一种基于加速度传感器的自适应计步算法

李雪梅，车爱静

(衡水学院 电子信息工程学院，河北 衡水 053000)

0 引言

计步器作为一种运动检测设备，可以计算人们行走的步数和距离以及估算消耗的热量，帮助人们了解自己的运动情况，由此根据健康情况随时调整运动量。目前的电子计步器计步精度普遍不高，在单纯步行时计步准确率尚可，一旦运动状态改变，如跑步、上下楼梯时，准确率则会大幅度下降。为了实现更准确的计步，本文提出一种基于加速度传感器的自适应计步算法。

1 人体运动加速度

人体行走时可产生前向、侧向以及垂直方向三个方向的加速度[1]。人体行走模型如图1所示。

图1 人体行走模型

从上图可以看出，在行走过程中，人体躯干的加速度主要集中在水平和垂直方向，完整的一步大致经过蹬地、迈步、落地到支撑的4个步骤[2]，在每个步骤中人体各个方向的加速度变化特点也不一样，在一个迈步周期中，人体加速度变化趋势如表1所示[3]。

表1 运动过程中人体加速度变化情况

通过步态加速度信号提取人步行的特征参数，行走时产生加速度的3个方向正好与3轴加速度传感器的3个方向相对应。在任意时刻采集3轴加速度值，计算合加速度，发现人体的合加速度是呈周期性变化的，近似正弦波，因此计步问题可转化为计算合加速度正弦波个数的问题。计步检测算法关键就是针对不同运动状态的步态产生的加速度信号，准确地计算出正弦波的个数。一般求合加速度的方法是对3轴加速度传感器采集的数据进行如下计算[4]：

2 算法设计

人在静止不动的情况下，加速度值保持稳定，近似于重力加速度值，步行、上下楼梯以及跑步这几种情况的加速度波形会呈现很明显的周期性，与正三角函数波形相似，但不同运动方式的加速度波形又不完全一样。跑步的时候，人体产生的加速度会比走路和上下楼梯时要大很多，而且由于跑步运动的速度较快，加速度变化的周期明显比走路和上下楼梯小；而上下楼梯时，身体重心短时间内发生明显变化，垂直方向加速度分量加大，所以产生的合加速度也会大于正常走路。

目前的计步算法有以下几种：文献[5-8]采用的是峰值检测法，即通过采集人体行走过程的加速度数据，计算合加速度信号波形的峰值和谷值，由此计算有效的步数，此方法容易受噪声影响而产生误差。文献[9-10]采用动态阈值判定法，即通过检测正弦波的下降区间，来检测正弦波的个数，以此计算步数，虽可减小噪声等不利影响，但是在人体行走状态发生改变时，检测效果则不理想。文献[11-12]采用零速率修正算法，就是利用人体在行走过程中的某个时刻，行走速率的最低极值会垂直于水平方向，即速率为零，通过计算零值的多少，来达到计步的目的，但是由于外部环境或元器件的误差，使得计算的速率有时不为零，使计步出现误差。

2.1 算法框图

本文提出的自适应算法是在上述计步算法基础上，根据人在步行、上下楼梯和跑步几种状态下每个迈步周期的加速度和时间的不同，将改进的人工免疫算法用于对人的运动状态进行分类，即首先区分人体目前的运动状态，然后再对已确定的状态进行计步。整个过程分为训练和计步两个阶段，如图2所示。

图2 自适应计步算法框图

训练阶段，采集4种运动状态下的数据，尽量保证样本的多样性，对3轴加速度传感器的信号数据进行平滑滤波后，分别提取样本中的特征[13]：波峰均值(PM)、波峰方差(PV)、单步间隔均值(IM)、单步间隔方差(IV)以及波峰之间的时间间隔方差(TIV)，并使用人工免疫算法对特征进行分类训练。计步阶段，利用加速度传感器采集实时信号数据，对采集的数据进行平滑滤波和特征状态提取，然后将此特征跟样本库中的样本特征进行对比，将5个特征中与样本库中运动状态特征最接近的归类为同种运动状态。

人体运动状态的判定最终是利用分类算法来实现，所以选择哪种算法来进行分类很重要。目前最常用的是贝叶斯分类算法[14]，贝叶斯算法的基础是贝叶斯定理，P(A|B)表示事件B已经发生的前提下事件A发生的概率，叫做事件B发生下事件A的条件概率，其基本公式为：

贝叶斯分类算法的求解过程是计算待分类信号数据在各种类型中所出现的概率，并比较其大小，该信号数据在哪种类型的概率最大就认为此待分类的信号数据为哪一类别。但贝叶斯分类算法没有自学习性，所以当待分类项和样本有差异时，分类效果不佳。

2.2 人工免疫算法

生物免疫系统是生物体内抵御病原体(如病毒等)入侵，防止生物体受破坏的一种相互依赖又相互制约的生物学系统。在生物体内，有很多淋巴细胞和其他一些免疫细胞，将它们统称为抗体。当有病原体即抗原侵害生物体时，体内的免疫系统一般都能迅速地选择出一种或几种能和该种抗原对抗的抗体去抵御入侵的病原体。如果有相同或相似的抗原侵害生物体时，那些能识别并能对抗该类抗原的抗体会马上根据信号对其进行抵御。我们把抗体和抗原之间的这种结合强度称为亲和力，通过求解它们之间的亲和力大小来获得相似度，根据相似度的大小进行识别分类。

本文对亲和力的计算采用欧氏距离，对随机抗原Xi和随机抗体Yj之间的欧氏距离[15]用下式进行计算：

定义affx，y=1-d(i，j)为抗原Xi和抗体Yj的亲和力大小。抗原与抗体之间的亲和力的大小与二者的匹配度成正比，亲和力越大，匹配度越高，反之亦然。

基于人工免疫算法在分类和自学习方面的机理，同时具有自适应性和鲁棒性的优点，对计步过程中判断人体的运动状态方面有重要借鉴意义，因此本文将人工免疫算法的原理应用到计步过程中。首先是样本库的生成。要想判断人体目前的运动状态，就要分别通过加速度传感器对步行、上楼梯、下楼梯以及跑步这4种状态进行数据采集。为了保证样本库的全面性，采集的数据要具有多样性，最好涉及不同人群，包括儿童、男青年、女青年、老人等。然后对采集的数据进行预处理，分别提取出4种运动状态的波峰均值(PM)、波峰方差(PV)、单步间隔均值(IM)、单步间隔方差(IV)以及波峰之间的时间间隔方差(TIV)，形成初始样本库。计步开始时，采集加速度传感器的信号数据，在数据中提取出加速度信号的5个特征值作为抗原，将样本库中的特征值作为抗体，运用人工免疫算法通过计算抗原和抗体的亲和力大小，来判断当前数据和哪种运动状态的特征值最接近。它们的亲和力越大，说明二者的匹配度越高，则归为同类。然后再对已判断出的运动状态进行步数统计。表2为生物免疫系统与运动状态分类算法的对照。

表2 生物免疫系统与运动状态分类算法对照表

3 实验

分别对步行、上楼梯、下楼梯以及跑步这4种状态进行单独以及组合实验，测试结果如表3所示。

表3 测试结果

由表3可以看出，本文提出的基于加速度传感器的自适应计步算法在步行运动状态下计步准确率最高，可以达到98%，在上楼梯、下楼梯、跑步状态以及组合运动状态下准确率有所下降，但仍能达到96%以上。总体来说，这种自适应计步算法准确率比较高，克服了因运动状态改变导致的计步准确率严重下降的缺点，是一种智能化、自适应性较强的算法。

4 结论

本文提出的这种基于加速度传感器的自适应计步算法首先采集步行、上下楼梯、跑步状态下的数据，提取特征值，建立样本库，在计步阶段将采集的数据提取特征值与样本库中的特征值进行匹配，判断状态后再进行计步。这种计步方法具有较高的精确度和鲁棒性，是对当前计步算法智能化的改进和完善，有比较广阔的应用前景。