[发明专利]基于FFT的步行检测方法

说明书

本发明公开了一种基于FFT的步行检测方法，利用智能手机设备坐标系下x、y和z三轴角速度进行敏感轴检测，并通过敏感轴所对应的角速度数据进行频谱分析处理，接着计算振幅平均值判断二者的关系；然后拟合振幅曲线，计算人行走的频率，最后利用行走时间再求得行人当前持续行走的总步数，向前滑动时间窗口，反复执行。本发明考虑了坐标系不稳定因素，能更加敏感、准确、快速的检测出行人的步行动作。

技术领域

本发明属于步行检测技术领域，特别是涉及一种基于FFT的步行检测方法。

背景技术

现有的步行检测方法中最具代表性的是以下四种：

1.基于阈值的步行检测。

阈值方法是最简单的，但是困难在于如何选择最佳的阈值，特别是对于非约束的智能手机。阈值选择主要是通过多次试验来确定，并且一旦确定阈值，它将用于所有的测试者中。如果在类别多的情况下，需要设定多个阈值，传感器的姿势和位置对阈值的选定影响很大。此外，由于不同测试者在做同一个动作时存在很大的差异性，因此不容易选择一个合适的阈值。基于阈值的步行检测方法，测量值采用加速度模值、加速度信号的能量以及加速度的标准差(STD_TH)。具体地说，预先定义一个阈值，当用户行走发生位移时，智能手机传感器采集到信号的读数高于这个预先定义的阈值即为检测到用户发生位移活动。基于阈值的位移检测容易将非位移活动错误的检测为位移活动，因此对此方法而言，如何选择一个最佳的阈值是十分重要的。

2.短时傅里叶变换(Short Term Fourier Transform，STFT)。

短时傅里叶变换(Short Term Fourier Transform，STFT)STFT是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。它的使用范围受其变换性质的局限，是一种基于窗函数的变换。由于STFT采用的滑动窗函数一经选定就固定不变，故决定了其时频分辨率固定不变，不具备自适应能力。使用STFT方法要考虑输入信号、采样频率、窗长、窗移、FFT长度等因素。STFT对于大部分音频信号都能够有较好的分析效果。该算法设计基于滑动时间窗口连续检测步态活动。采用短时傅里叶变换，将满足在典型步行频率范围内具有显著(大于一些频谱能量阈值)的频谱能量特征视为行走，从而实现用户位移检测，输入数据为垂直加速度。

3.标准化自相关系数(Normalised Autocorrelation)。

标准化自相关系数度量的是同一事件在两个不同时期之间的相关程度，形象的讲就是度量自己过去的行为对自己现在的影响。

人行走时步态特征具有周期性，前一步与后一步存在相似的动作，即两步之间具有高度的相关性。因此，可以通过判断标准化相关系数的大小来实现步态与步数的检测。

首先，利用加速度向量模值，计算两个相邻滑动窗口的标准化自相关系数，定义为ρ，即式中，X_i，Y_i表示随着时间的变化加速度向量模值序列，表示加速度向量模值序列的均值，n表示滑动窗口大小。

其次，如果标准化自相关系数大于预先定义的阈值，则认为前后两段具有相似的动作，即用户是在行走产生位移，同时计为一步。如果标准化自相关系数小于阈值，则窗口继续向后滑动，直到检测到步行活动。通常，ρ设为0.7。该方法在进行步态检测时，能够容忍各种手机的携带姿势，比较灵活。但是，对于一些不是行走的重复性动作，此时可能并没有发生位移变化，往往也会因为错误的判断为行走动作而检测出位移变化。因此，该方法通常需要结合其他方法来实现。

4.连续/离散小波变换(Continuous/Discrete Wavelet Transform，CWT/DWT)。