一种基于惯性数据时频域特征提取的行人步长建模方法与流程

1.本发明属于行人导航技术领域，具体涉及到一种基于惯性数据时频域特征提取的行人步长建模方法。


背景技术：

2.腰绑式行人导航系统将微惯性传感器固联于人体腰部，利用航位推算方法实现位置更新。传统的基于惯性传感器的行人导航方法在进行航位推算时，步长是利用加速度信号通过建模的方式得到，常规建模方法主要考虑正常行走步态，无法直接应用于跑步、侧走、倒走等非常规步态，因此需要一种适用于行走和非常规步态的行人步长建模方法。


技术实现要素：

3.本发明的目的在于提供了一种基于惯性数据时频域特征提取的行人步长建模方法，通过对惯性数据时频域特征的提取、融合，获得不同步态下的行人步长模型，提高多运动状态下基于惯性传感器的行人航位推算精度，解决现有步长建模方法无法直接应用于跑步、侧走、倒走等非常规步态的技术问题。
4.为了实现上述目的，本发明采用的技术方案如下：
5.本发明提供了一种基于惯性数据时频域特征提取的行人步长建模方法，包括如下步骤
6.采集行走和非常规步态下的惯性数据，对不同步态的惯性数据进行分段；
7.计算单步周期内的步频、加速度方差，构建时域线性步长模型；
8.将单步周期内的三轴加速度矢量和信号进行分数阶傅里叶变换，计算变换后的加速度信号的标准差因子和四分位差因子，构建频域线性步长模型；
9.利用加权方法融合时域线性步长模型和频域线性步长模型，得到融合步长模型。
10.进一步地，所述非常规步态包括跑步、侧走、倒走。
11.进一步地，所述步频f
step
和加速度方差υ计算方法如下
12.f
step
＝1/(t
i
‑
t
i
‑1)
[0013][0014]
其中，t
i
‑1和t
i
分别为第i步的开始和结束时间，a
t
为t时刻垂向加速度输出，是第i步过程中垂向加速度均值，n为第i步中加速度采样数。
[0015]
进一步地，所述时域线性步长模型为
[0016][0017][0018]
[0019][0020]
其中，分别表示行走、跑步、侧走、倒走的时域步长模型，为预标定的模型参数。
[0021]
进一步地，p阶傅里叶变换的计算方法如下
[0022][0023]
其中，x(t)为单步周期内加速度矢量和信号，f
p
定义为分数阶傅里叶变换算子，α＝pπ/2，k
p
(u,t)为积分核函数，n为整数。
[0024]
进一步地，所述傅里叶变换阶次p在0.2～0.5范围内。
[0025]
进一步地，所述标准差因子计算方法如下
[0026][0027]
其中，n为第i步中加速度采样数，mox
p
(
·
)为p阶傅里叶变换后的加速度信号取模值的过程，m
f
为加速度信号幅值的均值，
[0028][0029]
将p阶傅里叶变换后的加速度信号由小到大排序为q
i
，i＝1,2,3,...,k，所述四分位差因子计算方法如下
[0030][0031]
其中，int(
·
)为取整运算。
[0032]
进一步地，所述频域线性步长模型利用线性组合方式得到，具体为
[0033][0034][0035][0036][0037]
其中，分别表示行走、跑步、侧走、倒走的频域步长模型，为预标定的模型参数。
[0038]
进一步地，所述融合步长模型为
[0039][0040][0041][0042][0043]
其中，c∈{walk,run,side,back}分别表示不同步态下时域线性步长模型与频域线性步长模型权重。
[0044]
进一步地，所述不同步态下时域线性步长模型权重选取方法为，当倒走与侧走时，所述时域线性步长模型权重取值范围均为0.4～0.6，当行走时，所述时域线性步长模型权重取值范围为0.6～0.8，当跑步时，所述时域线性步长模型权重取值范围为0.6～0.7。
[0045]
本发明与现有技术相比的有益效果：
[0046]
本发明提出了一种基于惯性数据时频域特征提取的行人步长建模方法，该方法充分挖掘原始惯性信号的频域特征，对在时域表现相似的惯性序列进行区分，采用分数阶傅里叶变换提取与频域特征相关的步长因子，进一步提高多运动状态下的步长估计精度。该方法可以在有效融合时域和频域步长模型的情况下大幅度提升复杂步态下的步长估计精度，实现多运动状态下行人高精度定位导航，极大提升了复杂步态下的行人航位推算精度。
附图说明
[0047]
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明具体实施例提供的基于惯性数据时频域特征提取的行人步长建模方法原理框图。
具体实施方式
[0049]
下面对本发明的具体实施例进行详细说明。在下面的描述中，出于解释而非限制性的目的，阐述了具体细节，以帮助全面地理解本发明。然而，对本领域技术人员来说显而易见的是，也可以在脱离了这些具体细节的其它实施例中实践本发明。
[0050]
在此需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与本发明的方案密切相关的设备结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
[0051]
腰绑式行人导航系统将微惯性传感器固联于人体腰部，利用航位推算方法实现位置更新，其中单步步长可以通过基于时域特征的线性步长模型获得。为了挖掘跑步、侧走和倒走等非常规步态步长特征，本发明利用分数阶傅里叶变换提取单步周期内加速度信号的步长相关因子，与时域特征组合得到融合步长模型，能够提升复杂步态下的步长估计精度。本发明尤其适用于解决多运动状态下行人高精度定位导航应用需求。
[0052]
本发明的基本原理为：将微惯性传感器固联于行人腰部，采集行走、跑步、侧走、倒
走等步态下的原始惯性数据，利用步频、加速度方差等时域运动特征参数构建时域线性步长模型；将单步周期内的三轴加速度矢量和信号进行分数阶傅里叶变换，同时对变换后的信号提取标准差因子和四分位差因子等步长相关因子，并构建频域线性步长模型；综合考虑时域和频域特征，利用加权方法融合时域线性步长模型和频域线性步长模型，得到融合步长模型。
[0053]
本发明提供了一种基于惯性数据时频域特征提取的行人步长建模方法，具体包括如下步骤：
[0054]
采集行走以及跑步、侧走、倒走等非常规步态下的原始惯性数据，对不同步态的惯性数据进行分段；
[0055]
计算单步周期内的步频、加速度方差，构建时域线性步长模型；
[0056]
将单步周期内的三轴加速度矢量和信号进行分数阶傅里叶变换，计算变换后的加速度信号的标准差因子和四分位差因子，构建频域线性步长模型；
[0057]
利用加权方法融合时域线性步长模型和频域线性步长模型，得到融合步长模型。
[0058]
采用上述方法建立的行人步长模型，在有效融合时域和频域步长模型的情况下，大幅度提升复杂步态下的步长估计精度，实现多运动状态下行人高精度定位导航，极大提升了复杂步态下的行人航位推算精度。
[0059]
下面结合一个具体实施例对本发明的技术方案进行详细阐述。如图1所示，具体方法如下：
[0060]
(1)惯性数据采集
[0061]
将微惯性传感器固联于行人腰部，采集行走、跑步、侧走、倒走等步态下的原始惯性数据，对不同步态的惯性数据进行分段从而确定出每一步的起止时刻。
[0062]
(2)建立时域线性步长模型
[0063]
提取步频和加速度方差等时域运动特征：
[0064]
f
step
＝1/(t
i
‑
t
i
‑1)
[0065][0066]
其中，f
step
和υ分别表示步频和加速度方差，t
i
‑1和t
i
分别为第i步的开始和结束时间，a
t
为t时刻垂向加速度输出，是第i步过程中垂向加速度均值，n为第i步中加速度采样数。
[0067]
基于步频和加速度方差等时域运动特征参数构建时域线性步长模型：
[0068][0069][0070][0071][0072]
其中，分别表示行走、跑步、侧走、倒走的时域步长模型，为预标定
的模型参数。预标定的模型参数可以采用查表法确定，通过采集行走、跑步、侧走、倒走等步态下的多目标惯性数据，通过统计学方法计算模型参数，制作相应标准化表格，供查表使用。
[0073]
(3)对原始惯性数据进行频域变换
[0074]
为了提取不同步态惯性数据的频域特性，对原始惯性数据进行分数阶傅里叶变换。分数阶傅里叶变换在保留傅里叶变换性质的同时集成时域下的部分有效信息，消除冗余信息，使得在时域表现相似的序列在变换后具有一定的区分度，从而可以针对不同步态得到匹配的步长模型。定义单步周期内加速度矢量和信号为x(t)，其p阶傅里叶变换为：
[0075][0076]
其中，k
p
(u,t)为积分核函数：
[0077][0078]
其中，n为整数，x
p
(u)可进一步表示为：
[0079][0080]
其中，f
p
定义为分数阶傅里叶变换算子，α＝pπ/2。
[0081]
分数阶傅里叶变换的阶次越高，输出所保留的时域特征越少，能量越集中。本发明针对单步周期内的时域信号进行变换，采样点个数较少，因此选取变换阶次p在0.2～0.5范围内，在引入频域特征的同时保留一定的时域特性。本实施例中，选取变换阶次p＝0.2。
[0082]
(4)提取频域步长相关因子并建立频域线性步长模型
[0083]
在时频变换基础上，选取能够增强不同步态区分度的步长相关因子，包括标准差因子和四分位差因子。
[0084]
标准差因子可以表示为：
[0085][0086]
其中，n为第i步中加速度采样数，mox
p
(
·
)为p阶傅里叶变换后的加速度信号取模值的过程，m
f
为加速度信号幅值的均值，表示为：
[0087][0088]
将p阶傅里叶变换后的加速度信号由小到大排序为q
i
，i＝1,2,3,...,k，则四分位差因子可以表示为：
[0089][0090]
其中，int(
·
)为取整运算。
[0091]
利用线性组合方式得到频域线性步长模型为：
[0092][0093][0094][0095][0096]
其中，分别表示行走、跑步、侧走、倒走的频域步长模型，为预标定的模型参数。
[0097]
(5)建立融合步长模型
[0098]
结合时域特征和频域特征，利用加权方法融合时域线性步长模型和频域线性步长模型，构建融合步长模型，实现对复杂步态的步长估计，公式表示为：
[0099][0100][0101][0102][0103]
其中，分别表示不同步态下时域步长模型与频域步长模型权重，其选取与信号本身优劣有关。例如倒走与侧走时，由于身体稳定性较差，原始信号包含较多高频噪声，使得频域下信号可信度降低，其对应的取值较低，取值范围均为0.4～0.6；行走和跑步的时域信号有很强的周期性，对应的取值较高，取值范围均为0.6～0.8，取值范围均为0.6～0.7。本实施例中，不同步态融合步长模型的权重表如表1所示。
[0104]
表1不同步态融合步长模型权重表
[0105][0106]
如上针对一种实施例描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施例中使用，和/或与其它实施例中的特征相结合或替代其它实施例中的特征使用。
[0107]
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤、组件或其组合的存在或附加。
[0108]
这些实施例的许多特征和优点根据该详细描述是清楚的，因此所附权利要求旨在覆盖这些实施例的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施例限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
[0109]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0110]
本发明未详细说明部分为本领域技术人员公知技术。