CN117171606B - 一种基于自适应模糊推理的行人多步态模式识别方法 - Google Patents

Abstract

本发明公开了一种基于自适应模糊推理的行人多步态模式识别方法，属于卫星导航技术领域，本发明提取了行人在各种步态模式下的足部传感器原始数据，包括三轴陀螺仪和三轴加速度计传感器数据；然后，建立了具有模糊化层、规则化层、归一化层、去模糊化层与求和输出层的五层结构自适应模糊推理系统进行数据预训练；最后，构造基于广义似然比估计的条件检验式作为模糊推理系统的输入，从而识别和输出步行、跑步、楼梯及电梯等各类步态模式；本发明通过引入轻量化的自适应模糊推理系统，可以有效地检测与识别行人步行、跑步、乘坐电梯及楼梯等各类步态模式，模型简单、计算复杂度低、检测精度高，可应用于各类智能终端和可穿戴设备。

Description

一种基于自适应模糊推理的行人多步态模式识别方法

技术领域

本发明属于运动模式智能识别领域，具体涉及一种基于自适应模糊推理的行人多步态模式识别方法。

背景技术

快速、精确、可靠的行人步态模式检测和识别对于用户的导航定位、运动训练、健康监测与人机交互等服务具有重要作用。当前，行人步态识别方法主要包括基于视觉和基于传感器的两类。基于视觉的方法虽然具有较高的识别精度，但其计算量大、运算速度慢且往往涉及到用户的隐私问题。随着微机电系统技术的发展，基于惯性传感器的行人运动状态与步态模式检测变得更加易于实施。

惯性传感器能够精确地捕捉到行人的加速度、速度、位移、姿态角等运动信息，而安装在足部的惯导则可通过脚步的步态变化进一步反映出行人的运动状态。然而，由于行人个体差异明显且步态种类繁多，常规方法难以及时地探测和识别出当前的步态模式。一旦步态模式识别出错，这会造成惯性传感器累积误差随着时间逐渐增大，行人的定位轨迹、健康监测、姿态校正等各项服务活动均受到影响。

发明内容

为解决上述技术问题，本发明提供一种基于自适应模糊推理的行人多步态模式识别方法，以解决现有技术中的问题，为实现上述发明目的，本发明所采用的技术方案是：

一种基于自适应模糊推理的行人多步态模式识别方法，包括如下步骤：

S1：提取行人足部上的三轴陀螺仪和加速度计传感器的原始数据；

S2：建立自适应模糊推理系统用于步态检测和识别；

S3：选用加速度信息和角速度信息联合判定的方法作为运动状态的判定条件，并将加速度信息和角速度信息的联合函数作为自适应模糊推理系统的输入值，从而识别和输出行人的各类步态模式。

进一步的，所述步骤S1中，三轴陀螺仪和加速度计传感器集成在足部惯性传感器上，步骤S1包括：

假设加速度计传感器和三轴陀螺仪的在第k时刻的原始数据分别为和构造数据对/>则在时间窗口W内的足部惯性传感器的观测序列采用以下公式表示：

其中，k表示第k时刻采样点，X_W表示在所观测的时间窗内的总的数据集合，表示实数域。

进一步的，所述自适应模糊推理系统包括依次进行的五层结构，分别为：

模糊化层：将所有原始数据进行模糊聚类；

规则化层：计算模糊聚类的每个数据集的触发强度；

归一化层：对每个触发强度进行归一化；

去模糊化层：计算每个规则的加权值；

求和输出层：将每个规则的加权值进行求和。

进一步的，所述模糊化层中，利用隶属度函数获得原始数据的模糊聚类，采用以下公式：

其中，是输入变量x_i的模糊集；gbellmf为广义钟形隶属函数；{a,b,c}是前提参数集；/>为隶属函数的隶属度。

进一步的，所述规则化层中，将每个模糊聚类的数据集记作一个Π型的圆形节点，在规则化层实现部分模糊集运算，采用以下公式：

式中，w_i代表每个模糊数据集的触发强度，表示输入的每个节点的模糊数据集。

进一步的，所述归一化层中，统计该层中每个节点的触发强度与所有规则化层的触发强度总和的比值，采用以下公式：

其中，w_i是每个节点的触发强度，表示n个节点的总的触发强度，/>表示每个节点的归一化值。

进一步的，所述去模糊化层中，计算节点规则上的加权时，采用以下公式：

其中，表示每个节点的归一化值，f_i表示每个节点的输入，{x₁,x₂,…,x_n}是公式(1)中输入的惯性传感器的观测序列，/>表示模糊规则的后件参数，每个规则的结果参数的数量比输入的数量多一个。

进一步的，所述求和输出层中，采用以下公式求和：

其中，代表输出的最终训练结果，/>为每个节点的去模糊化值，w_i是每个节点的触发强度，f_i表示每个节点的输入值，/>表示每个节点的归一化值。

进一步的，所述步骤S3中，包括：

选用加速度信息和角速度信息联合判定的方法作为运动状态的判定条件：

其中，T_k(α_n,ω_n)为第k时刻加速度α_n和角速度ω_n的函数，W为时间窗的宽度，σ_ω为角速度测量误差的标准差，σ_a为加速度测量误差的标准差，g表示重力加速度，||·||为2-范数计算式；μ_a为时间窗内所有样本的加速度平均值；

将自适应模糊推理系统的输出值与预先设置的不同检测阈值进行对比，输出对应的步态模式。

进一步的，所述公式(7)中，μ_a采用以下公式计算：

本发明具有以下有益效果：

(1)、提高检测准确性：本发明提出的基于自适应模糊推理的行人多步态模式识别方法，能够有效结合加速度计和陀螺仪的输出，从而极大地提高步态模式检测的准确性。

(2)、降低运算复杂度：相比于常规方法，该方法能够降低运算复杂度，有效解决了行人个体差异明显、步态种类繁多的识别问题，且可以方便地应用于各类低成本智能终端。

(3)、实用性强：该方法可以广泛应用于用户的导航定位、运动训练、健康监测与人机交互等服务，具有实用性强的特点。同时，由于基于传感器的方法较少涉及到用户的隐私问题，因此减少了使用中的顾虑。

(4)、本发明通过引入轻量化的自适应模糊推理系统，可以有效地检测与识别行人步行、跑步、乘坐电梯及楼梯等各类步态模式，模型简单、计算复杂度低、检测精度高，可应用于各类智能终端和可穿戴设备。

附图说明

图1为本发明实施例提供的一种基于自适应模糊推理的行人多步态模式识别方法的流程图；

图2为本发明实施例提供的具有五层结构的自适应模糊推理系统的原理示意图；

图3为本发明实施例提供的基于自适应模糊推理系统识别出多种步态模式的示意图。

具体实施方式

下面将结合本发明实施例中的图1-图3，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例，若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。

如图1所示，本发明提取了行人在各种步态模式下的足部MEMS-IMU传感器原始数据，包括三轴陀螺仪和三轴加速度计传感器数据。然后，建立了具有模糊化层、规则化层、归一化层、去模糊化层与求和输出层的五层结构自适应模糊推理系统进行数据预训练。最后，构造基于广义似然比估计的条件检验式作为模糊推理系统的输入，从而识别和输出步行、跑步、楼梯及电梯等各类步态模式。

可以理解的是，在本发明中的足部传感器可通过智能穿戴设备、人机交互设备、智能终端等佩戴于行人足部，优选佩戴于脚踝部位。智能穿戴设备、人机交互设备、智能终端是现有技术宏观概念。只要能佩戴足部上，实现各类运动监测、健康监测、导航定位等功能的电子设备都能称之为本发明所指的智能穿戴设备、人机交互设备、智能终端。

具体地，对本实施例提供的一种基于自适应模糊推理的行人多步态模式识别方法进行说明，所述模式识别方法包括如下步骤：

S1：提取行人在各种步态模式下的足部三轴陀螺仪和加速度计传感器原始数据；

S2：建立一个具有五层结构的自适应模糊推理系统用于步态检测和识别；

S3：构造基于广义似然比估计的条件检验式作为模糊推理系统的输入值，从而识别和输出行人的各类步态模式；

具体而言，所述步骤S1中，包括：

提取行人在各种步态模式下的足部三轴陀螺仪和加速度计传感器原始数据；其中低成本惯性传感器(IMU)通常包括三轴陀螺仪和三轴加速度计，用于测量物体的加速度、速度、震动和旋转等状态。由于安装在足部的惯性传感器具有明显的站立期和摆动期，我们选用足部惯性器件以提取行人的原始传感数据。

假设足部惯性传感器输出的加速度计和陀螺仪的在第k时刻的原始数据分别为和/>构造数据对/>则在时间窗口W内的足部惯性传感器观测序列为：

其中，k表示第k时刻采样点，X_W表示在所观测的时间窗内的总的数据集合，表示实数域。

具体而言，所述步骤S2中，所述自适应模糊推理系统包括依次进行的五层结构，分别为：模糊化层、规则化层、归一化层、去模糊化层、求和输出层。在本发明中，自适应模糊推理系统是一种识别步态模式的数学模型。

对于步骤S2，具体包括以下流程：

S2-1：在第一层模糊化层中将所有数据进行模糊聚类。

如图2所示，为了自适应地检测行人的不同步态模式，我们基于自适应网络框架搭建了具有五层结构的模糊推理系统，以模糊规则的形式构建一个输入-输出映射，并规定输入-输出数据对。首先在第一层模糊化层中将所有数据进行模糊化，利用隶属度函数获得原始数据输入信息的模糊聚类：

其中，是输入变量x_i的模糊集；gbellmf称为广义钟形隶属函数；{a,b,c}是前提参数集，其决定了隶属函数的形式。利用这些参数可以计算每个隶属函数的隶属度/>

S2-2：在第二层规则化层中计算模糊聚类数据集的每个触发强度；将每个模糊数据集记作一个Π型的圆形节点，在第二层规则化层中实现部分模糊集运算：

式中，w_i代表每个节点的触发强度，表示输入的每个节点模糊数据集。

S2-3：在第三层归一化层中对每个触发强度进行归一化。

第三层结构为归一化层，即统计该层中每个节点的触发强度与所有规则化层的触发强度总和的比值：

其中，w_i是每个节点的触发强度，表示n个节点的总的触发强度，/>表示每个节点的归一化值；

S2-4：在第四层去模糊化层中计算每个规则的加权值；

第四层结构为去模糊化层，该层结构主要用于计算节点规则上的加权：

其中，f_i表示每一层的输入，{x₁,x₂,…,x_n}是公式(1)中输入的惯性传感器的观测序列，表示模糊规则的后件参数，每个规则的结果参数的数量比输入的数量多一个；

S2-5：在第五层求和层中计算所有规则的总和；

第五层结构为求和层，该层结构可将每个节点的加权值进行求和：

其中，代表输出的最终的基于自适应模糊推理系统的训练结果，/>为每个节点的去模糊化值，w_i是每个节点的触发强度，f_i表示每个节点的输入值，/>表示每个节点的归一化值；至此，原始惯性测量数据经过具有五层结构的模糊推理系统即可被成功分类。

此外，参考图2，在该五层结构的模糊推理系统中，前四层分别包括n个节点，节点即数据节点，实现数据的计算，本发明中所指的“节点”即对应该层结构中的数据节点。求和层对n个节点进行加权求和。每个节点的数据传递到下一层对应的节点。

具体而言，所述步骤S3中，具体流程为：

构造基于广义似然比估计的条件检验式作为模糊推理系统的输入值，从而识别和输出行人的各类步态模式；

为了保证模式识别的准确性和可靠性，选用加速度信息和角速度信息联合判定的方法作为运动状态的判定条件：

其中，T_k(α_n,ω_n)为第k时刻加速度α_n和角速度ω_n的函数，W为时间窗的宽度，σ_ω为角速度测量误差的标准差，σ_a为加速度测量误差的标准差，g表示重力加速度，||·||为2-范数计算式；μ_a为时间窗内所有样本的加速度平均值：

将自适应模糊推理系统输出值与预先设置的检测阈值进行对比，来判断当前的输出值所匹配的步态模式(步行、跑步、乘电梯及楼梯)。

参考图3，可以看到，通过模糊推理系统的数据预训练，检测序列T_k可以被精准地划分为步行、跑步、电梯与楼梯等不同的运动状态，将公式(7)中的函数值T_k与检测阈值γ_k对比，即可通过不同的检测阈值γ_k来区分相应的步态模式。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形、变型、修改、替换，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于自适应模糊推理的行人多步态模式识别方法，其特征在于，包括如下步骤：

S1：提取行人足部上的三轴陀螺仪和加速度计传感器的原始数据；

S2：建立自适应模糊推理系统用于步态检测和识别；

所述自适应模糊推理系统包括依次进行的五层结构，分别为：

模糊化层：将所有原始数据进行模糊聚类；

规则化层：计算模糊聚类的每个数据集的触发强度；

归一化层：对每个触发强度进行归一化；

去模糊化层：计算每个规则的加权值；

求和输出层：将每个规则的加权值进行求和；

S3：选用加速度信息和角速度信息联合判定的方法作为运动状态的判定条件，并将加速度信息和角速度信息的联合函数作为自适应模糊推理系统的输入值，从而识别和输出行人的各类步态模式；

所述步骤S3具体包括：

其中，T_k(α_n,ω_n)为第k时刻加速度α_n和角速度ω_n的函数，W为时间窗的宽度，σ_ω为角速度测量误差的标准差，σ_a为加速度测量误差的标准差，g表示重力加速度，||·||为2-范数计算式；μ_a为时间窗内所有样本的加速度平均值；

将自适应模糊推理系统的输出值与预先设置的不同检测阈值进行对比，输出对应的步态模式。

2.根据权利要求1所述的一种基于自适应模糊推理的行人多步态模式识别方法，其特征在于，所述步骤S1中，三轴陀螺仪和加速度计传感器集成在足部惯性传感器上，步骤S1包括：

假设加速度计传感器和三轴陀螺仪的在第k时刻的原始数据分别为和构造数据对/>则在时间窗口W内的足部惯性传感器的观测序列采用以下公式表示：

其中，k表示第k时刻采样点，X_W表示在所观测的时间窗内的总的数据集合，表示实数域。

3.根据权利要求1所述的一种基于自适应模糊推理的行人多步态模式识别方法，其特征在于，所述模糊化层中，利用隶属度函数获得原始数据的模糊聚类，采用以下公式：

其中，是输入变量x_i的模糊集；gbellmf为广义钟形隶属函数；{a,b,c}是前提参数集；/>为隶属函数的隶属度。

4.根据权利要求1所述的一种基于自适应模糊推理的行人多步态模式识别方法，其特征在于，所述规则化层中，将每个模糊聚类的数据集记作一个Π型的圆形节点，在规则化层实现部分模糊集运算，采用以下公式：

式中，w_i代表每个节点的触发强度，表示输入的每个节点的模糊数据集。

5.根据权利要求1所述的一种基于自适应模糊推理的行人多步态模式识别方法，其特征在于，所述归一化层中，统计该层中每个节点的触发强度与所有规则化层的触发强度总和的比值，采用以下公式：

其中，w_i是每个节点的触发强度，表示n个节点的总的触发强度，/>表示每个节点的归一化值。

6.根据权利要求1所述的一种基于自适应模糊推理的行人多步态模式识别方法，其特征在于，所述去模糊化层中，计算节点规则上的加权时，采用以下公式：

其中，表示每个节点的归一化值，f_i表示每个节点的输入，{x₁,x₂,…,x_n}是公式(1)中输入的惯性传感器的观测序列，/>表示模糊规则的后件参数，每个规则的结果参数的数量比输入的数量多一个。

7.根据权利要求1所述的一种基于自适应模糊推理的行人多步态模式识别方法，其特征在于，所述求和输出层中，采用以下公式求和：

其中，代表输出的最终训练结果，/>为每一层的去模糊化值，w_i是每个节点的触发强度，f_i表示每个节点的输入值，/>表示每个节点的归一化值。

8.根据权利要求1所述的一种基于自适应模糊推理的行人多步态模式识别方法，其特征在于，所述μ_a采用以下公式计算：