一种基于人工神经网络的步频探测方法技术

本发明专利技术公开一种基于人工神经网络的步频探测方法：步骤1、采集神经网络模型训练数据；步骤2、数据预处理；步骤3、对步骤2得到的数据进行波峰检测，为数据制作标签，波峰的标签为1，非波峰或伪波峰的标签为0；步骤4、采用滑动窗口截取训练数据；步骤5、突出窗口内训练数据的波形特征；步骤6、取窗口内中间数据对应的标签作为窗口数据的标签；步骤7、平衡训练数据中正负样本比例；步骤8、神经网络模型搭建与训练；步骤9、在线步频检测时，将接收到的加速度数据依次存入滑动窗口中，并对窗口内的数据按步骤2和5处理；步骤10、将步骤9处理后的数据输入神经网络模型；步骤11、采样时间阈值剔除多余步点。

A Step Frequency Detection Method Based on Artificial Neural Network

The invention discloses a step-frequency detection method based on artificial neural network: step 1, acquisition of training data of neural network model; step 2, data preprocessing; step 3, peak detection of data obtained in step 2, labeling of data, labeling of wave peak is 1, labeling of non-peak or pseudo-peak is 0; step 4, intercepting training data by sliding window; step 5, sudden. Step 6: Take the label corresponding to the middle data in the window as the label of the window data; Step 7: Balance the proportion of positive and negative samples in the training data; Step 8: Neural network model building and training; Step 9: On-line step frequency detection, the received acceleration data are stored in the sliding window in turn, and the data in the window is stored in step 2. Step 10, input the data processed by step 9 into the neural network model, step 11, remove the redundant step points by sampling time threshold.

【技术实现步骤摘要】
一种基于人工神经网络的步频探测方法
本专利技术属于导航定位领域，具体涉及一种基于人工神经网络的步频探测方法。
技术介绍
随着社会和科学技术的快速发展，人们在室内日常生活中对基于位置服务的需求正变得越来越大，室内定位技术也得到了广泛的研究，其中行人航迹推算(PedestrianDeadReckoning，PDR)技术凭借其独有的优势获得了大量的研究，步频探测方法是PDR技术的至关重要的一部分。同时随着智能手机的普及，人们对身体健康和身体锻炼问题也越来越关注，基于智能手机的计步方法也越来越多，步频探测是计步方法的基础。目前，步频探测方法主要基于加速度实现，常用的方法有平滑区域检测、零点交叉检测、峰值检测及自相关等。但是，他们都有一些缺陷。其中最常用的方法是峰值检测，峰值检测通过检测波峰或者波谷来判断行人是否行走一步，通常需要一系列的辅助阈值来筛选峰值，剔除一些因身体手臂异常抖动等原因造成的波峰波谷。因此峰值检测需要通过大量的数据和实验来训练这些阈值。训练出的阈值往往是固定的，以固定的阈值来处理动态的加速度数据，往往容易漏检或者多检。
技术实现思路
本专利技术的目的是提供一种基于人工神经网络的步频探测方法，利用神经网络算法强大的拟合能力，对加速度数据波形进行处理，实现自动探测步频的目的。本专利技术一种基于人工神经网络的步频探测方法，它的步骤如下：步骤1、采集神经网络模型训练数据，行人手持手机分别以不同的速度和步长行走多次，记录保存行走时硬件设备采集到的加速度数据。步骤2、预处理，将步骤1采集到的加速度数据按照如下步骤进行预处理：步骤21、将三轴加速度合成三轴总加速度，计算方法如下：其中ai表示第i个采样点的总加速度数据，表示第i个采样点三轴加速度计x,y,z轴的加速度值。步骤22、对经过步骤21处理后的加速度数据进行平滑去噪。步骤3、找到步骤2预处理后的数据中的波峰，对于是波峰的加速度值打上标签1，不是波峰的加速度值打上标签0。将加速度数据波形可视化，根据已知的步数，人为的将不是步点的波峰的标签1改为0。这样，每一个加速度值对应了一个标签。其中步点是指能代表行人行走了一步的加速度数据时间点，一般以波峰对应的时刻作为步点。步骤4、采用滑动窗口截取训练数据。滑动窗口包含奇数个连续的加速度数据。数据形式如下：[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j]其中j表示窗口内中点左右两边加速度数据的个数，窗口内数据个数2j+1不超过一个步态周期内的加速度数据个数，不小于半个步态周期内加速度数据个数，行人自然行走时的步态周期一般在0.40～0.70秒。因此，j的大小可以由加速度计采样频率和窗口内数据个数范围确定。步骤5、突出窗口内加速度数据的波形特征，定义符号函数sign：令其中|x|表示x的绝对值。步骤6、取窗口内中间加速度的标签(步骤3获得的标签)作为窗口数据的标签。数据形式如下：[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j,labeli]步骤7、对数据集进行重采样或者调整正负样本权重，平衡训练数据中正负样本比例。步骤8、神经网络模型搭建与训练。人工神经网络采用BP神经网络，模型输入神经元个数为窗口内加速度数据个数。隐藏层层数和每个隐藏层神经元个数通过多次实验获得，每次实验取不同的层数和神经元个数，取使得模型预测准确性最高的隐藏层个数和相应神经元个数即可，实验次数不限。输出神经元输出值表征该输入波形为步点的概率。将经过步骤2、3、4、5、6、7处理得到的训练数据输入神经网络模型进行训练，得到训练好的神经网络模型。步骤9、在线步频检测时，依照步骤4，将行人行走时携带的硬件接收到的加速度数据依次存入滑动窗口中，并对窗口内的数据依次按照步骤2和步骤5进行处理。步骤10、将步骤9处理后的数据输入步骤8得到的神经网络模型。若神经网络模型预测概率小于或者等于0.5，则直接判定为非步点，若预测概率大于0.5，则按照步骤11处理。步骤11、剔除多余步点。设置一个时间阈值δΔt，δΔt取2～3个相邻加速度采样时间间隔即可。用窗口内中间数据对应的时间Tt减去上一个步点对应的时间Tt-1得到时间差Δt，若Δt＞δΔt，则窗口内中间加速度数据判定为步点，否则判定为非步点。本专利技术提供一种基于人工神经网络的步频探测方法，按照步骤1、2、3、4、5、6、7、8得到步频检测神经网络模型。在线步频检测时，按照步骤9、10、11，完成步频检测。本专利技术提出的一种基于人工神经网络的步频探测方法，与现有技术相比，其优点在于：1、在保留了加速度数据绝对值大小的基础上，引入窗口内左右加速度值与中间加速度值相减后的符号，加强了波形特征，能够更加有效提取行人行走时加速度数据反映出的步态特征；2、模型利用了人工神经网络强大的拟合能力，同时辅以时间阈值δΔt，达到了更加精准的识别步频的能力。如果对本专利技术的各种改动和变形不脱离本专利技术范围，仍然属于本专利技术的权利要求和同等技术范围之内。【附图说明】图1为本专利技术一种基于人工神经网络的步频探测方法流程示意图。【具体实施方式】本专利技术提出了一种基于人工神经网络的步频探测方法，其流程图如附图1所示，它包含以下十一个步骤：步骤1、采集神经网络模型训练数据，行人手持手机分别以不同的速度和步长行走多次，记录保存行走时硬件设备采集到的加速度数据。步骤2、预处理，将步骤1采集到的加速度数据按照如下步骤进行处理：步骤21、将三轴加速度合成三轴总加速度，计算方法如下：其中ai表示第i个采样点的总加速度数据，分别表示第i个采样点三轴加速度计x,y,z轴的加速度值。步骤22、对经过步骤21处理后的加速度数据进行平滑去噪。步骤3、找到步骤2预处理后的数据中的波峰，对于是波峰的加速度值打上标签1，不是波峰的加速度值打上标签0。将数据波形可视化，根据已知的步数，人为的将不是步点的波峰的标签1改为0。这样，每一个加速度值对应了一个标签。其中步点是指能代表行人行走了一步的加速度数据时间点，一般以波峰对应的时刻作为步点。步骤4、采用滑动窗口截取训练数据。滑动窗口包含奇数个连续的加速度数据。数据形式如下：[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j]其中j表示窗口内中点左右两边加速度数据的个数，窗口内数据个数2j+1不超过步行周期内加速度数据个数，不小于半个步行周期内加速度数据个数，行人自然行走时的步态周期一般在0.40～0.70秒。因此，j的大小可以由加速度计采样频率和窗口内数据个数范围确定。步骤5、突出窗口内加速度数据的波形特征，定义符号函数sign：令其中|x|表示x的绝对值。步骤6、取窗口内中间加速度对应的标签(步骤3获得的标签)作为窗口数据的标签。数据形式如下：[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j,labeli]步骤7、对数据集重采样或者调整正负样本权重，平衡训练数据中正负样本比例。步骤8、神经网络模型搭建与训练。人工神经网络采用BP神经网络，模型输入神经元个数为窗口内加速度数据个数。隐藏层层数和每个隐藏层神经元个数通过多次实验获得，每次实验取不同的层数和神经元个数，取使得模型预测准确性最高的隐藏层个数和相应神经元个数即可本文档来自技高网...

【技术保护点】
1.一种基于人工神经网络的步频探测方法，其特征在于：该方法步骤如下：步骤1、采集神经网络模型训练数据，行人手持手机分别以不同的速度和步长行走多次，记录保存行走时硬件设备采集到的加速度数据；步骤2、预处理；步骤3、找到步骤2预处理后的数据中的波峰，对于是波峰的加速度值打上标签1，不是波峰的加速度值打上标签0；将加速度数据波形可视化，根据已知的步数，人为的将不是步点的波峰的标签1改为0；这样，每一个加速度值对应了一个标签；步骤4、采用滑动窗口截取训练数据；步骤5、突出窗口内加速度数据的波形特征，定义符号函数sign：

【技术特征摘要】
1.一种基于人工神经网络的步频探测方法，其特征在于：该方法步骤如下：步骤1、采集神经网络模型训练数据，行人手持手机分别以不同的速度和步长行走多次，记录保存行走时硬件设备采集到的加速度数据；步骤2、预处理；步骤3、找到步骤2预处理后的数据中的波峰，对于是波峰的加速度值打上标签1，不是波峰的加速度值打上标签0；将加速度数据波形可视化，根据已知的步数，人为的将不是步点的波峰的标签1改为0；这样，每一个加速度值对应了一个标签；步骤4、采用滑动窗口截取训练数据；步骤5、突出窗口内加速度数据的波形特征，定义符号函数sign：令其中|x|表示x的绝对值；步骤6、取窗口内中间加速度的标签作为窗口数据的标签；数据形式如下：[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j,labeli]步骤7、对数据集进行重采样或者调整正负样本权重，平衡训练数据中正负样本比例；步骤8、神经网络模型搭建与训练；步骤9、在线步频检测时，依照步骤4，将行人行走时携带的硬件接收到的加速度数据依次存入滑动窗口中，并对窗口内的数据依次按照步骤2和步骤5进行处理；步骤10、将步骤9处理后的数据输入步骤8得到的神经网络模型；若神经网络模型预测概率小于或者等于0.5，则直接判定为非步点，若预测概率大于0.5，则按照步骤11处理；步骤11、剔除多余步点。2.根据权利要求1所述的一种基于人工神经网络的步频探测方法，其特征在于：所述步骤2，具体包括将步骤1采集到的加速度数据按照如下步骤进行预处理：步骤21、将三轴加速度合成三轴总加速度，计算方法如下：其中ai表示第i个采样点的总加速度...

【专利技术属性】
技术研发人员：黄裕梁，张勇波，卫宗敏，王治华，王俊玲，黄达，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11