1.本发明涉及惯性导航领域，具体而言，涉及一种利用惯性测量装置识别运动状态的系统。
背景技术：2.人体在某些特殊空间下的运动状态下可能存在一些非规则的行为，例如，狭小空间下的匍匐、蹲走动作。非规则人体运动状态的识别可用于人体安全监控、事故及灾难救援等领域。以事故及灾难救援为例，需要通过对人体运动状态的识别，实现快速高效的人员救援，以及防止次生灾害对救援人员造成伤害。但是，当前的非规则人体运动状态识别方法实时性和准确性都不够，无法应用于实际救援场景中。
3.针对上述的问题，目前尚未提出有效的解决方案。
技术实现要素：4.本发明实施例提供了一种利用惯性测量装置识别运动状态的系统，以至少解决非规则人体运动状态识别不准确的技术问题。
5.根据本发明实施例的一个方面，提供了一种利用惯性测量装置识别运动状态的系统，包括：惯性测量装置，被配置为采集轴向惯性信息，获取人体的非规则运动数据；分类识别装置，被配置为通过预先训练的运动状态识别模型，来分类识别所述非规则运动数据，以确定所述人体的运动状态；其中，所述惯性测量装置包括：多个单轴传感器，设置在传感器电路的电路板上，用于分别采集所述惯性测量装置在x轴、y轴和z轴上的所述轴向惯性信息；正交排列的多个传感器电路，位于所述信号处理电路的上方，分别与多个所述单轴传感器连接，用于接收所述轴向惯性信息；所述信号处理电路，通过柔性电路分别与多个所述传感器电路连接，用于对所述轴向惯性信息进行预处理，得到预处理的所述非规则运动数据。
6.在本发明实施例中，采用精确度更高的惯性测量装置来采集并预处理人体的非规则运动数据，并通过分类识别装置来识别这些非规则运动数据，从而实现了准确识别人体运动状态的技术效果，进而解决了非规则人体运动状态识别不准确的技术问题。
附图说明
7.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
8.图1是是根据本发明实施例的一种利用惯性测量装置识别运动状态的系统的结构示意图；
9.图2是是根据本发明实施例的另一种利用惯性测量装置识别运动状态的系统的结构示意图；
10.图3是根据本发明实施例的一种惯性测量装置整体装配示意图；
11.图4是根据本发明实施例的一种测量电路结示意图；
12.图5是根据本发明实施例的一种连接器结构示意图；
13.图6是根据本发明实施例的一种连接器焊接电路结构示意图；
14.图7是根据本发明实施例的一种底座结构示意图；
15.图8是根据本发明实施例的一种外壳结构示意图；
16.图9是根据本发明实施例的测量电路装配侧向示意图；
17.图10是根据本发明实施例的测量电路装配正向示意图；
18.图11是根据本发明实施例的识别运动状态的方法的流程图。
具体实施方式
19.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
20.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
21.实施例1
22.根据本发明实施例，提供了一种利用惯性测量装置识别运动状态的系统，如图1所示，该系统包括：
23.惯性测量装置100，被配置为采集轴向惯性信息，获取人体的非规则运动数据；分类识别装置，被配置为通过预先训练的运动状态识别模型，来分类识别所述非规则运动数据，以确定所述人体的运动状态；其中，所述惯性测量装置100包括：多个单轴传感器，设置在传感器电路的电路板上，用于分别采集所述惯性测量装置在x轴、y轴和z轴上的所述轴向惯性信息；正交排列的多个传感器电路，位于信号处理电路的上方，分别与多个所述单轴传感器连接，用于接收所述轴向惯性信息；所述信号处理电路，通过柔性电路分别与多个所述传感器电路连接，用于对所述轴向惯性信息进行预处理，得到预处理的所述非规则运动数据。
24.在一个示例性实施例中，多个所述单轴传感器、多个所述传感器电路和所述信号处理电路形成的整体结构与所述惯性测量装置的外壳通过硅橡胶固定。
25.在一个示例性实施例中，所述信号处理电路包括电路板，其中，多个所述单轴传感器及其外围电子元器件均分布在所述电路板正面，所述电路板的背面不设置电子元器件，其中，所述正面为朝向所述惯性测量装置的内部，所述底板用于固定所述信号处理电路。
26.在一个示例性实施例中，所述惯性测量装置还包括连接器和连接器焊接电路，其中，所述连接器焊接电路与所述信号处理单元通过焊接导线连接，所述连接器的接针直接
与所述连接器焊接电路通过焊接方式连接固定。
27.在一个示例性实施例中，所述信号处理电路还被配置为：对所述非规则运动数据进行以下预处理：ad转换、信号放大和滤波、数据归一化处理、特征提取和降维处理。
28.在一个示例性实施例中，所述分类识别装置被配置为根据应用场景、特征维度和数据特点的不同，通过交叉验证的方式寻找最优的核函数及其参数，并利用所述核函数，对训练样本进行监督学习，计算分类器，以得到所述运动状态识别模型。
29.在一个示例性实施例中，所述分类识别装置被配置为：根据应用场景、特征维度和数据特点的不同，通过使用迭代网格搜索法寻找最优的核函数及其参数，并利用所述核函数，对训练样本进行监督学习，计算分类器，以得到所述运动状态识别模型。
30.在一个示例性实施例中，所述分类识别装置还被配置为：设置迭代网格搜索法的各参数的搜索范围，并将搜索范围分为固定格数；遍历每个格子进行交叉验证，获取每个格子的识别率，并根据各个格子的识别率计算最大识别率和最小识别率的差值；在所述差值小于预设阈值时，输出当前最大识别率所对应的参数组合，作为所述核函数的参数，在所述差值大于所述预设阈值时，重新设置所述搜索范围，并执行上述步骤，直到所述差值小于预设阈值。
31.在一个示例性实施例中，所述信号处理电路还被配置为：在动作三轴加速度数据中寻找测量点最大值h和最小值l；寻找三维角速度中最大值max和最小值min；基于所述测量点最大值h和最小值l、以及所述三维角速度中最大值max和最小值min，进行归一化处理。
32.在一个示例性实施例中，所述信号处理电路还被配置为：对训练矩阵进行奇异值分解，求其特征值与奇异值，根据主成分思想，奇异值越大，其包含的信息越多，得到所述训练矩阵中各成分的贡献率，进而求出累计贡献率，并按贡献率大小选取特征，以进行降维处理。
33.本实施例，分类识别装置通过机器学习的方法，首先将所采集的非规则运动数据进行预处理，转换为运动状态识别模型的输入向量，根据预训练的运动状态识别模型进行非规则人体运动状态的确定，提升了非规则人体运动状态识别的实时性和准确性，进而解决了非规则人体运动状态识别不准确的技术问题。
34.此外，本实施例还对惯性测量装置进行了改进。
35.现有技术中，惯性测量装置通过加速度计和陀螺仪敏感载体加速度和角速度信息实现惯性信息测量，为了实现对载体三轴惯性信息的准确测量，需要在每个载体轴向部署传感器进行测量，不同轴向的传感器之间采用焊接导线的方式连接存在装配流程复杂、挤占用内部空间等问题。
36.并且，在现有技术中，通常传感器电路采用螺钉固定的方式固连于测量单元外形结构，在紧定螺钉的过程中不同螺钉受力情况无法做到完全一致，容易产生装配误差甚至影响测量电路结构。同时，测量电路直接与测量单元外壳刚性连接，测量电路易受到外界冲击影响导致损坏，这些问题都会影响惯性测量装置的整体稳定性，进而影响惯性测量装置的采集数据的准确性。
37.本实施例对惯性测量装置进行了改进，惯性测量装置每个轴向惯性信息均采用独立单轴传感器进行测量，各部分传感器电路正交排列测量三轴惯性信息，传感器电路与信号处理电路之间采用柔性电路进行连接，减小空间占用的同时，实现测量电路信号的稳定
传输。此外，测量电路与测量单元外壳通过gd414硅橡胶固定，提升测量电路的抗冲击性能和测量单元的整体结构稳定性。
38.通过上述改进，不同模块、不同传感器电路之间通过焊盘触点采用柔性电路进行连接，能够降低系统空间占用，便于人体携带，且提高了信号传输稳定性。此外，测量电路与测量单元外壳通过硅橡胶固定，提升了测量电路的抗冲击性能和测量单元的整体结构稳定性，从而使得惯性测量装置能够在特殊空间，例如，事故及灾难救援现场，更能准确地采集到人体的运动数据。
39.实施例2
40.根据本发明实施例，还提供了一种利用惯性测量装置识别运动状态的系统，如图2所示，该系统包括惯性测量装置100和分类识别装置200。本实施例中的惯性测量装置与实施例1中的结构和功能相同，此处不再赘述。
41.本实施例与实施例1不同的是分类识别装置200，本实施例的分类识别装置包括模型训练模块202，下面将详细描述模型训练模块如何进行模型训练。
42.支持向量机(support vector machine)，简称svm，从分类原理上来讲，它是一种将数据进行二分类的模型，定义为在特征空间上将分类间隔最大化的线性分类器。它的学习策略便是分类间隔最大化，将分类超平面寻找问题转化为一个凸二次规划问题求解。svm是一种监督式机器学习算法，基于结构化风险最小原则，将置信范围和经验风险降到最小，从而提升了其泛化能力，即便在训练样本不多的情况下，也能实现较好的分类效果，该算法的核心是如何找到一个可以将样本分为两类的最优超平面，主要思想就是将平面内的线性可分问题推广到高维分类问题上
43.但是在日常生活中需要分类的问题往往是多类的，比如人体的运动状态分类问题，需要的识别动作有行走、跑步、静止、上楼、下楼，坐下等多种常见动作，对于这种多分类问题，主要是通过组合多个二分类svm来实现多分类svm的构建，常见的方法有1-v-1svms和1-v-r svms。1-v-r svms算法是最早的svm解决多分类问题的方法，对于一个总共有k个类别的分类问题，将构造出k个子分类器，第i个分类器将第i类作为一类，将其他所有类作为另外一类进行分类器的构建，对于一个待分类数据，需要进行k次分类操作，计算每个分类器的分类函数值，选择最大的函数值对应的类别为其所属类。当类别较多时，单一类类别和剩余所有类别所对应的训练数据集具有较大的不对称性，并且存在数据分布复杂的情况，所训练出的分类器支持向量较多，分类计算量较大，另外，当分类函数值出现重复时，将会出现不可分问题。综合以上几点，这种多分类算法在实际应用中已经很少使用。本技术实施例重要使用的是1-v-1svms方法。
44.在一个示例中，1-v-1svms分类方法原理如下：
45.对于一个总共有k个类别的分类问题，其总共构造出个子分类器，每个子分类器的训练数据仅需要这两类所对应的数据集，因此其数据复杂度要小于1-v-r算法。在数据验证时，遍历所有子分类器，每个子分类器的分类结果作为该类别的一票，统计最终所有类别的票数，选择票数最多的类别作为最终分类结果。对于将第i和第j类区分开来的分类器，定义第i类样本为正类样本，第j类样本为负类样本。
46.svm分类过程如下：
47.(1)样本数据进行特征提取，并选取最优子集。
48.(2)将每种动作特征集平分为训练集和测试集，并对动作样本集进行两两组合(在这里假设是六种动作分类)，得到15种组合方式，设其为k1-k15。
49.(3)从k1开始，训练集和测试集作为数据源，使用网格搜索算法进行最优参数搜索，并使用最优参数创建子分类器，记录其最优识别率。
50.(4)分别对k2、k3
……
k15进行步骤(3)中操作。
51.通过核函数对特征向量进行高维转化后，对训练样本进行监督学习，计算分类器的函数式为：其中：αi为拉格朗日乘子；k(xi，x)为计算样本点xi与x之间的内积，n代表参与建模的n个带标签的训练数据，i为第i个训练数据；αi为拉格朗日乘子；k(xi，x)代表计算训练数据xi与x之间的内积；b为常数；yi为训练数据xi对应的标签。
52.下面将详细描述另一种核函数。
53.使用svm对非线性可分问题分类，首先想到的将线性不可分数据通过一定的非线性映射关系将其映射到新的线性可分数据集内，然后再对其进行线性问题分类，假设其映射关系为φ，过程分为两个步骤：
54.(1)建立映射关系φ，将数据映射到新数据空间。
55.(2)对新数据空间的数据进行线性分类。
56.(3)此时分类函数可以表示为为如下形式：
57.通过核函数对特征向量进行高维转化后，对训练样本进行监督学习，计算分类器的函数式为：其中，αi为拉格朗日乘子；(φ(xi)，φ(x))为计算样本点xi与x之间的内积。只是先对x进行映射。现在找出一种方法可以将映射和内积同时进行，就可以将对线性不可分问题的分类简化为和线性可分问题同样的步骤，从而建立一个非线性学习机，而这种直接计算的方法就是本技术实施例所提到的核函数法。此处所说的
″
核
″
是一个函数，对所有的x和z，满足如下关系：
58.k(x，z)＝(φ(x)，φ(z))
59.即，函数k(x，z)所得到的结果和映射后再进行内积操作(φ(x)，φ(z))有相同的效果，通常向高维映射都伴随着维度爆炸式增长，高维数据进行内积操作需要大量的计算，因此，核函数可以做到节省大量的内积计算同时达到相同的内积效果。至此，对于线性不可分问题的分类函数可以表示为如下形式：
[0060][0061]
核函数的应用既解决了线性不可分问题又避免了维度映射中维度增加带来的大量内积运算问题，对于核函数的选择，还没有同一个标准，根据应用场景、特征维度和数据特点的不同，一般通过交叉验证的方式寻找最优的核函数及其参数。下面对几种常用的核函数进行介绍并分析其应用场景，最后通过实验方式比较每种核函数对动作识别的性能表现。
[0062]
核函数的选取：
[0063]
本技术实施例方法中所用的为径向基核函数(radial basis function kernel，
rbf)，
[0064]
k(xi，xj)＝exp(-γx
i-x
j2
)当γ＞0
[0065]
式中：xi和xj为特征向量；γ为核函数的参数。
[0066]
这种核函数得到的svm是一种与之对应的径向基函数的分类器。最关键的地方是这种核函数是所有核函数中不会出现较大偏差的函数。
[0067]
下面将详细描述通过网格搜寻法来寻找核函数的过程。
[0068]
核函数的选择需要尝试后根据分类效果决定，而不同的核函数具有不同的参数，参数对分类效果的好坏有着很重要的影响，因此本技术实施例需要进行每种核函数的参数寻优，并进行最优效果的比较，选择最适合的核函数。本技术采用网格搜索法来选择核函数。
[0069]
本技术使用迭代网格搜索法搜索函数参数和惩罚因子c。具体过程如下：
[0070]
(1)、设置各参数搜索范围和，并将搜索范围分为固定格数。
[0071]
(2)、遍历每个格子进行交叉验证，并记录其对应的识别率。
[0072]
(3)、遍历一次后计算最大识别率和最小识别率的差值，若差值小于0.01则终止过程，输出当前最大识别率所对应的参数组合。若差值大于0.01则跳转至第(1)步，对当前最大识别率所对应的格子进行迭代细分，直至满足差值小于0.01为止。
[0073]
下面将具体描述核函数的参数。
[0074]
在此过程中，要确定的是惩罚因子c和核函数中的参数，通过调整这些参数，来提高识别的准确率。
[0075]
c是惩罚系数，即对误差的宽容度。c越高，说明越不能容忍出现误差，容易过拟合。c越小，容易欠拟合。c过大或过小，泛化能力变差，因此找到合适的c对网络的优化有重要的作用。
[0076]
gamma是选择rbf函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。
[0077]
实施例3
[0078]
根据本发明实施例，还提供了一种利用惯性测量装置识别运动状态的系统，该系统包括惯性测量装置和分类识别装置。本实施例中的分类识别装置与实施例1和2中的结构和功能相同，此处不再赘述。
[0079]
本实施例与实施例1不同的是惯性测量装置，如图3至10所示，惯性测量装置由z轴陀螺仪和加速度计合并电路1、x轴陀螺仪电路2、y轴陀螺仪电路3、x轴加速度计电路4、y轴加速度计电路5、信号处理电路6、连接器7以及连接器焊接电路8、底板9和壳体10组成，底板用于固定信号处理电路，并与壳体结合为电路提供保护。
[0080]
信号处理电路通过柔性电路与其他传感器电路和连接器焊接电路连接，进行信号传输。在z轴陀螺仪和加速度计合并电路、x轴陀螺仪电路、y轴陀螺仪电路、x轴加速度计电路和y轴加速度计电路上，传感器件及其外围电子器件均分布在电路板正面，背面不存在电子元器件，避免与测量装置金属壳体接触造成电路短路，同时方便电路板与测量单元外壳通过胶粘固定。
[0081]
信号处理电路由cortex-m7内核stm32h753芯片、信号放大器、16位高精度ad转换
器和串口组成，能够实现复杂的传感器补偿、数据滤波以及组合导航参数解算等功能。
[0082]
在装配过程中，首先目视观察壳体和底板表面是否存在明显划伤、碰伤或毛刺，底座薄面是否存在明显弯曲，壳体和底板采用超声波清洗机加入无水乙醇进行清洗，清洗时间不低于半小时，确保表面无铁屑，无油渍。
[0083]
将信号处理电路通过两根m1.2x4螺钉与底板螺钉孔位(11)进行固定。在壳体内部底部均匀涂抹gd414硅橡胶，将z轴陀螺仪和加速度计合并电路装配在壳体内部底部，按压合并电路使合并电路背面紧贴壳体内部底部。随后在壳体内部侧面均匀涂抹gd414硅橡胶，将x轴陀螺仪电路、y轴陀螺仪电路、x轴加速度计电路和y轴加速度计电路装配于壳内壁上，背面紧贴壳体内部侧面。采用gd414硅橡胶固定传感器电路能够有效提高传感器抗冲击性能与测量单元整体稳定性。
[0084]
之后，将连接器j30j-15zkn-j连接器两侧原装螺钉取下，插针对准连接器焊接电路孔位插入，采用焊锡焊接方式将所有孔位与插针紧密焊接，将连接器与连接器焊接电路一同由内向外插入外壳孔位，取特制螺钉与原装弹垫、垫片、螺母将其与壳体固定。将连接器焊接电路与信号处理电路对应脚位通过焊接导线连接。最后，弯折柔性电路，将底板与信号处理电路合上，取八根m1.2x4螺钉将底板与壳体连接紧密。
[0085]
下面将详细描述信号处理电路对所采集到的运动数据进行预处理的过程。
[0086]
步骤1，进行滤波处理。
[0087]
通常原始信号数据(即采集到的人体的非规则运动数据)的序列很长，同时还包含大量噪声。因此，为了后续的特征值提取和算法精确度的提高，需要对原始信号数据进行处理，本技术采用的是移动中值滤波的方法。移动均值滤波算法是一种典型的线性滤波算法，对周期性噪声干扰有良好的抑制作用。它的主要原理是利用移动窗口的方式，并通过邻域平均法实现对原始数据的滤波。假设输入为x、输出为y，则移动均值滤波器的计算方法，如下式所示，其中m为移动均值滤波器的窗口大小。
[0088][0089]
其中，n是窗口长度，y(n)是滤波计算后的输出。
[0090]
步骤2，数据归一化
[0091]
由于本系统使用了惯性传感器的加速度数据和角速度数据，然而这两种数据由于物理意义的不同，数值范围差距较大，分别对其进行特征提取时最终的特征值范围也会较大，后续会对基于特征值的动作分类算法造成一定的干扰，数值大的特征对分类结果影响更大。因此，需要做归一化处理，具体算法步骤如下：
[0092]
(1)、在动作三轴加速度数据中寻找测量点最大值h和最小值l。
[0093][0094]
(2)、同样寻找三维角速度中最大值max和最小值min。
[0095]
(3)、对三轴角速度数据分别作如下式的计算：
[0096][0097]
式中l为归一化后最小值，h为归一化后最大值，ui表示原始数据点，vi表示归一化后数据点。
[0098]
步骤3、特征提取。
[0099]
理论上特征值越多越能表达出动作数据的特点，但是过多的特征值也会大幅增加计算量，所以要针对算法选取合适的特征值，以下是常用的数据特征提取方法。
[0100]
均值：其中n为动作数据点数。
[0101]
标准差：其中n为动作数据点数，xi表示第i个输入，表示输入值的平均值。
[0102]
均方根：其中n为动作数据点数。
[0103]
步骤4、pca降维处理
[0104]
主成分分析法(pca，principle component analysis)是一种常用的降维方法，是一种无监督的降维处理方法，通过对训练矩阵dm×n进行奇异值分解，求其特征值λi与奇异值ui，根据主成分思想，奇异值越大，其包含的信息越多，然后得到dm×n中各成分的贡献率，进而求出累计贡献率，并按贡献率大小选取特征。
[0105][0106]
其中，u和v为正交矩阵，λ为m
×
n的非负对角阵，令λ＝diag[λ1，λ2，...，λm]，其特征值λi与奇异值ui的关系如下：λi＝(ui)2[0107]
λi是训练矩阵d的特征根，根据主成分思想，奇异值越大，其包含的信息就越多，因此前1个主成分所组成的特征空间对应新的特征空间d
′
：
[0108]d′m×
l
＝u(：，1：l)
×
λ
l
×
l
[0109]
u(：，1∶l)为前1列向量对应的矩阵，λ
l
×
l
为前1个较大奇异值对应的对角矩阵。由此得到d中各主成分的贡献率为ci：
[0110][0111]
其中，λi和λj表示第i个和j个特征值。
[0112]
相应地，累计贡献率c
[0113][0114]
其中，m是矩阵的列数，k是行数。
[0115]
通常情况下要求特征累计贡献率达到90％以上，才能保证被选择的特征包含运动的绝大多数信息。但是降维后如果维数太少会出现特征值不足而不能准确进行识别，维数太多就会出现计算量过大、识别时间长等问题。因此需要其它合适的方法选择特征，使得在合理降低维数的同时能缩短识别时间和提高分类精度。
[0116]
本实施例中，惯性测量装置识别运动状态的系统的实施步骤如下：
[0117]
1、利用穿戴于胸部的惯性测量装置采集狭小及遮蔽空间等环境下的非规则运动状，并将采集到的数据分类完成且标注时间戳并通过无线通讯模块传送至分类识别装置。
[0118]
2、将采集到的目标行走步频和传感器信息进行数据处理分析，将不同的行为活动打上对应标签，形成数据标签对集。
[0119]
3、构建非规则的动作识别网络模型，并根据识别效果和动作的类别调节参数。
[0120]
4、将得到的数据标签对集分为训练集和测试集，其中训练集送入搭建的网络模型进行训练，训练完成后利用测试集评估模型分类效果。
[0121]
5、将穿戴设备人员的实时数据导入到训练好的模型进行线上实时分类，进行评估。
[0122]
实施例4
[0123]
本发明实施例提供了一种利用惯性测量装置识别运动状态的系统和分类识别装置对非规则人体运动状态进行识别的方法，如图11所示，该方法包括：
[0124]
步骤s402，根据非规则运动数据，进行数据预处理，获得预处理后的非规则运动数据；
[0125]
步骤s404，将所述预处理后的非规则运动数据，输入运动状态识别模型，得到所述运动状态识别模型输出的非规则人体运动状态识别类型。
[0126]
其中，所述运动状态识别模型是基于预采集的非规则人体运动状态所对应的非规则运动数据，进行训练的多分类支持向量机(support vectormachine，简称svm)模型。
[0127]
在一个示例中，所述多分类svm模型包括一对一支持向量机(one-versus-onesupport vector machines，简称1-v-1svms或者pairwise)模型；所述1-v-1svms模型包括由第一公式计算得到的，多个非规则人体运动状态二分类svm模型，其中，所述第一公式为：n＝k(k-1)/2；其中，n为所述非规则人体运动状态二分类svm模型的个数，k为所述1-v-1svms模型所要识别的，非规则人体运动状态的总类别数。
[0128]
在一个示例中，所述非规则运动数据包括：加速度数据、角速度数据；所述根据非规则运动数据，进行数据预处理，获得预处理后的非规则运动数据，包括：根据所述非规则运动数据，进行数据修整，获得修整后的非规则运动数据；其中，所述数据修整包括以下处理中的至少一种：异常数据处理、重复数据处理、缺失值填充；根据所述修整后的非规则运动数据，进行数据归一化，获得所述预处理后的非规则运动数据。
[0129]
在一个示例中，所述加速度数据由加速度采集设备获取，所述角速度由角速度采集设备获取；所述加速度采集设备包括加速度计；所述角速度采集设备包括陀螺仪；所述加速度数据为，根据三维空间位置确定的三轴加速度数据，包括：第一加速度数据、第二加速度数据、第三加速度数据；所述角速度数据为，根据三维空间位置确定的三轴角速度数据，包括：第一角速度数据、第二角速度数据、第三角速度数据。
[0130]
在一个示例中，所述方法还包括：获取训练数据，所述训练数据包括，经过标记和所述数据预处理的所述非规则运动数据；以及，将所述训练数据划分为训练集和测试集；构造分类器模型，并定义多个二分类模型；以及，将所述训练集输入所述分类器，通过调用实例化方法，建立初始的分类器模型；将所述测试集输入当前分类器模型，根据当前分类器模型的输出结果和所述测试集中的非规则人体运动状态类型标记，获得当前分类器模型的精确度；根据当前分类器模型的精确度，对分类器模型的模型参数根据网格搜索法进行参数寻优，直至训练得到精确度达到预定要求的所述多分类svm模型。
[0131]
在一个示例中，所述分类器模型由第二公式进行描述，其中，所述第二公式为：
[0132][0133]
其中，n代表参与建模的n个带标签的训练数据，i为第i个训练数据；αi为拉格朗日乘子；k(xi，x)代表计算训练数据xi与x之间的内积；b为常数；yi为训练数据xi对应的标签。
[0134]
在一个示例中，所述网格搜索法包括：设置所述分类器模型中若干个待调整的参数，以及惩罚因子的搜索范围；以及，在所述搜索范围中，确定多个固定数值，形成数据网格；根据所述数据网格，将所述分类器模型参数以及所述惩罚因子遍历设置为所述数据网格所对应的参数，并记录不同参数下，所述分类器模型的精确度；若所述不同参数下，所述分类器模型的精确度中，最大值与最小值的差值不大于预设值，则将取得所述最大精确度所对应的所述模型参数及所述惩罚因子确定为所述分类器模型的取值；若所述不同参数下，所述分类器模型的精确度中，最大值与最小值的差值大于所述预设值，则根据取得所述最大精确度所对应的所述模型参数及所述惩罚因子，重复执行所述网格搜索法，直至所述差值不大于预设值。
[0135]
在一个示例中，将六轴惯性测量装置固连于人体脚部，可采用零速修正方法结合扩展卡尔曼滤波器对系统状态向量误差进行估计，然后对捷联解算的状态向量进行修正，得到滤波估计后的人员位置、速度、姿态。零速修正方法可以有效地抑制加速度积分导致的惯性测量装置误差累积，但是要求惯性测量装置只能安装于脚部，并且要求在一定时间内脚部相对地面静止，以保证对状态向量的及时修正。零速修正方法算法大致可以分为两部分：零速检测和零速修正。
[0136]
行人步行时，足部的运动可以分为静止和运动2种模式。零速检测主要完成的任务是识别人员脚部的静止阶段，并确定为步态周期内的零速区间。给定一段观测值序列，通过该观测值序列进行零速探测，对零速区间识别的准确性是影响zupt算法导航效果的关键因素之一。零速探测的要求是降低将运动状态误判为零速状态的概率并提高准确判断零速的概率，因为如果将运动状态误判断为零速状态将会给导航系统引入新的误差，如果将静止状态误判为运动状态则会减少对导航系统的修正次数。利用广义似然比检测法进行零速检测公式为：
[0137][0138]
式中：w为零速探测窗口大小；zn是零速窗口内的传感器输出，
[0139][0140]
分别为加速度计和陀螺仪的噪声方差；为零速探测窗口内加速度计输出各轴比力平均值矢量，表示k时刻陀螺仪输出，n表示采样数量，表示k时刻加速度计输出，g表示重力加速度。
[0141]
为零速检测设置一个检测阈值γ
t
，用于确定数据的零速检测标志位ck，公式如下：
[0142][0143]
其中，t表示零速检测的检验统计量，un表示零速检测的观测量。零速修正的主要任务是利用零速区间的零速度作为观测量，通过扩展卡尔曼滤波器对状态变量误差进行滤波估计，然后对捷联惯性解算的结果进行修正。系统数学模型是基于导航误差模型建立的，惯性导航更新在时间更新中完成，量测更新在零速区间执行，量测更新之后就立即将状态变量误差反馈至导航更新结果，进行误差修正。
[0144]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
技术特征：1.一种利用惯性测量装置识别运动状态的系统，其特征在于，包括：惯性测量装置，被配置为采集轴向惯性信息，获取人体的非规则运动数据；分类识别装置，被配置为通过预先训练的运动状态识别模型，来分类识别所述非规则运动数据，以确定所述人体的运动状态；其中，所述惯性测量装置包括：多个单轴传感器，设置在传感器电路的电路板上，用于分别采集所述惯性测量装置在x轴、y轴和z轴上的所述轴向惯性信息；正交排列的多个所述传感器电路，位于信号处理电路的上方，分别与多个所述单轴传感器连接，用于接收所述轴向惯性信息；所述信号处理电路，通过柔性电路分别与多个所述传感器电路连接，用于对所述轴向惯性信息进行预处理，得到预处理的所述非规则运动数据。2.根据权利要求1所述的系统，其特征在于，多个所述单轴传感器、多个所述传感器电路和所述信号处理电路形成的整体结构与所述惯性测量装置的外壳通过硅橡胶固定。3.根据权利要求1所述的系统，其特征在于，其多个所述单轴传感器及其外围电子元器件均分布在所述电路板正面，所述电路板的背面不设置电子元器件，其中，所述正面为朝向所述惯性测量装置的内部。4.根据权利要求1所述的系统，其特征在于，所述惯性测量装置还包括连接器和连接器焊接电路，其中，所述连接器焊接电路与所述信号处理单元通过焊接导线连接，所述连接器的接针直接与所述连接器焊接电路通过焊接方式连接固定。5.根据权利要求1至4中任一项所述的系统，其特征在于，所述信号处理电路还被配置为：对所述非规则运动数据进行以下预处理：ad转换、信号放大和滤波、数据归一化处理、特征提取和降维处理。6.根据权利要求1至4中任一项所述的系统，其特征在于，所述分类识别装置被配置为根据应用场景、特征维度和数据特点的不同，通过交叉验证的方式寻找最优的核函数及其参数，并利用所述核函数，对训练样本进行监督学习，计算分类器，以得到所述运动状态识别模型。7.根据权利要求1至4中任一项所述的系统，其特征在于，所述分类识别装置被配置为：根据应用场景、特征维度和数据特点的不同，通过使用迭代网格搜索法寻找最优的核函数及其参数，并利用所述核函数，对训练样本进行监督学习，计算分类器，以得到所述运动状态识别模型。8.根据权利要求7所述的系统，其特征在于，所述分类识别装置还被配置为：设置迭代网格搜索法的各参数的搜索范围，并将搜索范围分为固定格数；遍历每个格子进行交叉验证，获取每个格子的识别率，并根据各个格子的识别率计算最大识别率和最小识别率的差值；在所述差值小于预设阈值时，输出当前最大识别率所对应的参数组合，作为所述核函数的参数，在所述差值大于所述预设阈值时，重新设置所述搜索范围，并执行上述步骤，直到所述差值小于预设阈值。9.根据权利要求5所述的系统，其特征在于，所述信号处理电路还被配置为：在动作三轴加速度数据中寻找测量点最大值h和最小值l；
寻找三维角速度中最大值max和最小值min；基于所述测量点最大值h和最小值l、以及所述三维角速度中最大值max和最小值min，进行归一化处理。10.根据权利要求5所述的系统，其特征在于，所述信号处理电路还被配置为：对训练矩阵进行奇异值分解，求其特征值与奇异值，根据主成分思想，奇异值越大，其包含的信息越多，得到所述训练矩阵中各成分的贡献率，进而求出累计贡献率，并按贡献率大小选取特征，以进行降维处理。
技术总结本发明公开了一种利用惯性测量装置识别运动状态的系统。其中，该系统包括：惯性测量装置，被配置为采集轴向惯性信息，获取人体的非规则运动数据；分类识别装置，被配置为通过预先训练的运动状态识别模型，来分类识别非规则运动数据，以确定人体的运动状态；其中，惯性测量装置包括：多个单轴传感器，设置在传感器电路的电路板上，用于分别采集惯性测量装置在X轴、Y轴和Z轴上的轴向惯性信息；正交排列的多个传感器电路，位于信号处理电路的上方，分别与多个单轴传感器连接，用于接收轴向惯性信息；所述信号处理电路，通过柔性电路分别与多个传感器电路连接，用于对轴向惯性信息进行预处理，得到预处理的非规则运动数据。得到预处理的非规则运动数据。得到预处理的非规则运动数据。
技术研发人员：刘宁 戚文昊 袁超杰 刘孟齐 苏中 赵辉 陈达 范军芳
受保护的技术使用者：北京信息科技大学
技术研发日：2022.07.12
技术公布日：2022/11/1
