本發(fā)明屬于行人導(dǎo)航定位，涉及一種基于動作識別的行人慣性導(dǎo)航方法。

背景技術(shù)：

1、隨著無線通信和傳感器等技術(shù)的發(fā)展，人們對導(dǎo)航與定位的需求越來越大。如今，人們對定位系統(tǒng)非常熟悉，在日常生活的廣泛應(yīng)用中無處不在。在某種程度上，人們對這些系統(tǒng)的熟悉很大程度上歸功于全球定位系統(tǒng)(global?positioning?system,gps)。盡管該技術(shù)在室外應(yīng)用中提供了良好的定位效果，但由于gps信號較弱無法穿透建筑物墻壁且存在多徑效應(yīng)，所以gps系統(tǒng)在室內(nèi)應(yīng)用中的性能并不令人滿意。可見實(shí)現(xiàn)高精度的室內(nèi)行人導(dǎo)航有著很大的研究意義。此外，其應(yīng)用場景也非常廣泛，例如在大型建筑物內(nèi)提供室內(nèi)導(dǎo)航服務(wù)、在物流系統(tǒng)中跟蹤物品的位置及在醫(yī)院里監(jiān)視病人的位置。特別地，在建筑物內(nèi)和地下停車場等場所，室內(nèi)定位可用于安全監(jiān)控和應(yīng)急救援，提高安全性和救援效率。因此，高可靠的高精度行人導(dǎo)航與室內(nèi)定位技術(shù)具有極其重要的研究意義和應(yīng)用價(jià)值。

2、目前，在基于零速修正的行人慣性導(dǎo)航領(lǐng)域，存在著一個(gè)難點(diǎn)：在零速修正算法中，固定閾值難以在混合運(yùn)動模式下準(zhǔn)確地檢測出零速區(qū)間。在跑步、跳躍等腳部與地面接觸時(shí)間短暫的情況下，零速區(qū)間的檢測更具挑戰(zhàn)性。除了靜止，人的運(yùn)動大致可分為：普通運(yùn)動、競技運(yùn)動、行進(jìn)等。普通運(yùn)動主要包括：步行前進(jìn)、跑步、后退、右側(cè)跨步、左側(cè)跨步、右轉(zhuǎn)、左轉(zhuǎn)、上山/上臺階、下山/下臺階、站立、坐下、躺下等；競技運(yùn)動主要包括：跑步、跳躍、爬行、攀登、閃躲等；行進(jìn)主要包括：自動扶梯、電梯、騎自行車、坐汽車、坐火車等。大多數(shù)人參與的是日常運(yùn)動，然而士兵、消防員等執(zhí)行特殊任務(wù)的人員，他們的運(yùn)動模式則包括爬行、跨步、攀登、躲閃等多種方式。因此，我們有必要對人的運(yùn)動模式進(jìn)行更精確的感知研究，并與導(dǎo)航定位技術(shù)相結(jié)合，以提升行人導(dǎo)航定位的準(zhǔn)確性和效率。

3、近年來，隨著系統(tǒng)集成、微型傳感器、物聯(lián)網(wǎng)、5g和人工智能等技術(shù)的快速發(fā)展，可穿戴設(shè)備及相關(guān)領(lǐng)域的研究與應(yīng)用日益廣泛?？纱┐髟O(shè)備設(shè)計(jì)緊湊輕便，具備持續(xù)感知、收集和上傳信息與生理數(shù)據(jù)的能力，已被廣泛應(yīng)用于虛擬現(xiàn)實(shí)、醫(yī)療、健康檢測和體育訓(xùn)練等多個(gè)領(lǐng)域。隨著微機(jī)電技術(shù)的發(fā)展，慣性測量單元(inertial?measurement?unit，imu)的集成度逐步提高，其體積和重量的減小方便了人體的佩戴，學(xué)者們利用基于imu采集的運(yùn)動學(xué)信息實(shí)現(xiàn)動作識別和參數(shù)預(yù)測。除關(guān)注全身的動作捕捉外，也聚焦于人體局部的動作捕捉和下肢運(yùn)動參數(shù)估計(jì)。表面肌肉電(surface?electromyography，semg)信號是一種微弱的生物電流，其實(shí)時(shí)性強(qiáng)且受環(huán)境影響較小。通過semg傳感器采集的信號為動作識別和運(yùn)動參數(shù)的估計(jì)提供了直接、非侵入性的數(shù)據(jù)來源。對其進(jìn)行處理后可提取到反映肌肉收縮狀態(tài)、力量以及時(shí)序等關(guān)鍵信息的數(shù)據(jù)。

4、在下肢動作識別任務(wù)中，考慮設(shè)備的拓?fù)涮匦耘c任務(wù)的關(guān)聯(lián)度，結(jié)合特征提取與篩選方法，針對傳統(tǒng)支持向量機(jī)(support?vector?machine，svm)模型識別率低的問題，使用基于統(tǒng)計(jì)分析和運(yùn)動修正算法的svm模型識別混合運(yùn)動模式下的下肢運(yùn)動狀態(tài)，并將其應(yīng)用于行人慣性導(dǎo)航方法中，根據(jù)識別結(jié)果自適應(yīng)地調(diào)整零速區(qū)間的檢測閾值，降低零速區(qū)間的漏檢和誤檢率，進(jìn)而提高定位的精度。

5、因此，針對上述存在的問題，本技術(shù)在零速修正的基礎(chǔ)上結(jié)合運(yùn)動模式識別輔助行人導(dǎo)航，進(jìn)一步改善行人慣性導(dǎo)航方法在混合運(yùn)動模式下的性能。具體擬采取svm算法識別運(yùn)動模式，是一種用于分類問題的機(jī)器學(xué)習(xí)方法，旨在通過定義特征空間上的最大間隔來實(shí)現(xiàn)線性分類。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于為解決混合運(yùn)動模式下，基于固定閾值的零速區(qū)間檢測存在區(qū)間漏檢和誤檢，進(jìn)而導(dǎo)致定位精度降低的問題，提出了一種基于動作識別的行人慣性導(dǎo)航方法，適應(yīng)不同的行人運(yùn)動模式，依托可穿戴設(shè)備收集imu數(shù)據(jù)及肌肉電數(shù)據(jù)；在靜止?fàn)顟B(tài)下，依托imu數(shù)據(jù)計(jì)算歐拉角并求得坐標(biāo)旋轉(zhuǎn)矩陣，將載體坐標(biāo)系下加速度轉(zhuǎn)換到導(dǎo)航坐標(biāo)系下，積分后獲取速度信息；肌肉電數(shù)據(jù)經(jīng)預(yù)處理和特征提取(所提取的特征包括時(shí)域特征：平均絕對均值(mean?absolute?value，mav)，均方根值(root?mean?square，rms)，方差(variance，vare)，積分肌電圖(integrated?emg，iemg),波長(waveform?length，wl)和willison幅值(willison?amplitude，wa)后，使用基于統(tǒng)計(jì)和動作修正算法的svm模型來識別人體混合運(yùn)動模式下的運(yùn)動狀態(tài)，得到動作識別結(jié)果；將動作識別結(jié)果用于自適應(yīng)調(diào)整零速區(qū)間的閾值檢測，最后在零速區(qū)間內(nèi)使用基于擴(kuò)展卡爾曼濾波(extended?kalmanfilter，ekf)的速度修正方法修正零速并對修正后的速度進(jìn)行積分，從而獲得位置信息；所述方法能實(shí)現(xiàn)在混合運(yùn)動模式下較高定位精度、較小定位誤差，較好魯棒性且能繪制較準(zhǔn)確的軌跡。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采取如下技術(shù)方案：

3、一種基于動作識別的行人慣性導(dǎo)航方法，包括如下步驟：

4、s1、通過佩戴的可穿戴設(shè)備采集semg信號和imu數(shù)據(jù)；

5、s2、預(yù)處理semg信號，得到預(yù)處理后semg數(shù)據(jù)；

6、與此同時(shí)，在靜止?fàn)顟B(tài)下，利用imu數(shù)據(jù)計(jì)算歐拉角并求得坐標(biāo)旋轉(zhuǎn)矩陣，將載體坐標(biāo)系下加速度轉(zhuǎn)換到導(dǎo)航坐標(biāo)系下，積分后獲取速度信息；

7、s3、提取預(yù)處理后semg數(shù)據(jù)的時(shí)域特征、時(shí)頻特征以及時(shí)間超前特征并進(jìn)行組合，得到特征數(shù)據(jù)向量；

8、s4、多次重復(fù)s1到s3，采集并獲取不同受試者不同運(yùn)動狀態(tài)下的多組特征數(shù)據(jù)向量，再將這些特征數(shù)據(jù)向量按比例劃分訓(xùn)練集和測試集；

9、s5、對訓(xùn)練集的特征數(shù)據(jù)進(jìn)行特征篩選并更新數(shù)據(jù)集；

10、s6、構(gòu)建并訓(xùn)練得到基于統(tǒng)計(jì)和動作修正的svm模型，具體為：遍歷訓(xùn)練集運(yùn)行svm模型識別不同動作模式，遍歷并得出識別準(zhǔn)確率最高的動作模式對應(yīng)的高斯核帶寬和懲罰系數(shù)；在一定時(shí)間間隔內(nèi)統(tǒng)計(jì)分析svm模型的識別結(jié)果，選取眾數(shù)為該時(shí)間間隔的運(yùn)動狀態(tài)識別結(jié)果更新svm模型，得到統(tǒng)計(jì)分析svm模型；進(jìn)一步通過當(dāng)前估計(jì)的動作模式來校正前一窗口的動作模式并基于此識別結(jié)果更新統(tǒng)計(jì)分析svm模型的超參數(shù)，得到基于統(tǒng)計(jì)和動作修正的svm模型；

11、s7、依據(jù)測試集基于統(tǒng)計(jì)和動作修正的svm模型并依據(jù)運(yùn)動模式識別結(jié)果調(diào)整對應(yīng)運(yùn)動模式的零速檢測閾值；

12、s8、依據(jù)運(yùn)動模式的零速檢測閾值以及s2獲取的速度信息進(jìn)行零速檢測，若檢測出速度為零速，進(jìn)行零速修正，再對修正后速度進(jìn)行積分得到位置信息；若檢測出速度為非零速，不進(jìn)行零速修正，直接將s2獲取的速度信息進(jìn)行積分得到位置信息。

13、s1所述可穿戴設(shè)備，包括電極和傳感器組；所述傳感器組，包括加速度計(jì)、陀螺儀和磁力計(jì)；所述imu數(shù)據(jù)，通過加速度計(jì)、陀螺儀和磁力計(jì)采集的人體運(yùn)動信息獲?。凰鋈梭w運(yùn)動信息，包括但不限于加速度信息、速度信息以及坐標(biāo)信息。

14、所述速度信息，通過在靜止?fàn)顟B(tài)下計(jì)算歐拉角并求得坐標(biāo)旋轉(zhuǎn)矩陣，將載體坐標(biāo)系下的加速度轉(zhuǎn)換到導(dǎo)航坐標(biāo)系下，再進(jìn)行積分獲得；所述semg信號為基于可穿戴設(shè)備中電極采集的多通道下肢肌群表面肌電信息；所述電極的數(shù)量大于2小于30。

15、s2所述預(yù)處理semg信號，具體包括如下子步驟：

16、s21、通過低通濾波濾除semg信號的高頻噪聲，得到低通濾波后semg信號；

17、s22、對低通濾波后semg信號進(jìn)行一級放大，得到一級放大后semg信號；

18、s23、對一級放大后semg信號進(jìn)行高通濾波，得到高通濾波后semg信號；

19、s24、對高通濾波后semg信號進(jìn)行二級放大，得到二級放大后semg信號；

20、s25、將二級放大后semg信號經(jīng)模數(shù)轉(zhuǎn)換器轉(zhuǎn)化為預(yù)處理后semg數(shù)據(jù)。

21、s21所述低通濾波器的截止頻率大于10hz小于200hz；s22所述一級放大的放大倍數(shù)，具體實(shí)施時(shí)大于等于5，小于等于100；s23所述高通濾波的截止頻率大于等于100hz，小于等于200hz且高通濾波能去除漂移和運(yùn)動偽跡為主的低頻噪聲；s24所述二級放大的放大倍數(shù)具體實(shí)施時(shí)大于等于10，小于等于200。

22、s3所述組合，包括但不限于相加、相減、串聯(lián)以及并聯(lián)；所述時(shí)域特征、時(shí)頻特征以及時(shí)間超前特征用于訓(xùn)練基于統(tǒng)計(jì)和動作修正的svm模型；所述時(shí)域特征，包括但不限于mav、rms、vare、iemg、wl和wa；所述時(shí)頻特征，包括但不限于fft、stft及小波分解；所述小波分解采用的小波基，包括haar小波基、dbn小波基、symn或bior小波基；所述小波分解的層數(shù)，具體實(shí)施時(shí)大于等于3層，小于等于10層；所述時(shí)間超前特征基于超前時(shí)間窗提?。凰龀皶r(shí)間窗的取值范圍為大于等于10ms小于等于300ms。

23、所述時(shí)間超前特征的具體提取過程為：1)確定超前時(shí)間窗；2)從當(dāng)前時(shí)間點(diǎn)向前延伸一個(gè)超前時(shí)間窗的時(shí)間長度，再加上固定時(shí)間窗；3)提取超前時(shí)間窗加固定時(shí)間窗內(nèi)總時(shí)間長度數(shù)據(jù)的特征；4)以時(shí)間步長為間隔，依次得到超前時(shí)間窗加固定時(shí)間窗內(nèi)總時(shí)間長度數(shù)據(jù)的特征。

24、所述固定時(shí)間窗的取值范圍為大于等于180ms小于等于220ms；所述時(shí)間步長的取值范圍為大于等于10ms小于等于50ms。

25、s4所述訓(xùn)練集和測試集按比例劃分的取值范圍為6：4到9：1；所述不同運(yùn)動狀態(tài)，包括但不限于上樓、下樓、蹲下、起立、站立以及勻速行走。

26、s6所述一定時(shí)間間隔的取值范圍為：100ms到800ms；

27、s7具體為：s71、將測試集輸入基于統(tǒng)計(jì)和動作修正的svm模型中進(jìn)行模式識別；

28、s72、繪制t曲線圖并據(jù)此選取各種運(yùn)動模式的零速檢測閾值；

29、s73、識別各種運(yùn)動模式并依據(jù)運(yùn)動模式識別結(jié)果調(diào)整對應(yīng)運(yùn)動模式的零速檢測閾值。

30、有益效果

31、本發(fā)明提出的一種基于動作識別的行人慣性導(dǎo)航方法，與現(xiàn)有基于固定閾值的方法相比，具有如下有益效果：

32、1.所述方法鑒于復(fù)雜神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于行人慣性導(dǎo)航中增加算法復(fù)雜度和傳統(tǒng)svm方法識別運(yùn)動狀態(tài)準(zhǔn)確率不高，提出了使結(jié)合統(tǒng)計(jì)分析和運(yùn)動修正算法，優(yōu)化混合運(yùn)動狀態(tài)下svm模型的動作分類結(jié)果，提高了混合運(yùn)動模式下的動作識別準(zhǔn)確度，為復(fù)雜運(yùn)動場景下行人慣性導(dǎo)航方法的應(yīng)用提供條件；

33、2.所述方法根據(jù)不同運(yùn)動狀態(tài)的t曲線特性選取不同運(yùn)動狀態(tài)的零速檢測閾值，并根據(jù)運(yùn)動識別結(jié)果設(shè)置相應(yīng)零速檢測的閾值，提高了零速區(qū)間檢測率，經(jīng)過對自適應(yīng)閾值檢測到的零速區(qū)間內(nèi)的速度進(jìn)行修正后，得到了更準(zhǔn)確的運(yùn)動軌跡，減小了定位誤差。