步态自适应识别方法及装置、存储介质和终端制造方法及图纸

本发明专利技术公开了一种步态自适应识别方法及装置、存储介质和终端，其中方法包括：获取待识别数据集合并进行归一化处理；对每段初步传感器数据进行经验模态分解，获取第一层内涵模态分量和第二层内涵模态分量，并对每个第一层内涵模态分量和第二层内涵模态分量进行希尔伯特黄变换得到第一时频分布数据和第二时频分布数据；基于每段初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段初步传感器数据的特征向量；最后基于特征向量获取每段传感器数据的步态预估结果。本发明专利技术方法对容易混淆的脚部静态阶段和空中摆动阶段进行了较准确的识别，帮助步态识别实现更好的适应性和长时间稳定性。的适应性和长时间稳定性。的适应性和长时间稳定性。

【技术实现步骤摘要】
步态自适应识别方法及装置、存储介质和终端


[0001]本专利技术涉及信息
，尤其涉及一种步态自适应识别方法及装置、存储介质和终端。

技术介绍

[0002]随着微机电技术（MEMS, Micro
‑
Electro
‑
Mechanical Systems）的发展以及基于MEMS传感器在体积、重量和功耗方面的优势，使得惯性测量单元（IMU, Inertial Measurement Unit）在可穿戴设备中得到了广泛应用，同时相应的应用需求也在不断增加，例如运动数据记录，针对帕金森、中风等疾病患者的防止跌倒，行人室内定位等。
[0003]通常在获得行人脚部运动的传感器数据后，首先是检测出脚部与地面保持相对静态的阶段，以此作为步伐之间的边界，然后再对划分的单个步伐做步态分析，因此准确识别出步伐的边界是正确划分步态的基础和前提。对正常行走的步伐来说，可以将其划分为：静止，推动，摆动和缓冲四个阶段。其中，脚部处于静止阶段时，人体躯干保持身体平衡，以保证身体对侧的下肢能够稳定向前摆动；脚部在推动阶段时，蹬地产生推动脚部以及下肢向前运动的力；脚部在摆动阶段时，类似于钟摆离开地面保持推动阶段的势能向行走方向运动；脚部在缓冲阶段时，由脚跟先与地面接触，将地面的反作用力传导至足弓处来吸收冲击，同时，随着身体重心的前移，脚部从脚跟到前脚掌逐渐与地面完全接触。其中，静止阶段大多用于作为步伐划分的边界，但是静止阶段和摆动阶段有以下相似点：1）持续时间都明显长于推动阶段和缓冲阶段，且二者的持续时间占据步伐时间的比例相似；2）静止阶段和摆动阶段在持续时，期间没有发生脚部运动的突然用力，理想的静止阶段脚部几乎不产生在行走前后方向或与地面上下方向的加速度，理想摆动阶段则是脚部依靠惯性运动，理想摆动阶段则是脚部依靠惯性运动。因此这两个阶段内的加速度信号和陀螺仪信号波动较小，信号幅度则受到行走速度影响，这两种步态的共同特点在不同行人实际行走时依然普遍存在。
[0004]在行人行走速度较为极端的情况下，现有的基于固定模型参数的识别算法往往会对快速行走时脚部的静态阶段和摆动阶段造成误判。

技术实现思路

[0005]本专利技术所要解决的技术问题是现有的步态识别方法在行人行走速度较为极端的情况下，无法正确识别脚部的静态阶段和摆动阶段。
[0006]为了解决上述技术问题，本专利技术提供了一种步态自适应识别方法，包括：获取待识别数据集合，并对所述待识别数据集合中的所有传感器数据段分别进行归一化处理，得到每段所述传感器数据的初步传感器数据；每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据；基于每段所述初步传感器数据以及每段初步传感器数据所对应的第一层内涵模
态分量、第一时频分布数据和第二时频分布数据分别获取每段所述初步传感器数据的特征参数，并基于每个特征参数获取对应的特征向量；基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合；获取每个所述邻近空间距离集合中每个空间距离所对应的支撑向量所属于的步态标签，并将每个所述邻近空间距离集合对应占比最大的步态标签作为对应所述邻近空间距离集合的步态预估结果，所述邻近空间距离集合的步态预估结果即为所述邻近空间距离集合所对应传感器数据段的步态预估结果。
[0007]优选地，每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据步骤包括：对每段所述初步传感器数据分别进行经验模态分解，获取每段所述初步传感器数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第一时频分布数据，对每段所述初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第二时频分布数据。
[0008]优选地，单段所述初步传感器数据的特征参数包括该段所述初步传感器数据的偏度和峰值因数以及该段所述初步传感器数据对应所述第一层内涵模态分量的过零率、对应所述第一时频分布数据的偏度和峰值因素、对应所述第二时频分布数据的极差。
[0009]优选地，基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合步骤包括：基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的临时空间距离集合，并从每个所述临时空间距离集合中从小到大依次选取预设个数空间距离作为对应所述特征向量的邻近空间距离集合。
[0010]优选地，所述最优支撑向量集合的获取方式为：获取训练数据集合，所述训练数据集合包括多段传感器训练数据以及每段传感器训练数据所对应的步态标签；设置N组空间参数集合，并依次基于每组空间参数集合通过预设获取方式获取对应的性能参数，并将N组空间参数集合以及其对应的性能参数集合为性能参数集合；基于当前所述性能参数集合，通过贝叶斯优化算法获取第M组空间参数集合，并基于第M组空间参数集合通过预设获取方式获取对应新的性能参数，将第M组空间参数集合及其对应新的性能参数添加到当前所述性能参数集合中，并判断M是否等于预设阈值，若是则将当前性能参数集合作为最终性能参数集合，否则M加1，并基于贝叶斯优化算法重新获取第M组空间参数集合，且M初始值为N加1；将所述最终性能参数集合中性能参数最大的空间参数集合作为最优空间参数集合，并将基于所述最优空间参数集合通过预设获取方式获取的临时支撑向量集合作为最优支撑向量集合；
其中，所述最优核函数为所述最优空间参数集合中的核函数。
[0011]优选地，基于空间参数集合通过预设获取方式获取对应性能参数包括：基于所述空间参数集合中的分组参数对所述训练数据集合进行分组，得到多个待训练数据组；对每个所述待训练数据组中的所有传感器训练数据段分别进行归一化处理，得到每段所述传感器训练数据的初步传感器训练数据；对每段初步传感器训练数据分别进行经验模态分解，得到每段所述初步传感器训练数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器训练数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器训练数据的第一时频分布数据，对每段所述初步传感器训练数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器训练数据的第二时频分布数据；分别基于每段所述初步传感器训练数据以及每段初步传感器训练数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据获取每段所述初步传感器训练数据的训练特征参数，并基于每个训练特征参数分别获取对应的训练特征向量，每个所述训练特征向量均具有对应待训练数据组和对应步态标签；分别将每个所述待训练数据组所对应的所有所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种步态自适应识别方法，包括：获取待识别数据集合，并对所述待识别数据集合中的所有传感器数据段分别进行归一化处理，得到每段所述传感器数据的初步传感器数据；每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据；基于每段所述初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段所述初步传感器数据的特征参数，并基于每个特征参数获取对应的特征向量；基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合；获取每个所述邻近空间距离集合中每个空间距离所对应的支撑向量所属于的步态标签，并将每个所述邻近空间距离集合对应占比最大的步态标签作为对应所述邻近空间距离集合的步态预估结果，所述邻近空间距离集合的步态预估结果即为所述邻近空间距离集合所对应传感器数据段的步态预估结果。2.根据权利要求1所述的方法，其特征在于，每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据步骤包括：对每段所述初步传感器数据分别进行经验模态分解，获取每段所述初步传感器数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第一时频分布数据，对每段所述初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第二时频分布数据。3.根据权利要求1所述的方法，其特征在于，单段所述初步传感器数据的特征参数包括该段所述初步传感器数据的偏度和峰值因数以及该段所述初步传感器数据对应所述第一层内涵模态分量的过零率、对应所述第一时频分布数据的偏度和峰值因素、对应所述第二时频分布数据的极差。4.根据权利要求1所述的方法，其特征在于，基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合步骤包括：基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的临时空间距离集合，并从每个所述临时空间距离集合中从小到大依次选取预设个数空间距离作为对应所述特征向量的邻近空间距离集合。5.根据权利要求1所述的方法，其特征在于，所述最优支撑向量集合的获取方式为：获取训练数据集合，所述训练数据集合包括多段传感器训练数据以及每段传感器训练数据所对应的步态标签；设置N组空间参数集合，并依次基于每组空间参数集合通过预设获取方式获取对应的性能参数，并将N组空间参数集合以及其对应的性能参数集合为性能参数集合；基于当前所述性能参数集合，通过贝叶斯优化算法获取第M组空间参数集合，并基于第
M组空间参数集合通过预设获取方式获取对应新的性能参数，将第M组空间参数集合及其对应新的性能参数添加到当前所述性能参数集合中，并判断M是否等于预设阈值，若是则将当前性能参数集合作为最终性能参数集合，否则M加1，并基于贝叶斯优化算法重新获取第M组空间参数集合，且M初始值为N加1；将所述最终性能参数集合中性能参数最大的空间参数集合作为最优空间参数集合，并将基于所述最优空间参数集合通过预设获取方式获取的临时支撑向量集合作为最优支撑向量集合；其中，所述最优核函数为所述最优空间参数集合中的核函数。6.根据权利要求5所述的方法，其特征在于，基于空间参数集合通过预设获取方式获取对应性能参数包括：基于所述空间参数集合中的分组参数对所述训练数据集合进行分组，得到多个待训练数据组；对每个所述待训练数据组中的所有传感器训练数据段分别进行归一化处理，得到每段所述传感器训练数据的初步传感器训练数据；对每段初步传感器训练数据分别进行经验模态分解，得到每段所述初步传感器训练数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器训练数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器训练数据的第一时频分布数据，对每段所述初步传感器训练数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器训练数据的第二时频分布数据；分别基于每段所述初步传感器训练数据以及每段初步传感器训练数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据获取每段所述初步传感器训练数据的训练特征参数，并基于每个训练特征参数分别获取对应的训练特征向量，每个所述训练特征向量均具有对应待训练数据组和对应步态标签；分别将每个所...

【专利技术属性】
技术研发人员：黄超，魏建明，徐正蓺，张富平，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：