CN108197082A - 一种根据步伐可信度估计的计步方法 - Google Patents
一种根据步伐可信度估计的计步方法 Download PDFInfo
- Publication number
- CN108197082A CN108197082A CN201711273920.0A CN201711273920A CN108197082A CN 108197082 A CN108197082 A CN 108197082A CN 201711273920 A CN201711273920 A CN 201711273920A CN 108197082 A CN108197082 A CN 108197082A
- Authority
- CN
- China
- Prior art keywords
- time windows
- data
- acc
- time
- vmin
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geophysics And Detection Of Objects (AREA)
- Measurement Of Unknown Time Intervals (AREA)
Abstract
本发明公开一种根据步伐可信度估计的计步方法,对垂向加速度和前向加速度数据作两次步伐可信度估计;第一次估计时,计算两轴数据的近似标准差,根据近似标准差的大小滤除一部分静止或微小动作步态;第二次估计时,计算时间窗内的高阈值和低阈值,根据二者差值判别出存在可信步伐的时间窗;在满足条件的时间窗内遍历垂向加速度数据点,依据其与低阈值、中阈值的比较检测到步伐变化的时间点;本发明方法精度高,计步效果好,实时性强。
Description
技术领域
本发明涉及利用加速度的计步方法,特别是涉及一种根据步伐可信度估计的计步方法。
背景技术
行人步行时,固定在腰部的三轴加速度计会呈现出周期性变化,特别是垂向加速度和前向加速度。通过对加速度数据的处理,可以检测出行人的步伐。传统方法中通常将垂向加速度对比设定的阈值,但是由于噪声和误差等因素,一个周期内存在多个峰谷值,这种方法容易造成多计步的问题,计步准确性较低。另外,传统方法中通常使用固定长度的时间窗,如果步伐恰好产生在时间窗的开始或结束位置,算法无法检测出这个步伐,会有漏计步的问题。
发明内容
技术问题:本发明提供一种有效、方便、精确、实时解算速度快,提高了准确性和效率的根据步伐可信度估计的计步方法。
技术方案:本发明的根据步伐可信度估计的计步方法,其实施的硬件装置包括,加速度计、控制解算单元、电源模块、上位机;所述的加速度计与控制解算单元通过IIC总线相连;所述的电源模块与控制解算单元相连;所述的上位机与控制解算单元通过串口总线相连;所述的控制解算单元负责接收加速度数据并运算;所述的上位机负责显示实时结果。
本发明的根据步伐可信度估计的计步方法,包括以下步骤:
1)人体佩戴的加速度计检测垂向加速度和前向加速度,将检测到的垂向加速度放入自定义的缓冲数组Z,得到Z时间窗,将检测到的前向加速度放入自定义的缓冲数组Y,得到Y时间窗,两个时间窗的长度都为N;
2)根据下式计算垂向加速度的近似标准差stz:
其中,acc_z1是Z时间窗内的第一个数据,acc_zi是Z时间窗内第i个数据,i是Z时间窗中数据的序号,1≤i≤N;
根据下式计算前向加速度的近似标准差sty:
其中,acc_y1是Y时间窗内的第一个数据,acc_yj是Y时间窗内第j个数据,j是Y时间窗中数据的序号,1≤j≤N;
3)根据下式分别判断第一次步伐可信度的垂向估计取值p1z和前向估计取值p1y:
4)若p1z和p1y同时为1,则按照如下方式计算Z时间窗内的高阈值TrHz、低阈值TrLz和Y时间窗内的高阈值TrHy、低阈值TrLy,否则更新垂向加速度和前向加速度后返回步骤1):
其中,vmax_zk1是Z时间窗内的极大值,m为Z时间窗内的极大值个数,vmin_zk2是Z时间窗内的极小值,n为Z时间窗内的极小值个数,TrHzt-1和TrLzt-1分别是上一Z时间窗内的高阈值和低阈值,t为当前Z时间窗的编号,k1和k2分别为Z时间窗内极大值和极小值的序号,1≤k1≤m,1≤k2≤n,vmax_yk3是Y时间窗内的极大值,p为Y时间窗内的极大值个数,vmin_yk4是Y时间窗内的极小值,q为Y时间窗内的极小值个数,TrHyt-1和TrLyt-1分别是上一Y时间窗内的高阈值和低阈值,t为当前Y时间窗的编号,k3和k4为分别为Y时间窗内极大值和极小值的序号,1≤k3≤p,1≤k4≤q;
5)根据下式分别计算Z时间窗内的高低阈值差值vppz和Y时间窗内的高低阈值差值vppy:
vppz=TrHz-TrLz
vppy=TrHy-TrLy
其中,TrHz为Z时间窗内的高阈值,TrLz为Z时间窗内的低阈值,TrHy为Y时间窗内的高阈值,TrLy为Y时间窗内的低阈值;
6)根据下式分别判断第二次步伐可信度的垂向估计取值p2z和前向估计取值p2y:
7)若p2z和p2y同时为1,则说明Z时间窗内很可能产生了步伐,根据下式计算垂向加速度的中阈值,否则更新垂向加速度和前向加速度后返回步骤1):
8)将Z时间窗中的数据按照序号从小到大的顺序,依次根据以下条件进行判断:
acc_zi<TrLz<acc_zi+1 (1)
acc_zi>TrLz>acc_zi+1 (2)
其中,acc_zi是Z时间窗内第i个数据,acc_zi+1是Z时间窗内第i+1个数据,1≤i≤N-1,若先出现一个数据满足公式(1),则判断该数据从下向上穿越了低阈值,记此时的数据序号为s,进入步骤9),若先出现一个数据满足公式(2),则判断该数据从上向下穿越了低阈值,记此时的数据序号为w,更新垂向加速度并得到新的Z时间窗,返回步骤2),若Z时间窗中的所有数据都既不满足公式(1),也不满足公式(2),则更新垂向加速度和前向加速度后返回步骤1);
所述新的Z时间窗内的数据点为:
Z={acc_zw+1,...,acc_zN,...,acc_zN+w}
其中,acc_zw+1是旧的Z时间窗内第w+1个数据,acc_zN是旧的Z时间窗内第N个数据,此后是新接收的垂向加速度,acc_zN+w是新接收到的第w个数据,新的Z时间窗长度仍为N;
9)将Z时间窗中的第s+1个至第N个数据按照序号从小到大的顺序,依次根据以下条件进行判断:
acc_zi<Tr<acc_zi+1 (3)
acc_zi>TrLz>acc_zi+1 (4)
其中,acc_zi是Z时间窗内第i个数据,acc_zi+1是Z时间窗内第i+1个数据,s+1≤i≤N-1,若出现一个数据满足公式(3),则判断该数据从下向上穿越了中阈值,并计一个步伐,若出现一个数据满足公式(4),则判断该数据从上向下穿越了低阈值,记此时的数据序号为r,更新垂向加速度并得到新的Z时间窗,返回步骤2),若Z时间窗中的第s+1至第N个数据中的所有数据都不满足公式(4),则更新垂向加速度和前向加速度后返回步骤1),所述新的Z时间窗内的数据点为:
Z={acc_zr+1,...,acc_zN,...,acc_zN+r}
其中,acc_zr+1是旧的Z时间窗内第r+1个数据,acc_zN是旧的Z时间窗内第N个数据,此后是新接收的垂向加速度,acc_zN+r是新接收到的第r个数据,新的Z时间窗长度仍为N。
进一步的,本发明方法中,所述步骤1)的垂向加速度和前向加速度应先做均值滤波。
进一步的,本发明方法中,所述步骤4)中的Z时间窗内的极大值wmax_zk1和Y时间窗内的极大值vmax_yk3判定方法为分别按照以下方式确定:
vmax_zk1-1<vmax_zk1且vmax_zk1+1<vmax_zk1
vmax_yk3-1<vmax_yk3且vmax_yk3+1<vmax_yk3
其中,vmax_zk1-1是Z时间窗内第k1-1个数据,vmax_zk1+1是Z时间窗内第k1+1个数据,vmax_yk3-1是Y时间窗内第k3-1个数据,vmax_yk3+1是Y时间窗内第k3+1个数据;
Z时间窗内的极小值vmin_zk2和Y时间窗内的极小值vmin_yk4判定方法为分别按照以下方式确定:
vmin_zk2-1>vmin_zk2且vmin_zk2+1>vmin_zk
vmin_yk4-1>vmin_yk4且vmin_yk4+1>vmin_yk
其中,vmin_zk2-1是Z时间窗内第k2-1个数据,vmin_zk2+1是Z时间窗内第k2+1个数据,vmin_yk4-1是Y时间窗内第k4-1个数据,vmin_yk4+1是Y时间窗内第k4+1个数据。
进一步,本发明方法中,步骤1)中缓冲数组Z和缓冲数组Y的长度N的取值范围为30≤N≤70。
进一步,本发明方法中,上述步骤1)中缓冲数组Z和缓冲数组Y的长度N=50。
有益效果:本发明与现有技术相比,具有以下优点:
(1)现有技术一般只计算垂向加速度,该方法综合考虑了垂向加速度和前向加速度,对两轴数据点的约束使得计步器能够滤除原地晃动、踏步、转弯等无效步伐,只记录向前行进的步伐,计步结果更加可靠,应用于航位推算算法时可使位置计算更加精确。
(2)传统方法计算标准差需要对数据进行两次遍历,第一次计算均值,第二次计算标准差,该方法使用的近似标准差不需要计算均值,但仍能够描述数据点的波动程度,时间复杂度较低,在实时解算中提升了算法的速度。
(3)该方法分别用不同的统计参数作出两次可信度估计,第二次估计计算量略大于第一次估计。第一次估计能够滤除明显不存在步伐的情况,在满足此条件的基础下才进行第二次估计,避免了一些不必要的计算;第二次估计能够滤除大部分静止和微小动作的情况,仅在其余有较大可能存在步伐的时间窗内检测步伐,提高了算法的准确性和效率。
(4)在使用现有技术时,如果产生步伐的时刻恰好处在时间窗的起始和结束位置,算法无法检测出,会造成漏步情况。该方法使用的时间窗是动态的,动态时间窗使产生步伐的时刻更可能落在时间窗的中部,因此计步结果精度更高。
附图说明
图1为本发明方法所用一种计步器硬件装置示意图
图2为本发明一种根据步伐可信度估计的计步方法流程图
图3为垂向加速度的动态阈值和p2z
图4为前向加速度的动态阈值和p2y
图5为计步效果示意图
具体实施方式
下面结合实施例和说明书附图对本发明作进一步地说明。
如图1所示,本发明的一种根据步伐可信度估计的计步方法,其实施的硬件装置包括,加速度计、控制解算单元、电源模块、上位机;所述的加速度计与控制解算单元通过IIC总线相连;所述的电源模块与控制解算单元相连;所述的上位机与控制解算单元通过串口总线相连;所述的控制解算单元负责接收加速度数据并运算;所述的上位机负责显示实时结果。
本实施例中一种根据步伐可信度估计的计步方法,包括以下步骤:
1)人体佩戴的加速度计检测垂向加速度和前向加速度,将检测到的垂向加速度经均值滤波后放入自定义的缓冲数组Z,得到Z时间窗,将检测到的放入自定义的缓冲数组Y,得到Y时间窗,两个时间窗的长度都为N,N的取值范围为30≤N≤70,本实施例中N=50。
本发明的另一种优选实施例中,垂向加速度和前向加速度应先做均值滤波再放入自定义的缓冲数组,以滤除波动特别大的有害数据点,使周期性趋势更加明显。
2)根据下式计算垂向加速度的近似标准差stz:
其中,acc_z1是Z时间窗内的第一个数据,acc_zi是Z时间窗内第i个数据,i是Z时间窗中数据的序号,1≤i≤N。
根据下式计算前向加速度的近似标准差sty:
其中,acc_y1是Y时间窗内的第一个数据,acc_yj是Y时间窗内第j个数据,j是Y时间窗中数据的序号,1≤j≤N。
3)根据下式分别判断第一次步伐可信度的垂向估计取值p1z和前向估计取值p1y:
4)若p1z和p1y同时为1,则按照如下方式计算Z时间窗内的高阈值TrHz、低阈值TrLz和Y时间窗内的高阈值TrHy、低阈值TrLy,否则更新垂向加速度和前向加速度后返回步骤1):
其中,vmax_zk1是Z时间窗内的极大值,m为Z时间窗内的极大值个数,vmin_zk2是Z时间窗内的极小值,n为Z时间窗内的极小值个数,TrHzt-1和TrLzt-1分别是上一Z时间窗内的高阈值和低阈值,t为当前Z时间窗的编号,k1和k2分别为Z时间窗内极大值和极小值的序号,1≤k1≤m,1≤k2≤n,vmax_yk3是Y时间窗内的极大值,p为Y时间窗内的极大值个数,vmin_yk4是Y时间窗内的极小值,q为Y时间窗内的极小值个数,TrHyt-1和TrLyt-1分别是上一Y时间窗内的高阈值和低阈值,t为当前Y时间窗的编号,k3和k4为分别为Y时间窗内极大值和极小值的序号,1≤k3≤p,1≤k4≤q。
本发明的另一种优选实施例中,Z时间窗内的极大值vmax_zk1和Y时间窗内的极大值vmax_yk3判定方法分别按照以下方式确定:
vmax_zk1-1<vmax_zk1且vmax_zk1+1<vmax_zk1
vmax_yk3-1<vmax_yk3且vmax_yk3+1<vmax_yk3
其中,vmax_zk1-1是Z时间窗内第k1-1个数据,vmax_zk1+1是Z时间窗内第k1+1个数据,vmax_yk3-1是Y时间窗内第k3-1个数据,vmax_yk3+1是Y时间窗内第k3+1个数据;
Z时间窗内的极小值vmin_zk2和Y时间窗内的极小值vmin_yk4判定方法为分别按照以下方式确定:
vmin_zk2-1>vmin_zk2且vmin_zk2+1>vmin_zk
vmin_yk4-1>vmin_yk4且vmin_yk4+1>vmin_yk
其中,vmin_zk2-1是Z时间窗内第k2-1个数据,vmin_zk2+1是Z时间窗内第k2+1个数据,vmin_yk4-1是Y时间窗内第k4-1个数据,vmin_yk4+1是Y时间窗内第k4+1个数据。
5)根据下式分别计算Z时间窗内的高低阈值差值vppz和Y时间窗内的高低阈值差值vppy:
vppz=TrHz-TrLz
vppy=TrHy-TrLy
其中,TrHz为Z时间窗内的高阈值,TrLz为Z时间窗内的低阈值,TrHy为Y时间窗内的高阈值,TrLy为Y时间窗内的低阈值。
6)根据下式分别判断第二次步伐可信度的垂向估计取值p2z和前向估计取值p2y:
Z时间窗内的高阈值、低阈值,中阈值和垂向估计取值p2z计算结果如图3所示,Y时间窗内的高阈值、低阈值、中阈值和前向估计取值p2y计算结果如图4所示。
7)若p2z和p2y同时为1,则说明Z时间窗内很可能产生了步伐,根据下式计算垂向加速度的中阈值,否则更新垂向加速度和前向加速度后返回步骤1):
8)将Z时间窗中的数据按照序号从小到大的顺序,依次根据以下条件进行判断:
acc_zi<TrLz<acc_zi+1 (1)
acc_zi>TrLz>acc_zi+1 (2)
其中,acc_zi是Z时间窗内第i个数据,acc_zi+1是Z时间窗内第i+1个数据,1≤i≤N-1,若先出现一个数据满足公式(1),则判断该数据从下向上穿越了低阈值,记此时的数据序号为s,进入步骤9),若先出现一个数据满足公式(2),则判断该数据从上向下穿越了低阈值,记此时的数据序号为w,更新垂向加速度并得到新的Z时间窗,返回步骤2),若Z时间窗中的所有数据都既不满足公式(1),也不满足公式(2),则更新垂向加速度和前向加速度后返回步骤1)。
所述新的Z时间窗内的数据点为:
Z={acc_zw+1,...,acc_zN,...,acc_zN+w}
其中,acc_zw+1是旧的Z时间窗内第w+1个数据,acc_zN是旧的Z时间窗内第N个数据,此后是新接收的垂向加速度,acc_zN+w是新接收到的第w个数据,新的Z时间窗长度仍为N。
9)将Z时间窗中的第s+1个至第N个数据按照序号从小到大的顺序,依次根据以下条件进行判断:
acc_zi<Tr<acc_zi+1 (3)
acc_zi>TrLz>acc_zi+1 (4)
其中,acc_zi是Z时间窗内第i个数据,acc_zi+1是Z时间窗内第i+1个数据,s+1≤i≤N-1,若出现一个数据满足公式(3),则判断该数据从下向上穿越了中阈值,并计一个步伐,若出现一个数据满足公式(4),则判断该数据从上向下穿越了低阈值,记此时的数据序号为r,更新垂向加速度并得到新的Z时间窗,返回步骤2),若Z时间窗中的第s+1至第N个数据中的所有数据都不满足公式(4),则更新垂向加速度和前向加速度后返回步骤1),所述新的Z时间窗内的数据点为:
Z={acc_zr+1,...,acc_zN,...,acc_zN+r}
其中,acc_zr+1是旧的Z时间窗内第r+1个数据,acc_zN是旧的Z时间窗内第N个数据,此后是新接收的垂向加速度,acc_zN+r是新接收到的第r个数据,新的Z时间窗长度仍为N。
本实施例的具体工作流程图如图2所示,计步效果如图5所示。
上述实施例仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和等同替换,这些对本发明权利要求进行改进和等同替换后的技术方案,均落入本发明的保护范围。
Claims (5)
1.一种根据步伐可信度估计的计步方法,其特征在于,该方法包括以下步骤:
1)人体佩戴的加速度计检测垂向加速度和前向加速度,将检测到的垂向加速度放入自定义的缓冲数组Z,得到Z时间窗,将检测到的前向加速度放入自定义的缓冲数组Y,得到Y时间窗,两个时间窗的长度都为N;
2)根据下式计算垂向加速度的近似标准差stz:
其中,acc_z1是Z时间窗内的第一个数据,acc_zi是Z时间窗内第i个数据,i是Z时间窗中数据的序号,1≤i≤N;
根据下式计算前向加速度的近似标准差sty:
其中,acc_y1是Y时间窗内的第一个数据,acc_yj是Y时间窗内第j个数据,j是Y时间窗中数据的序号,1≤j≤N;
3)根据下式分别判断第一次步伐可信度的垂向估计取值p1z和前向估计取值p1y:
4)若p1z和p1y同时为1,则按照如下方式计算Z时间窗内的高阈值TrHz、低阈值TrLz和Y时间窗内的高阈值TrHy、低阈值TrLy,否则更新垂向加速度和前向加速度后返回步骤1):
其中,vmax_zk1是Z时间窗内的极大值,m为Z时间窗内的极大值个数,vmin_zk2是Z时间窗内的极小值,n为Z时间窗内的极小值个数,TrHzt-1和TrLzt-1分别是上一Z时间窗内的高阈值和低阈值,t为当前Z时间窗的编号,k1和k2分别为Z时间窗内极大值和极小值的序号,1≤k1≤m,1≤k2≤n,vmax_yk3是Y时间窗内的极大值,p为Y时间窗内的极大值个数,vmin_yk4是Y时间窗内的极小值,q为Y时间窗内的极小值个数,TrHyt-1和TrLyt-1分别是上一Y时间窗内的高阈值和低阈值,t为当前Y时间窗的编号,k3和k4为分别为Y时间窗内极大值和极小值的序号,1≤k3≤p,1≤k4≤q;
5)根据下式分别计算Z时间窗内的高低阈值差值vppz和Y时间窗内的高低阈值差值vppy:
vppz=TrHz--TrLz
vppy=TrHy--TrLy
其中,TrHz为Z时间窗内的高阈值,TrLz为Z时间窗内的低阈值,TrHy为Y时间窗内的高阈值,TrLy为Y时间窗内的低阈值;
6)根据下式分别判断第二次步伐可信度的垂向估计取值p2z和前向估计取值p2y:
7)若p2z和p2y同时为1,则说明Z时间窗内很可能产生了步伐,根据下式计算垂向加速度的中阈值,否则更新垂向加速度和前向加速度后返回步骤1):
8)将Z时间窗中的数据按照序号从小到大的顺序,依次根据以下条件进行判断:
acc_zi<TrLz<acc_zi+1 (1)
acc_zi>TrLz>acc_zi+1 (2)
其中,acc_zi是Z时间窗内第i个数据,acc_zi+1是Z时间窗内第i+1个数据,1≤i≤N-1,若先出现一个数据满足公式(1),则判断该数据从下向上穿越了低阈值,记此时的数据序号为s,进入步骤9),若先出现一个数据满足公式(2),则判断该数据从上向下穿越了低阈值,记此时的数据序号为w,更新垂向加速度并得到新的Z时间窗,返回步骤2),若Z时间窗中的所有数据都既不满足公式(1),也不满足公式(2),则更新垂向加速度和前向加速度后返回步骤1);
所述新的Z时间窗内的数据点为:
Z={acc_zw+1,...,acc_zN,...,acc_zN+w}
其中,acc_zw+1是旧的Z时间窗内第w+1个数据,acc_zN是旧的Z时间窗内第N个数据,此后是新接收的垂向加速度,acc_zN+w是新接收到的第w个数据,新的Z时间窗长度仍为N;
9)将Z时间窗中的第s+1个至第N个数据按照序号从小到大的顺序,依次根据以下条件进行判断:
acc_zi<rr<acc_zi+1 (3)
acc_zi>TrLz>acc_zi+1 (4)
其中,acc_zi是Z时间窗内第i个数据,acc_zi+1是Z时间窗内第i+1个数据,s+1≤i≤N-1,若出现一个数据满足公式(3),则判断该数据从下向上穿越了中阈值,并计一个步伐,若出现一个数据满足公式(4),则判断该数据从上向下穿越了低阈值,记此时的数据序号为r,更新垂向加速度并得到新的Z时间窗,返回步骤2),若Z时间窗中的第s+1至第N个数据中的所有数据都不满足公式(4),则更新垂向加速度和前向加速度后返回步骤1),所述新的Z时间窗内的数据点为:
Z={acc_zr+1,...,acc_zN,...,acc_zN+r}
其中,acc_zr+1是旧的Z时间窗内第r+1个数据,acc_zN是旧的Z时间窗内第N个数据,此后是新接收的垂向加速度,acc_zN+r是新接收到的第r个数据,新的Z时间窗长度仍为N。
2.根据权利要求1所述的一种根据步伐可信度估计的计步方法,其特征在于,所述步骤1)的垂向加速度和前向加速度应先做均值滤波。
3.根据权利要求1所述的一种根据步伐可信度估计的计步方法,其特征在于,所述步骤4)中Z时间窗内的极大值vmax_zk1和Y时间窗内的极大值vmax_yk3判定方法为分别按照以下方式确定:
vmax_zk1-1<vmax_zk1且vmax_zk1+1<vmax_zk1
vmax_yk3-1<vmax_yk3且vmax_yk3+1<vmax_yk3
其中,vmax_zk1-1是Z时间窗内第k1-1个数据,vmax_zk1+1是Z时间窗内第k1+1个数据,vmax_yk3-1是Y时间窗内第k3-1个数据,vmax_yk3+1是Y时间窗内第k3+1个数据;
Z时间窗内的极小值vmin_zk2和Y时间窗内的极小值vmin_yk4判定方法为分别按照以下方式确定:
vmin_zk2-1>vmin_zk2且vmin_zk2+1>vmin_zk
vmin_yk4-1>vmin_yk4且vmin_yk4+1>vmin_yk
其中,vmin_zk2-1是Z时间窗内第k2-1个数据,vmin_zk2+1是Z时间窗内第k2+1个数据,vmin_yk4-1是Y时间窗内第k4-1个数据,vmin_yk4+1是Y时间窗内第k4+1个数据。
4.根据权利要求1、2或3所述的一种根据步伐可信度估计的计步方法,其特征在于,所述步骤1)中缓冲数组Z和缓冲数组Y的长度N取值范围为30≤N≤70。
5.根据权利要求4所述的一种根据步伐可信度估计的计步方法,其特征在于,所述步骤1)中缓冲数组Z和缓冲数组Y的长度N=50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711273920.0A CN108197082B (zh) | 2017-12-05 | 2017-12-05 | 一种根据步伐可信度估计的计步方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711273920.0A CN108197082B (zh) | 2017-12-05 | 2017-12-05 | 一种根据步伐可信度估计的计步方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197082A true CN108197082A (zh) | 2018-06-22 |
CN108197082B CN108197082B (zh) | 2021-06-11 |
Family
ID=62573816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711273920.0A Active CN108197082B (zh) | 2017-12-05 | 2017-12-05 | 一种根据步伐可信度估计的计步方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197082B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060174685A1 (en) * | 2005-02-04 | 2006-08-10 | Samsung Electronics Co., Ltd. | Method and apparatus for counting a number of steps taken by walker |
CN105043410A (zh) * | 2015-06-30 | 2015-11-11 | 深圳市元征科技股份有限公司 | 一种计步器 |
CN105992932A (zh) * | 2014-01-30 | 2016-10-05 | 皇家飞利浦有限公司 | 对在用户运动的测量结果中检测步行的改进 |
CN106767888A (zh) * | 2016-11-15 | 2017-05-31 | 皖西学院 | 一种基于波峰波谷检测的计步算法 |
CN106813676A (zh) * | 2017-02-21 | 2017-06-09 | 北京邮电大学 | 一种计步、定位方法及装置 |
CN107270932A (zh) * | 2017-07-25 | 2017-10-20 | 电子科技大学 | 用于终端设备的自动计步方法 |
-
2017
- 2017-12-05 CN CN201711273920.0A patent/CN108197082B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060174685A1 (en) * | 2005-02-04 | 2006-08-10 | Samsung Electronics Co., Ltd. | Method and apparatus for counting a number of steps taken by walker |
CN105992932A (zh) * | 2014-01-30 | 2016-10-05 | 皇家飞利浦有限公司 | 对在用户运动的测量结果中检测步行的改进 |
CN105043410A (zh) * | 2015-06-30 | 2015-11-11 | 深圳市元征科技股份有限公司 | 一种计步器 |
CN106767888A (zh) * | 2016-11-15 | 2017-05-31 | 皖西学院 | 一种基于波峰波谷检测的计步算法 |
CN106813676A (zh) * | 2017-02-21 | 2017-06-09 | 北京邮电大学 | 一种计步、定位方法及装置 |
CN107270932A (zh) * | 2017-07-25 | 2017-10-20 | 电子科技大学 | 用于终端设备的自动计步方法 |
Non-Patent Citations (1)
Title |
---|
刘程等: "自适应计步检测算法研究", 《压电与声光》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108197082B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190195631A1 (en) | Positioning method, positioning device, and robot | |
CN107687850A (zh) | 一种基于视觉和惯性测量单元的无人飞行器位姿估计方法 | |
CN104866099B (zh) | 基于运动传感器提高智能设备手势识别精度的误差补偿方法 | |
CN110163889A (zh) | 目标跟踪方法、目标跟踪装置、目标跟踪设备 | |
CN107396321B (zh) | 基于手机传感器和iBeacon的无监督式室内定位方法 | |
CN104964685B (zh) | 一种手机运动姿态的判定方法 | |
CN110455316B (zh) | 一种自适应零速区间检测方法 | |
CN104197952A (zh) | 一种用户步行计步方法、装置及移动终端 | |
US20120134536A1 (en) | Image Processing Apparatus and Method, and Program | |
CN103471589A (zh) | 一种室内行人行走模式识别和轨迹追踪的方法 | |
CN105444678A (zh) | 手机尺寸测量方法和*** | |
CN1932524A (zh) | 在个人导航器中的检测步伐的设备和方法 | |
CN107941217A (zh) | 一种机器人定位方法、电子设备、存储介质、装置 | |
CN107463873B (zh) | 一种基于rgbd深度传感器的实时手势分析与评价方法与*** | |
CN104613965B (zh) | 一种基于双向滤波平滑技术的步进式行人导航方法 | |
CN111536989B (zh) | 基于峰值检测的自适应时间窗口计步方法 | |
CN105444763A (zh) | 一种imu室内定位方法 | |
CN104570076A (zh) | 一种基于二分法的地震波初至自动拾取方法 | |
CN107368768A (zh) | 适用于体重秤的用户识别方法及体重秤 | |
CN105022055A (zh) | 一种imu室内定位方法 | |
CN109753841A (zh) | 车道线识别方法和装置 | |
CN107093182B (zh) | 一种基于特征拐点的人体高度估计方法 | |
CN108197082A (zh) | 一种根据步伐可信度估计的计步方法 | |
WO2019080479A1 (zh) | 一种提升准确度的心率检测方法和装置 | |
CN104463912A (zh) | 一种基于簇相似的多尺度目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |