基于加速度傳感器的無按鍵計步腕表低功耗算法

李 越，黃 凱，張曉濛，毛東杰，葛海通，嚴曉浪

(1.浙江大學 超大規模集成電路研究所，浙江 杭州310027;2.杭州中天微系統有限公司，浙江 杭州310027)

0 引 言

計步腕表是一種內含加速度傳感器，并通過低功耗藍牙技術和手機同步使用的熱門戶外設備。相比于市面上流行的按鍵計步腕表，無按鍵計步腕表能提供良好的用戶體驗和極佳的防水性。

無按鍵計步腕表的控制和計步的核心算法均基于加速度傳感器實現，但現有的算法中存在一定的功耗問題。對于其控制功能，目前多使用ADI 公司提出的一種敲擊算法［1］來實現按鍵的功能:微處理器通過加速度傳感器不斷讀取X，Y，Z 三軸加速度并不斷做敲擊算法檢測，但其長時間的工作會帶來大量的能量消耗。對于其計步功能，現有的計步算法利用加速度傳感器采集的運動數據采用動態閾值法或峰值檢測法等進行計步判定，但為了保證最高運動速度時計步的精確性，對于速度不同的運動狀態統一采用高采樣率，增加了系統功耗。

針對以上問題，本文對無按鍵計步腕表的核心算法進行低功耗優化。在控制方面，文中提出了預測敲擊檢測算法以降低復雜的敲擊算法調用頻率;在計步算法方面，文中提出了自適應計步算法以根據運動速度調整加速度采樣率。通過兩者結合，在保證精度和用戶體驗的情況下，減少微處理器的運算量，降低系統功耗。

1 計步腕表核心算法優化

1.1 預測敲擊檢測算法

敲擊算法通常包括信號調理和敲擊狀態機檢測兩個步驟。首先將三軸加速度作信號調理，將得到的結果作為檢測狀態機的輸入Din并與設定的閾值進行比較來確定敲擊狀態機位于初始狀態區、峰值檢測區還是單擊確認區(如圖1所示)。

圖1 敲擊檢測Din變化曲線Fig 1 Tapping detection Din change curve

以上算法雖然能夠準確檢測敲擊，但是其頻繁使用會帶來較多功耗。本文在其基礎之上進行優化，提出了預測敲擊算法。

1)預測敲擊算法原理

根據人們敲擊的行為可以觀察到，人們在開始敲擊時普遍存在一個抬臂的前置動作，而這個動作比敲擊緩慢，檢測時所需的采樣點更少。因此，整個敲擊檢測算法可以通過加入對抬臂的檢測來進行優化，即以持續的低復雜度抬臂檢測代替持續的高復雜度敲擊檢測，只有當檢測到抬臂動作后才繼續進行敲擊檢測和降臂檢測。

預測敲擊檢測算法工作狀態示意圖如圖2 所示:系統會周期性的進行檢測計算，待機時計步腕表一直處于抬臂檢測狀態，如圖中A 點之前和C 點之后所示。當檢測到抬臂動作(A 點)時，腕表在下一周期進入敲擊檢測和降臂檢測狀態，此后若N1個周期都未檢測到敲擊即n1＞N1時，則回到抬臂檢測狀態;若N1個周期內檢測到敲擊動作(B點)，則微處理器對敲擊事件進行相應的處理，并在接下來的N2個周期中持續進行敲擊檢測和降臂檢測，若在N2個周期中檢測到降臂動作(C 點)或N2個周期已經結束仍未檢測到降臂動作，腕表重新回到抬臂檢測狀態。

圖2 預測敲擊算法工作原理示意圖Fig 2 Working principle diagram of prediction tapping algorithm

2)預測敲擊算法具體實現

由上一節的描述可知，預測敲擊算法中主要包括抬臂檢測、敲擊檢測、降臂檢測三個過程。其中敲擊檢測仍采用ADI 的敲擊檢測算法實現，下面主要介紹抬臂和降臂檢測的具體實現。

抬臂和降臂過程如圖3 所示。由圖可見，兩者為互逆過程:抬臂時，Z 軸加速度從垂直逐漸變化到水平;降臂時，Z 軸加速度從水平逐漸變化到垂直。

圖3 抬臂和降臂Z 軸加速度變化曲線Fig 3 Z-axis acceleration change curve of raising and dropping arm

根據這兩個物理過程，抬臂(降臂)檢測狀態機可以分成初始和確認兩種狀態:

1)初始狀態:取平滑濾波后的Z 軸數據作為狀態機的輸入，如果輸入數據大于水平閾值T水平max，且在水平區間內持續保持采樣點數目大于N水平，則進入抬臂確認狀態;如果輸入數據小于垂直閾值T垂直min，且在垂直區間內持續保持采樣點數目大于N垂直，則進入降臂確認狀態。

2)確認狀態:進行抬臂確認時，如果垂直區間持續保持采樣點數目大于N垂直，則認為檢測到一個抬臂過程;進行降臂確認時，如果水平區間持續保持采樣點數目大于N水平，則認為檢測到一個降臂過程;否則，回到初始狀態。

1.2 自適應計步算法

本文在常規計步算法的基礎上提出了根據運動狀態(跑步、走路或靜止等)自適應地調節加速度傳感器采樣率的改進算法。算法中采用運動預判的方法進行動態采樣率調整:對于跑步這種高速運動的狀態，采用高采樣率以保證計步的精度;對于慢走或者靜止這種低速運動狀態，采用低采樣率以減少不必要的運算量，以減少功耗。

自適應計步算法整體流程圖如圖4。

整個算法包括信號預處理、步數檢測和運動預判三個步驟:

1)信號預處理

對于手腕應用來說，運動中手腕不停的翻轉，加速度有效軸可能不停的變換。因此，本算法中采用了三軸合一的方法來確定加速度［2］，以提高計步的準確性，其公式如下

圖4 自適應計步算法整體流程圖Fig 4 Overall flow chart of self-adaptive pedometer algorithm

然后，采用加權平滑濾波的方法去除隨機干擾。平滑濾波相對其他濾波具有平滑度高，計算簡單，耗費資源少，在時間上對整個系統運行影響小的優點，其公式如下

經過預處理之后的波形可以體現出較好的正弦波特性，在此基礎之上可以通過檢測正弦波的個數對步數進行判斷。

2)步數檢測

本算法中使用動態閾值方法［3］來檢測步數。由于手臂向前擺動時加速度變化比較大，而向后擺動時加速度變化比較小，故預處理之后的波形是(如圖5)波峰一大一小的正弦波。

圖5 計步信號預處理后波形Fig 5 Step signal waveform after pretreatment

在這種情況下，簡單地取加速度的最大值和最小值平均值作為閾值會影響計步的精度，因此，本算法中的閾值需要在求得的平均值基礎上再乘以一個大于1 的系數K，公式如下

這樣就使得閾值能夠高于所有小波峰，最終通過檢測一段時間內大波峰個數乘以2 得到當前時間的計步結果。

3)運動預判

運動預判即根據當前計步周期的運動狀態來判斷下一計步周期內的運動狀態，動態地調整采樣率。

本計步算法以2 s 作為一個計步周期，每2 s會更新一次采樣率。初始化時采用50 Hz 的采樣率來計步，即采樣點數達到100 即計算一次步數。由圖5 所示，當檢測到2 s內的步數小于預設的步數閾值時，則認為當前為低速狀態，將下一個計步周期的運動預判為低速狀態，下一次計步周期的加速度采樣率設置為25 Hz，即2 s 內采樣點數達到50 即計算一次步數，以減少運算量;當檢測到2 s 內步數大于等于預設的步數閾值時，則認為當前為高速狀態，因此，將下一個計步周期預判為高速運動狀態，其采樣率設置為50 Hz。如此循環往復，不斷根據用戶的運動狀態進行運動預判，進而實現自適應的采樣率調整，以達到降低功耗的目的。

2 實驗與實現

2.1 系統實現

為了驗證本文中所提出的算法的正確性和高效性，將該算法應用于一個由智能手機和計步腕表組成的系統，如圖6 所示。

圖6 系統架構圖Fig 6 System architecture diagram

計步腕表的硬件由具有超低功耗的TI CC2541 SoC［4］，ADI ADXL263 G-Sensor［5］，AW9523B GPIO 管理芯片和LED組成。在工作時，計步腕表通過加速度傳感器采集三軸加速度，并經過計步算法處理得到運動數據，通過低功耗藍牙(BLE)通信方式傳輸給手機，手機將接收到的數據進行處理整合并顯示。同時，用戶可以通過敲擊檢測對腕表的計步和顯示進行控制。

2.2 實驗結果與分析

2.2.1 預測敲擊算法功耗測試

無論是ADI 的敲擊檢測算法還是預測敲擊算法都是周期性(本實驗中都采用250 ms 作為一個檢測周期)進行的，而在一個檢測周期中處理器僅有工作和睡眠兩種工作模式，所以，一個檢測周期內工作時間的長短能夠直接反映功耗的高低。檢測結果如表1 所示。

對于ADI 的敲擊檢測算法，微處理器在每個檢測周期完成的工作是讀取數據并進行敲擊檢測。從表1 可以看到每個檢測周期微處理器的工作時間為8.32 ms，其余為低功耗睡眠時間。

對于預測敲擊檢測算法，在一個檢測周期中可能有以下兩種工作狀態之一:1)多數情況下，都是讀取加速度并進行抬臂檢測;2)在檢測到抬臂之后，檢測周期完成的工作是讀取加速度再進行敲擊和降臂檢測。如表1 所示，這兩種狀態下的工作時間分別為5.06，9.14 ms，其余為睡眠時間。

表1 二種敲擊算法耗時情況Tab 1 Time consuming of two tapping algorithms

通過與圖2 相對應可以看出:大多數情況下微處理器都處于a 狀態中，只有少數情況處于b 狀態中，使用抬臂檢測所節省的時間遠大于加入降臂檢測而增加的時間。因此，采用預測敲擊檢測可以大大減少微處理器的工作時間和系統功耗。另外，實驗還通過測試平均電流來更直觀地體現功耗的變化，如表2 所示。

表2 二種敲擊算法電流測試結果Tab 2 Currents test result of two tapping algorithms

由表2 可見，腕表在使用預測敲擊算法后電流降低1/3左右。這進一步證明了相比ADI 的敲擊算法，預測敲擊算法能夠有效降低系統功耗。

2.2.2 自適應計步算法功耗和準確度測試

本實驗中，對于跑步狀態，加速度采樣周期為20 ms;對于走路或者靜止狀態，加速度采樣周期為40 ms。

如表3 所示，當采樣周期為20 ms 時，每2 s 內計步算法耗時為5.92 ms;而當采樣周期為40 ms 時，每2 s 內計步算法耗時為3.76 ms。相對于固定采樣率計步算法，即各個2 s內都耗時5.92 ms 的計步算法，本文提出的自適應計步算法可以動態改變采樣率，有效地減少微處理器的工作時間以降低功耗。

表3 不同采樣率下計步算法耗時情況Tab 3 Time consuming of pedometer algorithm under different sampling rates

在降低功耗的同時，實驗中采集了多人多組走路和跑步時的計步數據，來測試該計步算法的準確度，如表4 與表5所示。

表4 走路狀態計步檢測Tab 4 Pedometer test result of walking state

表5 跑步狀態計步檢測Tab 5 Pedometer test result of running state

由表4 可見，計步總體精度達到了95%以上，由此可見該計步算法在不同狀態和不同測試人員身上測試都達到了較好的精度，滿足準確計步的要求。

3 結 論

本文針對基于加速度傳感器的無按鍵計步腕表提出了低功耗優化技術，通過預測敲擊算法與自適應計步算法對腕表的核心算法進行改進以減少處理器運算時間，從而在保證用戶體驗和計步精度的情況下顯著降低了系統功耗。

［1］ Carlos Millan Navarro.ADXL362 tapping algorithm［EB/OL］.［2013—06—15］.http:∥www.analog.com.

［2］ 謝如花.步數檢測方法及在手腕式計步器中的應用研究［D］.蘭州:蘭州交通大學，2013:13－15.

［3］ Zhao N.Full-featured pedometer design realized with 3-axis digital accelerometer［J］.Analog Dialogue，2011，6:1－5.

［4］ Texas Instruments Inc.CC2541 Datasheet［EB/OL］.［2013—06—11］.http:∥www.ti.com.

［5］ Analog Devices Inc.ADXL362 Datasheet［EB/OL］.［2012—09—13］.http:∥www.analog.com.