幾種常用步態檢測典型算法的設計比較

余 佩，韓勇強

(北京理工大學 自動化學院，北京 100081)

0 引言

步態是用來描述行人行走方式的一個詞語，對不同的人而言，步態雖會因人而異有所差別，但是整體上來說，運動本身就是連續周期性的，因而步態也具有總體性的一般規律[1]。行人步態檢測主要就是根據這種一般規律進行檢測從而實現計步的。行人的行走過程就是一種周期性運動過程 ，這時，行人的身體重心在水平方向上會大致維持著一個恒定的速度，同時在垂直方向上會產生具有一定規律性的變速運動。因此，通過三軸加速度計感知行人的運動加速度就可以對其行走過程進行步態分析。

目前為止，已經有許多研究者在行人導航的研究中選擇不同步態檢測算法對步態進行識別和記步，文獻[2-5]選用了峰值檢測法進行步態檢測，文獻[6-9]選用了過零檢測法，文獻[10]選用了一種改進了的自適應峰值檢測算法，文獻[11-12]選用了一種自相關分析算法。除此之外，還有很多種不同的步態檢測方法，如站立期檢測法、快速傅里葉變換(Fast Fourier Transform, FFT)法、步頻探測傳感器等。

本次實驗研究，在各種步態檢測算法中，選擇了三種應用比較廣泛的基礎算法，峰值檢測算法、過零檢測算法和自適應峰值檢測算法。針對這三種不同的步態檢測算法，在相同的環境下，分別進行設計實驗，比較它們的實驗數據和測量效果，對其可靠性和精確性進行分析，總結了三種算法各自的優缺點。

1 步行建模

行人的行走是一個雙腳交替前進的過程，因此行人的步態模型通常有兩種，單步和復步[13]，如圖1所示。

單步模型是指1個周期里只包含1次跨步動作，其步長等于運動時左右兩腳的腳后跟相鄰落地點間的距離；復步模型是指1個周期里包含2次跨步動作，其步長等于運動時同1只腳的腳后跟相鄰落地點間的距離。一般來說，將加速度計置于行人腰部通常得到的是單步所對應的步態周期信號；而置于腿部的加速度計得到的是復步所對應的步態周期信號。

以一個復步為例，行人的步態周期可以分為站立期和擺動期。站立期指從右腳跟接觸地面開始到右腳腳趾離開地面結束，其余時間為擺動期。同時，站立期又可以分為腳觸地期、站立中期、站立后期和腳離地期，具體的步態劃分示意圖如圖2所示。

以圖2所示的復步模型為例，觸地期是行人右腳腳后跟接觸地面開始到其左腳即將完全離開地面為止，離地期是左腳腳后跟剛接觸地面開始到右腳即將完全離開地面為止。因此，觸地期和離地期里，行人的身體是由雙腳支撐的，其余時間則都為單腳支撐。

根據上面對行人步態周期的詳細劃分，可以分析行人行走過程中加速度的變化。起始時刻為右腳腳后跟觸地時，隨后左腳運動，蹬地前進，因為蹬地反作用力的存在，垂向加速度和前向加速度會增大，直到右腳站立中期達到最大值。之后，左腳向前跨步，垂向加速度開始減小，行人的重心下降，直到左腳腳后跟觸地，垂向加速度減小到最小值。至此，一個單步過程完成，行人進入到下一個單步過程。

這樣將步態周期進行清晰的劃分有利于分析行人在行走時加速度的變化，尤其是針對垂向加速度的變化。起始時刻為右腳腳后跟觸地時刻，隨后左腳起步，借助蹬地時的反作用力，垂向加速度和前向加速度會增大并在右腳的站立中期達到最大值，而后隨著左腳繼續向前跨步，垂向加速度會開始減小，行人重心下降，到左腳腳后跟觸地時的垂向加速度達到最小值。然后進入下一個單步過程，行人的行走過程就是這樣一個重復周期性的過程，腰部垂向加速度計的輸出信號圖如圖3所示，輸出信號基本近似于正弦波。

2 三種步態檢測算法

2.1 峰值檢測法

由于行人在行走時加速度計輸出的信號可以近似于正弦波波形，根據正弦波的特點，通過檢測加速度計輸出信號的波峰或者波谷可以識別行人步數，2個連續波峰之間即為一步。

峰值檢測法的原理可以簡單地描述為式(1)，其中，xi為當前時刻采樣點，xi-1和xi+1分別為上一時刻和下一時刻的采樣點。

xi-1xi+1

(1)

但是外界干擾的作用下，加速度計信號輸出存在偽波峰和偽波谷。所以在具體的實現過程中需要消除極值帶來的影響，以保證使用真實極值實現步態檢測。通過對行人的行走特征分析可以知道，行人行走頻率在1～2.5Hz之間，即使是跑步階段也不會超過5Hz，同時行人的加速度一般在0.2～2g之間。考慮到行人行走過程中，行走速度過快會因為步頻較大而丟失步態信息，選擇采樣頻率為100Hz對加速度計輸出信號進行檢測和數據采集。

算法具體步驟流程如下：

1)選取40個數據點作為滑動窗口以獲得可能的峰值，并以[1.2g, 3g]作為閾值做峰值檢測的初判，過濾數據波動。

2)計算可能峰值與前一個峰值相隔時間，保持在行人正常走路時間[0.4s,1s]之間。

3)峰值前后領域各取20個數據點比較，過濾偽波峰。通過判斷的峰值點視為真波峰并將步數加計一步；否則返回重新滑動窗口選取采樣點。

2.2 過零檢測法

行人行走的垂直向加速度計輸出信號可以近似于一個正弦波信號，即加速度先增后減存在著重復上升與下降的過程。在過濾掉重力加速度之后，垂向加速度計的輸出信號波形有正有負。并且，由負變正的過程對應于抬腳，由正到負的過程對應于落腳。因此，可以通過檢測信號的零點實現步態檢測[6-9]。

算法開始之前，要將垂直方向的加速度計輸出減去靜止時垂向加速度計輸出再進行檢測。算法的具體步驟流程如下：

1)取采樣點進行判斷，若此點的值恰好為0，或者當前采樣值與下一時刻采樣值的乘積小于0，則記為潛在零點。

2)判斷潛在零點是否處于下降階段。

3)排除噪聲波形產生的錯誤零點，取潛在零點左右鄰域的20個采樣點，選擇鄰域內最小值小于-g的點。

4)通過行走時的步頻閾值排除錯誤零點。

2.3 自適應峰值檢測法

在普通的峰值檢測算法中，一般都采用固定閾值以及固定長度的滑動窗口完成行人的步態檢測。但是當行人運動速度由慢變快時，由于行人腳部觸地時用力程度和步頻不同，加速度模值會隨之逐漸增大，輸出峰值的頻率也會增大，導致步態檢測精度的下降[14-15]。因此，對于不同的運動狀態，應該給出不同的閾值進行判斷。基于加速度輸出模值的分布特點，可以將運動分為靜止、行走、跑步三種狀態，在普通峰值檢測算法的基礎上設置行人行走時間閾值為[0.1s，0.3s]，跑步時間閾值為[0.2s，0.5s]，以此來過濾偽波峰及其他錯誤信息。

3 實驗及分析

針對三種不同的步態檢測算法，設計在北京理工大學東操場實驗檢驗算法的優越性和普適性。實驗選擇的設備為MTi-G-710 GNSS/INS，將實驗設備固定于腰帶上，佩戴在實驗員腰部，設備通過一個USB接口與電腦相連接，實驗員手持電腦采集相關數據，如圖4和圖5所示。

3.1 步態算法優越性對比

為了更直觀地比較三種不同算法在恒定速度、變化步速以及不同運動狀態下的測量精確度，在相同環境下，設置了6大組實驗進行對比。實驗由同一實驗員完成，每次行走100步，為了避免算法的偶然性，每大組實驗測試2次，共采集12組實驗數據。其中，1～2組為勻慢速行走、3～4組為勻速行走、5～6組為勻快速行走、7～8組為勻速跑步、9～10組為由慢到快變速行走、11～12組為前50步行走后50步跑步。實驗數據結果如表1所示。

表1 步態檢測算法優越性對比實驗數據結果

由實驗結果可以看到，在行人的行走實驗中，三種算法對行人步數檢測的準確率都可以達到100%，這說明，在行人處于勻速行走狀態下時，加速度輸出信號變化的確呈現近似正弦波形式。但是，當行人行走步速變快時，由于步頻和加速度峰值的變化超出了峰值檢測算法的檢測范圍，所以只能測出91步和94步，精度有所下降。這種情況在實驗員處于跑步狀態時更加明顯，此時的檢測率只有大約50%；而在50步行走和50步跑步的實驗中，峰值檢測結果為75步，行走的50步基本全部被檢測到，而跑步狀態下的步數只被檢測到一半。相比之下，自適應峰值檢測法和過零檢測法在步速過快，步頻過高的情況下的檢測結果更加精確。

針對檢測步數不完全準確有所波動的情況分析可知，行人行走的整個過程通常并不是一個完整的步態周期，當加速度計輸出具備算法檢測條件時會計一步，然而實際情況中是以腳落地一次為一步，因此會出現多計一步和少計一步的現象，都屬于正常的步數計量誤差。所以說，普通的峰值檢測法適用于勻速行走的情況，對于步頻較快的情況誤差較大，相比之下，自適應檢測算法和過零檢測算法整體的優越性良好。

3.2 步態算法普適性對比

鑒于對每種算法精確度的分析結果，由于基礎峰值檢測算法對于不同運動狀態下行人的步態檢測率并不高，所以只針對自適應的峰值檢測算法和過零檢測算法進行算法普適性的分析，讓2個實驗者(身高與體重均有一定差距)在與上述實驗相同的條件下完成實驗測試，每名實驗者以同一步速進行2組實驗，數據和檢測結果如表2所示。

表2 步態檢測算法普適性對比實驗數據結果

由實驗結果對比分析可知，自適應峰值檢測和過零檢測兩種算法對于不同的實驗者檢測的結果大致相同，在行走條件下都可以達到相當的準確率，在跑步檢測時更容易出現如上面分析的檢測步數大于實際步數的情況,但總體上，基本都可以滿足行人步態檢測的精度要求。

3.3 組合系統中步態算法檢測精度對比

針對優越性比較良好的自適應檢測算法和過零檢測算法，設計組合相同步長估計算法的組合實驗，比較兩種算法在組合算法環境下的檢測情況。在相同的環境中，由同一實驗員步行100m的方式進行對比實驗，選擇同一種非線性步長估計算法分別與兩種檢測算法組合。為了避免偶然錯誤，每種組合方式測量2次數據。將自適應峰值+非線性步長算法定義為方案一，將過零檢測+非線性步長算法定義為方案二。其中，方案一的2組實驗序號記為1和2，方案二的2組實驗序號記為3和4，實驗結果如表3所示。

表3 含不同步態算法的組合系統實驗測量數據結果

從實驗數據結果中可以得到，方案一的行走距離誤差為10%，方案二的行走距離誤差僅為1%，可見盡管在單獨的步態檢測中兩種步態算法得到的結果都有較高的精度，但是組合測量系統中，數據精度存在較大的差別。這主要是因為單步步長的計算結果有所不同，實驗采用的非線性步長估計算法中，步長的計算公式與一步內加速度模值的最大值和最小值有很大的關系。而自適應峰值檢測算法截取的行人步態周期是從一個峰值到下一個峰值間的加速度模值，所以，加速度模值最大值的獲取會因為前后相鄰峰值的不同造成重復獲取同一峰值的結果，這就會造成單步步長的計算整體變大，從而使得檢測出的行走距離變大。

4 結論

本次研究設計了相同環境下的實驗，從算法的優越性和普適性2個角度對三種步態檢測算法進行設計和比較。實驗結果可以看出，自適應峰值檢測算法和過零檢測算法，相對于普通峰值檢測算法而言具有明顯的優越性，測量精確度基本可以達到100%，而且適應的運動狀態范圍更廣，普適性更強。隨后，將這兩種算法結合相同的步長估計算法，測試行人直線行走的距離，對比了兩種算法在組合算法中的檢測精確度。結果表明，由于所選步長估計算法工作流程的原因，兩種步態檢測下的組合算法表現出了不同的測量精度。分析知道，組合不同的步長估計算法，兩種步態檢測算法會表現出不同的優越性能，需要考慮所組合算法的工作原理進行更具體的選擇。