【技术领域】
本发明涉及电子技术领域，特别涉及基于三轴加速度传感器的计步方法。
背景技术：
随着社会的发展，人们越来越注重自己的健康。实时检测步数可以帮助人们实时掌握锻炼情况，督促养成健康的生活习惯。
智能手机、手环、手表等智能设备已经普及，具有携带方便、响应速度快、无线通讯便捷的优点。通过智能设备搭载的三轴加速度传感器实现计步功能成为一种理想的选择。
现有技术中通过上述智能设备实现的计步方法通常存在以下问题：由于需对三轴加速度传感器信号进行平滑滤波处理，加速度信号的数据保存以浮点型数据为主，导致功耗偏大；对信号噪声较为敏感，在信号存在噪声干扰情况下，计步精度有待于进一步提高。
技术实现要素：
为了克服上述问题，本发明提出一种可有效解决上述问题的基于三轴加速度传感器的计步方法。
本发明解决上述技术问题提供的一种技术方案是：提供一种基于三轴加速度传感器的计步方法，包括如下步骤：
步骤s1，设置系统参数mingap、minmag、deltamag、peaksgap、winwidth、ppnum、statusa的初始值；
步骤s2，获取三轴加速度信号，并通过公式
步骤s3，根据合加速度时间序列{a(t),t＝1,2,3,l}判断第n个移动时间窗内是否存在预计步波峰；
步骤s4，判断当前运动模式；
步骤s5，判断当前移动时间窗与最新获得的计步波峰之间的时间间隔peaksgap是否超过给定阈值peaksgap0；
步骤s6，若当前移动时间窗内存在一个预计步波峰，则令预计步波峰个数ppnum加1，即ppnum＝ppnum 1，同时令计步状态变量status＝1，令peaksgap＝0；
步骤s7，判断预计步波峰个数ppnum是否大于计步最低要求值ppnum0；
步骤s8，提取计步过滤特征gapstd和arate；
步骤s9，利用特征平面上两线性分类器判断合加速度的两个特征gapstd和arate是否满足计步过滤条件；
步骤s10，在满足所述步骤s9中计步过滤条件前提下，根据已确认的预计步波峰个数ppnum更新总步数；
步骤s11，步行状态分类识别；
步骤s12，根据最新获得的计步波峰的幅度值自适应调整参数mingap、minmag、deltamag。
优选地，所述步骤s3中，包括如下分步骤：
步骤s31，根据公式[maxa,mid]＝max{a(t),t∈[nw 1,(n 1)w]}计算a(t)在第n个移动时间窗[nw 1,(n 1)w]内的最大值maxa及其索引mid；
步骤s32，根据公式a0＝max{a(t),t∈[mid-r,mid r]}计算合加速度a(t)在辅助时间窗[mid-r,mid r]内的极大值a0；
步骤s33，判断合加速度a(t)的极大值点(mid,maxa)是否满足约束条件，如满足约束条件则当前移动时间窗内存在一个预计步波峰，如不满足约束条件，则当前移动时间窗内不存在预计步波峰。
优选地，所述步骤s8中，gapstd表示最近n1个预计步波峰时间间隔的标准差，gapstd＝std(diff(piv))。
优选地，所述步骤s8中，arate表示合加速度a(t)变化趋势的转变频率，arate特征值计算方法为利用最近n2秒内合加速度a(t)变化趋势的转变次数除以这段时间内采样点个数。
优选地，所述步骤s9中，所述线性分类器包括第一线性分类器和第二线性分类器，所述第一线性分类器为g1(arate,gapstd)＝gapstd-k1*arate-b1；第二线性分类器为g2(arate,gapstd)＝gapstd-k2*arate-b2。
优选地，所述计步过滤条件包括第一过滤条件和第二过滤条件，所述第一过滤条件为g1(arate,gapstd)＜0；第二过滤条件为g2(arate,gapstd)＜0。
优选地，所述步骤s11中，根据最近获得的n个计步波峰中有m个及以上的计步波峰幅度值均超过给定阈值cmag0，可判定当前获得计步波峰的步行状态。
优选地，所述步骤s33中，约束条件为：
优选地，所述步骤s3中，所述移动时间窗为如下的时间窗序列：
[1,w],[w 1,2w],[2w 1,3w],l,[nw 1,(n 1)w],l。
优选地，所述步骤s2中，合加速度值保存为无符号16位整型数据类型。
与现有技术相比，本发明的基于三轴加速度传感器的计步方法具有以下有益效果：
1、无需对合加速度信号进行平滑滤波处理，就能够精确定位合加速度信号的计步波峰位置，从而获得高精度计步方法，受采集信号噪声的影响较小，计步稳定，功耗低；
2、利用16位整型数据类型保存合加速度，存储量比浮点型数据至少降低一半；
3、采用移动时间窗的形式分割合加速度信号能够实时获得计步信息，延迟时间小；
4、提取计步过滤特征gapstd和arate能够很好地区分步行状态和非步行状态；
5、采用两个线性分类器进行计步过滤，可以较精确地过滤非步行运动状态；
6、适用范围广，能够智能识别不同年龄阶段和不同性别自然人的步行状态：慢走、快走、慢跑及快跑。
【附图说明】
图1为本发明基于三轴加速度传感器的计步方法的整体流程图；
图2为本发明基于三轴加速度传感器的计步方法的合加速度移动时间窗分割示例图；
图3为本发明基于三轴加速度传感器的计步方法的合加速度变化趋势的转折点示例图；
图4为本发明基于三轴加速度传感器的计步方法的慢走状态计步效果示例图；
图5为本发明基于三轴加速度传感器的计步方法的快走状态计步效果示例图；
图6为本发明基于三轴加速度传感器的计步方法的慢跑状态计步效果示例图；
图7为本发明基于三轴加速度传感器的计步方法的快跑状态计步效果示例图；
图8为本发明基于三轴加速度传感器的计步方法的持手机打电话状态计步效果示例图；
图9为本发明基于三轴加速度传感器的计步方法的负重状态计步效果示例图；
图10为本发明基于三轴加速度传感器的计步方法的102次慢走状态计步测试结果的识别率示例图；
图11为本发明基于三轴加速度传感器的计步方法的82次快走状态计步测试结果的识别率示例图；
图12为本发明基于三轴加速度传感器的计步方法的44次慢跑状态计步测试结果的识别率示例图；
图13为本发明基于三轴加速度传感器的计步方法的47次快跑状态计步测试结果的识别率示例图；
图14为本发明基于三轴加速度传感器的计步方法的44次打电话状态计步测试结果的识别率示例图；
图15为本发明基于三轴加速度传感器的计步方法的63次负重状态计步测试结果的识别率示例图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅限于指定视图上的相对位置，而非绝对位置。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
请参阅图1至图15，本发明的基于三轴加速度传感器的计步方法，包括如下步骤：
步骤s1，设置系统参数mingap、minmag、deltamag、peaksgap、winwidth、ppnum、statusa的初始值；
步骤s2，获取三轴加速度信号，并通过公式
步骤s3，根据合加速度时间序列{a(t),t＝1,2,3,l}判断第n个移动时间窗内是否存在预计步波峰；
步骤s4，判断当前运动模式；
步骤s5，判断当前移动时间窗与最新获得的计步波峰之间的时间间隔peaksgap是否超过给定阈值peaksgap0；
步骤s6，若当前移动时间窗内存在一个预计步波峰，则令预计步波峰个数ppnum加1，即ppnum＝ppnum 1，同时令计步状态变量status＝1，令peaksgap＝0；
步骤s7，判断预计步波峰个数ppnum是否大于计步最低要求值ppnum0；
步骤s8，提取计步过滤特征gapstd和arate；
步骤s9，利用特征平面上两线性分类器判断合加速度的两个特征gapstd和arate是否满足计步过滤条件；
步骤s10，在满足所述步骤s9中计步过滤条件前提下，根据已确认的预计步波峰个数ppnum更新总步数；
步骤s11，步行状态分类识别；
步骤s12，根据最新获得的计步波峰的幅度值自适应调整参数mingap、minmag、deltamag。
所述步骤s1中：
mingap表示两相邻预计步波峰时间间隔需满足的最小值；
minmag表示计步波峰幅度值的最低要求值；
deltamag表示同一时间窗内计步波峰幅度值与该时间窗内合加速度的极小值之差的最低要求值；
peaksgap表示当前时间窗与最近获得的预计步波峰之间的时间间隔；
winwidth表示移动时间窗宽度；
ppnum表示预计步波峰个数；
statusa表示当前运动模式，其中，statusa＝0表示非步行状态，statusa＝1表示步行状态，所述步行状态只包括走和跑两种运动模式。
所述步骤s1中，设置statusa＝0，ppnum＝0，peaksgap＝0；其中，mingap、minmag、deltamag、winwidth的设置数值根据三轴加速度传感器的型号通过实验数据画图分析及经验判断获得；其中，mingap、minmag、deltamag、winwidth的设置数值主要根据三轴加速度传感器的量程、灵敏度和采样频率决定；
例如：三轴加速度传感器的量程为±4g，灵敏度为128lsb/g，采样频率40hz时，设置mingap＝12，minmag＝125，deltamag＝13，winwidth＝6或winwidth＝7或winwidth＝8。
所述步骤s2中，a(t)表示t时刻的合加速度值，xt,yt,zt分别表示t时刻由三轴加速度计产生的x,y,z轴方向的加速度值，round(·)表示四舍五入取整函数。
所述步骤s2中，通过取整函数进行取整运算，使合加速度值为整数，从而可把合加速度值保存为无符号16位整型数据类型。相对于单精度和双精度浮点型数据，无符号16位整型数据可以节省一半以上的存储空间。
所述步骤s3中，包括如下分步骤：
步骤s31，根据公式[maxa,mid]＝max{a(t),t∈[nw 1,(n 1)w]}计算a(t)在第n个移动时间窗[nw 1,(n 1)w]内的最大值maxa及其索引mid；
步骤s32，根据公式a0＝max{a(t),t∈[mid-r,mid r]}计算合加速度a(t)在辅助时间窗[mid-r,mid r]内的极大值a0；
步骤s33，判断合加速度a(t)的极大值点(mid,maxa)是否满足约束条件，如满足约束条件则当前移动时间窗内存在一个预计步波峰(即(mid,maxa)就是这个预计步波峰)，如不满足约束条件，则当前移动时间窗内不存在预计步波峰。
所述步骤s31中，a(mid)＝maxa；
所述步骤s32中，r表示辅助时间窗宽度的调节参数，r的值可以取5或6或7；
所述步骤s33中，约束条件为：
其中a1＝min{a(t),t∈[mid-r,mid r]}，a1表示合加速度a(t)在辅助时间窗[mid-r,mid r]内的极小值；
ltwopeaksgap表示合加速度a(t)的极大值点(mid,maxa)与上一个最近的预计步波峰的时间间隔，约束条件ltwopeaksgap≥mingap的目的是限制两相邻预计步波峰的时间间隔不能太小；
mingap表示两相邻预计步波峰时间间隔需满足的最小值。
所述步骤s3中，所述移动时间窗为如下的时间窗序列：
[1,w],[w 1,2w],[2w 1,3w],l,[nw 1,(n 1)w],l
由于合加速度时间序列{a(t),t＝1,2,3,l}属于数据流形式，若想及时处理合加速度信号，通常是采用移动时间窗形式对合加速度数据流进行分割，然后再进行处理；不同移动时间窗之间互不重叠，而且所有移动时间窗就是对合加速度信号的一个划分；
其中，w为移动时间窗宽度，当w＝8时，可得到具体的时间窗序列：
[1,8],[9,16],[17,24],l,[8n 1,8(n 1)],l
所述步骤s3中，从第二个移动时间窗开始处理合加速度数据流。
所述步骤s5中，阈值peaksgap0的取值根据经验取为2*freqn，freqn为三轴加速度传感器的采样频率；例如，对于采样频率为40hz的三轴加速度传感器，peaksgap0的取值为80，换算成时间就是两秒钟。
特别说明，一般情况下，一个人处于步行状态时候，相邻两步之间不会超过两秒。根据这种思想，所述步骤s5中把步间间隔超过两秒视为步行状态已终止，需重新设置参数初始值。
所述步骤s6中，peaksgap＝0表示当前移动时间窗与最新获得的计步波峰之间的时间间隔为0。
所述步骤s7中，ppnum0的取值为6、7、8、9、10中的一个；如ppnum0取值为6时，就表示至少走6步才开始考虑计步，6步以下不计步，例如，走了5步后停下来超过两秒，则这5步不计入总步数中。
所述步骤s8中，gapstd表示最近n1个预计步波峰时间间隔的标准差，gapstd＝std(diff(piv))；其中，piv表示最近n1个预计步波峰的索引构成的向量，diff()为差分函数，std()为标准差函数；根据经验，n1的取值由预计步波峰个数ppnum决定，具体如下：
特别说明：正常步行状态下，由于步间时间间隔相对比较均匀，从而特征gapstd的取值会偏小，而非步行状态产生的预计步波峰时间间隔往往呈现出杂乱无章的状态，故导致特征gapstd的取值会偏大。
所述步骤s8中，arate表示合加速度a(t)变化趋势的转变频率，arate特征值计算方法为利用最近n2秒内合加速度a(t)变化趋势的转变次数除以这段时间内采样点个数；其中，合加速度a(t)变化趋势的转变次数等于最近n2秒内合加速度从递增趋势转变为递减趋势的次数加上从递减趋势转变为递增趋势的次数；n2根据经验取值为3，即利用最近3秒内合加速度的信息计算arate的值。
请参阅图3，arate就是合加速度变化曲线上的转折点个数除以采样点个数的商；arate的大小反映了合加速度变化曲线的光滑程度，arate值越小，合加速度变化曲线就越光滑，看起来毛刺就越少，反之，就越不光滑，看起来毛刺就越多；
特别说明：正常步行状态下，无论是走和跑运动模式，往往会呈现出一定的规律性，相对于非步行状态而言，这种规律性会导致arate的取值偏小，直观上看就是，正常步行状态的合加速度变化曲线比非步行状态的要光滑，看起来毛刺较少。
所述步骤s9中，所述线性分类器包括第一线性分类器和第二线性分类器，所述第一线性分类器为g1(arate,gapstd)＝gapstd-k1*arate-b1；第二线性分类器为g2(arate,gapstd)＝gapstd-k2*arate-b2；
所述计步过滤条件包括第一过滤条件和第二过滤条件，所述第一过滤条件为g1(arate,gapstd)＜0；第二过滤条件为g2(arate,gapstd)＜0；
如果第一过滤条件和第二过滤条件同时满足，则称当前移动时间窗内的预计步波峰为计步波峰，一个计步波峰表示理论上走了一步；
所述参数k1,b1,k2,b2的具体取值由三轴加速度传感器的型号(量程、灵敏度、采样频率)决定，k1,b1,k2,b2的取值可通过实验数据画图分析及利用感知器算法训练获得；例如，对于量程为±4g，灵敏度为128lsb/g，采样频率40hz的三轴加速度传感器，k1＝37.5,b1＝0.5,k2＝-33.5,b2＝17.8；
特别说明：计步过滤条件g1(arate,gapstd)＜0和g2(arate,gapstd)＜0的作用是过滤非步行状态(除走和跑之外的其它运动状态，如吹头发，洗衣服，骑车等)。
所述步骤s10中，若ppnum＝ppnum0，则总步数加ppnum0；
若ppnum>ppnum0，则总步数加1；ppnum0为计步最低要求值。
所述步骤s11中，根据最近获得的计步波峰幅度值进行步行状态判别，步行状态分为：慢走、快走、慢跑、快跑；
若最近获得的n个计步波峰中有m个及以上的计步波峰幅度值均超过给定阈值cmag0，则可判定当前获得计步波峰的步行状态；其中，n和m根据经验取值，n取10，m取6，或者n取12，m取7；cmag0的取值由三轴加速度传感器的具体型号确定，根据经验取值；
例如，对于量程为±4g，灵敏度为128lsb/g，采样频率40hz的三轴加速度传感器，n取10，m取6，步行状态判别如下：
若最近获得的10个计步波峰中有6个及以上的计步波峰幅度值均超过520，则判定当前步行状态为快跑，否则作进一步判断；
若最近获得的10个计步波峰中有6个及以上的计步波峰幅度值均超过350，则判定当前步行状态为慢跑，否则作进一步判断；
若最近获得的10个计步波峰中有6个及以上的计步波峰幅度值均超过200，则判定当前步行状态为快走，否则当前步行状态为慢走；
特别说明：慢走，快走，慢跑，快跑的定义因人而异，设计者可以根据自己的理解设置合适的阈值cmag0进行定义。
所述步骤s12中，所述参数mingap、minmag、deltamag的调整方法由三轴加速度传感器的具体型号及软件设置模式决定，由实验数据分析和经验确定具体调整方式；例如，对于量程为±4g，灵敏度为128lsb/g，采样频率40hz的三轴加速度传感器，参数mingap、minmag、deltamag的调整方式如下；
其中，maxa为当前移动时间窗内合加速度的最大值，这里也是最新获得的计步波峰幅度值。
为了详细说明，用配备量程为±4g，灵敏度为128lsb/g，采样频率40hz的三轴加速度传感器的手环进行测试验证。
图4至图9分别是利用本发明方法对五种不同步行状态进行测试的效果图，图中的计步波峰数量就是利用本方法检测到的步数。图中的识别率定义为：
图10为102次慢走状态计步测试结果的识别率概括，数据由30人采集完成，包括10个小孩，10个中青年及10位老年人，性别包括男女两性，涉及步行状态包括直线慢走，弯道慢走，下下楼梯慢走，测试手环佩戴左手和右手等多种情形。
图11为82次快走状态计步测试结果的识别率概括，数据由20人采集完成，包括6个小孩，10个中青年及6位老年人，性别包括男女两性，涉及步行状态包括直线快走，弯道快走及下下楼梯快走，测试手环佩戴左手和右手等多种情形。
图12为44次慢跑状态计步测试结果的识别率概括，数据由20人采集完成，包括10个小孩，10个中青年，性别包括男女两性，涉及步行状态包括直线慢跑，弯道慢跑，及测试手环佩戴左手和右手等多种情形。
图13为47次快跑状态计步测试结果的识别率概括，数据由20人采集完成，包括10个小孩，10个中青年，性别包括男女两性，涉及步行状态包括直线快跑，弯道快跑，以及测试手环佩戴左手和右手等多种情形。
图14为44次打电话状态计步测试结果的识别率概括，数据由20人采集完成，包括5个小孩，10个中青年，5位老年人，性别包括男女两性，涉及步行状态包括左手和右手持手机打电话慢走、快走，以及测试手环佩戴左手和右手等多种情形。
图15为63次负重状态计步测试结果的识别率概括，数据由25人采集完成，包括5个小孩，10个中青年，10位老年人，性别包括男女两性，涉及步行状态包括左手和右手负重(1斤至10斤)慢走、快走情形，测试手环包括佩戴左手和右手两种情况。
与现有技术相比，本发明的基于三轴加速度传感器的计步方法具有以下有益效果：
1、无需对合加速度信号进行平滑滤波处理，就能够精确定位合加速度信号的计步波峰位置，从而获得高精度计步方法，受采集信号噪声的影响较小，计步稳定，功耗低；
2、利用16位整型数据类型保存合加速度，存储量比浮点型数据至少降低一半；
3、采用移动时间窗的形式分割合加速度信号能够实时获得计步信息，延迟时间小；
4、提取计步过滤特征gapstd和arate能够很好地区分步行状态和非步行状态；
5、采用两个线性分类器进行计步过滤，可以较精确地过滤非步行运动状态；
6、适用范围广，能够智能识别不同年龄阶段和不同性别自然人的步行状态：慢走、快走、慢跑及快跑。
以上所述仅为本发明的较佳实施例，并非因此限制本发明的专利范围，凡是在本发明的构思之内所作的任何修改，等同替换和改进等均应包含在本发明的专利保护范围内。
1.基于三轴加速度传感器的计步方法，其特征在于，包括如下步骤：
步骤s1，设置系统参数mingap、minmag、deltamag、peaksgap、winwidth、ppnum、statusa的初始值；
步骤s2，获取三轴加速度信号，并通过公式
步骤s3，根据合加速度时间序列{a(t),t＝1,2,3,l}判断第n个移动时间窗内是否存在预计步波峰；
步骤s4，判断当前运动模式；
步骤s5，判断当前移动时间窗与最新获得的计步波峰之间的时间间隔peaksgap是否超过给定阈值peaksgap0；
步骤s6，若当前移动时间窗内存在一个预计步波峰，则令预计步波峰个数ppnum加1，即ppnum＝ppnum 1，同时令计步状态变量status＝1，令peaksgap＝0；
步骤s7，判断预计步波峰个数ppnum是否大于计步最低要求值ppnum0；
步骤s8，提取计步过滤特征gapstd和arate；
步骤s9，利用特征平面上两线性分类器判断合加速度的两个特征gapstd和arate是否满足计步过滤条件；
步骤s10，在满足所述步骤s9中计步过滤条件前提下，根据已确认的预计步波峰个数ppnum更新总步数；
步骤s11，步行状态分类识别；
步骤s12，根据最新获得的计步波峰的幅度值自适应调整参数mingap、minmag、deltamag。
2.如权利要求1所述的基于三轴加速度传感器的计步方法，其特征在于，所述步骤s3中，包括如下分步骤：
步骤s31，根据公式[maxa,mid]＝max{a(t),t∈[nw 1,(n 1)w]}计算a(t)在第n个移动时间窗[nw 1,(n 1)w]内的最大值maxa及其索引mid；
步骤s32，根据公式a0＝max{a(t),t∈[mid-r,mid r]}计算合加速度a(t)在辅助时间窗[mid-r,mid r]内的极大值a0；
步骤s33，判断合加速度a(t)的极大值点(mid,maxa)是否满足约束条件，如满足约束条件则当前移动时间窗内存在一个预计步波峰，如不满足约束条件，则当前移动时间窗内不存在预计步波峰。
3.如权利要求1所述的基于三轴加速度传感器的计步方法，其特征在于，所述步骤s8中，gapstd表示最近n1个预计步波峰时间间隔的标准差，gapstd＝std(diff(piv))。
4.如权利要求1所述的基于三轴加速度传感器的计步方法，其特征在于，所述步骤s8中，arate表示合加速度a(t)变化趋势的转变频率，arate特征值计算方法为利用最近n2秒内合加速度a(t)变化趋势的转变次数除以这段时间内采样点个数。
5.如权利要求1所述的基于三轴加速度传感器的计步方法，其特征在于，所述步骤s9中，所述线性分类器包括第一线性分类器和第二线性分类器，所述第一线性分类器为g1(arate,gapstd)＝gapstd-k1*arate-b1；第二线性分类器为g2(arate,gapstd)＝gapstd-k2*arate-b2。
6.如权利要求5所述的基于三轴加速度传感器的计步方法，其特征在于，所述计步过滤条件包括第一过滤条件和第二过滤条件，所述第一过滤条件为g1(arate,gapstd)＜0；第二过滤条件为g2(arate,gapstd)＜0。
7.如权利要求1所述的基于三轴加速度传感器的计步方法，其特征在于，所述步骤s11中，根据最近获得的n个计步波峰中有m个及以上的计步波峰幅度值均超过给定阈值cmag0，可判定当前获得计步波峰的步行状态。
8.如权利要求2所述的基于三轴加速度传感器的计步方法，其特征在于，所述步骤s33中，约束条件为：
9.如权利要求1所述的基于三轴加速度传感器的计步方法，其特征在于，所述步骤s3中，所述移动时间窗为如下的时间窗序列：
[1,w],[w 1,2w],[2w 1,3w],l,[nw 1,(n 1)w],l。
10.如权利要求1所述的基于三轴加速度传感器的计步方法，其特征在于，所述步骤s2中，合加速度值保存为无符号16位整型数据类型。
技术总结