[发明专利]基于加速度传感器的深度网络自适应步长估计方法及装置

说明书

本发明提供了两种基于加速度传感器的深度网络自适应步长估计方法及装置，基于加速度传感器采集数据，通过深度学习提取特征，以此来估计出使用者的身高信息，从而结合输入身高和三轴加速度信号来自适应估算步长。本发明可以自适应得到每次被试的实际身高，不需要测量腿长，身高的输入也不是必需，方便准确，不受个人隐私的限制；通过估计身高，结合合理的物理模型，估算出高可靠性的步长；每次估算得到的身高可给出误差范围，结合物理模型的误差范围可以给出整个步长的误差范围，对于后续卡尔曼滤波等技术对误差的需求得到满足。

技术领域

本发明涉及基于加速度传感器的自适应步长估计技术领域，尤其涉及两种基于加速度传感器的深度网络自适应步长估计方法及装置。

背景技术

自适应的步长估计模型多是在PDR过程中，在实际PDR过程中，往往是通过蓝牙和wifi的定位来修正PDR，而PDR自身的可靠性对于融合定位的补充作用巨大。目前求步长的方法有静态方法和动态方法，其中静态方法为，对于女性k＝0.413，对于男性k＝0.415；动态方法多是需要输入腿长/身高信息，结合动态的评估每个步长内的z向加速度信号来完成步长的估计，相比静态模型，物理模型的可靠性和重复性更好。但对大部分物理模型，往往都需要身高信息或者腿长信息作为输入。然而对输入腿长的要求来说，本身腿长自身的定义模糊，对于腿长测量的理解也存在差异，同时鞋子高度对腿长的影响要大于身高，测量腿长在实际应用过程中不具备可操作性；对输入身高而言，实际用户在使用过程中情况复杂，自己手动输入身高影响体验，比较麻烦，涉及隐私，同时也会存在一些偏移输入，对女性穿不同高度的高跟鞋，与平底鞋相比身高有较大偏差，而且还存在同一个手机被不同人使用的概率，因此能够每次使用都自动识别当前使用者的身高状态十分有意义，输入身高可靠性不强。

发明内容

本发明的目的是提供两种基于加速度传感器的深度网络自适应步长估计方法及装置，旨在解决现有的估计步长的物理模型测量腿长较为困难且输入身高比较麻烦的问题。

本发明解决其技术问题所采用的技术方案是：

一种基于加速度传感器的深度网络自适应步长估计方法，包括：

通过加速度传感器采集行走者的加速度数据；

获取行走者的身高数据；

对行走者的加速度数据和身高数据进行训练，获取深度自动编码器；所述深度自动编码器包括输入层、隐藏层和输出层，用于输入加速度数据，输出身高分布数据，所述身高分布数据包括身高区间数据及身高区间数据的概率分布数据；

获取新的行走者的加速度数据，通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据，并根据该行走者的身高分布数据，获取其身高区间数据；

根据该行走者的身高区间数据，获取该行走者的自适应步长估计数据。

在上述实施例的基础上，进一步地，所述获取新的行走者的加速度数据，通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据，并根据该行走者的身高分布数据，获取其身高区间数据的步骤，具体为：

将获取新的行走者的加速度数据，通过深度自动编码器预测与该行走者的加速度数据相应的身高分布数据，并根据该行走者的身高分布数据，获取其身高区间数据的步骤重复多次，获取多组身高区间数据；

从多组身高区间数据中查询概率分布数据大于预定概率阈值的身高区间数据，获取每个身高区间数据其概率分布数据大于预定概率阈值的次数；

找出概率分布数据大于预定概率阈值的次数最多的身高区间数据，作为该行走者的身高区间数据。

在上述任意实施例的基础上，进一步地，所述根据该行走者的身高区间数据，获取该行走者的自适应步长估计数据的步骤，具体为：

根据该行走者的加速度数据，获取该行走者的垂向重心位移数据；