CN103400123A - 基于三轴加速度传感器及神经网络的步态类型鉴别方法 - Google Patents

Abstract

本发明公开了基于三轴加速度传感器及神经网络的步态类型鉴别方法，具体步骤如下：步骤1）：建立步态加速度信号数据库；步骤2）：信号同期分割阶段；步骤3）：去除重力因素，步骤4）：步态特征提取阶段；步骤5）：步态预分类阶段；步骤6）：步态特征集降维操作；步骤7）：步态具体鉴别阶段；本发明利用分阶段MIV法筛选步态特征，结合BP神经网络进行步态类型鉴别工作,将提取的特征作为神经网络输入自变量,依次经步态预分类、步态具体鉴别两阶段,实现了坐、站立、慢走、快走、上楼、下楼6种步态类型的有效鉴别，且通过今后对步态数据容量范围的增大及神经网络的优化设计，将会具有较高的准确性和可靠性。

Description

基于三轴加速度传感器及神经网络的步态类型鉴别方法

技术领域

本发明属于生物医学信号处理技术领域，涉及一种步态类型鉴别方法，具体涉及一种基于三轴加速度传感器及神经网络的步态类型鉴别方法。

背景技术

步态是指人步行时的姿态，是一种复杂的生物特征。它具有以下优点：对***分辨率要求不高、适应于远距离识别、不易受侵犯、难于隐藏等等。因此对步态的研究成为国内外研究机构和大学的研究热点之一。

国外对步态类型鉴别的研究和关注起步较早，方式方法主要是在基于视频图像和传感器两种模式。

基于视频图像的研究方法，其实验数据来源于摄像头监测个体运动状况而来。这种研究方法一般包括：对序列图像的分割、图像二值化、图像空间特征提取、识别算法应用等过程。它的缺点就是资金投入大、易受环境影响、个体隐私得不到保证、而且实验数据量大，二维的图像数据处理起来较为麻烦。

另一种研究方法是通过个体佩戴传感器进行检测采集某种生理信号数据，再传输到上位机进行数据的分析处理。传感器类型有呼吸、心跳、能量、加速度等等作为步态类型鉴别的应用。加速度信号具有易获取、数据准确、环境干扰因素少等优点。加速度传感器被广泛应用到这一课题。

利用步态加速度信号进行类型鉴别就是要对获取的人体自然运动的加速度信号进行分析处理，通常包含运动信号获取、信号周期分割、信号特征提取、鉴别算法4个过程。

其中信号特征提取这过程直接影响最终的鉴别性能。近来许多研究者集中将样本熵、小波能量值、小波多尺度熵、傅里叶描述子作为步态类型分析鉴别的特征，然后再将检测数据的特征与样本特征应用各类识别算法完成最终的鉴别任务。这种处理方法的缺点在于缺乏高准确性和可靠性，步态信号的一种或两种时频特征在区分两种相似的步态时，会出现鉴别失败的情况。也有研究者采取混合时频域特征匹配的方法进行步态鉴别，却容易忽视不同特征可能存在相关性的问题，出现事倍功半的不良效果。

综上所述，按传统加速度方法存在的局限性有：

（1）在传感器佩戴位置方面，佩戴位置都必须确定统一，且附着在衣物上，这会使有的实验者在实验时不适，使步态缺乏自然性；

（2）按时间顺序分割信号，会使某个时刻的突变动作信号被单独分离开，影响误判；

（3）提取的有些特征它们之间存在很大的相关性，完全可以通过降维选取最具代表的特征代替所有特征；

（4）有些特征降维方法对筛选步态信号特征效果不佳，鉴别率不高。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种基于三轴加速度传感器及神经网络的步态类型鉴别方法，通过三轴加速度传感器获取人体步态加速度信号，本发明基于获取人体步态加速度信号，采用分阶段鉴别的方法，能够鉴别6种人体步态类型（坐、站立、慢走、快走、上楼、下楼），包括2种静态步态和4种动态步态。

为实现上述目的，本发明采用下述技术方案：

基于三轴加速度传感器及神经网络的步态类型鉴别方法，具体步骤如下：

步骤1）：建立步态加速度信号数据库，这里得到的称作原始步态数据；

步骤2）：将原始步态数据通过滤波去除重力因素，获取的信号数据称作运动加速度数据样本；

步骤3）：信号同期分割阶段：将步骤1）中的原始步态数据和步骤2）中的运动加速度样本进行切割得到原始步态数据样本块和运动加速度数据样本块，分别均从分割的两类数据样本块中间隔抽取得到检测样本和训练样本，此时检测样本包括原始步态检测样本和运动加速度检测样本，训练样本包括原始步态训练样本和运动加速度训练样本；

步骤4）：步态特征提取阶段：从运动加速度训练样本和运动加速度检测样本中提取特征值，从原始步态检测样本和原始步态训练样本中提取特征值；

步骤5）：步态预分类阶段：利用步骤4）得到的运动加速度训练样本的特征值训练第一神经网络，利用训练好的第一神经网络对步骤4）得到的运动加速度检测样本进行预分类；

步骤6）：步态特征集降维操作：分别进行静态步态特征集的降维和动态步态特征集的降维；

步骤7）：步态具体鉴别阶段：

训练第二神经网络，并用训练好的第二神经网络对预分类为静态类型的原始步态检测样本进行类型的鉴别；

训练第三神经网络，并用训练好的第三神经网络对预分类为动态类型的原始步态检测样本进行类型的鉴别。

所述步骤1）的具体方法是：

11）三轴加速度传感器佩戴的位置都统一在胸前，且用强力胶布加以固定，采集来的XYZ三轴的数据代表了实验者竖直方向、左右方向、前后方向上的加速度数据；步态信号的采集使用三轴加速度传感器MMA7260Q，加速度测试量程为±4g，g为自由落体速度，1g=9.8m/s²，***采样频率为200Hz；

12）实验者人数为若干名，穿平底鞋以自然步速进行坐、站、慢走、快走、上楼、下楼6种不同步态的实验，每名实验者进行每种步态实验持续若干分钟，从而建立了步态加速度信号数据库，所得数据称作原始步态信号。

所述步骤2）为将运动加速度从原始步态信号中分离开来，将原始步态信号经过截止频率为0.5Hz，波纹为0.01db的三阶巴特沃斯低通滤波器，把重力因素去除，得到运动加速度数据。

所述步骤3）的具体方法是：将采样频率从200Hz降为100Hz，每个数据使用5秒的重叠率为50%矩形时间窗分割成48段数据样本，在保存数据样本时，为每个数据样本加上标签1～6，分别代表坐、站、慢走、快走、上楼、下楼6种不同步态，间隔选取每人每种步态25%的数据作为检测样本，剩余的75%作为训练样本，所述间隔抽取是每四个数据样本块中选取第一个数据样本块。

所述步骤4）的步骤如下：

步骤41）：分别从步骤3）的运动加速度训练样本和运动加速度检测样本中提取信号幅度面积SMA和平均能量值AE两个特征值；

步骤42）：从步骤3）的原始步态检测样本和原始步态训练样本中提取X、Y、Z三个轴数据的特征值，每一个轴的特征值包括均值、轴相关系数、能量值、四分位差、平均绝对差、平方根、标准差和方差8个特征值，由于有三个轴共计24个特征值。

所述步骤5）的步骤如下：

建立第一BP神经网络，将步骤41）获得的运动加速度训练样本的两个特征值合并为它的特征集作为神经网络输入，训练能够鉴别动态步态与静态步态的第一BP神经网络，使其误差率满足要求：误差率小于0.02，然后将运动加速度检测样本的特征集作为输入用训练好的第一BP神经网络进行预分类。

所述步骤6）的步骤如下：

步骤61）静态步态特征集降维：将步骤3）中标签属于静态的原始步态训练样本的24个特征值进行平均影响值MIV方法降维，对步态鉴别影响越大的特征值的MIV值越大，选取8个MIV值最大的特征值合并作为静态步态神经网络输入特征集；

步骤62）动态步态特征集降维：将步骤3）中标签属于动态的原始步态训练样本的24个特征值同样进行平均影响值MIV方法降维，选取8个MIV值最大的特征值合并作为动态步态神经网络输入特征集。

所述步骤7)的步骤如下：

步骤71）静态步态的具体鉴别：建立第二BP神经网络用于对静态步态进行具体类型鉴别，利用步骤61）的静态步态神经网络输入特征集作为输入训练第二BP神经网络，训练完成后，步骤5）中预分类为静态类型的原始步态检测样本进入第二BP神经网络中进行具体鉴别，鉴别类型结果有两种：站立、坐；

步骤72）动态步态的具体鉴别：建立第三BP神经网络用于对动态步态进行具体类型鉴别，利用步骤62）的动态步态神经网络输入特征集作为输入训练第三BP神经网络，训练完成后步骤5）中预分类为动态类型的原始步态检测样本进入第三BP神经网络中进行具体鉴别，鉴别类型结果有四种：快走、慢走、上楼、下楼。

所述步骤4）步态特征的提取是运用特征计算公式从步态数据中计算而来：

步骤41）用于预分类阶段的计算公式分别为：

$\mathrm{SMA}=\frac{1}{w}\left(\underset{i=1}{\overset{w}{\mathrm{\Σ}}}\right|x_i|+\underset{i=1}{\overset{w}{\mathrm{\Σ}}}|y_i|+\underset{i=1}{\overset{w}{\mathrm{\Σ}}}|z_i\left|\right);\mathrm{AE}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\frac{A_k^2}{N},$

其中w、N均为为时间窗长度，x_iy_iz_i代表一个窗的xyz三轴上的运动加速度数据，A_k是一个窗的xyz三轴上的运动加速度数据进行离散FFT变换的系数；

步骤42）用于具体鉴别类型阶段的部分计算公式为：

均值

式中，a_i为第i时刻加速度的采样值，w为窗口长度；轴相关系数

式中，a_ib_i分别代表两个不同轴的加速度采样信号，此式用于计算xy，xz和yz三轴之间的相关系数;能量值方差

式中a_i为第i时刻加速度的采样值，u为a_i的平均值；标准差

式中a_i为第i时刻加速度的采样值，u为a_i的平均值。

所述步骤5）在步态预分类阶段，第一BP神经网络结构是：2-5-2，即输入层有2个节点，隐含层有5个节点，输出层有2个节点；这里隐含层和输出层的神经网络激活函数均选择S型激活函数

神经网络的期望误差设定为0.02，使用的神经网络算法为Levnberg_Marquardt的BP算法；用运动加速度数据样本训练神经网络时，信号幅度面积SMA和平均能量值AE作为预分类神经网络区分静态或动态步态的输入特征集，输出结果为1、2的将转化为[10]^T用来表示静态步态，输出结果为3、4、5、6将转化为为[01]^T用来表示动态步态；3层BP神经***的扑拓结构图表达的是n×1维的特征集列向量X_n＝(x₁,x₂,...,x_n)^T(X_n∈X)到m×1维鉴别结果列向量Y_m＝(Y₁,Y₂,...,Y_m)^T(Y_m∈Y)的非线性函数映射关系，BP神经网络通过信息正向传播和误差反向传播2个训练过程，反复调节神经网络权值和阈值，使神经网络输出值与期望值的误差达到要求。

所述步骤6）静态/动态步态分类器的输入特征集的维数为24。对输入特征集的维数降低，去除冗余的特征，选择出最能反映神经网络的非线性映射关系的特征集。平均影响值（MIV）方法主要是在用所有步态信号特征集训练一个正确的神经网络后，再对各个输入特征集进行差值运算即每个输入变量分别±10%生成新样本p₁、p₂（p₁p₂=原特征值×(1±10%)），再分别作为仿真样本的神经网络输入用建好的网络进行仿真，得到网络输出仿真值A₁、A₂。再取其差值的算术平方根即平均影响值。经过平均影响值计算后，选取平均影响值前8最大的特征作为优化的动态步态神经网络分类器的输入自变量。用相同的平均影响值方法，选取平均影响值最大的这8个特征作为优化的静态步态神经网络分类器的输入自变量。

所述步骤7）在步态类型具体鉴别阶段，在具体鉴别其步态类型阶段，均值、轴相关系数、能量值、四位分差、平均绝对差、方根、标准差、方差这8个特征则作为静态/动态步态分类器的输入特征集，由于有3个轴，因此静态/动态动作分类器的输入特征集的维数为24。

需要进行步态标签提取转化为二维输出结果操作：在动态步态具体分类时，标签为3、4、5、6将输出结果分别定为[1000]^T、[0100]^T、[0010]^T、[0001]^T；在静态步态分类时，标签为1的将输出结果定为[10]^T，标签为2将输出结果定为[01]^T。动态步态神经网络结构是：8-30-4。静态步态神经网络结构是：8-10-2。这里隐含层和输出层的激活函数均选择S型激活函数：

网络的期望误差设定为0.02。使用的神经网络算法为Levnberg_Marquardt的BP算法。Levnberg_Marquardt的BP算法的简要说明：设W(k)表示第k次迭代的网络权值向量，维数为M，新的权值向量W(k+1)可根据下面的规则求得：W(k+1)＝W(k)+ΔW(k)（ΔW为权值增量）；在Levnberg_Marquardt的算法中，其ΔW形式为：ΔW＝-[J^T(W)J(W)+uI]^-1J(W)e(W),式中u为比例系数，是正的常数；I是单位矩阵；J(W)为Jacobian矩阵；e(W)为期望输出与实际输出的误差向量。Levnberg_Marquardt的BP算法每次迭代效率很高，可大大改善神经网络的整体性能。

本发明的有益效果：

1、本发明所用数据由随身佩戴三轴加速度传感器即时获取并处理，成本更低，更易于集成到其他便携医疗监护设备中。佩戴加速度传感器选在胸前，避免受试者佩戴不适，保证了步态的自然性。每种步态数据用5秒的50%重叠时间矩形窗进行分割出的数据样本提取的特征延续性好，能良好保持彼此的共性。

2、本发明利用神经网络在区分非线性可分类上有较强的学习能力及自主学习复杂映射的能力，通过信息正向传播和误差反向传播2个训练过程，反复调节网络权值和阈值，使网络预测值与期望值的误差达到要求。

3、本发明利用分阶段MIV法筛选步态特征，结合BP神经网络进行步态类型鉴别工作,将提取的特征作为神经网络输入自变量,依次经步态预分类、步态具体鉴别两阶段,实现了坐、站立、慢走、快走、上楼、下楼6种步态类型的有效鉴别，且通过今后对步态数据容量范围的增大及神经网络的优化设计，将会具有较高的准确性和可靠性。

附图说明

图1为用50%重叠矩形时间窗分割受试者慢走步态信号；

图2为BP神经***的扑拓结构图；

图3为受试者静态/动态两类步态在SMA/AE特征上的对比图；

图4（a）为受试者的四种动态步态（慢走、快走）在X轴标准差和X轴能量值特征对比图；

图4（b）为受试者的四种动态步态（上楼、下楼）在X轴标准差和X轴能量值特征对比图；

图5为受试者的坐与站立两种静态步态在X轴均方根和X轴能量值特征对比图；

图6为步态类型鉴别仿真算法流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图6所示，实施例1：

本发明根据便携式心电监护***的统一要求，通过人体佩戴，获取人体自然步态加速度信号基础上，进行步态类型鉴别。

1）受试者步态数据的采集

11）步态信号的采集使用Freescale公司的三轴加速度传感器MMA7260Q，加速度测试量程为±4g，***采样频率为200Hz。传感器佩戴的位置都统一在胸前，且用强力胶布加以固定，采集来的XYZ三轴的数据代表了实验者竖直方向、左右方向、前后方向上的加速度数据。

12）受试者人数为10名，4名男性6名女性（年龄在22～28岁之间，体重介于45～75kg之间），穿平底鞋以自然步速进行坐、站、慢走、快走、上楼、下楼6种不同步态的实验，每名实验者进行每种步态实验持续2分钟。这样就建立了一个容量为60组的步态加速度信号数据库，所得的数据称为原始步态数据。

2）数据的分割与预处理

21）由其他研究结果可知，人体所受重力的频率在0.5Hz以下，为将运动加速度从步态加速度信号中分离开来，设计截止频率为0.5Hz,0.01db波纹的三阶巴特沃斯低通滤波器，把步态数据样本经过滤波器，就可将重力因素去除，得到的则是运动加速度数据便可用于预分类的信号提取。在动态/静态动作分类时，使用的是原始步态数据。

22）采用二间隔抽值（按顺序两个数据抽取第一个）的方法，将采样频率从200Hz降为100Hz,来消除部分噪声。降频后，每人每种步态数据量为12000，且有两类对应的数据形式：运动加速度数据和原始步态数据。每种步态的两种数据形式均使用5秒50%重叠率矩形时间窗分割成48段数据样本块，分割后在保存数据样本块时，为每种步态数据加上标签，标签为数字1～6，用来代表站、坐、慢走、快走、上楼、下楼六种不同步态，标签位置放在步态信号数据的第一位。所有实验者的步态数据样本总和为2880组（48×6×10），图1表示的是如何对慢走步态信号进行时间窗分割。每一类数据的每种步态数据样本有480组，间隔选取每人每种步态25%的数据作为检测样本，剩余的75%作为训练样本，注：检测样本包括原始步态检测样本和运动加速度检测样本，训练样本包括原始步态训练样本和运动加速度训练样本。

3）提取用于鉴别的步态特征

步态特征的提取是运用特征计算公式从步态数据中计算而来。在步态预分类阶段，信号幅度面积（SMA）和平均能量值(AE)作为预分类器区分静态/动态步态的输入特征集,计算公式分别为：

其中w、N均为为时间窗长度，x_iy_iz_i代表一个窗的xyz三轴上的运动加速度数据，A_k是一个窗的xyz三轴上的运动加速度数据进行离散FFT变换的系数。由图3可看出，从运动加速度数据提取的这两个特征能容易区分静态/动态步态，因为静态步态的这两个特征值绝对小于动态的。而步态类型具体鉴别阶段，均值、轴相关系数、能量值、四位分差、平均绝对差、方根、标准差、方差这8个特征则作为静态/动态步态分类器的输入特征集，这8个特征值部分计算公式为：均值

式中，a_i为第i时刻加速度的采样值，w为窗口长度；轴相关系数

式中，a_ib_i分别代表两个不同轴的加速度采样信号，此式用于计算xy，xz和yz三轴之间的相关系数;能量值

式中A_k是一个窗的xyz三轴上的运动加速度数据进行离散FFT变换的系数，N为为时间窗长度;方差

式中a_i为第i时刻加速度的采样值，u为a_i的平均值;标准差

式中a_i为第i时刻加速度的采样值，u为a_i的平均值;由于有3个轴，因此静态/动态动作分类器的输入特征集的维数为24。

4）步态预分类阶段

在步态预分类阶段，首先将步态动作标签提取转化为输出结果操作是：标签为1、2的将输出结果定为[10]^T用来代表静态类型步态；标签为3、4、5、6将输出结果定为[01]^T用来代表动态类型步态。

本文使用3层BP神经网络实现的是(n×1)维的特征集列向量X_n＝(x₁,x₂,...,x_n)^T(X_n∈X)到(m×1)维鉴别结果列向量Y_m＝(Y₁,Y₂,...,Y_m)^T(Y_m∈Y)的非线性函数映射。BP神经网络的结构图如图2所示，构建的步态预分类神经网络结构是：2-5-2，即输入层有2个节点，隐含层有5个节点，输出层有2个节点（作为输入的特征有两个，故输入层节点数为2；输出的步态类型有两种，故输出层节点数为2）。这里隐含层和输出层的激活函数均选择S型激活函数：

网络的期望误差设定为0.02。使用的神经网络算法为Levnberg_Marquardt的BP算法。

首先训练样本特征集作为输入往前传输到隐含层，经激活函数f(u)作用会有输出结果

产生；隐含层的结果再向后传输到输出层，会有输出结果

产生，其中上述两式中w_ijw_jk为BP神经网络各层连接处的权值，θ_Hjθ_Ok为隐含层和输出层的阈值，f为S型激活函数，H_jp、Y_kp分别为隐含层输出结果、输出层输出结果。如果最终输出结果Y_kp和期望值存在不符合要求的误差，再向前反复调节网络权值w_ijw_jk和阈值θ_Hjθ_Ok，使网络预测值与期望值的误差达到要求。

5)原始步态特征集MIV法降维

静态/动态步态分类器的输入特征集的维数为24。为了防止神经网络的过拟合，提高建模精度，需要对输入特征集的维数降低，去除冗余的特征，选择出最能反映神经网络的非线性映射关系的特征集。平均影响值（MIV）方法主要是在用所有步态信号特征集训练一个正确的神经网络后，再对各个输入特征集进行差值运算即每个输入变量分别±10%生成新样本p₁p₂，p₁p₂再分别作为仿真样本用建好的网络进行仿真，得到仿真值A₁A₂,再取其差值的算术平方根，即MIV值。经过MIV法降维后，选取MIV值前8最大的特征：X轴标准差、X轴能量值、X轴均方根、XZ轴相关系数、YZ轴相关系数、Y轴能量值、Y轴均方根、X轴方差作为优化的动态步态神经网络分类器的输入自变量。用相同的MIV方法，选取Y轴均方根、Y轴能量值、X轴均方根、Z轴均方根、YZ轴相关系数、Z轴能量值、X轴能量值、Z轴四位分差MIV值最大的这8个特征作为优化的静态步态神经网络分类器的输入自变量。

从图4(a)和图4（b）可看出四种动态步态在由MIV筛选出的最大前2个特征值X轴标准差、X轴能量值上有很好的区分度，同时从图5中看出两种静态步态在X轴均方根和X轴能量值2个特征上差异性比较明显，这表明MIV法能选择出最能反映神经网络的非线性映射关系的特征集。

6）步态类型具体鉴别阶段

在步态类型具体鉴别阶段，需要进行步态标签提取转化为二维输出结果操作：在动态步态具体分类时，标签为3、4、5、6将输出结果分别定为[1000]^T、[0100]^T、[0010]^T、[0001]^T；在静态步态分类时，标签为1的将输出结果定为[10]^T，标签为2将输出结果定为[01]^T。动态步态神经网络结构是：8-30-4，因为选取8个最具代表性的特征集，要鉴别的动态动作有4种。静态步态神经网络结构是：8-10-2，因为选取8个最具代表性的特征集，要鉴别的静态动作有2种。这里隐含层和输出层的激活函数均选择S型：

网络的期望误差设定为0.02。使用的神经网络算法为Levnberg_Marquardt的BP算法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于三轴加速度传感器及神经网络的步态类型鉴别方法，其特征是，具体步骤如下：

步骤1）：建立步态加速度信号数据库，这里得到的称作原始步态数据；

步骤2）：将原始步态数据通过滤波去除重力因素，获取的信号数据称作运动加速度数据样本；

步骤3）：信号同期分割阶段：将步骤1）中的原始步态数据和步骤2）中的运动加速度样本进行切割得到原始步态数据样本块和运动加速度数据样本块，分别均从分割的两类数据样本块中间隔抽取得到检测样本和训练样本，此时检测样本包括原始步态检测样本和运动加速度检测样本，训练样本包括原始步态训练样本和运动加速度训练样本；

步骤4）：步态特征提取阶段：从运动加速度训练样本和运动加速度检测样本中提取特征值，从原始步态检测样本和原始步态训练样本中提取特征值；

步骤5）：步态预分类阶段：利用步骤4）得到的运动加速度训练样本的特征值训练第一神经网络，利用训练好的第一神经网络对步骤4）得到的运动加速度检测样本进行预分类；

步骤6）：步态特征集降维操作：分别进行静态步态特征集的降维和动态步态特征集的降维；

步骤7）：步态具体鉴别阶段：

训练第二神经网络，并用训练好的第二神经网络对预分类为静态类型的原始步态检测样本进行类型的鉴别；

训练第三神经网络，并用训练好的第三神经网络对预分类为动态类型的原始步态检测样本进行类型的鉴别。

2.如权利要求1所述的鉴别方法，其特征是，

所述步骤1）的具体方法是：

11）三轴加速度传感器佩戴的位置都统一固定在胸前，采集来的XYZ三轴的数据代表了实验者竖直方向、左右方向、前后方向上的加速度数据；步态信号的采集使用三轴加速度传感器MMA7260Q，加速度测试量程为±4g，g为自由落体速度，1g=9.8m/s²，***采样频率为200Hz；

12）实验者人数为若干名，穿平底鞋以自然步速进行坐、站、慢走、快走、上楼、下楼6种不同步态的实验，每名实验者进行每种步态实验持续若干分钟，从而建立了步态加速度信号数据库，所得数据称作原始步态信号。

3.如权利要求1所述的鉴别方法，其特征是，

所述步骤2）为将运动加速度从原始步态信号中分离开来，将原始步态信号经过截止频率为0.5Hz，波纹为0.01db的低通滤波器，把重力因素去除，得到运动加速度数据。

4.如权利要求1所述的鉴别方法，其特征是，

所述步骤3）的具体方法是：将采样频率从200Hz降为100Hz，每个数据使用5秒的重叠率为50%矩形时间窗分割成48段数据样本，在保存数据样本时，为每个数据样本加上标签1～6，分别代表坐、站、慢走、快走、上楼、下楼6种不同步态，间隔选取每人每种步态25%的数据作为检测样本，剩余的75%作为训练样本，所述间隔抽取是每四个数据样本块中选取第一个数据样本块。

5.如权利要求1所述的鉴别方法，其特征是，

所述步骤4）的步骤如下：

步骤41）：分别从步骤3）的运动加速度训练样本和运动加速度检测样本中提取信号幅度面积SMA和平均能量值AE两个特征值；

步骤42）：从步骤3）的原始步态检测样本和原始步态训练样本中提取X、Y、Z三个轴数据的特征值，每一个轴的特征值包括均值、轴相关系数、能量值、四分位差、平均绝对差、平方根、标准差和方差8个特征值，由于有三个轴共计24个特征值。

6.如权利要求1所述的鉴别方法，其特征是，所述步骤5）的步骤如下：

建立第一BP神经网络，将步骤41）获得的运动加速度训练样本的两个特征值合并为它的特征集作为神经网络输入，训练能够鉴别动态步态与静态步态的第一BP神经网络，使其误差率满足要求：误差率小于0.02，然后将运动加速度检测样本的特征集作为输入用训练好的第一BP神经网络进行预分类。

7.如权利要求1所述的鉴别方法，其特征是，所述步骤6）的步骤如下：

步骤61）静态步态特征集降维：将步骤3）中标签属于静态的原始步态训练样本的24个特征值进行平均影响值MIV方法降维，对步态鉴别影响越大的特征值的MIV值越大，选取8个MIV值最大的特征值合并作为静态步态神经网络输入特征集；

步骤62）动态步态特征集降维：将步骤3）中标签属于动态的原始步态训练样本的24个特征值同样进行平均影响值MIV方法降维，选取8个MIV值最大的特征值合并作为动态步态神经网络输入特征集。

8.如权利要求1所述的鉴别方法，其特征是，所述步骤7)的步骤如下：

步骤71）静态步态的具体鉴别：建立第二BP神经网络用于对静态步态进行具体类型鉴别，利用步骤61）的静态步态神经网络输入特征集作为输入训练第二BP神经网络，训练完成后，步骤5）中预分类为静态类型的原始步态检测样本进入第二BP神经网络中进行具体鉴别，鉴别类型结果有两种：站立、坐；

步骤72）动态步态的具体鉴别：建立第三BP神经网络用于对动态步态进行具体类型鉴别，利用步骤62）的动态步态神经网络输入特征集作为输入训练第三BP神经网络，训练完成后步骤5）中预分类为动态类型的原始步态检测样本进入第三BP神经网络中进行具体鉴别，鉴别类型结果有四种：快走、慢走、上楼、下楼。

9.如权利要求1或5所述的鉴别方法，其特征是，所述步骤4）步态特征的提取是运用特征计算公式从步态数据中计算而来：

步骤41）用于预分类阶段的计算公式分别为：

$\mathrm{SMA}=\frac{1}{w}\left(\underset{i=1}{\overset{w}{\mathrm{\Σ}}}\right|x_i|+\underset{i=1}{\overset{w}{\mathrm{\Σ}}}|y_i|+\underset{i=1}{\overset{w}{\mathrm{\Σ}}}|z_i\left|\right);\mathrm{AE}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\frac{A_k^2}{N},$

其中w、N均为为时间窗长度，x_iy_iz_i代表一个窗的xyz三轴上的运动加速度数据，A_k是一个窗的xyz三轴上的运动加速度数据进行离散FFT变换的系数；

步骤42）用于具体鉴别类型阶段的部分计算公式为：

均值

式中，a_i为第i时刻加速度的采样值，w为窗口长度；轴相关系数式中，a_ib_i分别代表两个不同轴的加速度采样信号，此式用于计算xy，xz和yz三轴之间的相关系数;能量值

方差

式中a_i为第i时刻加速度的采样值，u为a_i的平均值；标准差

式中a_i为第i时刻加速度的采样值，u为a_i的平均值。

10.如权利要求1或6所述的鉴别方法，其特征是，所述步骤5）在步态预分类阶段，第一BP神经网络结构是：2-5-2，即输入层有2个节点，隐含层有5个节点，输出层有2个节点；这里隐含层和输出层的神经网络激活函数均选择S型激活函数

神经网络的期望误差设定为0.02，使用的神经网络算法为Levnberg_Marquardt的BP算法；用运动加速度数据样本训练神经网络时，信号幅度面积SMA和平均能量值AE作为预分类神经网络区分静态或动态步态的输入特征集，输出结果为1、2的将转化为[10]^T用来表示静态步态，输出结果为3、4、5、6将转化为为[01]^T用来表示动态步态；3层BP神经***的扑拓结构图表达的是n×1维的特征集列向量X_n＝(x₁,x₂,...,x_n)^T(X_n∈X)到m×1维鉴别结果列向量Y_m＝(Y₁,Y₂,...,Y_m)^T(Y_m∈Y)的非线性函数映射关系，BP神经网络通过信息正向传播和误差反向传播2个训练过程，反复调节神经网络权值和阈值，使神经网络输出值与期望值的误差达到要求。

Images