[发明专利]一种基于惯性数据时频域特征提取的行人步长建模方法

说明书

本发明提供了一种基于惯性数据时频域特征提取的行人步长建模方法，首先采集非常规步态下的惯性数据，对不同步态的惯性数据进行分段；然后计算单步周期内的步频、加速度方差，构建时域线性步长模型；随后将单步周期内的三轴加速度矢量和信号进行分数阶傅里叶变换，计算变换后的加速度信号的标准差因子和四分位差因子，构建频域线性步长模型；最后利用加权方法融合时域线性步长模型和频域线性步长模型，得到融合步长模型。该方法通过对惯性数据时频域特征的提取、融合，提高多运动状态下基于惯性传感器的行人航位推算精度，解决现有步长建模方法无法直接应用于跑步、侧走、倒走等非常规步态的技术问题。

技术领域

本发明属于行人导航技术领域，具体涉及到一种基于惯性数据时频域特征提取的行人步长建模方法。

背景技术

腰绑式行人导航系统将微惯性传感器固联于人体腰部，利用航位推算方法实现位置更新。传统的基于惯性传感器的行人导航方法在进行航位推算时，步长是利用加速度信号通过建模的方式得到，常规建模方法主要考虑正常行走步态，无法直接应用于跑步、侧走、倒走等非常规步态，因此需要一种适用于行走和非常规步态的行人步长建模方法。

发明内容

本发明的目的在于提供了一种基于惯性数据时频域特征提取的行人步长建模方法，通过对惯性数据时频域特征的提取、融合，获得不同步态下的行人步长模型，提高多运动状态下基于惯性传感器的行人航位推算精度，解决现有步长建模方法无法直接应用于跑步、侧走、倒走等非常规步态的技术问题。

为了实现上述目的，本发明采用的技术方案如下：

本发明提供了一种基于惯性数据时频域特征提取的行人步长建模方法，包括如下步骤

采集行走和非常规步态下的惯性数据，对不同步态的惯性数据进行分段；

计算单步周期内的步频、加速度方差，构建时域线性步长模型；

将单步周期内的三轴加速度矢量和信号进行分数阶傅里叶变换，计算变换后的加速度信号的标准差因子和四分位差因子，构建频域线性步长模型；

利用加权方法融合时域线性步长模型和频域线性步长模型，得到融合步长模型。

进一步地，所述非常规步态包括跑步、侧走、倒走。

进一步地，所述步频f_step和加速度方差υ计算方法如下

f_step＝1/(t_i-t_i-1)

其中，t_i-1和t_i分别为第i步的开始和结束时间，a_t为t时刻垂向加速度输出，是第i步过程中垂向加速度均值，N为第i步中加速度采样数。

进一步地，所述时域线性步长模型为

其中，分别表示行走、跑步、侧走、倒走的时域步长模型，为预标定的模型参数。

进一步地，p阶傅里叶变换的计算方法如下

其中，x(t)为单步周期内加速度矢量和信号，F^p定义为分数阶傅里叶变换算子，α＝pπ/2，K_p(u,t)为积分核函数，n为整数。

进一步地，所述傅里叶变换阶次p在0.2～0.5范围内。

进一步地，所述标准差因子计算方法如下