基于支持向量機(jī)的行人步態(tài)分類系統(tǒng)及方法
【專利摘要】一種慣性導(dǎo)航【技術(shù)領(lǐng)域】的基于支持向量機(jī)的行人步態(tài)分類系統(tǒng)及方法，包括：數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊以及帶有存儲(chǔ)介質(zhì)的SVM模塊，數(shù)據(jù)采集模塊采集步態(tài)訓(xùn)練數(shù)據(jù)并輸出至數(shù)據(jù)處理模塊進(jìn)行數(shù)據(jù)處理，數(shù)據(jù)處理模塊將得到訓(xùn)練數(shù)據(jù)輸入量輸出至SVM模塊進(jìn)行學(xué)習(xí)并得到SVM分類器后存儲(chǔ)于存儲(chǔ)介質(zhì)；實(shí)時(shí)測(cè)試時(shí)，通過(guò)數(shù)據(jù)采集模塊實(shí)時(shí)采集實(shí)時(shí)步態(tài)信息后由數(shù)據(jù)處理模塊進(jìn)行所述的數(shù)據(jù)處理得到測(cè)試數(shù)據(jù)輸入量，并經(jīng)SVM模塊根據(jù)SVM分類器對(duì)測(cè)試數(shù)據(jù)輸入量分類處理，得到實(shí)時(shí)步態(tài)類型。本發(fā)明能夠精確的檢測(cè)行人運(yùn)動(dòng)過(guò)程中的靜止區(qū)間，提高定位精度。
【專利說(shuō)明】基于支持向量機(jī)的行人步態(tài)分類系統(tǒng)及方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種慣性導(dǎo)航【技術(shù)領(lǐng)域】的技術(shù)，具體是一種利用支持向量機(jī)(Support Vector Machine, SVM)實(shí)現(xiàn)行人步態(tài)實(shí)時(shí)分類的系統(tǒng)及方法。

【背景技術(shù)】
[0002] 步態(tài)分類的目的是將行人步態(tài)分類行走和跑步兩大類，并在行人慣性導(dǎo)航中對(duì)不 同的步態(tài)運(yùn)用更合理高效的檢測(cè)方法。由于在行人慣性導(dǎo)航領(lǐng)域，針對(duì)行人行走的靜止檢 測(cè)方法并不適用于跑步的步態(tài)情況，因此相同檢測(cè)方法下的跑步定位的精度較低。有效識(shí) 別跑步步態(tài)有助于對(duì)其采用更有針對(duì)性的靜止檢測(cè)方法，提高行人慣性導(dǎo)航算法的定位精 度。
[0003]SVM是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的線性分類器。其算法是一個(gè)凸優(yōu)化問(wèn)題， 其局部最優(yōu)解即為全局最優(yōu)解。它的特點(diǎn)是根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，在有限的樣本信息 在模型的復(fù)雜性和泛化學(xué)習(xí)能力之間尋求最佳折衷，能有效避免過(guò)度學(xué)習(xí)或陷入局部最優(yōu) 等缺點(diǎn)。以二維數(shù)據(jù)為例，兩類數(shù)據(jù)點(diǎn)分布在一個(gè)二維平面中，其基本原理是通過(guò)訓(xùn)練找到 能夠分開這兩類數(shù)據(jù)點(diǎn)的分類線。雖然這樣的分類線有很多，但有且僅有一條分界線滿足 到兩類數(shù)據(jù)點(diǎn)的類間間隔最大，被稱為最優(yōu)分類線，即為不同類的、在分類線垂直方向投影 到最近的數(shù)據(jù)點(diǎn)距離最短的一條分類線。對(duì)多維數(shù)據(jù)而言，數(shù)據(jù)點(diǎn)分布在多位空間內(nèi)，SVM 分類器得到的是最優(yōu)分類超平面。
[0004] 經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的檢索發(fā)現(xiàn)，中國(guó)專利文獻(xiàn)號(hào)CN104008398A，
【公開日】2014 -8 -27，公開了一種基于多傳感器信息融合的步態(tài)分類方法，該技術(shù)包括：采集若干個(gè)患者行走時(shí) 的足底壓力信息與踝關(guān)節(jié)角度信息；根據(jù)獲取的足底壓力信息分析患者的步態(tài)階段，該步 態(tài)階段分為足部觸地階段和擺腿階段，而患者同一只腳經(jīng)過(guò)足部觸地階段和擺腿階段為一 步態(tài)周期；設(shè)定步態(tài)周期的特征值，以表征每一個(gè)患者行走時(shí)的步態(tài)特征；針對(duì)每一個(gè)患 者的每一步態(tài)周期內(nèi)的每一特征值采用譜聚類算法進(jìn)行步態(tài)聚類分析，以將不同步態(tài)特征 的患者分為不同的類別，通過(guò)客觀的將患者進(jìn)行分類，從而為患者康復(fù)訓(xùn)練治療提供參考， 以便醫(yī)生可以對(duì)不同類別的患者采取不同的治療方式和訓(xùn)練強(qiáng)度。該技術(shù)實(shí)施過(guò)程中必 須根據(jù)傳感器信息對(duì)每個(gè)步態(tài)周期內(nèi)的不同區(qū)間進(jìn)行劃分，并且該技術(shù)僅用于識(shí)別患者個(gè) 體。
[0005]中國(guó)專利文獻(xiàn)號(hào)CN102772211A公開（公告）日2012. 11. 14,公開了一種人體運(yùn)動(dòng) 狀態(tài)檢測(cè)系統(tǒng)及檢測(cè)方法，其中系統(tǒng)主要包括人體運(yùn)動(dòng)數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、數(shù)據(jù) 歸一化映射模塊以及運(yùn)動(dòng)狀態(tài)匹配模塊。檢測(cè)方法首先通過(guò)人體運(yùn)動(dòng)數(shù)據(jù)采集，然后對(duì)運(yùn) 動(dòng)數(shù)據(jù)處理、接著建訓(xùn)練狀態(tài)樣本庫(kù)，最后對(duì)運(yùn)動(dòng)狀態(tài)進(jìn)行判別。該技術(shù)解決現(xiàn)有識(shí)別和檢 測(cè)方法都有耗材繁瑣，環(huán)境要求苛刻，不適宜大規(guī)模使用，不適宜在日常生活推廣的弊端的 技術(shù)問(wèn)題，該技術(shù)通過(guò)編程利用智能手機(jī)自帶的傳感器，不僅不會(huì)對(duì)用戶的原來(lái)運(yùn)動(dòng)造成 太大干擾，而且能實(shí)時(shí)、快速、精確地對(duì)用戶的運(yùn)動(dòng)狀態(tài)做出判斷，并作出相應(yīng)的處理。
[0006] 但由于人以一定速度行走時(shí)，步態(tài)可認(rèn)為是周期性的，但分析時(shí)域內(nèi)某個(gè)采樣點(diǎn) 的數(shù)據(jù)與0. 1秒之后的數(shù)據(jù)可能表示不同的步態(tài)。雖然后者只是前者的平移，但在SVM分 類時(shí)，它們會(huì)在輸入空間中出現(xiàn)在完全不同的位置。故上述技術(shù)采用時(shí)域內(nèi)的數(shù)據(jù)進(jìn)行分 析不夠具有代表性，得到的結(jié)果不夠精確。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明針對(duì)在行人慣性導(dǎo)航中，行走和跑步兩種步態(tài)適合采用不同的靜止檢測(cè)方 法的技術(shù)問(wèn)題，提出一種基于支持向量機(jī)的行人步態(tài)分類系統(tǒng)及方法，分類時(shí)無(wú)需劃分步 態(tài)周期中的靜止與運(yùn)動(dòng)區(qū)間且可以對(duì)行人行走和跑步兩大類步態(tài)進(jìn)行分類，此外本發(fā)明對(duì) 每一組行人步態(tài)數(shù)據(jù)獨(dú)進(jìn)行FFT (快速傅里葉變換），采用FFT幅值作為最終的SVM輸入數(shù) 據(jù)，通過(guò)數(shù)據(jù)轉(zhuǎn)換到頻域內(nèi)進(jìn)行分析，能夠精確的檢測(cè)行人運(yùn)動(dòng)過(guò)程中的靜止區(qū)間，提高定 位精度。
[0008] 本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：
[0009] 本發(fā)明涉及以一種基于支持向量機(jī)的行人步態(tài)分類系統(tǒng)，包括：數(shù)據(jù)采集模塊、數(shù) 據(jù)處理模塊以及帶有存儲(chǔ)介質(zhì)的SVM模塊，其中：數(shù)據(jù)采集模塊采集步態(tài)訓(xùn)練數(shù)據(jù)并輸出 至數(shù)據(jù)處理模塊進(jìn)行數(shù)據(jù)處理，數(shù)據(jù)處理模塊將得到訓(xùn)練數(shù)據(jù)輸入量輸出至SVM模塊進(jìn)行 學(xué)習(xí)并得到SVM分類器后存儲(chǔ)于存儲(chǔ)介質(zhì)；實(shí)時(shí)測(cè)試時(shí)，通過(guò)數(shù)據(jù)采集模塊實(shí)時(shí)采集實(shí)時(shí) 步態(tài)信息后由數(shù)據(jù)處理模塊進(jìn)行所述的數(shù)據(jù)處理得到測(cè)試數(shù)據(jù)輸入量，并經(jīng)SVM模塊根據(jù) SVM分類器對(duì)測(cè)試數(shù)據(jù)輸入量分類處理，得到實(shí)時(shí)步態(tài)類型。
[0010] 所述的數(shù)據(jù)處理包括：采樣點(diǎn)選取處理、坐標(biāo)變換處理、快速傅里葉變換幅值提取 和數(shù)據(jù)降維處理。
[0011] 所述的數(shù)據(jù)采集模塊安裝于行人足部，具體包括：用于采集三軸加速度信號(hào)的加 速度計(jì)和用于采集三軸角速度信號(hào)的陀螺。
[0012] 所述的數(shù)據(jù)處理模塊包括：依次連接的采樣點(diǎn)選取單元、坐標(biāo)變換單元、快速傅里 葉變換幅值提取單元和數(shù)據(jù)降維單元。
[0013] 本發(fā)明涉及上述系統(tǒng)的實(shí)現(xiàn)方法，包括以下步驟：
[0014] 1)通過(guò)數(shù)據(jù)采集模塊采集若干組行人行走和跑步的足部運(yùn)動(dòng)信息作為步態(tài)訓(xùn)練 數(shù)據(jù)；
[0015] 每組步態(tài)訓(xùn)練數(shù)據(jù)中僅包含一種步態(tài)，即為純行走或純跑步數(shù)據(jù)，該步態(tài)訓(xùn)練數(shù) 據(jù)具體為通過(guò)安裝于行人足部的數(shù)據(jù)采集模塊采集到的行人行走或跑步時(shí)的足部運(yùn)動(dòng)信 息，包括行人運(yùn)動(dòng)時(shí)足部產(chǎn)生的加速度和角速度信號(hào)。
[0016] 2)將所獲取的步態(tài)訓(xùn)練數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)處理模塊進(jìn)行數(shù)據(jù)處理，得到SVM分類器的 訓(xùn)練數(shù)據(jù)輸入量，具體包括以下步驟：
[0017] 2. 1)采樣點(diǎn)選?。哼x取步態(tài)訓(xùn)練數(shù)據(jù)中的每個(gè)采樣點(diǎn)前一段時(shí)間內(nèi)的數(shù)據(jù)，或提 取若干組步態(tài)訓(xùn)練數(shù)據(jù)的每個(gè)采樣點(diǎn)前一段時(shí)間，即等同于若干個(gè)采樣點(diǎn)作為一條數(shù)據(jù)輸 入量。
[0018] 所述的一段時(shí)間的長(zhǎng)度以能夠辨別出行人步態(tài)的時(shí)間長(zhǎng)度為宜，一般選取1秒時(shí) 間，具體實(shí)施時(shí)可根據(jù)傳感器類型相應(yīng)調(diào)整。
[0019] 2. 2)坐標(biāo)變換：將載體坐標(biāo)系下的步態(tài)訓(xùn)練數(shù)據(jù)的坐標(biāo)轉(zhuǎn)換至導(dǎo)航坐標(biāo)系。
[0020] 所述的步態(tài)訓(xùn)練數(shù)據(jù)是指：由數(shù)據(jù)采集模塊采集所得的三軸加速度和三軸角速度 數(shù)據(jù)，共六組。
[0021] 2. 3)快速傅里葉變換幅值提?。簩?duì)導(dǎo)航坐標(biāo)系下的三軸加速度和角速度數(shù)據(jù)進(jìn) 行FFT變換，并提取出FFT的頻率幅值。
[0022] 2. 4)數(shù)據(jù)降維：將相鄰的一定數(shù)量的頻率幅值相加以縮短六組步態(tài)訓(xùn)練數(shù)據(jù)（三 軸加速度和三軸角速度數(shù)據(jù)）的長(zhǎng)度，再將該六組數(shù)據(jù)首位相接連成一個(gè)向量，即訓(xùn)練數(shù) 據(jù)輸入量或測(cè)試數(shù)據(jù)輸入量。
[0023] 所述的一定數(shù)量一般選取10,具體實(shí)施時(shí)可根據(jù)傳感器類型相應(yīng)調(diào)整。
[0024] 3) SVM模塊根據(jù)訓(xùn)練數(shù)據(jù)輸入量訓(xùn)練得到用于區(qū)分行走和跑步兩種步態(tài)的SVM分 類器；
[0025] 4)實(shí)時(shí)測(cè)試時(shí)，通過(guò)數(shù)據(jù)采集模塊采集待測(cè)試的行人足部運(yùn)動(dòng)信息作為實(shí)時(shí)步態(tài) 信息；
[0026] 所述的實(shí)時(shí)步態(tài)信息包括一種或多種步態(tài)，即可以是純行走或純跑步或既有行走 又有跑步的數(shù)據(jù)。
[0027] 5)將實(shí)時(shí)步態(tài)信息經(jīng)數(shù)據(jù)處理模塊與步驟2)相同的方式進(jìn)行數(shù)據(jù)處理，得到SVM 分類器的測(cè)試數(shù)據(jù)輸入量；
[0028] 6)用步驟3)中訓(xùn)練后的SVM分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行實(shí)時(shí)分類。 技術(shù)效果
[0029] 與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)效果包括：
[0030] 1、本發(fā)明采用加速度計(jì)和陀螺組成的的慣性測(cè)量單元；
[0031] 2、本發(fā)明所采用的傳感器可安裝于足部任意位置；
[0032] 3、本發(fā)明中利用支持向量機(jī)分類器進(jìn)行分類的數(shù)據(jù)類型為加速度和角速度數(shù) 據(jù)；
[0033] 4、本發(fā)明用于識(shí)別步態(tài)的依據(jù)為步態(tài)周期內(nèi)任意時(shí)刻的步態(tài)信息數(shù)據(jù)，無(wú)需事先 檢測(cè)出步態(tài)周期內(nèi)的運(yùn)動(dòng)和靜止階段；
[0034] 5、本發(fā)明可用于行人的行走和跑步兩類步態(tài)的分類，為后續(xù)的行人慣性導(dǎo)航定位 算法提供實(shí)時(shí)的步態(tài)信息。

【專利附圖】

【附圖說(shuō)明】
[0035] 圖1為本發(fā)明流程示意圖。

【具體實(shí)施方式】
[0036] 下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行 實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施 例。 實(shí)施例1
[0037] 如圖1所示，本實(shí)施例實(shí)現(xiàn)方法包括以下步驟：
[0038] 步驟1、訓(xùn)練數(shù)據(jù)采集。采用安裝于行人足部的訓(xùn)練階段數(shù)據(jù)采集模塊獲取行人行 走和跑步的步態(tài)信息作為原始訓(xùn)練數(shù)據(jù)。
[0039] 所述的訓(xùn)練階段數(shù)據(jù)采集模塊包括：加速度計(jì)和陀螺。所述的足部運(yùn)動(dòng)信息包括 行人運(yùn)動(dòng)時(shí)足部產(chǎn)生的三軸加速度和三軸角速度信號(hào)。因此，每類步態(tài)有六組原始訓(xùn)練數(shù) 據(jù)。每類步態(tài)的原始訓(xùn)練數(shù)據(jù)僅包含一種步態(tài)，即為純行走或純跑步數(shù)據(jù)。
[0040] 步驟2、訓(xùn)練數(shù)據(jù)處理。采用訓(xùn)練階段的數(shù)據(jù)處理模塊進(jìn)行訓(xùn)練數(shù)據(jù)處理，具體 為：
[0041] 2. 1)采樣點(diǎn)選?。禾崛×M數(shù)據(jù)的每個(gè)采樣點(diǎn)前一段時(shí)間（等同于m個(gè)采樣點(diǎn)） 內(nèi)的數(shù)據(jù)作為一條訓(xùn)練數(shù)據(jù)輸入量，當(dāng)每組數(shù)據(jù)共有N個(gè)采樣點(diǎn)，則每一類的訓(xùn)練數(shù)據(jù)有N 個(gè)6Xm的訓(xùn)練數(shù)據(jù)矩陣X，表示為

【權(quán)利要求】
1. 一種基于支持向量機(jī)的行人步態(tài)分類系統(tǒng)，其特征在于，包括：數(shù)據(jù)采集模塊、數(shù)據(jù) 處理模塊以及帶有存儲(chǔ)介質(zhì)的SVM模塊，其中：數(shù)據(jù)采集模塊采集步態(tài)訓(xùn)練數(shù)據(jù)并輸出至 數(shù)據(jù)處理模塊進(jìn)行數(shù)據(jù)處理，數(shù)據(jù)處理模塊將得到訓(xùn)練數(shù)據(jù)輸入量輸出至SVM模塊進(jìn)行學(xué) 習(xí)并得到SVM分類器后存儲(chǔ)于存儲(chǔ)介質(zhì)；實(shí)時(shí)測(cè)試時(shí)，通過(guò)數(shù)據(jù)采集模塊實(shí)時(shí)采集實(shí)時(shí)步 態(tài)信息后由數(shù)據(jù)處理模塊進(jìn)行所述的數(shù)據(jù)處理得到測(cè)試數(shù)據(jù)輸入量，并經(jīng)SVM模塊根據(jù) SVM分類器對(duì)測(cè)試數(shù)據(jù)輸入量分類處理，得到實(shí)時(shí)步態(tài)類型。
2. 根據(jù)權(quán)利要求1所述的基于支持向量機(jī)的行人步態(tài)分類系統(tǒng)，其特征是，所述的數(shù) 據(jù)采集模塊安裝于行人足部，具體包括：用于采集三軸加速度信號(hào)的加速度計(jì)和用于采集 三軸角速度信號(hào)的陀螺。
3. 根據(jù)權(quán)利要求1所述的基于支持向量機(jī)的行人步態(tài)分類系統(tǒng)，其特征是，所述的數(shù) 據(jù)處理模塊包括：依次連接的采樣點(diǎn)選取單元、坐標(biāo)變換單元、快速傅里葉變換幅值提取單 元和數(shù)據(jù)降維單元。
4. 一種根據(jù)上述任一權(quán)利要求所述系統(tǒng)的實(shí)現(xiàn)方法，其特征在于，包括以下步驟： 1) 通過(guò)數(shù)據(jù)采集模塊采集若干組行人行走和跑步的足部運(yùn)動(dòng)信息作為步態(tài)訓(xùn)練數(shù) 據(jù)； 2) 將所獲取的步態(tài)訓(xùn)練數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)處理模塊進(jìn)行數(shù)據(jù)處理，得到SVM分類器的訓(xùn)練 數(shù)據(jù)輸入量，具體包括以下步驟： 2. 1)采樣點(diǎn)選?。哼x取步態(tài)訓(xùn)練數(shù)據(jù)中的每個(gè)采樣點(diǎn)前一段時(shí)間內(nèi)的數(shù)據(jù)，或提取若 干組步態(tài)訓(xùn)練數(shù)據(jù)的每個(gè)采樣點(diǎn)前一段時(shí)間，即等同于若干個(gè)采樣點(diǎn)作為一條數(shù)據(jù)輸入 量； 2. 2)坐標(biāo)變換：將載體坐標(biāo)系下的步態(tài)訓(xùn)練數(shù)據(jù)的坐標(biāo)轉(zhuǎn)換至導(dǎo)航坐標(biāo)系；所述的步 態(tài)訓(xùn)練數(shù)據(jù)是指：由數(shù)據(jù)采集模塊采集所得的三軸加速度和三軸角速度數(shù)據(jù)，共六組； 2. 3)快速傅里葉變換幅值提取：對(duì)導(dǎo)航坐標(biāo)系下的三軸加速度和角速度數(shù)據(jù)進(jìn)行FFT 變換，并提取出FFT的頻率幅值； 2.4)數(shù)據(jù)降維：將相鄰的一定數(shù)量的頻率幅值相加以縮短六組步態(tài)訓(xùn)練數(shù)據(jù)的長(zhǎng)度， 再將該六組數(shù)據(jù)首位相接連成一個(gè)向量，即訓(xùn)練數(shù)據(jù)輸入量或測(cè)試數(shù)據(jù)輸入量； 3. SVM模塊根據(jù)訓(xùn)練數(shù)據(jù)輸入量訓(xùn)練得到用于區(qū)分行走和跑步兩種步態(tài)的SVM分類 器； 4) 實(shí)時(shí)測(cè)試時(shí)，通過(guò)數(shù)據(jù)采集模塊采集待測(cè)試的行人足部運(yùn)動(dòng)信息作為實(shí)時(shí)步態(tài)信 息； 所述的實(shí)時(shí)步態(tài)信息包括一種或多種步態(tài)，即可以是純行走或純跑步或既有行走又有 跑步的數(shù)據(jù)； 5) 將實(shí)時(shí)步態(tài)信息經(jīng)數(shù)據(jù)處理模塊與步驟2)相同的方式進(jìn)行數(shù)據(jù)處理，得到SVM分類 器的測(cè)試數(shù)據(jù)輸入量； 6) 用步驟3)中訓(xùn)練得到的SVM分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行實(shí)時(shí)分類。
5. 根據(jù)權(quán)利要求4所述的方法，其特征是，步驟1中，每組步態(tài)訓(xùn)練數(shù)據(jù)中僅包含一種 步態(tài)，即為純行走或純跑步數(shù)據(jù)，該步態(tài)訓(xùn)練數(shù)據(jù)具體為通過(guò)安裝于行人足部的數(shù)據(jù)采集 模塊采集到的行人行走或跑步時(shí)的足部運(yùn)動(dòng)信息，包括行人運(yùn)動(dòng)時(shí)足部產(chǎn)生的加速度和角 速度信號(hào)。
6. 根據(jù)權(quán)利要求4所述的方法，其特征是，步驟2. 4中，所述的頻率幅值取10個(gè)。
7. 根據(jù)權(quán)利要求4所述的方法，其特征是，步驟2. 1中，所述的一段時(shí)間的長(zhǎng)度為1秒。
8. 根據(jù)權(quán)利要求4或7所述的方法，其特征是，步驟2. 1中，所述的步態(tài)訓(xùn)練數(shù)據(jù)為六 組。
9. 根據(jù)權(quán)利要求8所述的方法，其特征是，步驟2. 1具體為：提取六組數(shù)據(jù)的每個(gè)采樣 點(diǎn)前一段時(shí)間，即m個(gè)采樣點(diǎn)內(nèi)的數(shù)據(jù)作為一條訓(xùn)練數(shù)據(jù)輸入量，當(dāng)每組數(shù)據(jù)共有N個(gè)采樣 點(diǎn)， 則每一類的訓(xùn)練數(shù)據(jù)有N個(gè)6Xm的訓(xùn)練數(shù)據(jù)矩陣X，表示為
其中x1>2，…Xim為X軸加速度數(shù)據(jù)，x2>1, x2,2，…x2，m為y軸加速度數(shù)據(jù)，x 3>1, x3,2，… 為Z軸加速度數(shù)據(jù)，X4，l，Xu，為X軸角速度數(shù)據(jù)，X；u， xU…為y軸角速度數(shù) 據(jù)，Xfu, X6,2，…X6，m為Z軸角速度數(shù)據(jù)。
10. 根據(jù)權(quán)利要求9所述的方法，其特征是，步驟2. 4具體為：將訓(xùn)練數(shù)據(jù)每P個(gè)相鄰的 FFT幅值相加，則每行的長(zhǎng)度從m減為q(q = m/p為正整數(shù)）；此時(shí)，6Xm的矩陣變?yōu)?Xq 的矩陣f ;最后將六行首位相接合并成一個(gè)含有6 X q個(gè)元素的向量Y ;
5 =[之.1, .fx.2,…，義,,,,]，（k = 1，2,…，q)，其中：Y為經(jīng)過(guò)FFT和數(shù)據(jù)降維以后的訓(xùn) 練數(shù)據(jù)矩陣，Y為將戈的六行數(shù)據(jù)首位相接形成的訓(xùn)練數(shù)據(jù)輸入向量，yk為X中的每一行數(shù) 據(jù)。
【文檔編號(hào)】A61B5/11GK104323780SQ201410597470
【公開日】2015年2月4日 申請(qǐng)日期:2014年10月30日 優(yōu)先權(quán)日:2014年10月30日
【發(fā)明者】吳哲君, 唐雷, 趙忠華 申請(qǐng)人:上海交通大學(xué)