基于MEMS惯性测量单元的多源信息自适应步数检测方法

针对基于MEMS惯性测量单元的行人航迹推算中步数检测方法仅利用单一的加速度信号检测精度较低的问题,提出一种多源信息自适应步数检测方法。该方法通过综合考虑人体运动过程中的加速度信号和角速度信号,根据不同的步态特征通过设定不同的自适应阈值条件实现步数的检测。虽然常规的峰值检测算法和固定阈值检测算法在单一步态下步数检测精度相对较高,但是对复杂运动状态下的步数检测精度很差,无法适用于真实的行人运动过程中步数的检测。然而多源信息自适应步数检测方法却能够在行人不同运动状态下精确检测步数,该方法明显优于常规的峰值检测方法和阈值检测方法。试验结果表明,本文提出的多源信息自适应阈值检测方法在行人不同运动状态下的步数检测精度可达98%以上。     

一种基于自适应波峰检测的MEMS计步算法

针对微机电测量系统(MEMS)波峰检测计步算法和自相关分析计步算法仅利用单轴加速度和固定阈值对传感器姿态和运动状态变化适应性较差的问题,提出了一种自适应波峰检测算法。该算法将行人运动状态分为正常状态与非正常状态,根据行人每一步的最大整体加速度与运动状态的内在相关性,获取不同运动状态的波峰检测经验阈值,实现不同运动状态下的自适应计步。通过实验对比分析,自适应波峰检测算法在传感器不同姿态和行人不同运动状态下的计步正确率均可达到99%以上,而常规波峰检测算法和自相关分析算法对正常态的计步精度虽然达到97%和99%以上,但对非正常状态下的计步精度仅有70%和50%,无法适应行人运动状态的变化。结果表明:自适应波峰检测算法对MEMS传感器姿态和运动状态的变化适应性较强,能够实现传感器不同姿态和不同运动状态下的可靠性计步。另外,自适应波峰检测、常规波峰检测、自相关分析算法的时间运算效率分别为0.036 s、0.046 s、0.131 s,自适应波峰检测算法时间效率明显优于其他两种算法。     

基于手机多携带位置下的路程估计方法

提高步频检测的识别率和步长估计的精度是行走轨迹推算定位技术的两个关键。基于手机加速计和行人位置推算原理,利用巴特沃斯滤波器提取手机加速度信号中与行人步态事件相关的信息;借助于峰值探测法识别步频,进而利用步频探测获得的步频点分割加速度信号;通过分析行人行走时的特征,建立了基于加速度波形面积的步长估计模型,以此估计行人的行走路程。实验表明:手机在不同携带位置下,利用频域滤波器提取的信息探测步频的平均识别率达99%以上;在不同步速下,基于面积估计模型的路程估计的平均可靠度在98%以上。     

基于最邻近规则的移动端行人运动特征辨识

针对当前行人运动特征监测方案中存在运动信息种类单一、特征提取不完善、识别算法复杂且需要依赖专业检测设备等问题,提出基于智能移动端内置惯性传感器的行人运动特征自动辨识方案,为运动特征识别提供准确多样的运动信息。采集移动端MEMS加速度计输出信息后,分别提取加速度数据的三种时域及频域特征后,通过训练最邻近规则分类器实现行人行走、跑步和上下楼梯运动模式的自动识别。不同年龄不同身高的男女性运动特征提取实验结果表明,基于最邻近规则的移动端行人运动特征辨识方法对4种日常活动的平均查准率和查全率分别达到88.7%和90.3%,对提高微惯性行人导航系统普适性具有促进作用。     

一种基于手机传感器自相关分析的计步器实现方法

针对计步器采用的波峰检测算法要求行人必须将设备佩戴在身体特定部位的问题,提出了一种利用手机加速度传感器信息实现计步器的解决方案。同时,为了降低手机位置不同以及行人的不同运动状态对手机计步器计步结果的影响,设计了一种自相关分析的计步算法。该算法将运动状态分为空闲和行走两种基本类型,根据经验阈值判断运动人员的运动状态进而进行计步计算。试验结果验证了算法的有效性:相对于波峰检测算法,运动状态为行走时计步结果的正确率从92.5%提高到98.6%,运动状态为空闲时计步结果的正确率从96.0%提高到98.8%。表明新设计的自相关分析算法有效地提高了行人计步结果的正确率,为室内人员定位技术的发展提供了新的途径。     

基于MEMS传感器的手臂运动测量和识别方法

针对传统人体运动识别方法的局限,研究了一种新的基于MEMS陀螺仪、加速度计和磁强计的人体手臂运动状态测量和识别方法。通过惯性测量单元测量人体手臂运动信息,利用卡尔曼滤波算法对手臂运动的姿态角进行精确估计,可计算出手部运动轨迹。手部运动轨迹特征值和传感器测量信号的时域特征值结合起来,使用BP神经网络和SVM算法对画横线、竖线、斜线和封闭线等四种典型手臂运动状态进行识别,识别率较传统方法得到提高,分别达到97.14%和100%,表明基于MEMS传感器的人体手臂运动测量和识别方法不仅使用简单、安装方便,而且识别率高,该法具有可行性和有效性。     

?????????????????

针对汽车冲撞行人抛出速度问题,利用人体直杆模型,运用有关力学原 理,得出汽车与行人第一次冲撞后人体的转动角速度和平动速度,进而讨论了不同冲撞车速 下人体倒向发动机罩的可能运动状态,结果比较符合实际情况.这对交通事故鉴定工作具有应 用价值.     

基于自适应步长约束的行人导航系统误差修正算法

基于惯性传感器的行人导航系统定位精度随时间累积下降,根据捷联惯导理论和人体运动学特征,提出基于自适应步长约束的行人导航误差修正算法。所提算法首先利用零速检测划分行人运动区间,其次根据加速度信息利用自适应步长估计模型计算各区间内步长,最后通过零速修正与步长约束模型修正导航误差。实验将WT901BC姿态仪固定于行人脚跟,并围绕闭环路径行走进行算法验证。实验结果表明,相比于零速修正,经过自适应步长约束算法修正后,行进240 m后起点、终点间距离误差平均值由2.50 m下降至0.18 m,导航闭环误差平均值由1.04%D下降至0.07%D,有效提高行人导航系统的定位精度。     

基于惯性测量单元的运动员呼吸状态监测方法

针对人体在处于不同状态下呼吸幅度和速率的不同,并综合目前已有的呼吸监测方法,提出了一种基于卡尔曼滤波算法的可穿戴式惯性测量单元的呼吸状态监测方法。首先将两个惯性测量单元固定在人体的前胸与后背,测量人体在不同运动状态下呼吸时胸廓收缩和扩展所引起的加速度与角速度变化,在对前胸、后背惯性测量单元所测量的数据进行坐标变换空间对准后,采用差分模型下的卡尔曼滤波算法解算出运动员单纯呼吸运动状态下的加速度变化曲线,进而得到不同运动状态下运动员的呼吸频率和呼吸深度参数,该参数可作为评价运动员身体素质的重要指标。最后在搭建的可穿戴式惯性测量单元呼吸监测实验平台中进行模型验证,并将人体不同姿态下的实验结果与标准呼吸面罩测量结果比对,准确率均达到90%以上,实现了对运动员呼吸状态的便携式、可穿戴式实时精确测量。     

一种基于智能手机终端的远程人体姿态监测系统

为了利用便携式设备准确监测老年人的跌倒状况,提出了一种基于softmax回归的多种行为模式分类识别方法,设计并实现了基于智能手机终端的远程人体姿态监测系统。首先,构建softmax分类器分析8种日常行为模式下的加速度模值特征,由于跑步时加速度模值与突然跌倒时类似,引入倾斜角特征进行二次判别,从而识别出突然跌倒行为;针对缓慢跌倒行为下加速度模值特征不明显的问题,在softmax分类器中引入躺倒时间特征,通过设置躺倒时间阈值并判断原始位置是否在时间阈值内恢复,从而识别出缓慢跌倒行为。实验与测试结果表明,该系统准确度为95.40%,特异度为95.33%,灵敏度为95.50%,具有较高的跌倒行为识别精度,对老年人的健康状态监测提供了一种可行方案。