于MEMS惯性器件的徒步个人导航仪设计与实现[D].哈尔滨工程大学，2012.
[20] 钱竞光，宋雅伟，叶强，等.步行动作的生物力学原理及其步态分析[J].南京体育学院学报：自然科学版，2006，5（4）：1-7.
[21] Wei Chen，Ruizhi Chen，Yuwei Chen，et al. An effective pedestrian dead reckoning algorithm using a unified heading error model[J]. IEEE， 978-1-4244-5037-4/10，2010：340-347.
[22] 徐川龙，顾勤龙，姚明海.一种基于三维加速度传感器的人体行为识别方法①[J].2013.