一种用于可穿戴式设备的人体行走状态识别方法及该设备与流程

本发明涉及一种用于可穿戴式设备的人体行走状态识别方法及该设备。

背景技术：

日常运动监测可以统计人体运动量，分析人体运动能力，拥有较大的应用价值。可穿戴传感器作为包括惯性测量单元，超声波传感器，微型摄像头等等，以其小巧、廉价，不受时间、空间限制、易于推广等优点作为新兴技术被广泛应用于日常运动监测领域。目前有很多研究使用放置在人体手腕、腰部的传感器识别人体不同的运动状态，包括上下楼梯、走路等等。但由于其测量的运动信息与人体运动状态直接关联不大，识别精度往往不高。

技术实现要素：

本发明的目的在于解决现有技术中识别精度低等缺点，并提供一种用于可穿戴式设备的人体行走状态识别方法及该设备。

本发明中所涉及的部分名词含义如下：

步态周期是指人体走路的周期，以同一只脚为例，平足期(脚面与地面完全接触)视为步态周期的开始，随后脚离地，向前迈出，落地，至下个平足期，视为步态周期的结束。

足部水平位移、竖直位移为足部在经历一整个步态周期后在水平方向、竖直方向上的位移。

足部航向角为足部在水平面内的朝向，足部转向角为足部在经历一整个步态周期后其航向角的变化值。

聚类算法是解决分类问题的一种统计分析方法，根据数据的多项特征，将数据划分为不同的簇，每一簇为具有某些共同特征的数据的合集。基于密度的dbscan聚类算法原理是将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，具体步骤为：(1)检测数据库中尚未检查过的对象p，如果p未被处理(未被归为某个簇或者标记为噪声)，则检查其邻域(距离p小于邻域半径的区域)，若包含的对象数不小于minpts(最小数量)，建立新簇c，将其中的所有点加入候选集n；(2)对候选集n中所有尚未被处理的对象q，检查其邻域，若至少包含minpts个对象，则将这些对象加入n；如果q未归入任何一个簇，则将q加入c；(3)重复步骤(2)，继续检查n中未处理的对象，当前候选集n为空；(4)重复步骤(1)至(3)，直到所有对象都归入了某个簇或标记为噪声。

本发明为解决技术问题，所采用的具体技术方案如下：

一种用于可穿戴式设备的人体行走状态识别方法，包括以下步骤：

s1.通过可穿戴式设备测量用户行走过程中每个步态周期足部的水平位移、竖直位移和转向角；

s2.根据所述转向角识别用户转弯行走状态；

s3.通过聚类算法对用户的各步的足部水平位移、竖直位移进行聚类，形成不同簇；

s4.根据簇内水平位移、竖直位移的平均值识别此簇的行走状态，包含平地行走、上楼梯、下楼梯、上坡、下坡。

通过采用上述技术方案，所测量的步态周期中的水平位移、竖直位移和转向角，与用户的运动状态直接关联，并根据转向角来识别转弯行走状态，识别精度高，根据簇内水平位移、竖直位移的平均值来识别此簇的行走状态，方便快捷且精度高。

作为本发明的进一步改进，所述的转弯行走状态识别过程包括以下步骤：

s21.计算从步态周期开始到步态周期结束过程足部的转向角：

δθ＝|θe-θs|

式中：δθ为转向角，θe为步态周期结束时足部的航向角，θs为步态周期开始时足部的航向角；

s22.比较所述转向角与转弯阈值的大小，大于转弯阈值则识别为转弯行走状态。通过采用上述技术方案，判断是否为转弯状态采用测量转向角的方法，直接且精确。

作为本发明的进一步改进，转弯阈值为25°。通过采用上述技术方案，转弯阈值为25°，而不是其他度数，可以有利于更精确地判断转弯状态。

作为本发明的进一步改进，步骤s4中，包括以下步骤，

s41.计算所述簇内数据的平均足部位移梯度：

式中，为平均足部位移梯度，为平均足部竖直位移，为平均足部水平位移；

s42.比较平均足部位移梯度与上楼梯阈值、下楼梯阈值、上坡阈值、下坡阈值的大小，大于上楼梯阈值则识别该簇内所有步态周期为上楼梯状态，小于上楼梯阈值并大于上坡阈值则识别该簇内所有步态周期为上坡状态，小于上坡阈值并大于下坡阈值则识别该簇内所有步态周期为平地行走状态，小于下坡阈值并大于下楼梯阈值则识别该簇内所有步态周期为下坡状态，小于下楼梯阈值则识别该簇内所有步态周期为下楼梯状态。通过采用上述技术方案，利用平均足部位移梯度与各阈值进行比较，一方面结合了行走时的实时状态数据，另一方面有利于精确高效地判断出具体的行走状态。

作为本发明的进一步改进，上楼梯阈值为0.3，下楼梯阈值为-0.3，上坡阈值为0.1，下坡阈值为-0.1。通过采用上述技术方案，各阈值设置为上述值，而不是其他值，可以有利于更精确地判断行走状态。

作为本发明的进一步改进，步骤s3还包括，调整所述聚类算法的参数，使形成的簇的半径不超过0.1米。

作为本发明的进一步改进，所述聚类算法为基于密度的dbscan算法。

一种可穿戴式设备，所述可穿戴式设备采用上述任一项方案所述的用于可穿戴式设备的人体行走状态识别方法识别行走状态，所述可穿戴式设备包括一个可穿戴在用户小腿上靠近踝关节位置的惯性传感器单元，所述惯性传感器单元包含惯性测量传感器模块和单片机，所述惯性测量传感器模块包括三维加速度计以及三维角速度计，所述单片机连接所述惯性测量传感器模块并根据惯性测量传感器模块测得的加速度及角速度计算足部水平位移、竖直位移和转向角。

作为本发明的进一步改进，所述惯性测量传感器模块为基于mpu6050芯片的惯性测量传感器模块。

作为本发明的进一步改进，所述惯性测量传感器模块的采样频率不低于100hz。

上述各优选方式中的技术特征在不相互冲突的前提下，均可进行相互组合，不构成限制。

本发明相对于现有技术而言，其有益效果是：

(1)使用本发明进行人体行走状态识别，不受场地限制，易于推广；

(2)使用与行走状态直接相关的足部水平位移、竖直位移、转向角作为特征识别行走状态，拥有较好的精度；

(3)通过可穿戴式设备进行行走状态识别，具有较好的应用价值以及广泛的应用范围。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合附图，作详细说明如下。

附图说明

图1本发明中足部水平位移、竖直位移示意图；

图2本发明中足部转向角示意图；

图3本发明中足部转向角另一示意图；

图4本发明中可穿戴式设备示意图；

图中：1为惯性传感器单元；2为足，h为足部水平位移，v为足部竖直位移；δθ为足部转向角，θe为步态周期结束时足部的航向角，θs为步态周期开始时足部的航向角。

具体实施方式

为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下扣合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。

参阅图1至图4，本发明使用含有惯性传感器单元的可穿戴设备，识别用户的行走状态。一个实施例中，本发明提供的一种用于可穿戴式设备的人体行走状态识别方法，包括以下步骤：

s1.通过可穿戴式设备测量用户行走过程中每个步态周期足部的水平位移、竖直位移、转向角；

s2.根据所述转向角识别用户转弯行走状态；

s3.通过聚类算法对用户的各步的足部水平位移、竖直位移进行聚类，形成不同簇；同一簇内既包括水平位移数据，也包括竖直位移数据；

s4.根据簇内水平位移、竖直位移的平均值识别此簇的行走状态，包含平地行走、上楼梯、下楼梯、上坡、下坡。

以某一用户为例，本发明具体实施过程如下：

(1)准备工作：

本实施例中，设备穿戴如图4所示，可穿戴式设备包含一个惯性传感器单元1。本发明中各传感器及其他电子元件的具体型号，可以根据实际需要进行选型。惯性传感器单元包含一个基于mpu6050芯片的惯性测量传感器模块，惯性测量传感器模块包括一个三维加速度计以及一个三维陀螺仪(三维角速度计)，用于采集使用者行走过程中的三维加速度以及三维角速度数据，采样频率为100hz。使用带弹性的固定带将传感器放置在用户的右小腿外侧靠近脚踝位置处，如图4所示。设备中还包含一个单片机，用于将传感器采集的加速度及角速度数据进行计算，得到足部水平位移、竖直位移、转向角。

足部水平位移、竖直位移为足部在经历一整个步态周期后在水平方向、竖直方向上的位移，如图1所示。步态周期是指人体走路的周期，以同一只脚为例，平足期(脚面与地面完全接触)视为步态周期的开始，随后脚离地，向前迈出，落地，至下个平足期，视为步态周期的结束。

足部航向角为足部在水平面内的朝向，足部转向角为足部在经历一整个步态周期后其航向角的变化值，如图2所示。更详尽的，如图3所示，航向角指的是足部朝向与横向基准线之间的夹角，横向基准线以上为正，横向基准线以下为负。θe为步态周期结束时足部的航向角，θs为步态周期开始时足部的航向角。

用户在平坦的地面上行走，设备中的单片机将传感器采集的加速度及角速度数据进行计算，得到足部水平位移、竖直位移、转向角，并进行存储。

(2)人体行走状态识别：

以上各项准备工作完成后，可以开始识别用户的行走状态。

步骤s2中，转弯行走状态识别过程包括以下步骤：

s21.计算从步态周期开始到步态周期结束过程足部的转向角：

δθ＝|θe-θs|

式中：δθ为转向角，θe为步态周期结束时足部的航向角，θs为步态周期开始时足部的航向角；

s22.比较所述转向角与转弯阈值的大小，大于转弯阈值则识别为转弯行走状态；本实施例中，转弯阈值为25°。

使用dbscan聚类算法对剩余数据依据足部水平位移、竖直位移为特征进行聚类：

(1)检测数据库中尚未检查过的对象p，如果p未被处理(未被归为某个簇或者标记为噪声)，则检查其邻域(距离p小于邻域半径的区域)，若包含的对象数不小于minpts(最小数量)，建立新簇c，将其中的所有点加入候选集n；

(2)对候选集n中所有尚未被处理的对象q，检查其邻域，若至少包含minpts个对象，则将这些对象加入n；如果q未归入任何一个簇，则将q加入c；

(3)重复步骤(2)，继续检查n中未处理的对象，当前候选集n为空；

(4)重复步骤(1)至(3)，直到所有对象都归入了某个簇或标记为噪声。

步骤s3还包括，调整所述聚类算法的minpts参数及邻域半径，使其形成的簇的半径不超过0.1米；本实施例中minpts为10，邻域半径为0.03米。

步骤s4中，包括以下步骤，

s41.计算所述簇内数据的平均足部位移梯度：

式中，为平均足部位移梯度，为平均足部竖直位移，为平均足部水平位移；

s42.比较平均足部位移梯度与上楼梯阈值、下楼梯阈值、上坡阈值、下坡阈值的大小，大于上楼梯阈值则识别该簇内所有步态周期为上楼梯状态，小于上楼梯阈值并大于上坡阈值则识别该簇内所有步态周期为上坡状态，小于上坡阈值并大于下坡阈值则识别该簇内所有步态周期为平地行走状态，小于下坡阈值并大于下楼梯阈值则识别该簇内所有步态周期为下坡状态，小于下楼梯阈值则识别该簇内所有步态周期为下楼梯状态。

本实施例中，上楼梯阈值为0.3，下楼梯阈值为-0.3，上坡阈值为0.1，下坡阈值为-0.1。

(4)行走状态综合指数测量效果：

本例中用户在准备过程中，以佩戴可穿戴式传感器的那一只脚为例进行说明，一共平地行走了80步(80个步态周期)，上楼梯、下楼梯、上坡、下坡、转弯各20步。使用聚类算法共计产生7个簇，其中上楼梯、下楼梯、上坡、下坡各一个簇，平地行走3个簇(如检测出三种不同的平地行走速度)。对各行走状态识别率均达到90％以上。可见，本发明的装置和方法相对于现有技术而言，可实现对用户的行走状态的精确识别。

以上所述的实施例只是本发明的一些较佳的方案，然而其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。例如，上述实施例也可以使用其他算法或者使用其他传感器来实时计算所述足部水平位移、竖直位移、转向角，如使用毫米波雷达、红外传感器、激光雷达等传感器。而上述可穿戴设备也可以采用现有技术中的其他结构或方式进行改动，如将使用别的惯性传感器芯片、采用更高的采样频率等等。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。