CN105912142B - 一种基于加速传感器的记步与行为识别方法 - Google Patents

一种基于加速传感器的记步与行为识别方法 Download PDF

Info

Publication number
CN105912142B
CN105912142B CN201610082327.7A CN201610082327A CN105912142B CN 105912142 B CN105912142 B CN 105912142B CN 201610082327 A CN201610082327 A CN 201610082327A CN 105912142 B CN105912142 B CN 105912142B
Authority
CN
China
Prior art keywords
acceleration
human body
steps
waveform
axis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610082327.7A
Other languages
English (en)
Other versions
CN105912142A (zh
Inventor
黄伟
李建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ai Kangweida Intelligent Medical Science And Technology Ltd Of Shenzhen
Original Assignee
Ai Kangweida Intelligent Medical Science And Technology Ltd Of Shenzhen
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ai Kangweida Intelligent Medical Science And Technology Ltd Of Shenzhen filed Critical Ai Kangweida Intelligent Medical Science And Technology Ltd Of Shenzhen
Priority to CN201610082327.7A priority Critical patent/CN105912142B/zh
Publication of CN105912142A publication Critical patent/CN105912142A/zh
Application granted granted Critical
Publication of CN105912142B publication Critical patent/CN105912142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
    • G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G01C22/006—Pedometers
    • A—HUMAN NECESSITIES
    • A43—FOOTWEAR
    • A43B—CHARACTERISTIC FEATURES OF FOOTWEAR; PARTS OF FOOTWEAR
    • A43B3/00—Footwear characterised by the shape or the use
    • A43B3/34—Footwear characterised by the shape or the use with electrical or electronic arrangements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6804—Garments; Clothes
    • A61B5/6807—Footwear
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/029—Operational features adapted for auto-initiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/40—Acceleration
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于加速传感器的记步与运动行为识别方法，其特征在于，本方法所采用的传感器的放置方式为：脚向前的方向为X轴正方向，向左的方向为Y轴的正方向，抬脚方向为Z轴的负方向，同时，由于人体运动的时候X轴方向位移比较大，加速度变化也比较明显而且有很明显周期性；因此，只要设定合理的阈值就可以识别出运动的步数和识别运动行为；本发明借助于平滑滤波和卡尔曼滤波，使波形更加光滑减少误差，使得***能够实时准确地记步；同时，还能够准确地区分出人的各种运动；其次，能够实时计算出各种各种运动的步数；再次，对***的计算能要求不是很高，普通配置的手机或者通用单片机（MCU）即可完成运算。

Description

一种基于加速传感器的记步与行为识别方法
技术领域
本发明属于一种基于加速传感器的记步与行为识别方法。
背景技术
早期的运动识别主要是基于视觉方式的，给定一段图像序列或者一个视频片段，识别出人物的运动类型。基于视觉的方法具有交互自然，提取的特征信息丰富等优点，但该方法在实际应用中也有一些局限性，需要克服很多问题。如环境中的光照条件，人物在摄像机前的位置，场地的大小等。传感器具有价格便宜，携带方便，不受场地限制等优点，随着这些设备的发展，运动识别又被带入了一片新的研究领域，补充了传统基于视觉的运动识别方法在实际应用中的不足，促使了运动识别在日常生活中的应用。这一技术已经被用在行为障碍病人的康复状况监视，老年人突发疾病预防监视等应用中。常用的传感器有加速度传感器，陀螺仪，麦克风等，一些内置传感器的设备如Apple iPhone，Nintendo Wiimote等，这些无线设备的发展使得大范围的交互应用成为可能，如智能家庭，混合现实等应用。
对于使用加速度传感器进行运动识别而言，主要问题有三：一为如何快速自动地分割传感器输出的加速度信号，以达到在线的进行运动分割的目的，为后续的在线识别做准备；二为如何建立有效的分类模型，以达到高效准确的对运动进行分类识别的目的；三为如何采用适当的方法，在运动结束之间进行识别，提高交互感。本发明将以这三个问题为基本出发点，对运动识别过程中的关键问题进行分析，解决以上提到的主要技术问题，实现一个高效的在线运动识别***。
对于加速度信号分割问题，很多研究工作都是将传感器信号手动分割好，作为训练和测试的数据库。这样降低了信号处理的负担，并且数据比较理想化，在此基础上排除了数据的影响，可以对比分析识别算法的性能。但是实际应用中，手动的方法交互感不好，不便于操作和应用，因此我们需要对信号进行在线的分割处理；对于分类模型的选取，现阶段大多数研究与相应的***采用动态时间卷曲算法(DTW)和隐马尔科夫模型方法(HMM)，DTW算法所需的训练数据较少，并且能够动态的更新匹配的模板。但该算法的运算速度会随着待识别的时序数据的长度以及模板的数量的增大而明显的减慢，HMM方法用一个状态表示当前动作，但是很多全身性动作比较复杂，无法仅仅用一个状态充分表示出来，因此需要两个或多个状态变量来表示，本发明采用Fused HMM方法，解决了单独的一个HMM无法对具有相关关系的两个时序序列同时进行建模的问题，对于具有交互过程的全身性动作具有很好的描述能力，并且当一个HMM信息丢失时另一个HMM仍能正常工作，增加了算法的鲁棒性；对于提前进行运动识别问题，当前主要的处理方法是当一个运动完成之后再去调用识别过程，在有些应用中这种延迟感会降低用户体验度。本发明采用了自回归的预测模型，利用已知帧数据，预测出未知的数据，通过对预测得到的数据进行分析，可以在运动结束之前即开始识别的过程，并达到提前识别的效果。
发明内容
本发明所要解决的技术问题是提供一种基于加速传感器的记步与行为识别方法。
本发明解决上述技术问题所采取的技术方案如下：
一种基于加速传感器的记步与行为识别方法，其特征在于，本方法所采用的传感器的放置方式为：脚向前的方向为X轴正方向，向左的方向为Y轴的正方向，抬脚方向为Z轴的负方向，同时，由于人体运动的时候X轴方向位移比较大，加速度变化也比较明显而且有很明显周期性；因此，只要设定合理的阈值就可以识别出运动的步数；
通过采集大量数据样本发现当X轴的加速度人体在运动时其加速度一定会大于一个阈值Ax，当加速度从小于Ax变到Ax以上，然后再由Ax以上变到Ax以下刚好对应人体抬脚和落脚动作，即识别出人体运动了一步，由于受到传感器存在一些误差，可能出现在一步内出现多个点的加速度在Ax附近徘徊，通过相应的方式计算就会出现多计算步数的情况，为了排除这种情况，根据人体最大的运动速度推算，人在一秒钟运动的步数不会超过5步，设传感器的采样率为25Hz，那么在25个采样点内计算的步数不能多余5步，由于传感器只放在一只鞋子内，人体运动5步时，其实一只脚最多运动了3步，所以1秒内的计算出的步数不能超过3步。因此可以推算出人运动一步至少要大于8有个采样点，根据这个规则去除那些因误差而多计算出的步数，从而精确计算步数，具体步骤如下：
而精确计算步数，具体步骤如下：
步骤一：通过智能鞋把采集到的加速度传感器数据实时发送给手机或者传送给通用单片机(MCU)；
步骤二：将采集到的数据进行平滑滤波和卡尔曼滤波，使波形更加光滑减少误差；
步骤三：对平滑滤波后的数据进行分析计算出运动的步数；
步骤四：对卡尔曼滤波后的数据切分出每一步的波形，分析波形的特征值，确认出人体运动状态；
步骤五：通过对两种数据的融合即可分析出人体各种运动状态的步数；
通过对人体运动时加速度波形的进行分析，可以看出每一种运动的波形都存在着相应的周期性，而且在一个周期内不同运动的波形是不一样的，我们对波形的特征值加以区分就可以区分出每一种运动。
优选的，所述的基于加速传感器的记步与行为识别方法的步骤一中的智能鞋为一种可以采集人体运动过程中的加速度信息，并实时通过蓝牙发送给手机的鞋子或者传送给通用单片机(MCU)。
进一步地，优选的，所述的基于加速传感器的记步与行为识别方法的步骤三中，在手机端获取到X，Y，Z轴的加速度数值后，把原始数据复制为两份，一份通过平滑滤波，一份通过卡尔曼滤波的方式去消除误差。
进一步地，优选的，所述的基于加速传感器的记步与行为识别方法的步骤四中，平滑滤波采用简单平均法进行，为求邻近像元点的平均亮度值，经过平滑滤波后的数据用于计算运动的步数。
进一步地，优选的，所述的基于加速传感器的记步与行为识别方法的步骤五中卡尔曼滤波后的数据显示每一种运动的人体不同的加速度值在一定程度上反应了运动的剧烈程度，因此可以用加速度的大小来区分步行，快走和跑步，合加速度的计算公式如下：
其中，a为合加速度，ax，ay，az分别为传感器测出的X轴，Y轴，Z轴的加速度，求出一个周期内合加速度的平均值a’，根据a’的大小即可区分出走路，快走和跑步；区分出走和跑之后，在此基础上进一步分析，提取出波形的特征值，根据特征值对波形进行分类，即可确认人体的运动状态；
有关于特征值提取，计算出一个周期内波形的平均值，平均差，四分位差，离散系数，偏态系数等作为波形的特征值；
通过对实际运动采样统计确定合理的阈值，即可精确区分出各种运动。本发明采取了上述方案以后，借助于平滑滤波和卡尔曼滤波，使波形更加光滑减少误差，使得***能够实时准确地记步；同时，还能够准确地区分出人的各种运动；其次，能够实时计算出各种各种运动的步数；再次，对***的计算能要求不是很高，普通配置的手机或者通用单片机(MCU)即可完成运算。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
下面结合附图对本发明进行详细的描述，以使得本发明的上述优点更加明确。其中，
图1是本发明基于加速传感器的记步与行为识别方法的运动过程中X轴的加速度示意图；
图2是本发明基于加速传感器的记步与行为识别方法的卡尔曼滤波后步行时加速度的波形示意图；
图3是本发明基于加速传感器的记步与行为识别方法的卡尔曼滤波之后前脚掌着地跑步时加速度的波形示意图；；
图4是本发明基于加速传感器的记步与行为识别方法的卡尔曼滤波之后上楼梯时加速度的波形示意图；
图5是本发明基于加速传感器的记步与行为识别方法的卡尔曼滤波之后下楼梯时加速度的波形示意图；
图6是本发明基于加速传感器的记步与行为识别方法的卡尔曼滤波之后全脚掌着地跑步时加速度的波形示意图；
图7是本发明基于加速传感器的记步与行为识别方法的卡尔曼滤波后后脚跟着地跑步时加速度的波形示意图；
图8是本发明基于加速传感器的记步与行为识别方法的卡尔曼滤波后快走时加速度的波形示意图；
图9是本发明基于加速传感器的记步与行为识别方法的流程图。
具体实施方式
以下将结合附图1-9及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
一种基于加速传感器的记步与行为识别方法，当手机端获取到X，Y，Z轴的加速度数值后，由于采样率，测量噪声等会对传感器的数据有一定的影响，导致数据误差很大，需要对原始数据进行滤波，本文采用把原始数据复制为两份，一份通过平滑滤波，一份通过卡尔曼滤波的方式去消除误差。
空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，而且平滑滤波会导致波形有一定的滞后性，不能实时反映出人体运动姿态。但是他却能很好的区分出人体运动的步数，经过平滑滤波的数据可以用来计算运动的步数。
本算法所采用的传感器的放置方式为：脚向前的方向为X轴正方向，向左的方向为Y轴的正方向，抬脚方向为Z轴的负方向。人体运动的时候X轴方向位移比较大，加速度变化也比较明显而且有很明显周期性(如图1所示)。只要设定合理的阈值就可以识别出运动的步数。
通过采集大量数据样本发现当X轴的加速度人体在运动时其加速度一定会大于一个阈值(设为Ax)，当加速度从小于Ax变到Ax以上，然后再由Ax以上变到Ax以下刚好对应人体抬脚和落脚动作，即识别出人体运动了一步，由于受到传感器存在一些误差，可能出现在一步内出现多个点的加速度在Ax附近徘徊，通过上面的方式计算就会出现多计算步数的情况，为了排除这种情况，根据人体最大的运动速度推算，人在一秒钟运动的步数不会超过5步，设传感器的采样率为25Hz，那么在25个采样点内计算的步数不能多余5步，由于传感器只放在一只鞋子内，人体运动5步时，其实一只脚最多运动了3步，所以1秒内的计算出的步数不能超过3步。因此可以推算出人运动一步至少要大于8有个采样点，根据这个规则去除那些因误差而多计算出的步数，从而达到精确计算步数的目的。
卡尔曼滤波通过***输入输出观测数据，对***状态进行最优估计的算法即保证了波形的信息，又使波形很平滑，给波形的特征值提取提供了方便。为根据波形特征值区分运动状态提供了可能。经过卡尔曼滤波之后的波形如下图所示：
通过对以上几种常见运动时加速度波形的进行分析，可以看出每一种运动的波形都存在着周期性，而且在一个周期内不同运动的波形是不一样的，我们对波形的特征值加以区分就可以区分出每一种运动。
加速度的值在一定程度上反应了运动的剧烈程度，因此可以用加速度的大小来区分步行，快走和跑步。合加速度的计算公式如下：
a＝√(a_x^2+a_y^2+a_z^2)
a:合加速度，a_x,a_y,a_z分别为传感器测出的X轴，Y轴，Z轴的加速度
求出一个周期内合加速度的平均值a’,根据a’的大小即可区分出走路，快走和跑步。区分出走和跑之后，在此基础上进一步分析，提取出波形的特征值，根据特征值对波形进行分类，即可确认人体的运动状态。有关于特征值提取，计算出一个周期内波形的平均值，平均差，四分位差，离散系数，偏态系数等作为波形的特征值。通过对实际运动采样统计确定合理的阈值，即可精确区分出各种运动。
本发明采取了上述方案以后，借助于平滑滤波和卡尔曼滤波，使波形更加光滑减少误差，使得***能够实时准确地记步；同时，还能够准确地区分出人的各种运动；其次，能够实时计算出各种各种运动的步数；再次，对***的计算能要求不是很高，普通配置的手机或者通用单片机(MCU)即可完成运算。

Claims (5)

1.一种基于加速传感器的记步与行为识别方法，其特征在于，本方法所采用的传感器的放置方式为：脚向前的方向为X轴正方向，向左的方向为Y轴的正方向，抬脚方向为Z轴的负方向，同时，由于人体运动的时候X轴方向位移比较大，加速度变化也比较明显而且有很明显周期性；因此，只要设定合理的阈值就可以识别出运动的步数；
通过采集大量数据样本发现当X轴的加速度人体在运动时其加速度一定会大于一个阈值Ax，当加速度从小于Ax变到Ax以上，然后再由Ax以上变到Ax以下刚好对应人体抬脚和落脚动作，即识别出人体运动了一步，由于受到传感器存在一些误差，可能出现在一步内出现多个点的加速度在Ax附近徘徊，通过相应的方式计算就会出现多计算步数的情况，为了排除这种情况，根据人体最大的运动速度推算，人在一秒钟运动的步数不会超过5步，设传感器的采样率为25Hz，那么在25个采样点内计算的步数不能多余5步，由于传感器只放在一只鞋子内，人体运动5步时，其实一只脚最多运动了3步，所以1秒内的计算出的步数不能超过3步；因此可以推算出人运动一步至少要大于8有个采样点，根据这个规则去除那些因误差而多计算出的步数，从而精确计算步数，具体步骤如下：
步骤一：通过智能鞋把采集到的加速度实时发送给手机或者传送给通用单片机(MCU)；
步骤二：将采集到的数据分成两份，一份进行平滑滤波，一份进行卡尔曼滤波，使波形更加光滑减少误差；
步骤三：对平滑滤波后的数据进行分析计算出运动的步数；
步骤四：对卡尔曼滤波后的数据切分出每一步的波形，分析波形的特征值，确认出人体运动状态；
步骤五：通过对两种数据的融合即可分析出人体各种运动状态的步数；
通过对人体运动时加速度波形的进行分析，可以看出每一种运动的波形都存在着相应的周期性，而且在一个周期内不同运动的波形是不一样的，我们对波形的特征值加以区分就可以区分出每一种运动。
2.根据权利要求1所述的基于加速传感器的记步与行为识别方法，其特征在于，所述步骤一中的智能鞋为一种可以采集人体运动过程中的加速度信息，并实时通过蓝牙发送给手机的鞋子，或者在通用单片机(MCU)上处理数据。
3.根据权利要求1所述的基于加速传感器的记步与行为识别方法，其特征在于，所述步骤三中，在处理器获取到X，Y，Z轴的加速度数值后，把原始数据复制为两份，一份通过平滑滤波，一份通过卡尔曼滤波的方式去消除误差。
4.根据权利要求1所述的基于加速传感器的记步与行为识别方法，其特征在于，所述步骤四中，平滑滤波采用简单平均法进行，为求邻近像元点的平均亮度值，经过平滑滤波后的数据用于计算运动的步数。
5.根据权利要求1所述的基于加速传感器的记步与行为识别方法，其特征在于，所述步骤五中卡尔曼滤波后的数据显示每一种运动的人体不同的加速度值在一定程度上反应了运动的剧烈程度，因此可以用加速度的大小来区分步行，快走和跑步，合加速度的计算公式如下：
其中，a为合加速度，ax，ay，az分别为传感器测出的X轴，Y轴，Z轴的加速度，求出一个周期内合加速度的平均值a’，根据a’的大小即可区分出走路，快走和跑步；区分出走和跑之后，在此基础上进一步分析，提取出波形的特征值，根据特征值对波形进行分类，即可确认人体的运动状态；
有关于特征值提取，计算出一个周期内波形的平均值，平均差，四分位差，离散系数，偏态系数作为波形的特征值；通过对实际运动采样统计确定合理的阈值，即可精确区分出各种运动。
CN201610082327.7A 2016-02-05 2016-02-05 一种基于加速传感器的记步与行为识别方法 Active CN105912142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610082327.7A CN105912142B (zh) 2016-02-05 2016-02-05 一种基于加速传感器的记步与行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610082327.7A CN105912142B (zh) 2016-02-05 2016-02-05 一种基于加速传感器的记步与行为识别方法

Publications (2)

Publication Number Publication Date
CN105912142A CN105912142A (zh) 2016-08-31
CN105912142B true CN105912142B (zh) 2019-06-11

Family

ID=56744401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610082327.7A Active CN105912142B (zh) 2016-02-05 2016-02-05 一种基于加速传感器的记步与行为识别方法

Country Status (1)

Country Link
CN (1) CN105912142B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106562508A (zh) * 2016-10-19 2017-04-19 泉州迪特工业产品设计有限公司 一种儿童智能鞋及其实现方法
CN106653058B (zh) * 2016-10-28 2020-03-17 中国科学院计算技术研究所 基于双声道的脚步检测方法
CN106723612A (zh) * 2016-11-21 2017-05-31 歌尔股份有限公司 一种计步***
CN107277222B (zh) * 2016-12-20 2020-12-15 浙江斑智科技有限公司 基于手机内置传感器的用户行为状态判断方法
CN107343789B (zh) * 2017-05-17 2020-04-14 浙江利尔达物芯科技有限公司 一种基于三轴加速度传感器的脚步运动识别方法
CN107747950B (zh) * 2017-09-28 2021-03-26 上海惠芽信息技术有限公司 记步方法与装置
TWI668674B (zh) * 2018-03-28 2019-08-11 國立交通大學 以日常生活動作為判斷基準之跌倒感測系統及其方法
CN108680181B (zh) * 2018-04-23 2021-04-23 Oppo广东移动通信有限公司 无线耳机、基于耳机检测的计步方法及相关产品
CN109029492B (zh) * 2018-10-12 2021-09-03 潍坊歌尔电子有限公司 一种计步方法、装置及腕部计步设备
CN109949543A (zh) * 2019-04-18 2019-06-28 西安建筑科技大学 一种多功能鞋及基于压力感应的远程智能监控方法
CN114259720B (zh) * 2020-09-15 2022-10-18 荣耀终端有限公司 动作识别方法及装置、终端设备、运动监测***
CN114655224A (zh) * 2022-03-21 2022-06-24 潍柴动力股份有限公司 一种道路坡度估算方法、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008262522A (ja) * 2007-04-11 2008-10-30 Aichi Micro Intelligent Corp 歩数計
CN102278998A (zh) * 2010-03-25 2011-12-14 精工电子有限公司 电子设备及程序
CN102297701A (zh) * 2010-06-22 2011-12-28 雅马哈株式会社 计步器
JP5176047B2 (ja) * 2012-04-09 2013-04-03 アイチ・マイクロ・インテリジェント株式会社 歩数計
CN103727954A (zh) * 2013-12-27 2014-04-16 北京超思电子技术股份有限公司 一种计步器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9797743B2 (en) * 2012-11-01 2017-10-24 Verizon Telematics Inc. Method and system for determining whether to reset a height in a height determining device based on the occurrence of steps
US20160001131A1 (en) * 2014-07-03 2016-01-07 Katarzyna Radecka Accurate Step Counting Pedometer for Children, Adults and Elderly

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008262522A (ja) * 2007-04-11 2008-10-30 Aichi Micro Intelligent Corp 歩数計
CN102278998A (zh) * 2010-03-25 2011-12-14 精工电子有限公司 电子设备及程序
CN102297701A (zh) * 2010-06-22 2011-12-28 雅马哈株式会社 计步器
JP5176047B2 (ja) * 2012-04-09 2013-04-03 アイチ・マイクロ・インテリジェント株式会社 歩数計
CN103727954A (zh) * 2013-12-27 2014-04-16 北京超思电子技术股份有限公司 一种计步器

Also Published As

Publication number Publication date
CN105912142A (zh) 2016-08-31

Similar Documents

Publication Publication Date Title
CN105912142B (zh) 一种基于加速传感器的记步与行为识别方法
CN109522793B (zh) 基于机器视觉的多人异常行为检测与识别方法
Wang et al. Fall detection based on dual-channel feature integration
Jalal et al. Depth maps-based human segmentation and action recognition using full-body plus body color cues via recognizer engine
CN106096662B (zh) 基于加速度传感器的人体运动状态识别
US11047706B2 (en) Pedometer with accelerometer and foot motion distinguishing method
CN106886216B (zh) 基于rgbd人脸检测的机器人自动跟踪方法和***
CN113164098A (zh) 人类步态分析***和方法
CN106123911A (zh) 一种基于加速传感器和角速度传感器的记步方法
US20100208038A1 (en) Method and system for gesture recognition
CN106648078B (zh) 应用于智能机器人的多模态交互方法及***
CN110058699B (zh) 一种基于智能移动设备传感器的用户行为识别方法
CN103353935A (zh) 一种用于智能家居***的3d动态手势识别方法
CN110738154A (zh) 一种基于人体姿态估计的行人摔倒检测方法
CN108958482B (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
CN102707806A (zh) 一种基于加速度传感器的运动识别方法
CN111288986B (zh) 一种运动识别方法及运动识别装置
CN110796101A (zh) 一种嵌入式平台的人脸识别方法及***
CN111428666A (zh) 基于快速人脸检测的智能家庭陪伴机器人***及方法
CN106503651A (zh) 一种手势图像的提取方法及***
CN113516005A (zh) 一种基于深度学习和姿态估计的舞蹈动作评价***
CN114255508A (zh) 一种基于OpenPose的学生体态检测分析及效率评估方法
CN115346272A (zh) 基于深度图像序列的实时摔倒检测方法
KR20120089948A (ko) Ｍｈｉ의 형태 정보를 이용한 실시간 동작 인식시스템 및 실시간 동작 인식 방법
CN117392484A (zh) 一种模型训练方法、装置、设备及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant