CN112906457A - 一种基于手机加速度传感器的行走步态信号预处理方法 - Google Patents
一种基于手机加速度传感器的行走步态信号预处理方法 Download PDFInfo
- Publication number
- CN112906457A CN112906457A CN202110012482.2A CN202110012482A CN112906457A CN 112906457 A CN112906457 A CN 112906457A CN 202110012482 A CN202110012482 A CN 202110012482A CN 112906457 A CN112906457 A CN 112906457A
- Authority
- CN
- China
- Prior art keywords
- smot
- mobile phone
- points
- walking gait
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (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手机加速度传感器的行走步态信号预处理方法,通过高斯平滑迭代的方式处理异常信号和毛刺,再以趋势遍历法提取行走步态的摆动期和支撑期的加速度传感器信号的变化趋势及规律,进行行走步态周期分割、规整等信号预处理,可准确识别连续行走步态数据的单个步幅周期,将连续行走步态信号数据分段插值为统一长度数据,并组包存储。本发明方法解决了现有技术采用幅值阈值法和窗口极值法处理行走步态信号,所存在的幅值、周期等参数变化差异较大、阈值及窗口宽度选择困难,以及选择的不合理阈值和窗口宽度,影响步态信号周期分割准确度,对数据挖掘的效果差的问题。
Description
技术领域
本发明属于行走步态信号预处理技术领域,具体涉及一种基于手机加速度传感器的行走步态信号预处理方法。
背景技术
步态识别是通过对人或者动物步态的分析从而达到对人体身份的识别,它以非接触远距离、不容易伪装、不具侵犯性等优点,成为了目前新兴的生物特征识别技术。
步态是指人或者动物通过肢体运动前进的一种周期性的形式和样子,是一种很复杂的行为特征。目前,通过加速度传感器获取步态特征是其中很重要的检测方式,手机、手环等可携带设备普遍内置加速度传感器,并以其普及性高、使用频率高、不增加额外负担等优点受到关注。手机加速度传感器信号进行步态识别等数据挖掘之前,需要对原始数据进行预处理,以获得更好的处理效果。
行走步态信号具有周期性,摆动期和支撑期波形数据存在幅值差异,并且采集步态信号的时候,由于摇晃、颠簸等因素,容易导致手机在方向上出现不稳定性,幅值上存在异常波动。现有基于加速度传感器信号的行走步态周期分割较多采用幅值阈值法和窗口极值法,但进行了理想化假定,实际环境中,行走步态信号的幅值、周期等参数变化差异较大,选择合适的阈值及窗口宽度存在困难,不合理的阈值及窗口宽度直接影响周期分割准确度,对数据挖掘的效果造成阻碍。
发明内容
本发明的目的是为了解决上述现有技术阈值或窗口宽度选择困难的缺陷和不足,提供一种不需要设置阈值和窗口宽度等需要预设值的行走步态信号预处理方法,通过高斯平滑迭代的方式处理异常信号和毛刺,再以趋势遍历法提取行走步态的摆动期和支撑期的加速度传感器信号的变化趋势及规律,进行行走步态周期分割、规整等信号预处理,解决了幅值阈值法和窗口极值法存在的技术痛点,可准确识别连续行走步态数据的单个步幅周期,并将连续行走步态信号数据分段插值为统一长度数据,并组包存储。
为实现上述目的,本发明所采取的技术方案为:
一种基于手机加速度传感器的行走步态信号预处理方法,包括以下步骤:
步骤一:在手机安装加速度数据采集APP,通过APP采集手机加速度传感器信号;将手机放置于人体右侧大腿前口袋,手机沿y轴正向,竖直向上放置,手机横向方向右侧为x轴正向,手机屏幕远离人体,远离人体方向为z轴正向;
步骤四:利用高斯平滑迭代处理归一化数据Sstd(t),迭代次数为2次,平滑系数为0.9,处理结果记为Ssmot(t);
步骤五:遍历Ssmot(t),保留转折点,剔除同趋势点,处理结果记为Ssmot‘(t);设Ssmot(t)中任意紧邻的3个数值点为Ssmot(i)、Ssmot(i-1)、Ssmot(i-2),如果满足
[Ssmot(i)-Ssmot(i-1)]*[Ssmot(i-1)-Ssmot(i-2)]<0,则Ssmot(i-1)为转折点,保留并记录结果记为Ssmot‘(t);如果不满足,则沿时间顺序继续遍历;
步骤六:遍历Ssmot‘(t),保留极小值点,剔除极大值点,处理结果记为Sfit(t);设Ssmot‘(t)中任意紧邻的2个数值点为Ssmot‘(t)、Ssmot‘(t-1),如果满足Ssmot‘(t)-Ssmot‘(t-1)<0,则Ssmot‘(t)为极小值点,保留并记录结果记为Sfit(t);如果不满足,则沿时间顺序继续遍历;
步骤七:遍历Sfit(t),保留极小值点,剔除极大值点;Sfit(t)极小值点为连续行走步态单个周期分割点,并记录分割点位置序号;
步骤八:以Sfit(t)存储周期分割点的位置序号映射原序列S(t),并以分割点为起始点,对原数据S(t)切割分段,存储记为S’(t);
步骤九:计算S’(t)各分段数据长度,并计算所有数据段长度的最小公倍数;
本发明的有益效果:
本发明通过高斯平滑迭代的方式处理异常信号和毛刺,再以趋势遍历法提取行走步态的摆动期和支撑期的加速度传感器信号的变化趋势及规律,进行行走步态周期分割、规整等信号预处理,可准确识别连续行走步态数据的单个步幅周期,将连续行走步态信号数据分段插值为统一长度数据,并组包存储;解决了现有技术幅值阈值法和窗口极值法存在的幅值、周期等参数变化差异较大、选择合适的阈值及窗口宽度存在困难,以及不合理的阈值和窗口宽度影响周期分割准确度,对数据挖掘的效果造成阻碍的问题。
附图说明
图1为本发明一种基于手机加速度传感器的行走步态信号预处理方法的流程示意图;
图2为本发明方法手机内的三轴加速度传感器三轴方向示意图;
图3为本发明方法加速度合成序列S(t)合成数据示意图;
图4为本发明方法高斯平滑迭代处理前后效果对比图(图中a为未处理前的原数据图,b为高斯平滑处理后的数据图,c为第一次高斯平滑迭代处理后的数据图,d为第二次高斯平滑迭代处理后的数据图);
图5为本发明方法高斯平滑迭代处理后全部数据点的曲线图;
图6为本发明方法遍历Ssmot(t)后保留的转折点所连成的曲线图;
图7为本发明方法遍历Ssmot‘(t)后保留的极小值点所连成的曲线图;
图8为本发明方法利用遍历Sfit(t)后所保留极小值点的拟合函数曲线图;
图9为本发明方法行走步态周期分割点的示意图;
图10为本发明方法原数据S(t)的周期分割点映射图。
具体实施方式
为了更好地解释本发明,下面结合附图和实施例对本发明进行详细的描述。
实施例:参见图1-10。
如图1所示,一种基于手机加速度传感器的行走步态信号预处理方法,包括以下步骤:
步骤一:在手机安装加速度数据采集APP,通过APP采集手机加速度传感器信号;如图2所示,将手机放置于人体右侧大腿前口袋,手机沿y轴正向,竖直向上放置,手机横向方向右侧为x轴正向,手机屏幕远离人体,远离人体方向为z轴正向;
步骤四:如图4-5所示,利用高斯平滑迭代处理归一化数据Sstd(t),迭代次数为2次,平滑系数为0.9,处理结果记为Ssmot(t);
步骤五:遍历Ssmot(t),保留转折点,剔除同趋势点,处理结果记为Ssmot‘(t);设Ssmot(t)中任意紧邻的3个数值点为Ssmot(i)、Ssmot(i-1)、Ssmot(i-2),如果满足[Ssmot(i)-Ssmot(i-1)]*[Ssmot(i-1)-Ssmot(i-2)]<0,则Ssmot(i-1)为转折点,保留并记录结果记为Ssmot‘(t);如果不满足,则沿时间顺序继续遍历,遍历结果如图6所示;
步骤六:遍历Ssmot‘(t),保留极小值点,剔除极大值点,处理结果记为Sfit(t);设Ssmot‘(t)中任意紧邻的2个数值点为Ssmot‘(t)、Ssmot‘(t-1),如果满足Ssmot‘(t)-Ssmot‘(t-1)<0,则Ssmot‘(t)为极小值点,保留并记录结果记为Sfit(t);如果不满足,则沿时间顺序继续遍历,遍历结果如图7所示;拟合遍历后的数据得到极小值点的拟合函数曲线图如图8所示;
步骤七:遍历Sfit(t),保留极小值点,剔除极大值点;Sfit(t)极小值点为连续行走步态单个周期分割点,并记录分割点位置序号,处理结果如图9所示;
步骤八:以Sfit(t)存储周期分割点的位置序号映射原序列S(t),并以分割点为起始点,对原数据S(t)切割分段,存储记为S’(t),映射结果如图10所示;
步骤九:计算S’(t)各分段数据长度,并计算所有数据段长度的最小公倍数;
步骤十:按最小公倍数对S’(t)各分段数据线性插值,以获得统一长度的行走步态单周期序列,以形成最终行走步态信号数据组,其中si(n)表示第i个步态周期序列,1,2,...,n为单周期序列的采样点序号。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于手机加速度传感器的行走步态信号预处理方法,其特征在于,预处理方法包括以下步骤:
步骤一:在手机安装加速度数据采集APP,通过APP采集手机加速度传感器信号;将手机放置于人体右侧大腿前口袋,手机沿y轴正向,竖直向上放置,手机横向方向右侧为x轴正向,手机屏幕远离人体,远离人体方向为z轴正向;
步骤四:利用高斯平滑迭代处理归一化数据Sstd(t),迭代次数为2次,平滑系数为0.9,处理结果记为Ssmot(t);
步骤五:遍历Ssmot(t),保留转折点,剔除同趋势点,处理结果记为Ssmot‘(t);
步骤六:遍历Ssmot‘(t),保留极小值点,剔除极大值点,处理结果记为Sfit(t);
步骤七:遍历Sfit(t),保留极小值点,剔除极大值点,记录极小值点的位置序号;
步骤八:以所得Sfit(t)极小值点的位置序号映射原序列S(t),以Sfit(t)极小值点为起始点,对原数据S(t)切割分段,并存储记为S’(t);
步骤九:计算S’(t)各分段的数据长度,并计算所得分段数据长度的最小公倍数;
2.根据权利要求1所述的一种基于手机加速度传感器的行走步态信号预处理方法,其特征在于,步骤五中所述遍历Ssmot(t),保留转折点,剔除同趋势点的处理方法为:
设Ssmot(t)中任意紧邻的3个数值点为Ssmot(i)、Ssmot(i-1)、Ssmot(i-2),如果满足[Ssmot(i)-Ssmot(i-1)]*[Ssmot(i-1)-Ssmot(i-2)]<0,则Ssmot(i-1)为转折点,保留并记录结果记为Ssmot‘(t);如果不满足,则沿时间顺序继续遍历。
3.根据权利要求1所述的一种基于手机加速度传感器的行走步态信号预处理方法,其特征在于,步骤六中所述遍历Ssmot‘(t),保留极小值点,剔除极大值点的处理方法为:
设Ssmot‘(t)中任意紧邻的2个数值点为Ssmot‘(t)、Ssmot‘(t-1),如果满足Ssmot‘(t)-Ssmot‘(t-1)<0,则Ssmot‘(t)为极小值点,保留并记录结果记为Sfit(t);如果不满足,则沿时间顺序继续遍历。
4.根据权利要求1所述的一种基于手机加速度传感器的行走步态信号预处理方法,其特征在于,步骤七中所述遍历Sfit(t),保留极小值点,剔除极大值点,记录极小值点的位置序号;所述Sfit(t)极小值点为连续行走步态单个周期分割点,所述极小值点的位置序号为单个周期分割点的位置序号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012482.2A CN112906457B (zh) | 2021-01-06 | 2021-01-06 | 一种基于手机加速度传感器的行走步态信号预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110012482.2A CN112906457B (zh) | 2021-01-06 | 2021-01-06 | 一种基于手机加速度传感器的行走步态信号预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906457A true CN112906457A (zh) | 2021-06-04 |
CN112906457B CN112906457B (zh) | 2022-08-09 |
Family
ID=76112255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110012482.2A Active CN112906457B (zh) | 2021-01-06 | 2021-01-06 | 一种基于手机加速度传感器的行走步态信号预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906457B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114287921A (zh) * | 2021-12-23 | 2022-04-08 | 常州信息职业技术学院 | 一种步态双侧相似性分析方法、装置及*** |
CN116548928A (zh) * | 2023-07-11 | 2023-08-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140156215A1 (en) * | 2012-12-04 | 2014-06-05 | Mapmyfitness, Inc. | Gait analysis system and method |
CN107103297A (zh) * | 2017-04-20 | 2017-08-29 | 武汉理工大学 | 基于手机加速度传感器的步态身份识别方法及*** |
CN107403143A (zh) * | 2017-07-06 | 2017-11-28 | 广东小天才科技有限公司 | 一种步态识别方法及电子设备 |
CN110537922A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 基于深度学习的人体行走过程下肢运动识别方法及*** |
CN111568436A (zh) * | 2020-05-29 | 2020-08-25 | 常州大学 | 一种基于回归旋转角的步态对称性评价方法 |
CN112107397A (zh) * | 2020-10-19 | 2020-12-22 | 中国科学技术大学 | 肌电信号驱动的下肢义肢连续控制*** |
-
2021
- 2021-01-06 CN CN202110012482.2A patent/CN112906457B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140156215A1 (en) * | 2012-12-04 | 2014-06-05 | Mapmyfitness, Inc. | Gait analysis system and method |
CN107103297A (zh) * | 2017-04-20 | 2017-08-29 | 武汉理工大学 | 基于手机加速度传感器的步态身份识别方法及*** |
CN107403143A (zh) * | 2017-07-06 | 2017-11-28 | 广东小天才科技有限公司 | 一种步态识别方法及电子设备 |
CN110537922A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 基于深度学习的人体行走过程下肢运动识别方法及*** |
CN111568436A (zh) * | 2020-05-29 | 2020-08-25 | 常州大学 | 一种基于回归旋转角的步态对称性评价方法 |
CN112107397A (zh) * | 2020-10-19 | 2020-12-22 | 中国科学技术大学 | 肌电信号驱动的下肢义肢连续控制*** |
Non-Patent Citations (1)
Title |
---|
杨文辉: "《基于加速度传感器的步态分析与识别》", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114287921A (zh) * | 2021-12-23 | 2022-04-08 | 常州信息职业技术学院 | 一种步态双侧相似性分析方法、装置及*** |
CN116548928A (zh) * | 2023-07-11 | 2023-08-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务*** |
CN116548928B (zh) * | 2023-07-11 | 2023-09-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务*** |
Also Published As
Publication number | Publication date |
---|---|
CN112906457B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906457B (zh) | 一种基于手机加速度传感器的行走步态信号预处理方法 | |
CN110602647A (zh) | 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法 | |
CN103471589B (zh) | 一种室内行人行走模式识别和轨迹追踪的方法 | |
CN106525066A (zh) | 计步数据处理方法和计步器 | |
CN108510011B (zh) | 一种基于手机多传感器的用户出行方式分析方法 | |
CN111277946A (zh) | 一种蓝牙室内定位***中指纹库自适应更新方法 | |
CN114170201B (zh) | 基于边缘光流信息的非接触式呼吸率检测方法及*** | |
CN107274376A (zh) | 一种工件三维点云数据平滑滤波方法 | |
CN113034439B (zh) | 一种高速铁路声屏障缺损检测方法及装置 | |
CN107967675B (zh) | 一种基于自适应投影移动最小二乘的结构化点云去噪方法 | |
CN114897025A (zh) | 一种人体姿态识别模型建立方法和人体姿态识别方法 | |
CN109766798A (zh) | 基于经验小波的手势数据处理方法、服务器及感知设备 | |
CN106772572A (zh) | 一种微地震监测初至的拾取方法 | |
CN103514600A (zh) | 一种基于稀疏表示的红外目标快速鲁棒跟踪方法 | |
CN108462939B (zh) | 一种地磁时序分析的室内定位方法 | |
CN114041780A (zh) | 一种基于惯性传感器采集的数据进行呼吸监测的方法 | |
CN111938627B (zh) | 一种滤除心磁信号基线漂移的方法 | |
CN105512480B (zh) | 基于编辑距离的可穿戴设备数据优化处理方法 | |
US11373367B2 (en) | Method for characterization of respiratory characteristics based on voxel model | |
WO2022111203A1 (zh) | 心率检测方法和装置 | |
CN110231035A (zh) | 攀爬移动机器人路径引导方法 | |
CN115439934A (zh) | 一种基于cnn-lstm运动模式识别的自适应步频检测方法 | |
CN116051573A (zh) | 基于深度元学习的模测震图纸矢量化方法 | |
CN112861098B (zh) | 一种基于dtw算法和行走步态数据的手机身份验证方法 | |
CN115200575A (zh) | 一种基于人类活动识别辅助行人航位推算的室内定位方法 |
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 |