摘要：随着人工智能技术的快速发展,智能计步功能的研究和应用也随之受到越来越多的重视。依托于MEMS(Micro-Elect...随着人工智能技术的快速发展,智能计步功能的研究和应用也随之受到越来越多的重视。依托于MEMS(Micro-Electro-Mechanical System)技术的发展,基于MEMS技术的传感器因其体积小、低功耗等多个优点而被各种智能移动终端所采用,例如智能手机、智能手表、智能手环等,正因为集成了一系列MEMS传感器,使得这些设备的智能化成为可能。其中最普遍的便是对MEMS加速度传感器的使用,通过MEMS加速度传感器可以采集到与用户运动紧密相关的信号数据,通过分析这些数据,可以预测出用户当前的运动状况以及计算出用户行走的步数,而计算用户步数即所谓的计步功能。用户的步数信息在运动监测、PDR(Pedestrian Dead Reckoning)技术等领域具有重要的应用价值,因此如何通过MEMS加速度传感器采集到的加速度信号准确检测出用户行走的步数,成为步数检测算法领域最基本的研究要点。目前,国内外许多学者在基于MEMS加速度传感器的计步算法和动作识别领域,已经研究出了许多有效的方法。但是,在动作识别领域,大多数方法需要将MEMS传感器固定于实验者的某一部位,而在计步算法领域,在降低不同动作对计步结果的影响上,大多数研究者采取的是滤波、借助重力校正等数据预处理方法,很少把动作识别方法融入步数检测算法。鉴于此,本文提出一种基于动作识别的自适应步数检测算法,有效地将动作识别模型与步数检测算法进行了融合。不同的动作导致MEMS传感器位置发生不同的变化,相应的加速度信号特征也会发生改变,通过动作识别模型,计步系统可以识别出人体的不同动作,然后步数检测模型将会根据不同特征的加速度信号有效地进行计步策略的调整,以达到最佳的计步结果。本文的方法无需固定MEMS传感器的位置,其自适应性能力也不是仅仅借助数据预处理的方式来提升。在动作识别模型中,为了提高动作识别的准确率,本文采用机器学习方法对加速度信号的特征进行学习和辨别,并且提出子带能量差比率差的特征来进一步提高识别效率。在步数检测模型部分,根据不同的动作识别结果,分析设计了3种不同的计步策略,每种策略对应一个具体的步数检测算法,充分体现了本文计步算法的自适应性能力。本文在真实场景下采集了多个实验者的加速度信号数据,在MATLAB平台上进行了实验仿真,并分析了本文动作识别和步数检测算法的性能表现。除此以外,为了进一步展现本文算法的优势,本文实验阶段还实现了其他3种计步算法作为对比实验,所有实验结果表明本文的计步算法自适应性更强,在各种动作下的平均计步准确率达到98.9%。更多还原显示全部
