樓喜中,陟 力,方 俊

(中國計量大學 信息工程學院,浙江 杭州 310018)

MEMS傳感器的計步算法研究

樓喜中,陟 力,方 俊

(中國計量大學 信息工程學院,浙江 杭州 310018)

計步是慣性定位導航中重要環(huán)節(jié)之一,MEMS傳感器在慣性定位導航中應用廣泛,傳統(tǒng)計步算法多采用基于加速度數(shù)據(jù)的峰值檢算法.本算法融合了峰峰檢測算法和穿越中間閾值算法,用戶手持MEMS設備行走獲取加速度計數(shù)據(jù),進而算法推算行走的步數(shù)和軌跡.算法將從加速度采樣數(shù)據(jù)中判斷可能有效的計步點,算法判斷這些點是否為有效計步點,進而得出行走的步數(shù).最后結合步長、步數(shù)和航向信息推算行人的行走軌跡.實驗結果顯示,計步數(shù)據(jù)與實際步數(shù)誤差為0.75%,推算的軌跡接近實際行走路徑.該算法在不同人和不同環(huán)境中表現(xiàn)良好.

微機電系統(tǒng);加速度計;計步;航跡推算

分析人類步態(tài)能夠為健身、運動醫(yī)學研究和定位導航提供很多有用的信息[1].人們根據(jù)行走的步數(shù),可估算行走距離、能量消耗,便于人們了解每天的運動強度及新陳代謝水平,并及時調(diào)整.

將步數(shù)、步態(tài)及行走航向結合可推算行人的軌跡,這種技術已經(jīng)用于PNS(Pedestrian Navigation System)步行導航系統(tǒng).目前有基于GPS、WIFI、RSSI、UWB和慣性導航等定位導航方法,前四種方法部署成本較高,且易受環(huán)境因素干擾,而慣性導航定位方法具有小型化、易攜帶、成本低等優(yōu)點.基于IMU慣性單元的慣性導航技術最為常見,IMU一般由加速度計、陀螺儀組成,能提加速度和旋轉(zhuǎn)角速度信息,或添加磁力計輔助,可獲取絕對航向,融合這些信息獲取實時的定位導航信息[2].

計步是慣性定位導航中最重要的一個環(huán)節(jié).最早的計步方法是應用機械式的開關統(tǒng)計行走步數(shù),它是利用人在行走過程會周期振動觸發(fā)機械開關,從而檢測步伐記錄步數(shù).雖然這種計步方法簡單、成本低、計步準確,但是機械開關容易隨著使用的次數(shù)增加而磨損,從而影響判斷步伐的準確率.隨著科技的發(fā)展,傳感器逐步集成化,集成電路與微機械組合成微機電系統(tǒng)(MEMS).微機電系統(tǒng)可在極小尺寸下,同時兼顧功耗和精度要求,基于MEMS的慣性導航技術具有體積小、價格低、精度高的優(yōu)點.加速度計、陀螺儀和磁力計是具有代表性的MEMS傳感器.

利用MEMS傳感器計步,文獻[3]提出采用基于手機加速度傳感器,尋找步頻、行走速度與加速度幅值之間關系實現(xiàn)計步.文獻[4]提出基于加速度計的步態(tài)分析方法.文獻[5]提出將傳感器捆綁在腳面獲取加速度,使用零速檢測算法用于步態(tài)檢測,通過隱馬爾可夫模型預測步態(tài).文獻[6]提出峰值檢測的計步算法.

本文硬件使用基于STM32的MPU9150傳感器,MPU9150由三軸加速度計、三軸陀螺儀、三軸磁力計和STM32F103C8組成.本文算法是結合人體行走模型,使用基于中間閾值穿越、動態(tài)閾值和峰值檢測算法,統(tǒng)計行走步數(shù),并通過實驗得到計步的準確率,比較實際路線和仿真路線偏離程度.算法的仿真平臺為Matlab.

1 行走模型

建立合適的坐標系有利于研究人體行走狀態(tài)模型.人體坐標系包括前向軸、側向軸、垂直軸,前向軸正方向指向前方,側向軸正方向指向身體右側,如圖1,MPU9150的加速度計、陀螺儀均與人體坐標系相對應,如圖2.

圖1 人體坐標系Figure 1 Body coordinate system

圖2 設備坐標系Figure 2 Device coordinate system

人在行走過程中可以具體分解到以下幾個動作:靜止—身體前傾—單腿支撐邁腿—支撐腿前傾—擺腿腳跟著地—擺腿完全落地—換腿交叉步行.分解動作如圖3[1].可見,人在行走過程中,人體的重心會隨著行走周期地升降,那么在豎直方向上的加速度應該會產(chǎn)生明顯的變化.

圖3 人體行走模型Figure 3 Human walking model

手持MPU9150以正常步速行走一段距離的三個方向上的加速度如圖4.

圖4 三軸加速度數(shù)據(jù)圖Figure 4 Three-axis acceleration data

從圖上可以看出Z軸,即豎直方向上加速度的波形具有明顯的周期性,而X、Y軸曲線周期性不明顯,且波形不夠平滑.

在實驗過程中,手持設備的方位不是固定的,通過多組實驗會發(fā)現(xiàn)Z軸豎直方向的加速度仍呈周期變化,所以通過分析其周期變化規(guī)律,設計算法計算行走步數(shù).

2 算法部分

通常情況下人以最快的速度奔跑的時候,步頻約為每秒5步,以最慢的速度行走時候,步頻為每秒0.5步,即人行走步頻在0.5～5 Hz之間,所以認為加速度中頻率為0.5～5 Hz的是分析步態(tài)的有用信號.在行走中可能會引入其他噪聲分量,可以選擇合適的濾波方法濾出有效頻率信號.文中使用設備采樣頻率為20 Hz,可使用頻率為3 Hz的低通濾波器濾波.

在實驗中,會發(fā)現(xiàn)加速度計、陀螺儀易受噪聲影響,則使用雙低通濾波器處理數(shù)據(jù),兩階濾波的公式如下[7].傳感器中的MEMS傳感器分別收集行人從靜止到運動狀態(tài)的靜止加速度和運動狀態(tài)下加速度A={a1,a2,…,aN},運動狀態(tài)下加速度A包含有行人本身的重力加速度G={g1,g2,…,gN}和行人行走過程中豎直上下加速度aZ={aZ,1,aZ,2,…,aZ,N}對Z軸上的加速度進行雙低通濾波,可以獲得人的重力加速度.

(1)

在文獻[8]中提出基于中間閾值穿越的計步算法.其核心思想是在得到加速度的觀測值后,一旦檢測到一個從峰值到谷值穿越的一個過程,則被認定為完整的一步.而檢測的標志是加速度從中間閾值上方穿越到下方則認定為一步.從峰值到谷值的差必須滿足一定的穿越閾值,而且在行走過程會有無效的震動,即實際波峰旁的一些偽波峰,這些偽波峰容易被誤認為有效的計步點,從而被計入步數(shù).在文獻[6]和文獻[8]中容易計入這些偽波峰,而本文算法將會考慮如何消除這些偽波峰的影響,從而提高計步的精度.

在本文中采用峰-峰檢測和中間閾值穿越的算法,行走過程中人豎直方向加速度波峰交替出現(xiàn),相鄰有效波峰之間應為完整一步,中間閾值為濾波得到的重力加速度值.算法則要檢測到有效的峰值點,加速度值比當前重力加速度多0.1 g的可能是有效峰值點,當加速度幅值大于1.5 g的時候則為跑步狀態(tài).所以峰值點的檢測、有效峰值點的判定是算法的核心內(nèi)容.

首先,通過極大值的特點來檢測極大值點,即當前加速度值大于前一個以及后一個值,且比當前重力加速度值多0.1 g.逐個檢驗Z軸的加速度采樣點,若有采樣點滿足條件,將其列為臨時計步極大值點B={b1,b2,…,bn},行人行走過程中所有臨時有效計步點的峰值若大于1.2 g,令臨時有效計步的間隔閾值為T1;反之，臨時有效計步的間隔閾值為T2.在已經(jīng)得到極大值點的時候,且臨時計步極大值點個數(shù)大于2個以后,檢測這兩個極大值是否為產(chǎn)生步數(shù)的兩個極值點,判斷規(guī)則是滿足以下兩個條件:

1)兩個臨時計步極大值產(chǎn)生的時間間隔必須要大于設定閾值T1或者T2;

2)在此過程中,豎直方向加速度經(jīng)歷過從正向加速度值向負向加速度穿越的過程.穿越的中間閾值是對豎直方向加速度數(shù)據(jù)提取零頻分量得到的中間值,即重力加速度分量.滿足這個條件則說明步伐邁出.

在都滿足上面的兩個條件后,則可判斷產(chǎn)生正確步伐的峰值點,接下來檢驗剩下的采樣點,重復前兩步過程以判斷是否為有效峰值點.

MPU9150內(nèi)部自帶DMP能夠?qū)崿F(xiàn)硬件姿態(tài)解算,DMP為數(shù)字運動處理器,含有獨立完成姿態(tài)解算算法的處理單元,可以輸出設備航向信息.如果需要獲取絕對航向,則需要使用磁力計數(shù)據(jù)解算航向.

二維航跡推算法原理如圖5,(x0,y0)為行走起始點,(xi,yi)為行走的第i步點位置,θ={θ1,θ2,…,θN}為人行走航向,初始角度參考設備初次上電的位置,航向角為繞Z軸旋轉(zhuǎn)角度,根據(jù)行走步數(shù)D、行走航向θ和步長SLi即可推算出行走軌跡H.SLi為步長信息[9-10].

圖5 航跡推算Figure 5 Dead Reckoning

坐標更新方程如下:

(2)

步長是邁步腳著地后與支撐腳之間的距離,而步長與人性別、身高以及路面情況有關,同一個人的每一步的步長也不盡相同,所以在實驗中要動態(tài)地調(diào)整步長信息.

文獻[11]提出使用基于ZUPT(Zero Velocity Updates)零速修正的步長估計算法,并且能夠?qū)崿F(xiàn)統(tǒng)計行走的步數(shù).將傳感器捆綁在腳面,獲取加速度計、陀螺儀數(shù)據(jù),使用ZUPT算法獲得每一步的起止時間,在每一步中分別對這前進和側向的加速度二次積分,則可得到兩個方向位移,二者的合位移則為單步的步長,進而可以推算行走的路程.

本文采用文獻[12]中提出的算法計算步長,當行走速度加快時,相鄰峰之間間隔會變小,同時步長也會變大,即隨著步頻變化,步長也會變化.所以在實驗中不能將步長設為常數(shù),而應隨著步頻動態(tài)變化,使用如下公式:

SL=K1fstep+K2.

(3)

其中SL為步長;fstep為實時步頻;K1、K2為針對不同個體而標定的系數(shù).

3 實 驗

為了驗證所提算法的有效性,本文使用包含MPU9150傳感器的模塊進行測試.手持模塊至于胸前,使傳感器坐標與人體坐標相重合,以20 Hz采樣率獲取加速度計、陀螺儀數(shù)據(jù).

先持握模塊慢走15步,再以正常步速行走15步,最后快步走15步,Z軸加速度如圖6,可見隨著步速增加,加速度的幅值會增加,波峰與波峰間隔距離減小,說明步頻也隨之提高.

圖6 行走三段路Figure 6 Three segment data

根據(jù)行走速度將實驗分為慢走、正常走、快步走、慢跑、正常跑、快跑和混合行走(不同步速組合)這六類,依次測試在不同速度下的算法準確性.每類測試分為10組,在室內(nèi)沿東西方向直線行走.具體測試見表1,受版面所限每類顯示2組.在每組的實驗中,計步數(shù)與實際步數(shù)誤差在1到3步之間,準確率較高,且與市場上的計步腕表、手機計步軟件相比精度更高.

文獻[7～8]提出的算法最開始會對原加速度數(shù)據(jù)進行濾波,濾波的時候容易將一些波形忽略掉,且容易出現(xiàn)記錯有效步伐的位置或者少計步的情況,如圖7中黑色方框處存在計步錯誤點.在文獻[11]中提出算法只能計算出一大步,即每走兩步為一大步,如圖8中的每次上升時間點分別為標記每一大步的起始位置,認為相鄰的起始點是一大步,而圖中黑色箭頭處有兩個標記位置很近,實際不可能在短時間內(nèi)行走一大步,即行走兩步是錯誤的.

表1 計步結果

圖7 文獻[8]計步算法結果Figure 7 Result of step counting in Reference[8]

圖8 文獻[11]計步算法結果Figure 8 Result of step counting in Reference[11]

經(jīng)過多次實驗,本文所提算法也會有誤計步的情況發(fā)生,進而影響計步結果的準確性.如下面圖9～10.圖9(a)中算法判定B點為有效的計步點,但是從幅值上判斷,A點的幅值較B點更大.B點位置更接近前一峰值點,這不符合勻速直線行走的特點,而A點與前后峰值點的時間間隔更符合這一特點,所以A點應是有效的計步點位置.就圖10(a)而言,按照上述的分析D點不是有效的計步點,而C點應該為有效的計步點.

圖9 誤計步情況Figure 9 Wrong step

圖10 多計步情況Figure 10 Multi pedometer

針對這兩種誤差情況嘗試用以下的方法解決:1)有效峰值點矩陣(已獲得的計步點位置)中數(shù)據(jù)連續(xù)兩點做差,得到峰值點的間隔數(shù)據(jù)矩陣;2)對間隔數(shù)據(jù)矩陣每連續(xù)四個數(shù)據(jù)求平均值,得到關于均值的矩陣;3)算法依次檢查當前的峰值間隔,如果第2步中的均值比峰值間隔多90%,則該點不是有效峰值點;如果當前間隔比均值多15%,則再次尋找這附近的有效峰值點.經(jīng)過修改后能找到正確的計步點,如圖9(b),圖10(b),修改后的算法再次測試后能糾正計步錯誤的點.

相比較文獻[7～8]提出的算法,本文提出的算法可以保留最原始的數(shù)據(jù),能夠較有效地避免上述計步錯誤情況的發(fā)生.較之文獻[11]提出的算法,本文算法不用推算每一大步的行走位置點,能夠?qū)⒂嫴降奈恢命c標記到每一步,這種計步方法更符合實際的行走情況.

為了驗證算法結合航向的準確性,我們在教學樓樓層內(nèi)行走,測試結果如圖11,直線代表實際行走路徑,黑色點代表算法推算的航跡,推算路徑與實際路徑誤差在0.5 m內(nèi).

圖11 行走軌跡Figure 11 Walking trajectory

4 結 語

本文利用MEMS傳感器獲取加速度數(shù)據(jù),根據(jù)實驗決定使用Z軸豎直方向上的加速度推算行走的步數(shù).實驗結果顯示,以不同的速度行走,算法計步誤差為0.75%,找到并糾正在計步中易出現(xiàn)的錯誤,并能夠結合航向角推算航跡,使航跡接近實際行走路徑.

在計步的過程中,僅考慮到加速度信息,沒有參考陀螺儀數(shù)據(jù),且在繪制航跡的時候沒有匹配地圖,所以還應改進算法,結合絕對航向以適應不同的環(huán)境,這將是接下來的工作.

[1] 王竣,王修暉.步態(tài)能量圖和KFDA的步態(tài)識別研究[J].中國計量大學學報,2016,27(3):216-222. WANG J, WANG X H. Gait recognition based on gei and kfda[J].Journal of China University of Metrology,2016,27(3):216-222.

[2] XIANG Z Y, QI B Z, WANG J F. A novel body motion model based personal dead-reckoning system[C]// Photonics, 3D-Imaging, and Visualization. Portugal:[s.n],2011:1869-1872.

[3] NAJME Z, KUMAR A, CHAUHAN A. Step counting using smartphone-based accelerometer[J].International Journal on Computer Science & Engineering,2012:4(5):675-681.

[4] LIU B S, LIU Y T, YU C. Gait recognition and walking exercise intensity estimation[J].International Journal of Environmental Research & Public Health,2014,11(4):3822-3844.

[5] SUH Y S, PARK S. Pedestrian inertial navigation with gait phase detection assisted zero velocity updating[C]//Autonomous Robots and Agents(ICARA). New Zealand: IEEE,2009:336-341.

[7] JOHANN B, LAURO O. Heuristic drift elimination for personnel tracking systems[J].The Journal of Navigation,2010,63(4):591-606.

[8] ZHAO N. Full-featured pedometer design realized with 3-axis digital accelerometer[J].Analog Dialogue,2010,44(6):1-5.

[9] 殷紅.基于foot-mounted的IMU室內(nèi)行人航跡推算研究[D].南昌:南昌大學,2013. YIN H. Imu Indoor Pedestrian Dead Reckoning Research Based on Foot-mounted[D]. Nanchang: Nanchang University,2013.

[10] SHIN B, LEE J H, LEE H, et al. Indoor 3D pedestrian tracking algorithm based on pdr using smarthphone[C]//Control, Automation and Systems(ICCAS). Korea: IEEE,2012:1442-1445.

[11] JIMENEZ A R, SECO F, PRIETO C, et al. A comparison of pedestrian dead-Reckoning algorithms using a low-cost mems imu[C]// Intelligent Signal Processing. Hungary: IEEE,2009:37-42.

[12] 申崇江,馮成濤,崔瑩,等.穿戴式室內(nèi)行人航位推算系統(tǒng)研究[C]//第五屆中國衛(wèi)星導航學術年會論文集.南京:中國衛(wèi)星導航學術年會,2014:1-5. SHEN C J, FENG C T, CUI Y, et al. Research on wearable indoor pedestrian dead reckoning system[C]//China Satellite Navigation Conference 2014. Nanjing: China Satellite Navigation Conference,2014:1-5.

Algorithm of MEMS sensor step counting

LOU Xizhong, ZHI Li, FANG Jun
(College of Information Engineering, China Jiliang University, Hangzhou 310018, China)

Step counting is an important part of inertial navigation. MEMS sensors are widely used in inertial navigation. The traditional algorithm of step counting uses the acceleration data based on the peak detection method based on the accelerometer data. This algorithm combines the peak detection algorithm with the crossing middle threshold algorithm. The MEMS device obtains the accelerometer data and calculate the steps and routes with the algorithm. The algorithm can determine the possible points from the accelerometer data, judge the valid pedometer point, and calculate the walking steps. It can also give the walking routes combining with step length, step numbers and the direction. Experimental results show that the error of the proposed algorithm is about 0.75%, and tracks are close to the actual walking routes. This algorithm has good performance with different people and in different circumstances.

MEMS; accelerometer; step counting; dead reckoning

2096-2835(2017)01-0081-06

10.3969/j.issn.2096-2835.2017.01.014

2016-11-11 《中國計量大學學報》網(wǎng)址：zgjl.cbpt.cnki.net

樓喜中(1976- ),男,浙江省義烏人，副教授,主要研究方向為無線定位、MEMS傳感器導航定位、多天線技術、信道編碼.E-mail:albert.lou@boogoob.com.

TN96

A