步态自适应识别方法及装置、存储介质和终端

摘要

本发明公开了一种步态自适应识别方法及装置、存储介质和终端，其中方法包括：获取待识别数据集合并进行归一化处理；对每段初步传感器数据进行经验模态分解，获取第一层内涵模态分量和第二层内涵模态分量，并对每个第一层内涵模态分量和第二层内涵模态分量进行希尔伯特黄变换得到第一时频分布数据和第二时频分布数据；基于每段初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段初步传感器数据的特征向量；最后基于特征向量获取每段传感器数据的步态预估结果。本发明方法对容易混淆的脚部静态阶段和空中摆动阶段进行了较准确的识别，帮助步态识别实现更好的适应性和长时间稳定性。

权利要求

1.一种步态自适应识别方法，包括：

获取待识别数据集合，并对所述待识别数据集合中的所有传感器数据段分别进行归一化处理，得到每段所述传感器数据的初步传感器数据；

每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据；

基于每段所述初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段所述初步传感器数据的特征参数，并基于每个特征参数获取对应的特征向量；

基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合；

获取每个所述邻近空间距离集合中每个空间距离所对应的支撑向量所属于的步态标签，并将每个所述邻近空间距离集合对应占比最大的步态标签作为对应所述邻近空间距离集合的步态预估结果，所述邻近空间距离集合的步态预估结果即为所述邻近空间距离集合所对应传感器数据段的步态预估结果；

其中每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据步骤包括：对每段所述初步传感器数据分别进行经验模态分解，获取每段所述初步传感器数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第一时频分布数据，对每段所述初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第二时频分布数据。

2.根据权利要求1所述的方法，其特征在于，单段所述初步传感器数据的特征参数包括该段所述初步传感器数据的偏度和峰值因数以及该段所述初步传感器数据对应所述第一层内涵模态分量的过零率、对应所述第一时频分布数据的偏度和峰值因素、对应所述第二时频分布数据的极差。

3.根据权利要求1所述的方法，其特征在于，基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合步骤包括：基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的临时空间距离集合，并从每个所述临时空间距离集合中从小到大依次选取预设个数空间距离作为对应所述特征向量的邻近空间距离集合。

4.根据权利要求1所述的方法，其特征在于，所述最优支撑向量集合的获取方式为：

获取训练数据集合，所述训练数据集合包括多段传感器训练数据以及每段传感器训练数据所对应的步态标签；

设置N组空间参数集合，并依次基于每组空间参数集合通过预设获取方式获取对应的性能参数，并将N组空间参数集合以及其对应的性能参数集合为性能参数集合；

基于当前所述性能参数集合，通过贝叶斯优化算法获取第M组空间参数集合，并基于第M组空间参数集合通过预设获取方式获取对应新的性能参数，将第M组空间参数集合及其对应新的性能参数添加到当前所述性能参数集合中，并判断M是否等于预设阈值，若是则将当前性能参数集合作为最终性能参数集合，否则M加1，并基于贝叶斯优化算法重新获取第M组空间参数集合，且M初始值为N加1；

将所述最终性能参数集合中性能参数最大的空间参数集合作为最优空间参数集合，并将基于所述最优空间参数集合通过预设获取方式获取的临时支撑向量集合作为最优支撑向量集合；

其中，所述最优核函数为所述最优空间参数集合中的核函数。

5.根据权利要求4所述的方法，其特征在于，基于空间参数集合通过预设获取方式获取对应性能参数包括：基于所述空间参数集合中的分组参数对所述训练数据集合进行分组，得到多个待训练数据组；

对每个所述待训练数据组中的所有传感器训练数据段分别进行归一化处理，得到每段所述传感器训练数据的初步传感器训练数据；

对每段初步传感器训练数据分别进行经验模态分解，得到每段所述初步传感器训练数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器训练数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器训练数据的第一时频分布数据，对每段所述初步传感器训练数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器训练数据的第二时频分布数据；

分别基于每段所述初步传感器训练数据以及每段初步传感器训练数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据获取每段所述初步传感器训练数据的训练特征参数，并基于每个训练特征参数分别获取对应的训练特征向量，每个所述训练特征向量均具有对应待训练数据组和对应步态标签；

分别将每个所述待训练数据组所对应的所有所述训练特征向量以及所有所述训练特征向量所对应的步态标签作为输入参数进行训练得到每个所述待训练数据组所对应的支撑向量机分类器，并从每个所述支撑向量机分类器中分别获取支撑向量和所述支撑向量的步态标签，将所有所述支撑向量和所述支撑向量的步态标签集合为临时支撑向量集合；

基于当前所述空间参数集合中的核函数和所述临时支撑向量集合，分别求取所有所述待训练数据组所对应的每个所述训练特征向量依次与所述临时支撑向量集合中每个支撑向量的空间距离，得到每个所述训练特征向量的训练临时空间距离集合，并从每个所述训练临时空间距离集合中从小到大依次选取预设个数空间距离作为对应所述训练特征向量的训练邻近空间距离集合；

获取每个所述训练邻近空间距离集合中每个空间距离所对应支撑向量所属于的步态标签，并将每个所述训练邻近空间距离集合所对应占比最大的步态标签作为对应所述训练邻近空间距离集合的步态预估结果，所述训练邻近空间距离集合的步态预估结果即为所述训练邻近空间距离集合所对应传感器训练数据段的步态预估结果；

将每段传感器训练数据的步态预估结果与其真实的步态标签进行对比，并计算步态识别准确率和识别召回率，基于所述步态识别准确率和所述识别召回率计算步态识别性能参数，并将所述步态识别性能参数作为当前空间参数集合设置下的性能参数；

其中，单段所述初步传感器训练数据的训练特征参数包括该段初步传感器训练数据的偏度和峰值因数以及该段所述初步传感器训练数据对应所述第一层内涵模态分量的过零率、对应所述第一时频分布数据的偏度和峰值因素、对应所述第二时频分布数据的极差。

6.根据权利要求5所述的方法，其特征在于，设置空间参数集合包括设置分组参数并选取核函数，所述分组参数包括身高分组、速度分组和性别分组。

7.根据权利要求5所述的方法，其特征在于，计算步态识别准确率和识别召回率，基于所述步态识别准确率和所述识别召回率计算步态识别性能参数包括：所述步态识别准确率计算方式为：

所述识别召回率计算方式为：

所述步态识别性能参数计算方式为：

其中，precision表示步态识别准确率，true positives表示所述训练数据集合中步态预估结果与真实的步态标签相同的传感器训练数据段数，detected positives表示所述训练数据集合中传感器训练数据总段数，false positiives表示所述训练数据集合中步态预估结果与真实的步态标签不相同的传感器训练数据段数，recall表示识别召回率，F_measure表示步态识别性能参数。

8.根据权利要求5所述的方法，其特征在于，加速度数据和陀螺仪数据均通过三个互相垂直的轴来表示，其中三个互相垂直的轴分别为上下方向贯穿人体的垂直轴、前后方向贯穿人体的矢状轴以及左右方向贯穿人体的冠状轴，所述传感器数据和传感器训练数据均仅包括加速度数据的垂直轴数据、加速度数据的矢状轴以及陀螺仪数据的冠状轴数据。

9.根据权利要求5所述的方法，其特征在于，所述待识别数据集合和所述训练数据集合均为通过滑窗均值滤波器进行去噪后的数据集合。

10.一种步态自适应识别装置，其特征在于，包括初步传感器数据获取模块、数据处理模块、特征向量获取模块、邻近空间距离集合获取模块和步态预估结果确定模块；

所述初步传感器数据获取模块，用于获取待识别数据集合，并对所述待识别数据集合中的所有传感器数据段分别进行归一化处理，得到每段所述传感器数据的初步传感器数据；

所述数据处理模块，用于每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据；

所述特征向量获取模块，用于基于每段所述初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段所述初步传感器数据的特征参数，并基于每个特征参数获取对应的特征向量；

所述邻近空间距离集合获取模块，用于基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合；

所述步态预估结果确定模块，用于获取每个所述邻近空间距离集合中每个空间距离所对应的支撑向量所属于的步态标签，并将每个所述邻近空间距离集合对应占比最大的步态标签作为对应所述邻近空间距离集合的步态预估结果，所述邻近空间距离集合的步态预估结果即为所述邻近空间距离集合所对应传感器数据段的步态预估结果；

其中每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据步骤包括：对每段所述初步传感器数据分别进行经验模态分解，获取每段所述初步传感器数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第一时频分布数据，对每段所述初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第二时频分布数据。

11.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至9中任一项步态自适应识别方法。

12.一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至9中任一项步态自适应识别方法。

说明书

步态自适应识别方法及装置、存储介质和终端

技术领域

[0001] 本发明涉及信息技术领域，尤其涉及一种步态自适应识别方法及装置、存储介质和终端。

背景技术

[0002] 随着微机电技术（MEMS, Micro‑Electro‑Mechanical Systems）的发展以及基于MEMS传感器在体积、重量和功耗方面的优势，使得惯性测量单元（IMU, Inertial Measurement Unit）在可穿戴设备中得到了广泛应用，同时相应的应用需求也在不断增加，例如运动数据记录，针对帕金森、中风等疾病患者的防止跌倒，行人室内定位等。

[0003] 通常在获得行人脚部运动的传感器数据后，首先是检测出脚部与地面保持相对静态的阶段，以此作为步伐之间的边界，然后再对划分的单个步伐做步态分析，因此准确识别出步伐的边界是正确划分步态的基础和前提。对正常行走的步伐来说，可以将其划分为：静止，推动，摆动和缓冲四个阶段。其中，脚部处于静止阶段时，人体躯干保持身体平衡，以保证身体对侧的下肢能够稳定向前摆动；脚部在推动阶段时，蹬地产生推动脚部以及下肢向前运动的力；脚部在摆动阶段时，类似于钟摆离开地面保持推动阶段的势能向行走方向运动；脚部在缓冲阶段时，由脚跟先与地面接触，将地面的反作用力传导至足弓处来吸收冲击，同时，随着身体重心的前移，脚部从脚跟到前脚掌逐渐与地面完全接触。其中，静止阶段大多用于作为步伐划分的边界，但是静止阶段和摆动阶段有以下相似点：1）持续时间都明显长于推动阶段和缓冲阶段，且二者的持续时间占据步伐时间的比例相似；2）静止阶段和摆动阶段在持续时，期间没有发生脚部运动的突然用力，理想的静止阶段脚部几乎不产生在行走前后方向或与地面上下方向的加速度，理想摆动阶段则是脚部依靠惯性运动，理想摆动阶段则是脚部依靠惯性运动。因此这两个阶段内的加速度信号和陀螺仪信号波动较小，信号幅度则受到行走速度影响，这两种步态的共同特点在不同行人实际行走时依然普遍存在。

[0004] 在行人行走速度较为极端的情况下，现有的基于固定模型参数的识别算法往往会对快速行走时脚部的静态阶段和摆动阶段造成误判。

发明内容

[0005] 本发明所要解决的技术问题是现有的步态识别方法在行人行走速度较为极端的情况下，无法正确识别脚部的静态阶段和摆动阶段。

[0006] 为了解决上述技术问题，本发明提供了一种步态自适应识别方法，包括：

[0007] 获取待识别数据集合，并对所述待识别数据集合中的所有传感器数据段分别进行归一化处理，得到每段所述传感器数据的初步传感器数据；

[0008] 每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据；

[0009] 基于每段所述初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段所述初步传感器数据的特征参数，并基于每个特征参数获取对应的特征向量；

[0010] 基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合；

[0011] 获取每个所述邻近空间距离集合中每个空间距离所对应的支撑向量所属于的步态标签，并将每个所述邻近空间距离集合对应占比最大的步态标签作为对应所述邻近空间距离集合的步态预估结果，所述邻近空间距离集合的步态预估结果即为所述邻近空间距离集合所对应传感器数据段的步态预估结果。

[0012] 优选地，每段所述初步传感器数据分别基于经验模态分解和希尔伯特黄变换处理，得到每段所述初步传感器数据的第一层内涵模态分量、第一时频分布数据和第二时频分布数据步骤包括：

[0013] 对每段所述初步传感器数据分别进行经验模态分解，获取每段所述初步传感器数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第一时频分布数据，对每段所述初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第二时频分布数据。

[0014] 优选地，单段所述初步传感器数据的特征参数包括该段所述初步传感器数据的偏度和峰值因数以及该段所述初步传感器数据对应所述第一层内涵模态分量的过零率、对应所述第一时频分布数据的偏度和峰值因素、对应所述第二时频分布数据的极差。

[0015] 优选地，基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的邻近空间距离集合步骤包括：

[0016] 基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的临时空间距离集合，并从每个所述临时空间距离集合中从小到大依次选取预设个数空间距离作为对应所述特征向量的邻近空间距离集合。

[0017] 优选地，所述最优支撑向量集合的获取方式为：

[0018] 获取训练数据集合，所述训练数据集合包括多段传感器训练数据以及每段传感器训练数据所对应的步态标签；

[0019] 设置N组空间参数集合，并依次基于每组空间参数集合通过预设获取方式获取对应的性能参数，并将N组空间参数集合以及其对应的性能参数集合为性能参数集合；

[0020] 基于当前所述性能参数集合，通过贝叶斯优化算法获取第M组空间参数集合，并基于第M组空间参数集合通过预设获取方式获取对应新的性能参数，将第M组空间参数集合及其对应新的性能参数添加到当前所述性能参数集合中，并判断M是否等于预设阈值，若是则将当前性能参数集合作为最终性能参数集合，否则M加1，并基于贝叶斯优化算法重新获取第M组空间参数集合，且M初始值为N加1；

[0021] 将所述最终性能参数集合中性能参数最大的空间参数集合作为最优空间参数集合，并将基于所述最优空间参数集合通过预设获取方式获取的临时支撑向量集合作为最优支撑向量集合；

[0022] 其中，所述最优核函数为所述最优空间参数集合中的核函数。

[0023] 优选地，基于空间参数集合通过预设获取方式获取对应性能参数包括：

[0024] 基于所述空间参数集合中的分组参数对所述训练数据集合进行分组，得到多个待训练数据组；

[0025] 对每个所述待训练数据组中的所有传感器训练数据段分别进行归一化处理，得到每段所述传感器训练数据的初步传感器训练数据；

[0026] 对每段初步传感器训练数据分别进行经验模态分解，得到每段所述初步传感器训练数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器训练数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器训练数据的第一时频分布数据，对每段所述初步传感器训练数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器训练数据的第二时频分布数据；

[0027] 分别基于每段所述初步传感器训练数据以及每段初步传感器训练数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据获取每段所述初步传感器训练数据的训练特征参数，并基于每个训练特征参数分别获取对应的训练特征向量，每个所述训练特征向量均具有对应待训练数据组和对应步态标签；

[0028] 分别将每个所述待训练数据组所对应的所有所述训练特征向量以及所有所述训练特征向量所对应的步态标签作为输入参数进行训练得到每个所述待训练数据组所对应的支撑向量机分类器，并从每个所述支撑向量机分类器中分别获取支撑向量和所述支撑向量的步态标签，将所有所述支撑向量和所述支撑向量的步态标签集合为临时支撑向量集合；

[0029] 基于当前所述空间参数集合中的核函数和所述临时支撑向量集合，分别求取所有所述待训练数据组所对应的每个所述训练特征向量依次与所述临时支撑向量集合中每个支撑向量的空间距离，得到每个所述训练特征向量的训练临时空间距离集合，并从每个所述训练临时空间距离集合中从小到大依次选取预设个数空间距离作为对应所述训练特征向量的训练邻近空间距离集合；

[0030] 获取每个所述训练邻近空间距离集合中每个空间距离所对应支撑向量所属于的步态标签，并将每个所述训练邻近空间距离集合所对应占比最大的步态标签作为对应所述训练邻近空间距离集合的步态预估结果，所述训练邻近空间距离集合的步态预估结果即为所述训练邻近空间距离集合所对应传感器训练数据段的步态预估结果；

[0031] 将每段传感器训练数据的步态预估结果与其真实的步态标签进行对比，并计算步态识别准确率和识别召回率，基于所述步态识别准确率和所述识别召回率计算步态识别性能参数，并将所述步态识别性能参数作为当前空间参数集合设置下的性能参数；

[0032] 其中，单段所述初步传感器训练数据的训练特征参数包括该段初步传感器训练数据的偏度和峰值因数以及该段所述初步传感器训练数据对应所述第一层内涵模态分量的过零率、对应所述第一时频分布数据的偏度和峰值因素、对应所述第二时频分布数据的极差。

[0033] 优选地，设置空间参数集合包括设置分组参数并选取核函数，所述分组参数包括身高分组、速度分组和性别分组。

[0034] 优选地，计算步态识别准确率和识别召回率，基于所述步态识别准确率和所述识别召回率计算步态识别性能参数包括：

[0035] 所述步态识别准确率计算方式为：

[0036] 所述识别召回率计算方式为：

[0037] 所述步态识别性能参数计算方式为：

[0038] 其中， 表示步态识别准确率， 表示所述训练数据集合中步态预估结果与真实的步态标签相同的传感器训练数据段数，
表示所述训练数据集合中传感器训练数据总段数，
表示所述训练数据集合中步态预估结果与真实的步态标签不相同的传
感器训练数据段数， 表示识别召回率， 表示步态识别性能参数。

[0039] 优选地，加速度数据和陀螺仪数据均通过三个互相垂直的轴来表示，其中三个互相垂直的轴分别为上下方向贯穿人体的垂直轴、前后方向贯穿人体的矢状轴以及左右方向贯穿人体的冠状轴，所述传感器数据和传感器训练数据均仅包括加速度数据的垂直轴数据、加速度数据的矢状轴以及陀螺仪数据的冠状轴数据。

[0040] 优选地，所述待识别数据集合和所述训练数据集合均为通过滑窗均值滤波器进行去噪后的数据集合。

[0041] 为了解决上述技术问题，本发明还提供了一种步态自适应识别装置，包括初步传感器数据获取模块、数据处理模块、特征向量获取模块、邻近空间距离集合获取模块和步态预估结果确定模块；

[0042] 所述初步传感器数据获取模块，用于获取待识别数据集合，并对所述待识别数据集合中的所有传感器数据段分别进行归一化处理，得到每段所述传感器数据的初步传感器数据；

[0043] 所述数据处理模块，用于对每段所述初步传感器数据分别进行经验模态分解，获取每段所述初步传感器数据的第一层内涵模态分量和第二层内涵模态分量，并对每段所述初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第一时频分布数据，对每段所述初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段所述初步传感器数据的第二时频分布数据；

[0044] 所述特征向量获取模块，用于基于每段所述初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段所述初步传感器数据的特征参数，并基于每个特征参数获取对应的特征向量；

[0045] 所述邻近空间距离集合获取模块，用于基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的临时空间距离集合，并从每个所述临时空间距离集合中从小到大依次选取预设个数空间距离作为对应所述特征向量的邻近空间距离集合；

[0046] 所述步态预估结果确定模块，用于获取每个所述邻近空间距离集合中每个空间距离所对应的支撑向量所属于的步态标签，并将每个所述邻近空间距离集合对应占比最大的步态标签作为对应所述邻近空间距离集合的步态预估结果，所述邻近空间距离集合的步态预估结果即为所述邻近空间距离集合所对应传感器数据段的步态预估结果；

[0047] 其中，单段所述初步传感器数据的特征参数包括该段初步传感器数据的偏度和峰值因数以及该段所述初步传感器数据对应所述第一层内涵模态分量的过零率、对应所述第一时频分布数据的偏度和峰值因素、对应所述第二时频分布数据的极差。

[0048] 为了解决上述技术问题，本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现步态自适应识别方法。

[0049] 为了解决上述技术问题，本发明还提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；

[0050] 所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行步态自适应识别方法。

[0051] 与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

[0052] 应用本发明实施例提供的步态自适应识别方法，基于训练数据集合总结并提炼了加速度计和陀螺仪不同轴向数据在静态阶段和脚部空中摆动阶段的信号时频分布特点，并在此基础上构造最优支撑向量集合；在实际应用场景中基于最优支撑向量集合对行人行走加速度数据和陀螺仪数据的分类结果进行实时权重更新并融合，得到步态自适应识别结果。即本发明方法针对行人在不同行走速度不同行走环境的情况下，容易混淆的脚部静态阶段和空中摆动阶段进行了较准确的识别，帮助步态识别实现更好的适应性和长时间稳定性。

[0053] 本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

[0054] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

[0055] 图1示出了本发明实施例一步态自适应识别方法的流程示意图；

[0056] 图2示出了本发明实施例一中某个步伐静止阶段加速度数据X轴向数据示意图；

[0057] 图3示出了本发明实施例一中某个步伐静止阶段加速度数据X轴向数据的第一层内涵模态分量示意图；

[0058] 图4示出了本发明实施例一中某个步伐静止阶段加速度数据X轴向数据的第二层内涵模态分量示意图；

[0059] 图5示出了本发明实施例一中某个步伐静止阶段加速度数据X轴向数据的第一层内涵模态分量的希尔伯特黄变换示意图；

[0060] 图6示出了本发明实施例一中某个步伐静止阶段加速度数据X轴向数据的第二层内涵模态分量的希尔伯特黄变换示意图；

[0061] 图7示出了本发明实施例一中某个步伐摆动阶段加速度数据X轴向数据示意图；

[0062] 图8示出了本发明实施例一中某个步伐摆动阶段加速度数据X轴向数据的第一层内涵模态分量示意图；

[0063] 图9示出了本发明实施例一中某个步伐摆动阶段加速度数据X轴向数据的第二层内涵模态分量示意图；

[0064] 图10示出了本发明实施例一中某个步伐摆动阶段加速度数据X轴向数据的第一层内涵模态分量的希尔伯特黄变换示意图；

[0065] 图11示出了本发明实施例一中某个步伐摆动阶段加速度数据X轴向数据的第二层内涵模态分量的希尔伯特黄变换示意图；

[0066] 图12示出了本发明实施例一中人体三个互相垂直的轴方向示意图；

[0067] 图13示出了本发明实施例二步态自适应识别装置的结构示意图；

[0068] 图14示出了本发明实施例四终端结构示意图。

具体实施方式

[0069] 以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

[0070] 目前用于行人步态分析的是数据集主要有两类：一类是基于光学动作捕捉系统或者内置压力传感器的地垫，并与行人佩戴的IMU在时间同步的基础上协同记录运动数据的采集平台。这类数据集可以提供精确的标记信息，但是由于设备的成本和维护费用昂贵，因此只能在理想的实验室环境的中部署，一般只有十几平方米。该种模拟行人的行走场景空间十分有限，行人只能来回折返行走或者绕圈行走，限制了行人行走的最大速度，这就导致在实验室环境中，采集的快速行走的数据是偏少的。而另一类是使用光学动作捕捉系统，与行人佩戴的IMU进保证时间同步，然后要求行人在跑步机上行走，行人行走时，基于对履带传动速度的感知而被动地采取相应行走速度来保持与履带之间相对平衡。这种方式不受空间限制，但是履带传动与行人和地面相对作用方式不同。已有研究也表明，使用跑步机进行数据采集并不能完全模拟行人行走地实际情况。

[0071] 同时由于行人个体在身高、体重、性别的差异，不同行人个体的步态会在不同行走速度的情况下发生变化，因此对行人行走时的步态识别也存在着多样性和不确定性特点。同时在行人行走速度较为极端的情况下，现阶段基于固定模型参数的识别算法往往会对快速行走时脚部的静态阶段和摆动阶段造成误判。另外受到传感器数据噪声和采集数据误差的影响，目前技术手段在跨行人个体，并且面对速度变化的行走场景下，由于识别准确稳定性达到瓶颈而使用受限。

[0072] 且通过对不同性别，身高和不同行走速度的数据分析发现：除了身高，性别也是影响行人行走习惯的一个重要因素：男女由于下肢力量的明显差别，男性在同等速度行走时，加速度和陀螺仪数据的幅度基本高于女性数据，相对受到的噪声影响较小。由于力量的差异，男性在不同行走速度的情况下，脚部相对静态阶段的数据波动性相对女性来说更低。对基于固定阈值，预训练模板或者特征的识别方法而言，女性的静态阶段更容易被误判为动态阶段。这在使用较为极端的行走速度情形下，更为明显：在快速行走时，脚部和地面保持相对静态的持续时间相对男性的静态阶段更短，可能不容易被检测出来；当使用慢速行走时，由于静态阶段相对时间更长，对下肢力量较弱的女性，脚部更容易在矢状轴方向产生晃动。这导致静态阶段的加速度数据和陀螺仪数据容易出现不确定的随机波动，信号噪声增加，导致静态阶段被错误检测为动态阶段。进一步导致步伐划分错误，影响到行人步态识别的准确度。

[0073] 实施例一

[0074] 为解决现有技术中存在的技术问题，本发明实施例提供了一种步态自适应识别方法。

[0075] 图1示出了本发明实施例一步态自适应识别方法的流程示意图；参考图1所示，本发明实施例步态自适应识别方法包括如下步骤。

[0076] 步骤S101，获取待识别数据集合，并对待识别数据集合中的所有传感器数据段分别进行归一化处理，得到每段传感器数据的初步传感器数据。

[0077] 限于现有步态自适应识别方法数据采集场地局限性较大，本发明实施例步态自适应识别方法待识别数据集合中的传感器数据采集条件包括：所采集数据为不同身高、不同速度以及不同性别行人行走时脚部的运动数据，所设置场地为开阔的室内走廊，单程行走距离达到预设长度，且要求被试人员大致遵循预定路线即可。其中大致遵循既定路线有助于被试人员与周围参照物（例如走廊两边的墙体或者脚下的砖线）维持相对稳定的距离，辅助被试人员保持同一行走速度；且行人的行走速度由不同个体基于自身行走的习惯选择，在除了路线之外无约束的条件下，完全基于实际行走情景采集脚部运动数据。优选地，预设长度为46m。

[0078] 本发明的数据来源于行人脚部佩戴的IMU，所采集的数据包括加速度数据和陀螺仪数据，且加速度数据和陀螺仪数据均通过三个互相垂直的轴来表示。进一步地三个轴分别为上下方向贯穿人体的长轴方向（即垂直轴，与水平面垂直，用Z轴表示）、前后方向贯穿人体的水平轴方向（即矢状轴，与冠状面垂直，用X轴表示）以及左右方向贯穿人体的水平轴方向（即冠状轴，与矢状面垂直，用Y轴表示），可参考图12。其中加速度垂直轴测量脚部在地面垂直方向的加速度信号，加速度矢状轴测量脚部在行走时前后方向的加速度信号，加速度冠状轴测量脚部在左右方向的加速度信号，陀螺仪垂直轴测量脚部在左右方向的摆动角速度，陀螺仪矢状轴测量脚部以前后方向为轴的滚动角速度，陀螺仪冠状轴测量脚部以左右方向为轴的翻转角速度。其中加速度垂直轴，加速度矢状轴和陀螺仪冠状轴的信号均能较好地体现出不同行人在行走时脚部运动的周期性和不同步态阶段的差异，而其他轴向的数据则体现出不同个体差异的影响，对步伐周期性和步态之间的差异体现不明显。为了保证本发明步态自适应识别方法在不同行人以及不同行走速度情景下的效果，本发明所获取的传感器数据仅包括加速度数据的垂直轴数据、加速度数据的矢状轴数据以及陀螺仪数据的冠状轴数据。下方的传感器训练数据同理。且为了简化说明，我们将加速度数据的垂直轴数据、加速度数据的矢状轴数据以及陀螺仪数据的冠状轴数据均称为目标轴数据。

[0079] 基于上述内容，本实施例获取待识别数据集合，其中待识别数据集合中包括多段传感器数据，本发明实施例步态自适应识别方法的目的即是识别出每段传感器数据的步态预估结果。

[0080] 进一步需要说明的是，为了避免行人在行走时采集的传感器数据信号受到噪声影响，进而影响到传感器数据的步态识别，本发明实施例待识别数据集合中的传感器数据均为通过滑窗均值滤波器进行去噪后的数据。

[0081] 在获取待识别数据集合后，还需对待识别数据集合中的所有传感器数据段分别进行归一化处理，进而得到每段传感器数据的初步传感器数据。

[0082] 假设待识别数据集合的表示形式为：

[0083]

[0084] 其中，acc表示加速度数据，gyro表示陀螺仪数据，t表示时间，x,y,z分别表示加速度数据和陀螺仪数据的三个轴，i表示待识别数据集合中的第i段传感器数据，j表示传感器数据段的第j个采样点，待识别数据集合中共有M段传感器数据， 表示第i段传感器数据的数据长度，不同段传感器数据因其持续时间不同， 是不相同的。

[0085] 则对传感器数据段进行归一化处理过程即为对传感器数据段的目标轴数据分别进行归一化处理的过程，进一步对传感器数据段的任一目标轴数据进行归一化处理可通过公式（2）实现：

[0086]

[0087] 其中， 表示归一化处理后的数据， 表示传感器数据的任一目标轴数据，表示加速度计量程或陀螺仪量程。

[0088] 例如待识别数据集合进行归一化处理后可表示为：

[0089]

[0090] 步骤S102，对每段初步传感器数据分别进行经验模态分解，获取每段初步传感器数据的第一层内涵模态分量和第二层内涵模态分量，并对每段初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段初步传感器数据的第一时频分布数据，对每段初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段初步传感器数据的第二时频分布数据。

[0091] 在研究过程中，我们对某段传感器数据中的加速度数据X轴向数据进行经验模态分解（Empirical Mode Decomposition，简称EMD），得到有限个本征模函数（Intrinsic Mode Function，简称IMF），然后对本征模函数使用希尔伯特黄变换，得到信号的时间‑频率能量分布。由于加速度数据实际记录了脚部的运动情况，通过经验模态分解而得到的前2个内涵模态分量,体现原信号中处在不同时间尺度上的最显著的信息 ,从而在不同的时间分辨率上体现加速度信号的波动情况以及趋势变化，因此静态阶段与摆动阶段中脚部不同的运动状态可以通过内涵模态分量进行剥离；进一步地，借助希尔伯特黄变换对内涵模态分量进行时频分析，则有助于体现不同步态的脚部运动信号特征在时域和频域上的差别。

[0092] 进一步地，我们分别对某个步伐静止阶段加速度数据中X轴向数据和某个步伐摆动阶段加速度数据中X轴向数据进行了处理，得到步伐静止阶段加速度数据X轴向数据示意图（如图2所示）、步伐静止阶段加速度数据X轴向数据的第一层内涵模态分量示意图（如图3所示）、步伐静止阶段加速度数据X轴向数据的第二层内涵模态分量示意图（如图4所示）、步伐静止阶段加速度数据X轴向数据的第一层内涵模态分量的希尔伯特黄变换示意图（如图5所示）、步伐静止阶段加速度数据X轴向数据的第二层内涵模态分量的希尔伯特黄变换示意图（如图6所示）；步伐摆动阶段加速度数据X轴向数据示意图（如图7所示）、步伐摆动阶段加速度数据X轴向数据的第一层内涵模态分量示意图（如图8所示）、步伐摆动阶段加速度数据X轴向数据的第二层内涵模态分量示意图（如图9所示），步伐摆动阶段加速度数据X轴向数据的第一层内涵模态分量的希尔伯特黄变换示意图（如图10所示）、步伐摆动阶段加速度数据X轴向数据的第二层内涵模态分量的希尔伯特黄变换示意图（如图11所示）。由图2‑图11所示，可以看出脚部运动的原始信号经过经验模态分解得到的内涵模态分量对信号中的波动和突变进行了分解和剥离，第一层和第二层内涵模态分量基本反应了在步伐的静止阶段和摆动阶段原始信号的时频特性差别，因此在本发明中仅考虑前两层内涵模态分量。且脚部静态阶段和空中摆动阶段经过经验模态分解和希尔伯特黄变换分析后，可以看到加速度计矢状轴信号频率分量在时间和能量上体现出明显差别，加速度计垂直轴和陀螺仪冠状轴数据均体现出类似的明显差异。基于上述观察和分析，在本发明中仅需对初步传感器数据的加速度矢状轴数据、加速度垂直轴数据和陀螺仪冠状轴数据分别进行经验模态分解、希尔伯特黄变换以及特征提取。即仅需对初步传感器数据的所有目标轴数据进行如上操作。

[0093] 因此，该步骤我们分别对每段初步传感器数据进行经验模态分解，获取每段初步传感器数据的第一层内涵模态分量和第二层内涵模态分量。而后再分别对每段初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段初步传感器数据的第一时频分布数据，对每段初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段初步传感器数据的第二时频分布数据。需要说明的是，对每段初步传感器数据进行经验模态分解即为对每段初步传感器数据的所有目标轴数据分别进行经验模态分解，以得到初步传感器数据中每段目标轴数据各自对应的第一层内涵模态分量和第二层内涵模态分量；进一步对每段初步传感器数据的第一层内涵模态分量进行希尔伯特黄变换也为对每段初步传感器数据中每段目标轴数据各自对应的第一层内涵模态分量分别进行希尔伯特黄变换，以得到初步传感器数据中每段目标轴数据各自对应第一层内涵模态分量的第一时频分布数据；第二时频分布数据同理可得。

[0094] 步骤S103，基于每段初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段初步传感器数据的特征参数，并基于每个特征参数获取对应的特征向量。

[0095] 基于图2‑图7所示，我们还可以获取出如下经验知识：在原始加速度信号的分布上，静止阶段的信号波动基本在步态的末尾，摆动阶段的信号活动基本在步态的中段。这是因为静止阶段结束时，由人体的脚踝开始发力并将脚跟抬离地面，在摆动阶段人体的脚尖在离开地面后的短暂时间内，仍然保持蹬离地面的惯性和姿态，然后脚部开始做出从跖屈到背伸的动作，因此导致加速度信号的突变；且在第一层内涵模态分量和第二层内涵模态分量上，静止阶段的信号主要在零轴附近波动，因此产生很多零轴地上下穿越点；摆动阶段的信号则呈现固定方向的趋势变化，零轴穿越点较少；在第一层内涵模态分量的时频分析中，静止阶段模态信号的频率的多样性在最后出现增加；摆动阶段模态信号的频率多样性在中间时段出现，在频率分布的形态上，静止阶段的末段不同频率的信号在很短时间内集中出现，占据静止阶段时间的比例很小；在摆动阶段的中段不同频率的信号同时出现的时间占据在整个步态的比例明显更大。

[0096] 因此以上述经验知识为基础，提出以下特征参数，具体单段初步传感器数据的特征参数包括该段初步传感器数据的偏度和峰值因数以及该段初步传感器数据对应第一层内涵模态分量的过零率、对应第一时频分布数据的偏度和峰值因素、对应第二时频分布数据的极差。其中，偏度主要用于描述信号峰值与信号分布中心的偏移程度；峰值因数主要用于描述信号峰值在信号中的极端程度；第一层内涵模态分量的过零率主要用于描述信号在持续时间段内穿越零轴的频率（即信号发生零穿越事件的频数占信号长度的比值）。

[0097] 具体地，我们在步骤S101中获取了每段传感器数据的初步传感器数据，步骤S102中获取了每段初步传感器数据对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据获取特征参数的基础上，可实现对特征参数的获取。

[0098] 进一步地，每段初步传感器数据偏度的获取方式为：分别获取每段初步传感器数据中每段目标轴数据的偏度，其中计算初步传感器数据中某段目标轴数据的偏度的计算公式如下：

[0099]

[0100] 其中， 表示某段目标轴数据的偏度， 表示初步传感器数据段中某段目标轴数上的第j个采样点信号，L表示初步传感器数据段中某段目标轴数上的信号长度，表示初步传感器数据段中某段目标轴数上的信号平均值。

[0101] 同理，每段初步传感器数据峰值因数的获取方式为：分别获取每段初步传感器数据中每段目标轴数据的峰值因数，其中计算初步传感器数据中某段目标轴数据的峰值因数的计算公式如下：

[0102]

[0103] 其中， 表示某段目标轴数据的峰值因数， 表示初步传感器数据段中某段目标轴数据上的第j个采样点信号， 表示初步传感器数据段中某段目标轴数据上数据的绝对值的峰值，L表示初步传感器数据段中某段目标轴数据上的信号长度。

[0104] 每段初步传感器数据分解得到的第一层内涵模态分量的过零率获取方式为：分别获取每段初步传感器数据中每段目标轴数据上的数据分别分解得到的第一层内涵模态分量的过零率，其中计算初步传感器数据中某段目标轴数据分解得到的第一层内涵模态分量的过零率的计算公式如下：

[0105]

[0106] 其中， 表示某段目标轴向数据分解得到的第一层内涵模态分量的过零率， 表示初步传感器数据段中某个目标轴数据分解得到的第一层内涵模态分量中第j个采样点信号，K表示第一层内涵模态分量的信号长度，函数 在参数D为真值时值为1，否则为0。

[0107] 基于公式（4）还可计算每段初步传感器数据对应第一时频分布数据的偏度，并基于公式（5）计算每段初步传感器数据对应第一时频分布数据的峰值因数。

[0108] 每段初步传感器数据对应第二时频分布数据的极差获取方式为：分别获取每段初步传感器数据中每段目标轴数据分别分解得到的第二层内涵模态分量的第二时频分布数据的极差，其中计算初步传感器数据中某段目标轴数据分解得到的第一层内涵模态分量的第二时频分布数据的极差的计算公式如下：

[0109]

[0110] 其中， 表示某段目标轴数据的第一层内涵模态分量的第二时频分布数据的极差， 表示某段目标轴数据的第一层内涵模态分量的第二时频分布数据的最大值， 表示表示某段目标轴数据的第一层内涵模态分量的第
二时频分布数据的最小值。

[0111] 最后再将每个特征参数均以向量的形式表示出来，即可得到每个特征参数分别所对应的特征向量。

[0112] 步骤S104，基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的临时空间距离集合，并从每个所述临时空间距离集合中从小到大依次选取预设个数空间距离作为对应特征向量的邻近空间距离集合。

[0113] 具体地，基于最优核函数和最优支撑向量集合分别获取每个特征向量的临时空间距离集合。进一步地，单个特征向量基于最优核函数和最优支撑向量集合获取对应临时空间距离集合的过程包括：依次计算最优支撑向量集合中每个支撑向量分别与该特征向量之间的空间距离，并将针对该特征向量计算得到的所有空间距离进行集合，以得到该特征向量的临时空间距离集合。依据上述单个特征向量获取临时空间距离集合过程获取所有特征向量的临时空间距离集合。再基于每个特征向量的临时空间距离集合获取每个特征向量的邻近空间距离集合，具体基于单个特征向量的临时空间距离集合获取单个特征向量的邻近空间距离集合的过程包括：将临时空间距离集合中的所有空间距离依据从小到大的顺序分别进行排序，然后再从排序后的临时空间距离集合中依次获取预设个数空间距离并集合为对应特征向量的邻近空间距离集合。依据上述基于单个特征向量的临时空间距离集合获取单个特征向量的邻近空间距离集合的过程获取所有特征向量的邻近空间距离集合。其中预设个数可选取临时空间距离集合总数的20%。

[0114] 需要说明的是，最优核函数为最优空间参数集合中的核函数，而最优空间参数集合是从获取最优支撑向量集合的过程中获取的，最优支撑向量集合的获取过程会在后续进行说明。

[0115] 优选地，假设初步传感器数据对应的特征向量表示为：

[0116]

[0117] 则空间距离可使用欧式距离计算，欧式距离计算公式如下：

[0118]

[0119] 其中， 表示特征向量中的每个元素， 表示支撑向量中的每个元素，v表示特征向量中的元素的索引位置，由于特征向量中元素共有6类，本发明使用的目标轴数量为3个，每段目标轴均提取这6类特征参数，因此V=18。

[0120] 步骤S105，获取每个邻近空间距离集合中每个空间距离所对应的支撑向量所属于的步态标签，并将每个邻近空间距离集合对应占比最大的步态标签作为对应邻近空间距离集合的步态预估结果，邻近空间距离集合的步态预估结果即为邻近空间距离集合所对应传感器数据段的步态预估结果。

[0121] 具体地，由于最优支撑向量集合中对的每个支撑向量都有其所对应的步态标签，我们将支撑向量所对应的步态标签作为其所参与计算的空间距离对应的步态标签，基于此我们可统计每个邻近空间距离集合的步态标签权重。由于本实施例步态自适应识别方法所要识别的步态包括静止阶段和摆动阶段，因此每个邻近空间距离集合的步态权重结果无非是静止阶段所占比重较大或摆动阶段所占比重较大，我们将每个邻近空间距离集合所对应所占比重最大的步态标签作为对应邻近空间距离集合的步态预估结果，又由于每个邻近空间距离集合均具有对应的传感器数据段，因此邻近空间距离集合的步态预估结果即为邻近空间距离集合所对应传感器数据的步态预估结果。

[0122] 其中，本实施例中的最优支撑向量集合获取方法主要通过贝叶斯优化算法来实现的，具体包括如下步骤。

[0123] 步骤S201，获取训练数据集合。

[0124] 具体地，训练数据集合包括多段传感器训练数据以及每段传感器训练数据所对应的步态标签。其中训练数据集合的数据表示方式以及获取过程均与待识别数据集合相同，在此不再对该过程进行详细赘述。但需要说明的是，训练数据集合中不仅包括多段传感器训练数据，还包括每段传感器训练数据所对应的步态标签。也就是说训练数据集合中的每段传感器训练数据均带有对应的步态标签的。且训练数据集合也为通过滑窗均值滤波器进行去噪后的数据集合。

[0125] 步骤S202，设置N组空间参数集合，并依次基于每组空间参数集合通过预设获取方式获取对应的性能参数，并将N组空间参数集合以及其对应的性能参数集合为性能参数集合。

[0126] 具体地，空间参数集合包括分组参数和核函数。优选地，分组参数包括身高分组、速度分组和性别分组，且核函数包括多种类型（如多项式核函数，径向基核函数，Sigmoid核函数，logistic核函数）。因此空间参数集合的设置过程即为分组参数设置过程以及核函数的选取过程。本实施例随机设置N组空间参数集合，并依次基于每组空间参数集合通过预设获取方式获取对应的性能参数，并对N组空间参数集合以及其对应的性能参数进行集合得到性能参数集合。基于空间参数集合通过预设获取方式获取对应的性能参数具体过程会在后续进行说明。

[0127] 步骤S203，基于当前性能参数集合，通过贝叶斯优化算法获取第M组空间参数集合，并基于第M组空间参数集合通过预设获取方式获取对应新的性能参数，将第M组空间参数集合及其对应新的性能参数添加到当前所述性能参数集合中。其中，主要通过工具库Hyperopt内的随机搜索获取第M组空间参数集合。

[0128] 具体地，在当前获取的性能参数集合的基础上，通过贝叶斯优化算法获取第M组空间参数集合。基于第M组空间参数集合并通过预设获取方式获取其所对应的新的性能参数，而后将第M组空间参数集合和其对应的新的性能参数添加到当前性能参数集合中形成新的性能参数集合。

[0129] 步骤S204，判断M是否等于预设阈值，若是则将当前性能参数集合作为最终性能参数集合，并转到步骤S205，否则M加1，并转到步骤S203。需要说明的是，M的初始值为N加1。N和M的数值均根据具体情况进行设置。

[0130] 步骤S205，将最终性能参数集合中性能参数最大的空间参数集合作为最优空间参数集合，并将基于最优空间参数集合通过预设获取方式获取的临时支撑向量集合作为最优支撑向量集合。

[0131] 具体地，从最终性能参数集合中挑选出最大的性能参数，并将最大性能参数对应的空间参数集合作为最优空间参数集合，同时将基于最优空间参数集合通过预设获取方式获取的临时支撑向量集合作为最优支撑向量集合。且进一步地，步骤S104中的最优核函数即是从该步骤中的最优空间参数集合中获取的。

[0132] 更近一步地，基于空间参数集合通过预设获取方式获取对应的性能参数具体包括如下步骤。

[0133] 步骤S301，基于空间参数集合中的分组参数对训练数据集合进行分组，得到多个待训练数据组。

[0134] 具体地，由于空间参数集合中的分组参数包括身高分组、速度分组和性别分组，因此本实施例需分别依据身高、速度及性别对训练数据集合中的多段传感器训练数据进行分组。需要说明的是，本实施例所采用的是逐层分组方式，即本实施例可先基于身高参数对训练数据集合中的多段传感器训练数据进行分组，而后再基于速度参数对每个身高分组进行再次分组，最后基于性别参数对每个速度分组进行分组。基于上述分组方式可获取多个待训练数据组。且需要说明的是，上述逐层分组方式中，基于身高、速度及性别进行分组的先后顺序不做限定。

[0135] 步骤S302，对每个待训练数据组中的所有传感器训练数据段分别进行归一化处理，得到每段传感器训练数据的初步传感器训练数据。

[0136] 具体地，分别对每个待训练数据组中的每段传感器训练数据段进行归一化处理，进而得到每个待训练数据组中每段传感器训练数据的初步传感器训练数据。需要说明的是，该步骤对传感器训练数据段进行归一化处理方法与步骤S101中对传感器数据段进行归一化处理方法相同，在此不再对其进行赘述。

[0137] 步骤S303，对每段初步传感器训练数据分别进行经验模态分解，得到每段初步传感器训练数据的第一层内涵模态分量和第二层内涵模态分量，并对每段初步传感器训练数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段初步传感器训练数据的第一时频分布数据，对每段初步传感器训练数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段初步传感器训练数据的第二时频分布数据。

[0138] 具体地，对每个待训练数据组所对应的所有初步传感器训练数据段分别进行如下操作，以获取每个待训练数据组所对应每段初步传感器训练数据的第一层内涵模态分量、第二层内涵模态分量、第一时频分布数据和第二时频分布数据。进一步地，对每个待训练数据组所对应的所有初步传感器训练数据段分别所进行的操作包括：通过经验模态分解获取每段初步传感器训练数据的第一层内涵模态分量和第二层内涵模态分量，再通过希尔伯特黄变换对每段初步传感器训练数据的第一层内涵模态分量分别进行处理得到每段初步传感器训练数据的第一时频分布数据，通过希尔伯特黄变换对每段初步传感器训练数据的第二层内涵模态分量分别进行处理得到每段初步传感器训练数据的第二时频分布数据。

[0139] 需要说明的是，其中本步骤中对初步传感器训练数据进行经验模态分解，得到对应第一层内涵模态分量和第二层内涵模态分量的方法与步骤S102中对初步传感器数据进行经验模态分解，得到对应第一层内涵模态分量和第二层内涵模态分量的方法相同，在此不再对其进行赘述。进一步本步骤对每段初步传感器训练数据对应的第一层内涵模态分量进行希尔伯特黄变换，得到每段初步传感器训练数据对应的第一时频分布数据，以及对每段初步传感器训练数据对应的第二层内涵模态分量进行希尔伯特黄变换，得到每段初步传感器训练数据对应的第二时频分布数据的方法，与步骤S102中对获取的每段初步传感器数据的第一层内涵模态分量进行希尔伯特黄变换得到第一时频分布数据，以及对每段初步传感器数据的第二层内涵模态分量进行希尔伯特黄变换得到第二时频分布数据的方法相同，在此也不再对其进行赘述。

[0140] 步骤S304，分别基于每段初步传感器训练数据以及每段初步传感器训练数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据获取每段初步传感器训练数据的训练特征参数，并基于每个训练特征参数分别获取对应的训练特征向量，每个训练特征向量均具有对应待训练数据组和对应步态标签。

[0141] 具体地，以每个待训练数据组为单位，分别提取每个待训练数据组所对应所有初步传感器训练数据段的训练特征参数。进一步地，提取每个待训练数据组所对应所有初步传感器训练数据段的训练特征参数又包括分别提取每段初步传感器训练数据的训练特征参数。再进一步地，提取单段初步传感器训练数据的训练特征参数包括：计算该段初步传感器训练数据的偏度和峰值因数、计算该段初步传感器训练数据所对应第一层内涵模态分量的过零率，计算该段初步传感器训练数据所对应第一时频分布数据的偏度和峰值因素，计算该段初步传感器训练数据所对应第二时频分布数据的极差。获取每段初步传感器训练数据的训练特征参数后，再将每段初步传感器训练数据的训练特征参数转化为对应的训练特征向量。基于上述过程可知，每个训练特征向量均有一组训练特征参数与之对应，每组训练特征参数均有一段初步传感器训练数据与之对应，而每段初步传感器训练数据均有一段传感器训练数据与之对应，每段初步传感器训练数据均具有其对应的步态标签，且每段传感器训练数据均来自对应的待训练数据组；因此每个训练特征向量均具有对应待训练数据组和对应步态标签。

[0142] 且需要说明的是，针对单段初步传感器训练数据的训练特征参数计算过程与步骤S103中单段初步传感器数据的特征参数计算过程相同，在此不再对其进行赘述。

[0143] 步骤S305，分别将每个待训练数据组所对应的所有训练特征向量以及所有训练特征向量所对应的步态标签作为输入参数进行训练得到每个待训练数据组所对应的支撑向量机分类器，并从每个支撑向量机分类器中分别获取支撑向量和支撑向量的步态标签，将所有支撑向量和支撑向量的步态标签集合为临时支撑向量集合。

[0144] 具体地，以每个待训练数据组作为输入参数组来获取每个待训练数据组的支撑向量及其步态标签。进一步获取单个待训练数据组的支撑向量及其步态标签的过程包括：将单个待训练数据组所对应的所有训练特征向量以及所有训练特征向量所对应的步态标签作为输入参数，利用工具包libsvm进行训练得到该待训练数据组所对应的支撑向量机分类器，而后再基于支撑向量机分类器即可获取该待训练数据组所对应的支撑向量及其步态标签。需要说明的是，待训练数据组可能对应多个支撑向量，每个支撑向量均有其对应的步态标签。通过上述方式获取所有待训练数据组的支撑向量及其步态标签，而后将获取的所有支撑向量及其步态标签集合为临时支撑向量集合。

[0145] 步骤S306，基于当前空间参数集合中的核函数和临时支撑向量集合，分别求取所有待训练数据组所对应的每个训练特征向量依次与临时支撑向量集合中每个支撑向量的空间距离，得到每个训练特征向量的训练临时空间距离集合，并从每个训练临时空间距离集合中从小到大依次选取预设个数空间距离作为对应训练特征向量的训练邻近空间距离集合。

[0146] 具体地，本步骤以所有待训练数据组所对应的所有训练特征向量为目标。基于当前空间参数集合中的核函数和临时支撑向量集合，分别求取每个训练特征向量依次与临时支撑向量集合中每个支撑向量的空间距离，得到每个训练特征向量的训练临时空间距离集合，并从每个训练临时空间距离集合中从小到大依次选取预设个数空间距离作为对应训练特征向量的训练邻近空间距离集合。

[0147] 需要说明的是，本步骤获取每个训练特征向量的训练邻近空间距离集合的方式与步骤S105中获取特征向量的邻近空间距离集合的方式大致相同，其不同点仅在于本步骤中所使用的支撑向量为步骤S305中获取的临时支撑向量。在此不再对其进行过多赘述。

[0148] 步骤S307，获取每个训练邻近空间距离集合中每个空间距离所对应支撑向量所属于的步态标签，并将每个训练邻近空间距离集合所对应占比最大的步态标签作为对应训练邻近空间距离集合所对应传感器训练数据段的步态预估结果。

[0149] 具体地，本步骤获取传感器训练数据的步态预估结果的方式与步骤S106中获取传感器数据的步态预估结果的方式相同，在此不再对其进行赘述。

[0150] 步骤S308，将每段传感器训练数据的步态预估结果与其真实的步态标签进行对比，并计算步态识别准确率和识别召回率，基于步态识别准确率和识别召回率计算步态识别性能参数，将步态识别性能参数作为当前空间参数集合设置下的性能参数。

[0151] 具体地，由于每段传感器训练数据均有对应的步态标签，而在步骤S307中我们还求取除了每段传感器训练数据的步态预估结果，我们分别将待识别数据集合中每段传感器训练数据的步态预估结果和真实标签进行对比，并基于对比结果计算步态识别准确率和识别召回率。其中，步态识别准确率的计算方式如下：

[0152]

[0153] 其中， 表示步态识别准确率， 表示训练数据集合中步态预估结果与真实的步态标签相同的传感器训练数据段数， 表
示训练数据集合中传感器训练数据总段数。

[0154] 识别召回率计算方式如下：

[0155]

[0156] 其中， 表示识别召回率， 表示训练数据集合中步态预估结果与真实的步态标签相同的传感器训练数据段数， 表示训练数据集
合中步态预估结果与真实的步态标签不相同的传感器训练数据段数。

[0157] 而后再基于计算的步态识别准确率和识别召回率计算步态识别性能参数，进一步步态识别性能参数计算方式如下：

[0158]

[0159] 其中， 表示步态识别性能参数， 表示步态识别准确率，表示识别召回率。

[0160] 在获取步态识别性能参数后，即可将步态识别性能参数作为当前空间参数集合设置下的性能参数。

[0161] 本发明实施例提供的步态自适应识别方法，基于训练数据集合总结并提炼了加速度计和陀螺仪不同轴向数据在静态阶段和脚部空中摆动阶段的信号时频分布特点，并在此基础上构造最优支撑向量集合；在实际应用场景中通基于最优支撑向量集合对行人行走加速度数据和陀螺仪数据的分类结果进行实时权重更新并融合，得到步态自适应识别结果。即本发明方法针对行人在不同行走速度不同行走环境的情况下，容易混淆的脚部静态阶段和空中摆动阶段进行了较准确的识别，帮助步态识别实现更好的适应性和长时间稳定性。

[0162] 实施例二

[0163] 为解决现有技术中存在的技术问题，本发明实施例提供了一种步态自适应识别装置。

[0164] 图13示出了本发明实施例二步态自适应识别装置的结构示意图；参考图13所示，本发明实施例步态自适应识别装置包括初步传感器数据获取模块、数据处理模块、特征参数提取模块、特征向量获取模块、邻近空间距离集合获取模块和步态预估结果确定模块。

[0165] 初步传感器数据获取模块用于获取待识别数据集合，并对待识别数据集合中的所有传感器数据段分别进行归一化处理，得到每段传感器数据的初步传感器数据；

[0166] 数据处理模块用于对每段初步传感器数据分别进行经验模态分解，获取每段初步传感器数据的第一层内涵模态分量和第二层内涵模态分量，并对每段初步传感器数据的第一层内涵模态分量分别进行希尔伯特黄变换得到每段初步传感器数据的第一时频分布数据，对每段初步传感器数据的第二层内涵模态分量分别进行希尔伯特黄变换得到每段初步传感器数据的第二时频分布数据；

[0167] 特征向量获取模块用于基于每段初步传感器数据以及每段初步传感器数据所对应的第一层内涵模态分量、第一时频分布数据和第二时频分布数据分别获取每段初步传感器数据的特征参数，并基于每个特征参数获取对应的特征向量；

[0168] 邻近空间距离集合获取模块用于基于最优核函数和最优支撑向量集合，分别求取每个特征向量依次与最优支撑向量集合中每个支撑向量的空间距离，得到每个特征向量的临时空间距离集合，并从每个临时空间距离集合中从小到大依次选取预设个数空间距离作为对应特征向量的邻近空间距离集合；

[0169] 步态预估结果确定模块用于获取每个邻近空间距离集合中每个空间距离所对应的支撑向量所属于的步态标签，并将每个邻近空间距离集合对应占比最大的步态标签作为对应邻近空间距离集合的步态预估结果，邻近空间距离集合的步态预估结果即为邻近空间距离集合所对应传感器数据段的步态预估结果；

[0170] 其中，单段初步传感器数据的特征参数包括该段初步传感器数据的偏度和峰值因数以及该段初步传感器数据对应第一层内涵模态分量的过零率、对应第一时频分布数据的偏度和峰值因素、对应第二时频分布数据的极差。

[0171] 本发明实施例提供的步态自适应识别装置，基于训练数据集合总结并提炼了加速度计和陀螺仪不同轴向数据在静态阶段和脚部空中摆动阶段的信号时频分布特点，并在此基础上构造最优支撑向量集合；在实际应用场景中通基于最优支撑向量集合对行人行走加速度数据和陀螺仪数据的分类结果进行实时权重更新并融合，得到步态自适应识别结果。即本发明装置针对行人在不同行走速度不同行走环境的情况下，容易混淆的脚部静态阶段和空中摆动阶段进行了较准确的识别，帮助步态识别实现更好的适应性和长时间稳定性。

[0172] 实施例三

[0173] 为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现实施例一中步态自适应识别方法中的所有步骤。

[0174] 步态自适应识别方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同，在此不在对其进行赘述。

[0175] 需要说明的是：存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

[0176] 实施例四

[0177] 为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种终端。

[0178] 图14示出了本发明实施例四终端结构示意图，参照图14，本实施例终端包括相互连接的处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行时可实现实施例一步态自适应识别方法中的所有步骤。

[0179] 步态自适应识别方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同，在此不在对其进行赘述。

[0180] 需要说明的是，存储器可能包含随机存取存储器（Random Access Memory，简称RAM），也可能还包括非易失性存储器（non‑volatile memory），例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器（Central Processing Unit，简称CPU）、网络处理器（Network Processor，简称NP）等；还可以是数字信号处理器（Digital Signal Processing，简称DSP）、专用集成电路（Application Specific Integrated Circuit，简称ASIC）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

[0181] 虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。