基于腳部慣性傳感數(shù)據(jù)的人員運(yùn)動(dòng)速度識(shí)別方法*

吳建超,劉 昱

(天津大學(xué)微電子學(xué)院 天津 300072)

隨著微機(jī)電系統(tǒng)MEMS(Micro-Electro-Mechanical System)的迅速發(fā)展,組合了加速度計(jì)和陀螺儀的慣性傳感單元IMU(Inertial Measurement Unit)被學(xué)者建議固定在人體的不同位置來(lái)進(jìn)行人員航位推算PDR(Pedestrian Dead Reckoning)[1]。其中的一種步長(zhǎng)-航行系統(tǒng)SHSs(Step-and-Heading Systems)已經(jīng)被學(xué)者廣泛用于對(duì)行人進(jìn)行運(yùn)動(dòng)軌跡的追蹤。SHSs的主要基礎(chǔ)包括:識(shí)別單步數(shù)據(jù)子集、估計(jì)單步步長(zhǎng)、估計(jì)單步航向或航向變化[2]。由于人員運(yùn)動(dòng)速度與步長(zhǎng)呈正相關(guān),且相關(guān)性十分顯著[3]。所以人員運(yùn)動(dòng)速度無(wú)疑是SHSs系統(tǒng)中的一個(gè)重要參數(shù),識(shí)別運(yùn)動(dòng)單步的速度對(duì)于提高SHSs系統(tǒng)的精度有重要作用。

由于人員在行進(jìn)過(guò)程中下肢會(huì)經(jīng)歷一個(gè)周期性變化[4],所以許多利用IMU進(jìn)行速度估計(jì)的方法建議將IMU固定在人員下肢,利用步態(tài)周期中的關(guān)鍵階段,例如腳掌著地、小腿豎直等來(lái)估計(jì)相應(yīng)的行進(jìn)速度[5]。當(dāng)前利用固定在下肢的IMU進(jìn)行速度估計(jì)的方法主要有兩類(lèi):①利用人體步態(tài)模型[6];②直接積分[7]。利用預(yù)先定義好的人體步態(tài)模型來(lái)估計(jì)速度是一種被廣泛采用的速度估計(jì)方法,這種方法根據(jù)固定在下肢的IMU獲得的慣性數(shù)據(jù)來(lái)確定下肢的運(yùn)動(dòng)學(xué)信息,結(jié)合人體步態(tài)模型間接的獲得步長(zhǎng)。例如根據(jù)固定在下肢的IMU獲得一條腿的臀部前后擺動(dòng)的周期,采用倒立擺模型估計(jì)速度[8],該方法的速度估計(jì)結(jié)果嚴(yán)重依賴(lài)于步態(tài)模型的設(shè)計(jì),并未被學(xué)者廣泛采用。第2種直接積分的方法是首先利用固定在下肢的IMU獲得IMU坐標(biāo)系的慣性數(shù)據(jù),然后將IMU坐標(biāo)系下的加速度轉(zhuǎn)換到地面坐標(biāo)系下,最后通過(guò)直接積分地面坐標(biāo)系下的加速度獲得估計(jì)速度[9]。該方法近年來(lái)也被廣泛用于室內(nèi)定位與導(dǎo)航之中[10]。

基于腳部慣性傳感數(shù)據(jù)對(duì)人員運(yùn)動(dòng)時(shí)的速度進(jìn)行估計(jì)主要采用的是直接積分的方法,采用該方法針對(duì)低速行走的行人可以獲得較高的速度估計(jì)準(zhǔn)確性。當(dāng)行人以0.6m/s至1.6m/s的速度慢速行走時(shí),速度估計(jì)的最大均方誤差RMSE(Root Mean Square Error)為0.14m/s[5]。但當(dāng)人員運(yùn)動(dòng)速度增加,處于快速行走以及跑步狀態(tài)下時(shí),人體的步態(tài)模型會(huì)發(fā)生改變[11],腳掌著地的時(shí)間會(huì)隨著速度的增加而減小,加之消費(fèi)級(jí)IMU自身存在的傳感誤差[12],繼續(xù)采用直接積分的方法估計(jì)人員運(yùn)動(dòng)速度會(huì)產(chǎn)生較大誤差。所以,當(dāng)行人運(yùn)動(dòng)速度增加至快速行走后,運(yùn)動(dòng)速度的估計(jì)需要采用其他方法。

由于同一人員行走(Walking)、慢速跑步(Jogging)、快速跑步(Running)3種狀態(tài)的步長(zhǎng)會(huì)產(chǎn)生顯著差異[13]。所以本文的主要研究范圍需要覆蓋快速行走、慢速跑步、快速跑步。針對(duì)這3種狀態(tài)進(jìn)行速度區(qū)間細(xì)分,識(shí)別不同運(yùn)動(dòng)狀態(tài)下的單步運(yùn)動(dòng)速度。識(shí)別結(jié)果可用于進(jìn)一步探究行人運(yùn)動(dòng)速度與步長(zhǎng)之間的關(guān)系,并可用于進(jìn)一步提高SHSs的精度。

本文提出了一種基于單步統(tǒng)計(jì)特征進(jìn)行速度識(shí)別方法。此方法首先利用固定在腳部的IMU獲取人員在跑步機(jī)上以1.5 m/s～4 m/s的不同的速度運(yùn)動(dòng)的慣性傳感數(shù)據(jù),其次采用峰值檢測(cè)的方法對(duì)采集到的大量慣性傳感數(shù)據(jù)進(jìn)行單步數(shù)據(jù)單元?jiǎng)澐?然后從每個(gè)單步數(shù)據(jù)單元中提取指定的65維統(tǒng)計(jì)特征,最后采用機(jī)器學(xué)習(xí)分類(lèi)算法對(duì)每種速度的特征進(jìn)行學(xué)習(xí),使用訓(xùn)練獲得的模型識(shí)別不同的單步慣性傳感數(shù)據(jù)所對(duì)應(yīng)的速度。

1 人員運(yùn)動(dòng)速度識(shí)別方法

本文提出的識(shí)別方法整體流程如圖1所示。首先利用腳部IMU采集人員運(yùn)動(dòng)時(shí)IMU坐標(biāo)系下的三軸加速度和三軸角速度數(shù)據(jù)。其次根據(jù)三軸加速度信息使用峰值檢測(cè)的方法對(duì)運(yùn)動(dòng)過(guò)程進(jìn)行單步的劃分,定義每?jī)蓚€(gè)峰值之間的數(shù)據(jù)為一個(gè)單步[14],獲得每一個(gè)單步的起始位置和終止位置。然后取出每一個(gè)單步起始位置和終止位置之間的三軸加速度和三軸角速度信息即為單步慣性數(shù)據(jù)。接著我們從每個(gè)單步慣性數(shù)據(jù)中提取選定的65維統(tǒng)計(jì)特征用來(lái)表征當(dāng)前單步的速度,將65維統(tǒng)計(jì)特征輸入到利用大量單步統(tǒng)計(jì)特征-速度數(shù)據(jù)訓(xùn)練好的識(shí)別模型之中即可以獲得速度識(shí)別結(jié)果。

圖1 基于腳部慣性傳感數(shù)據(jù)的人員運(yùn)動(dòng)速度 識(shí)別方法流程圖

關(guān)于識(shí)別模型的訓(xùn)練方法,該方法要求制作一個(gè)足夠大的單步統(tǒng)計(jì)特征-速度數(shù)據(jù)集。即采集不同人員在不同速度下的慣性數(shù)據(jù),利用加速度數(shù)據(jù)峰值檢測(cè)單步劃分之后,將從單步慣性數(shù)據(jù)中提取的65維統(tǒng)計(jì)特征與該單步對(duì)應(yīng)的實(shí)際速度對(duì)應(yīng),利用該數(shù)據(jù)集訓(xùn)練速度識(shí)別模型。采用最小二乘法(LS)分類(lèi)器、支持向量機(jī)(SVM)分類(lèi)器、k近鄰(KNN)分類(lèi)器、線型貝葉斯正態(tài)分類(lèi)器(LDC)4種常見(jiàn)機(jī)器學(xué)習(xí)分類(lèi)算法對(duì)以上數(shù)據(jù)集進(jìn)行訓(xùn)練并驗(yàn)證其識(shí)別準(zhǔn)確性,尋找其中最佳的識(shí)別方法。

1.1 腳部慣性數(shù)據(jù)的獲取及單步劃分

本文的數(shù)據(jù)采集選取Xsens公司的MTw組件作為獲取慣性數(shù)據(jù)的IMU。

圖2 IMU固定位置

如圖2所示,將IMU固定在右腳腳背上進(jìn)行數(shù)據(jù)采集,并通過(guò)配套的軟件實(shí)時(shí)記錄獲取的慣性數(shù)據(jù)。固定時(shí)注意將IMU坐標(biāo)系的x軸指向運(yùn)動(dòng)前方,y軸指向人員正右側(cè),z軸指向地心。設(shè)定IMU的采樣頻率為100 Hz。獲取到的數(shù)據(jù)主要包括三軸加速度信息:

(1)

三軸角速度信息:

(2)

式中:k代表采樣點(diǎn)的樣本,k=1,2,3,…N。B代表IMU坐標(biāo)系。

(3)

圖3展示的是行人在跑步機(jī)上以4 m/s的速度前進(jìn)時(shí)第2 000個(gè)采樣點(diǎn)至第2 500個(gè)采樣點(diǎn)(第20 s到第25 s)之間的峰值檢測(cè)效果。每?jī)蓚€(gè)星號(hào)之間定義為一個(gè)單步。從峰值檢測(cè)的結(jié)果中獲取每一步的起始位置和終止位置,返回慣性數(shù)據(jù)中取出每一步的三軸加速度數(shù)據(jù)和三軸角速度數(shù)據(jù)。不同速度下的單步慣性數(shù)據(jù)均按照上述方法獲得。

圖3 峰值檢測(cè)分步效果樣例

1.2 單步統(tǒng)計(jì)特征提取

由于當(dāng)人員以不同的速度前進(jìn)時(shí)其步頻會(huì)發(fā)生變化,即使人員以相同的速度前進(jìn),其每一步的持續(xù)時(shí)間也會(huì)發(fā)生變化[16]。為了保證人員以不同的速度前進(jìn)時(shí)能夠獲得相同維度的特征以表征其速度特性,該方法需要從每一單步中提取指定維度的統(tǒng)計(jì)特征。

特征選取的目標(biāo)在于選擇最小數(shù)目的特征來(lái)獲取最佳的識(shí)別準(zhǔn)確性。這就要求我們?cè)O(shè)計(jì)的特征提取模塊不要使用過(guò)多過(guò)于復(fù)雜的特征量,這樣才能夠盡量降低計(jì)算復(fù)雜度,同時(shí)減小內(nèi)存、能量的消耗。本文選取的65維特征如表1所列。表1中的特征,均值、最大值、最小值表征數(shù)據(jù)的集中度趨勢(shì),理論上來(lái)講,隨著行人運(yùn)動(dòng)速度的增加,加速度和角速度的單步均值、最大值、最小值會(huì)相應(yīng)的增加;標(biāo)準(zhǔn)偏差、平均絕對(duì)偏差、四分位距表征數(shù)據(jù)的分散規(guī)律,也就是用來(lái)分析數(shù)據(jù)是相互接近還是分散,理論上來(lái)講,隨著行人運(yùn)動(dòng)速度的增加,其數(shù)據(jù)分散程度會(huì)增加;信號(hào)幅度區(qū)域、平方和(也稱(chēng)之為能量)的特征類(lèi)似于均值特征,隨著行人運(yùn)動(dòng)速度的增加,其數(shù)據(jù)的能量、信號(hào)幅度區(qū)域?qū)?huì)增加。總體來(lái)講,使用統(tǒng)計(jì)特征進(jìn)行速度估計(jì)是因?yàn)樗鼈兊挠?jì)算復(fù)雜度較低[15],對(duì)內(nèi)存的需求不高,可以滿(mǎn)足我們對(duì)特征提取模塊的要求,同時(shí)提高速度估計(jì)的效率。

表1 速度識(shí)別的統(tǒng)計(jì)特征

注:①四分位距:用于確定信號(hào)中第三四分位數(shù)與第一四分位數(shù)的區(qū)別,具體定義如下:

IQR=Q3-Q1

(4)

②信息熵:將待求信息熵的單步信號(hào)均勻等分,求出每段出現(xiàn)的概率,利用信息熵的定義求出單步信號(hào)的信息熵。

③自回歸系數(shù):采用4階Burg算法求出AR模型的各階系數(shù)。注意此特征僅對(duì)三軸加速度信號(hào)進(jìn)行提取。

④相關(guān)系數(shù):用于確定信號(hào)之間的線性線性相關(guān)程度,注意此特征僅對(duì)三軸加速度信號(hào)進(jìn)行提取。具體定義如下:

(5)

1.3 識(shí)別方法的選擇

隨著近些年來(lái)機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)中的分類(lèi)方法已經(jīng)越來(lái)越多的被用于各種識(shí)別問(wèn)題。常見(jiàn)的機(jī)器學(xué)習(xí)分類(lèi)技術(shù)由兩部分組成:訓(xùn)練階段和評(píng)估階段。訓(xùn)練階段利用訓(xùn)練集產(chǎn)生離線的分類(lèi)模型,評(píng)估階段利用另外獨(dú)立的數(shù)據(jù)集進(jìn)行性能評(píng)估。所以在進(jìn)行分類(lèi)識(shí)別之前,有必要將通過(guò)之前步驟制作的單步統(tǒng)計(jì)特征-速度數(shù)據(jù)集隨機(jī)劃分兩個(gè)相互獨(dú)立的數(shù)據(jù)集,按照機(jī)器學(xué)習(xí)中傳統(tǒng)的測(cè)試集-訓(xùn)練集劃分方法,首先將其中80%劃分為訓(xùn)練集,其余20%劃分為測(cè)試集。為了進(jìn)一步的驗(yàn)證識(shí)別方法的可靠性,進(jìn)一步擴(kuò)大測(cè)試集數(shù)量同時(shí)降低訓(xùn)練集數(shù)量,將單步統(tǒng)計(jì)特征-速度數(shù)據(jù)集的70%劃分為訓(xùn)練集,其余30%劃分為測(cè)試集進(jìn)行識(shí)別性能驗(yàn)證。

常見(jiàn)的有監(jiān)督機(jī)器學(xué)習(xí)分類(lèi)算法有KNN、SVM、決策樹(shù)、隨機(jī)森林、樸素貝葉斯等方法。針對(duì)相同的數(shù)據(jù)集,每種分類(lèi)方法擁有不同的準(zhǔn)確性性能。本文采用LS分類(lèi)器、SVM分類(lèi)器、KNN分類(lèi)器、LDC4種常見(jiàn)分類(lèi)算法進(jìn)行對(duì)比驗(yàn)證,對(duì)比各自分類(lèi)器的識(shí)別準(zhǔn)確性,從中尋找出識(shí)別率最高的分類(lèi)算法用于基于腳步慣性傳感數(shù)據(jù)的人員運(yùn)動(dòng)速度識(shí)別。

2 實(shí)驗(yàn)方法和結(jié)果分析

2.1 實(shí)驗(yàn)方法

該文章將通過(guò)一組實(shí)驗(yàn)來(lái)獲得單步統(tǒng)計(jì)特征-速度數(shù)據(jù)集。12位志愿者(年齡23～28周歲,身高168cm～182cm)參加了此次數(shù)據(jù)集的制作。每位實(shí)驗(yàn)者均按照?qǐng)D2所示的固定位置將IMU固定在右腳腳背上進(jìn)行實(shí)驗(yàn),然后依次按照表2所示的要求在跑步機(jī)上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)過(guò)程中參與實(shí)驗(yàn)人員均采用自己的鞋進(jìn)行實(shí)驗(yàn),且每次實(shí)驗(yàn)前IMU人為的固定在指定位置。

由于同一人員行走、慢速跑步、快速跑步3種狀態(tài)的步長(zhǎng)會(huì)產(chǎn)生顯著差異,對(duì)應(yīng)的單步步長(zhǎng)分別為0.74m、1.01m、1.70m,相對(duì)于行走狀態(tài),單步步長(zhǎng)的改變程度分別為0%、36%、130%[13]。所以本文的主要研究范圍包括快速行走、慢速跑步、快速跑步。當(dāng)運(yùn)動(dòng)速度增加至2m/s后,行人開(kāi)始跑步狀態(tài)。我們將行人以1.5m/s和1.75m/s運(yùn)動(dòng)表征快速行走狀態(tài),以2m/s～2.75m/s表征行人慢速跑步狀態(tài),以3m/s～4m/s表征快速跑步狀態(tài)。

由于實(shí)驗(yàn)人員的運(yùn)動(dòng)速度會(huì)逐漸加快,當(dāng)運(yùn)動(dòng)速度大于3m/s后,每組之間安排休息時(shí)間,在休息時(shí)間內(nèi)停止跑步機(jī),使實(shí)驗(yàn)者在跑步機(jī)上站立休息。每種速度下持續(xù)運(yùn)動(dòng)120s,截取第2min內(nèi)的慣性數(shù)據(jù)作為該速度對(duì)應(yīng)的有效慣性數(shù)據(jù)存儲(chǔ)。因?yàn)榕懿綑C(jī)的加速需要一個(gè)過(guò)程,應(yīng)當(dāng)記錄的是實(shí)驗(yàn)者運(yùn)動(dòng)速度穩(wěn)定后的數(shù)據(jù)。每位實(shí)驗(yàn)者的實(shí)驗(yàn)時(shí)長(zhǎng)大概40min。從每位實(shí)驗(yàn)者數(shù)據(jù)中獲取的有效數(shù)據(jù)時(shí)長(zhǎng)660s左右。經(jīng)過(guò)以上過(guò)程,12位實(shí)驗(yàn)者共獲取的有效數(shù)據(jù)時(shí)長(zhǎng)為11 071s,約184.52min。

表2 實(shí)驗(yàn)數(shù)據(jù)獲取過(guò)程

在進(jìn)行分步之前,首先對(duì)原始數(shù)據(jù)使用截止頻率為20 Hz的3階巴特沃斯低通濾波器進(jìn)行濾波處理,去除其中的高頻噪聲。之后采用峰值檢測(cè)方法對(duì)每位實(shí)驗(yàn)者在每種速度下的有效數(shù)據(jù)進(jìn)行單步劃分并存儲(chǔ),共獲得11 739步的有效數(shù)據(jù)。然后對(duì)每一步的慣性數(shù)據(jù)進(jìn)行65維的統(tǒng)計(jì)特征提取,將65維的特征與該單步所對(duì)應(yīng)的真實(shí)速度一一對(duì)應(yīng)保存在數(shù)據(jù)中。也就是通過(guò)以上步驟獲得了11 739×65維的速度特征數(shù)組,以及11 739×1維的速度標(biāo)簽數(shù)組,且它們是一一對(duì)應(yīng)的。那么單步統(tǒng)計(jì)特征-速度數(shù)據(jù)集就制作完成。

依據(jù)本文提出的方法,試驗(yàn)前需要隨機(jī)將數(shù)據(jù)集劃分為訓(xùn)練集以訓(xùn)練識(shí)別模型,和測(cè)試集以測(cè)試模型的識(shí)別效果。據(jù)前所述,首先隨機(jī)將整體數(shù)據(jù)集的80%(9 391步)用來(lái)訓(xùn)練識(shí)別模型,其余20%(2 348步)的數(shù)據(jù)用來(lái)測(cè)試模型的識(shí)別準(zhǔn)確性。然后隨機(jī)將整體數(shù)據(jù)集的70%(8 218步)用來(lái)訓(xùn)練識(shí)別模型,其余30%(3 521步)的數(shù)據(jù)用來(lái)測(cè)試模型的識(shí)別準(zhǔn)確性。通過(guò)兩次互相獨(dú)立的測(cè)試,以此確保選定的方法可以有效的用來(lái)對(duì)人員運(yùn)動(dòng)速度進(jìn)行識(shí)別。接下來(lái)分別采用LS分類(lèi)器、SVM分類(lèi)器、KNN分類(lèi)器、LDC 4種分類(lèi)算法對(duì)以上數(shù)據(jù)集進(jìn)行速度識(shí)別測(cè)試。比較4種算法在兩種不同訓(xùn)練集-測(cè)試集劃分情況下的識(shí)別準(zhǔn)確性,識(shí)別準(zhǔn)確性最高的算法即為最佳分類(lèi)算法。

實(shí)驗(yàn)采集到的數(shù)據(jù)的濾波處理、峰值檢測(cè)、特征提取、分類(lèi)算法的實(shí)現(xiàn)均是由MATLAB R2014a編程實(shí)現(xiàn)。

2.2 實(shí)驗(yàn)結(jié)果及分析

根據(jù)以上提出的方法,在確定每種分類(lèi)算法的最優(yōu)參數(shù)之后,使用劃分好的兩種訓(xùn)練集-測(cè)試集對(duì)每種算法分類(lèi)準(zhǔn)確性進(jìn)行測(cè)試,準(zhǔn)確性結(jié)果如表3所示。

表3 分類(lèi)器的識(shí)別準(zhǔn)確率

從表3中可以看出,4種分類(lèi)算法中SVM分類(lèi)器的識(shí)別準(zhǔn)確性最高,在兩種訓(xùn)練集-測(cè)試集劃分方法下其識(shí)別準(zhǔn)確性均高于95%。為了進(jìn)一步分析SVM對(duì)每種速度下的單步識(shí)別性能,表4展示的是以70%。

表4 70%∶30%情況下測(cè)試集識(shí)別結(jié)果

30%劃分訓(xùn)練集和測(cè)試集的情況下SVM分類(lèi)器對(duì)測(cè)試集的識(shí)別準(zhǔn)確性分析,表5展示的是以80%:20%劃分訓(xùn)練集和測(cè)試集情況下SVM分類(lèi)器對(duì)測(cè)試集的識(shí)別準(zhǔn)確性分析。

表5 80%∶20%情況下測(cè)試集識(shí)別結(jié)果

從表4以及表5中我們可以看到,采用SVM分類(lèi)器識(shí)別單步運(yùn)動(dòng)速度時(shí),針對(duì)人員行走狀態(tài)的識(shí)別準(zhǔn)確性相對(duì)較高,采用本文提出的方法,可以將人員以1.5 m/s和1.75 m/s快速行走狀態(tài)的單步從數(shù)據(jù)集中區(qū)分出來(lái)。理論上分析是因?yàn)槿藛T處于行走狀態(tài)時(shí),即使是快速行走,腳部觸地的時(shí)間相對(duì)跑步狀態(tài)腳部觸底時(shí)間相對(duì)較長(zhǎng),其特征值相對(duì)較穩(wěn)定。另外,從表4與表5中的數(shù)據(jù)我們還可以看到,當(dāng)人員運(yùn)動(dòng)速度大于3 m/s后,其單步速度誤判相對(duì)低速運(yùn)動(dòng)出現(xiàn)顯著波動(dòng)。理論上分析是因?yàn)楫?dāng)人員運(yùn)動(dòng)大于3 m/s后,腳部觸地的時(shí)間出現(xiàn)顯著地減少,數(shù)據(jù)的波動(dòng)增大,本文所選取的特征出現(xiàn)波動(dòng),從而影響分類(lèi)器的識(shí)別過(guò)程。

但是從整體上來(lái)講,無(wú)論是以80%∶20%劃分訓(xùn)練集和測(cè)試集,還是以70%∶30%劃分訓(xùn)練集和測(cè)試集,采用SVM分類(lèi)器針對(duì)本文創(chuàng)建的數(shù)據(jù)集的速度識(shí)別準(zhǔn)確率均高于95%,最高達(dá)到了96.3%。

3 結(jié)論

目前基于腳部慣性傳感數(shù)據(jù)進(jìn)行人員運(yùn)動(dòng)速度識(shí)別的方法大多采用直接積分的算法對(duì)慢速行走的行人進(jìn)行速度估計(jì)。但是當(dāng)行人運(yùn)動(dòng)速度增加至快速行走或者奔跑時(shí),繼續(xù)使用該方法進(jìn)行速度估計(jì)會(huì)出現(xiàn)顯著偏差。所以本文提出了一種基于腳部慣性傳感數(shù)據(jù)、利用單步統(tǒng)計(jì)特征對(duì)行人運(yùn)動(dòng)速度進(jìn)行估計(jì)的方法。

本文的主要貢獻(xiàn)在于將IMU固定在腳部,采用SVM分類(lèi)器識(shí)別單步運(yùn)動(dòng)速度,當(dāng)行人在1.5 m/s～4 m/s內(nèi)運(yùn)動(dòng)時(shí),我們認(rèn)為單步運(yùn)動(dòng)速度識(shí)別誤差將小于0.25 m/s。本文提出的方法存在一定的誤差。但是由于同一人員運(yùn)動(dòng)狀態(tài)改變時(shí)步長(zhǎng)會(huì)發(fā)生顯著變化,且已證明運(yùn)動(dòng)速度與運(yùn)動(dòng)步長(zhǎng)之間有強(qiáng)相關(guān)關(guān)系。本文提出的方法存在一定誤差,但是利用本文提出的方法,針對(duì)存在速度劇烈變化的運(yùn)動(dòng)過(guò)程,可以根據(jù)識(shí)別的單步運(yùn)動(dòng)狀態(tài)改變行人的運(yùn)動(dòng)步長(zhǎng),相對(duì)于用戶(hù)輸入步長(zhǎng)固定值,將有助于提高SHSs的追蹤精度。