基于微惯性技术的行走和原地踏步运动分类方法和系统技术方案

发明专利技术属于运动分类技术领域，具体涉及一种基于微惯性技术的行走和原地踏步运动分类方法和系统，旨在解决行走和原地踏步动作的准确识别的问题，本发明专利技术方法包括S1，获取一个步伐动作的采样数据，该数据包括该步伐动作的加速度和角速度数据；S2，将所述采样数据统一化为大小一致的步态数据；S3，基于所述步态数据计算该步伐动作的加速度和角速度的模值，并获取步伐数据矩阵；S4，将所述步伐数据矩阵按行拼接成向量作为该步伐的特征向量；S5，将所述步伐特征向量输入预先构建的步态分类模型进行该步伐动作运动分类。本发明专利技术可以有效识别行走运动和踏步运动，将有效避免航迹估计误差，同时还减少了计算量和算法复杂度，使得算法简单而有效。

Classification method and system of walking and in-situ walking based on micro-inertia Technology

The invention belongs to the field of motion classification technology, and specifically relates to a method and system of walking and in-situ walking motion classification based on micro-inertia technology, aiming at solving the problem of accurate identification of walking and in-situ walking actions. The method of the invention includes S1, acquiring a sampling data of a step action, which includes acceleration and angular velocity data of the step action, S2, and sampling the said data. Data are unified into gait data of the same size; S3 calculates the modulus of acceleration and angular velocity of the gait action based on the gait data, and obtains the gait data matrix; S4, splices the gait data matrix into vectors according to rows as the feature vectors of the step; S5, inputs the gait feature vectors into the pre-constructed gait classification model for the gait movement. Classification. The invention can effectively identify walking motion and step motion, effectively avoid track estimation error, and reduce the computational complexity and algorithm complexity, making the algorithm simple and effective.

【技术实现步骤摘要】
基于微惯性技术的行走和原地踏步运动分类方法和系统
本专利技术属于运动分类
，具体涉及一种基于微惯性技术的行走和原地踏步运动分类方法和系统。
技术介绍
随着微电子机械系统(MEMS)的发展，特别是微惯性技术的发展，利用微惯性传感器进行行人航迹推演和运动分析具有广泛的应用前景。目前，国内外已经设计出相当多的基于微惯性技术的行人航迹推演系统，其中许多航迹推演系统中都进行了各种不同运动类型的分类。进行运动分类能够为航迹推演系统提供更多的运动信息，对航迹精度的提高有着重要的作用。目前基于微惯性技术的运动分类的运动类型主要有：行走、奔跑、上楼梯、下楼梯、前向/后向/侧向行走和奔跑、站立等，但是对于原地踏步这种运动还没有人提出进行分类及其分类方法。而在基于微惯性技术的行人航迹推演系统中，如果将原地踏步运动看作正常的行走，则有可能引起比较大的误差。因此，进行原地踏步运动的识别是很有必要的。
技术实现思路
为了解决现有技术中的上述问题，即为了解决行走和原地踏步动作的准确识别的问题，本专利技术的一方面，提出了一种基于微惯性技术的行走和原地踏步运动分类方法，用于步伐动作运动分类，该运动分类包括行走运动、踏步运动；包括以下步骤：步骤S1，获取一个步伐动作的采样数据，该数据包括该步伐动作的加速度和角速度数据；步骤S2，将所述采样数据统一化为大小一致的步态数据；步骤S3，基于所述步态数据计算该步伐动作的加速度和角速度的模值，并获取步伐数据矩阵；步骤S4，将所述步伐数据矩阵按行拼接成向量作为该步伐的特征向量；步骤S5，将所述步伐特征向量输入预先构建的步态分类模型进行该步伐动作运动分类；其中，所述步态分类模型基于全连接神经网络构建。在一些优选实施方式中，所述步态分类模型为包括输入层、第一隐藏层、第二个隐藏层、输出层的全连接神经网络；隐藏层和输出层神经元的激活函数采用Sigmoid函数；误差函数为其中hθ(Xi)表示经处理后第i个步伐数据输入所述全连接神经网络后的输出，Yi表示第i个步伐数据的标签。在一些优选实施方式中，所述步态分类模型通过训练样本集进行训练，所述训练样本集包括多个按步划分的训练样本，每个训练样本包括一个步伐的特征向量和标签；所述标签包括行走运动的向量表示、踏步运动的向量表示；所述特征向量通过步骤S1至S4的方法获取。在一些优选实施方式中，所述步态分类模型的输入层有300个接收数据输入的神经元，第一个隐藏层有50个神经元，第二个隐藏层有10个神经元，输出层有两2个神经元；所述标签为2维向量。在一些优选实施方式中，所述标签的行走运动的向量表示为Lm＝(0.9，0.1)T、踏步运动的向量表示为Lm＝(0.1，0.9)T，其中Lm为第m训练样本的标签。在一些优选实施方式中，步骤S1中“获取一个步伐动作的采样数据”，包括以下步骤：步骤S11，获取用于采集步伐动作采样数据所用微惯性传感器静止状态时的平均加速度值和平均角速度值；步骤S12，将所述微惯性传感器所采集的一个步伐动作的数据减去步骤S11中获取的平均加速度值和平均角速度值，得到去中心化的采样数据。在一些优选实施方式中，步骤S2中“将所述采样数据统一化为大小一致的步态数据”，具体为将所述采样数据扩展或缩放成6×Q大小的步态数据，Q为离散采集的数据补全后的组数；包括：如果所述采样数据小于Q，则在该采样数据前补0向量，使其变成6×Q大小；如果所述采样数据大于Q，则对其进行下采样，使其变成6×Q大小。在一些优选实施方式中，步骤S3中“基于所述步态数据计算该步伐动作的加速度和角速度的模值”其计算公式为其中，分别为所述步态数据计算该步伐动作的加速度和角速度的模值，步骤S2处理后得到的步态数据中的加速度和角速度向量。本专利技术的另一方面，提出一种基于微惯性技术的行走和原地踏步运动分类系统，用于步伐动作运动分类，该运动分类包括行走运动、踏步运动；包括采样单元、步态数据生成单元、步伐数据矩阵生成单元、步伐特征向量生成单元、步态分类单元；所述采样单元，配置为获取一个步伐动作的采样数据，该数据包括该步伐动作的加速度和角速度数据；所述步态数据生成单元，配置为将所述采样数据统一化为大小一致的步态数据；所述步伐数据矩阵生成单元，配置为基于所述步态数据计算该步伐动作的加速度和角速度的模值，并获取步伐数据矩阵；所述步伐特征向量生成单元，配置为将所述步伐数据矩阵按行拼接成向量作为该步伐的特征向量；所述步态分类单元，配置为将所述步伐特征向量输入预先构建的步态分类模型进行该步伐动作运动分类；其中，所述步态分类模型基于全连接神经网络构建。本专利技术的第三方面，提出了一种基于微惯性技术的行走和原地踏步运动分类系统，用于步伐动作运动分类，该运动分类包括行走运动、踏步运动；包括用于采集步态数据的微惯性传感器、数据处理单元；所述微惯性传感器包括三轴陀螺仪、三轴加速度传感器；所述数据处理单元包括处理器、存储设备；所述处理器适于执行各条程序；所述存储设备，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于微惯性技术的行走和原地踏步运动分类方法。本专利技术的步态分类模型基于全连接神经网络构建，该模型的训练样本集中的样本为按步划分好的，来自于绑在脚上的微惯性传感器的行走或原地踏步运动的数据，通过训练好的步态分类模型，可以高精度地识别每个步伐动作中所采集的每步数据的运动类型是属于行走还是原地踏步。本专利技术方法的有益效果在于：(1)以往的大部分基于微惯性传感器的运动类型分类方法，都是直接基于原始的微惯性传感器的输出，其没有事先按步划分运动数据；其使用的数据特征除了模值以外，通常还需要包括均值、方差、功率谱等统计特征以增加分类的准确性。本专利技术基于全连接神经网络的步态分类模型，其输入数据为的单个样本是微惯性传感器输出的每步的运动数据，所利用的特征只包括加速度计和陀螺仪输出数据的模值，减少了计算量和算法复杂度，使得算法简单而有效。(2)实现了基于微惯性技术的未曾被其他算法分类识别的运动类型——原地踏步。以往的基于微惯性技术的运动类型识别方法都没有对原地踏步运动进行识别。而在行人航迹推演系统中，进行原地踏步运动的识别是很有必要的，因为一旦将原地踏步运动当成其他有水平位移的运动对待，将可能造成很大的轨迹估计误差。而将此类有明显运动角速度和加速度的运动单独识别并辅助于特定的方法，采用本专利技术的运动分类方法可以有效识别行走运动和踏步运动，将有效避免航迹估计误差。附图说明图1本专利技术的一种基于微惯性技术的行走和原地踏步运动分类方法的算法结构示意框图。具体实施方式下面参照附图来描述本专利技术的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本专利技术的技术原理，并非旨在限制本专利技术的保护范围。目前，主要的用于微惯性技术运动分类的方法有：决策树、隐马尔可夫模型(HMM)、支持向量机(SVM)、多层感知机(MLP)、双向长短时记忆循环神经网络(BLSTM-RNN)等。本专利技术采用的分类模型是全连接神经网络即多层感知机(MLP)模型。相较于传统的直接对惯性传感器运动数据进行运动分类的方法，本专利技术方法要求对惯性传感器数据事先按照步伐分割，一步的数据作为单个运动分类的原始样本。本专利技术的运动分类方法和系统可以用于人的运动状态分类，也可以用于任何具有步本文档来自技高网...

【技术保护点】
1.一种基于微惯性技术的行走和原地踏步运动分类方法，用于步伐动作运动分类，该运动分类包括行走运动、踏步运动；其特征在于，包括以下步骤：步骤S1，获取一个步伐动作的采样数据，该数据包括该步伐动作的加速度和角速度数据；步骤S2，将所述采样数据统一化为大小一致的步态数据；步骤S3，基于所述步态数据计算该步伐动作的加速度和角速度的模值，并获取步伐数据矩阵；步骤S4，将所述步伐数据矩阵按行拼接成向量作为该步伐的特征向量；步骤S5，将所述步伐特征向量输入预先构建的步态分类模型进行该步伐动作运动分类；其中，所述步态分类模型基于全连接神经网络构建。

【技术特征摘要】
1.一种基于微惯性技术的行走和原地踏步运动分类方法，用于步伐动作运动分类，该运动分类包括行走运动、踏步运动；其特征在于，包括以下步骤：步骤S1，获取一个步伐动作的采样数据，该数据包括该步伐动作的加速度和角速度数据；步骤S2，将所述采样数据统一化为大小一致的步态数据；步骤S3，基于所述步态数据计算该步伐动作的加速度和角速度的模值，并获取步伐数据矩阵；步骤S4，将所述步伐数据矩阵按行拼接成向量作为该步伐的特征向量；步骤S5，将所述步伐特征向量输入预先构建的步态分类模型进行该步伐动作运动分类；其中，所述步态分类模型基于全连接神经网络构建。2.根据权利要求1所述的基于微惯性技术的行走和原地踏步运动分类方法，其特征在于，所述步态分类模型为包括输入层、第一隐藏层、第二个隐藏层、输出层的全连接神经网络；隐藏层和输出层神经元的激活函数采用Sigmoid函数；误差函数为其中hθ(Xi)表示经处理后第i个步伐数据输入所述全连接神经网络后的输出，Yi表示第i个步伐数据的标签。3.根据权利要求2所述的基于微惯性技术的行走和原地踏步运动分类方法，其特征在于，所述步态分类模型通过训练样本集进行训练，所述训练样本集包括多个按步划分的训练样本，每个训练样本包括一个步伐的特征向量和标签；所述标签包括行走运动的向量表示、踏步运动的向量表示；所述特征向量通过步骤S1至S4的方法获取。4.根据权利要求2或3所述的基于微惯性技术的行走和原地踏步运动分类方法，其特征在于，所述步态分类模型的输入层有300个接收数据输入的神经元，第一个隐藏层有50个神经元，第二个隐藏层有10个神经元，输出层有两2个神经元；所述标签为2维向量。5.根据权利要求2所述的基于微惯性技术的行走和原地踏步运动分类方法，其特征在于，所述标签的行走运动的向量表示为Lm＝(0.9，0.1)T、踏步运动的向量表示为Lm＝(0.1，0.9)T，其中Lm为第m训练样本的标签。6.根据权利要求1-3中任一项所述的基于微惯性技术的行走和原地踏步运动分类方法，其特征在于，步骤S1中“获取一个步伐动作的采样数据”，包括以下步骤：步骤S11，获取用于采集步伐动作采样数据所用微惯性传感器静止状态时的平均加速度值和平均角速度值；步骤S12，将所述微惯性传...

【专利技术属性】
技术研发人员：杜清秀，吴源，朱海兵，汤淑明，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11