基于MEMS惯性测量单元的多源信息自适应步数检测方法

针对基于MEMS惯性测量单元的行人航迹推算中步数检测方法仅利用单一的加速度信号检测精度较低的问题,提出一种多源信息自适应步数检测方法。该方法通过综合考虑人体运动过程中的加速度信号和角速度信号,根据不同的步态特征通过设定不同的自适应阈值条件实现步数的检测。虽然常规的峰值检测算法和固定阈值检测算法在单一步态下步数检测精度相对较高,但是对复杂运动状态下的步数检测精度很差,无法适用于真实的行人运动过程中步数的检测。然而多源信息自适应步数检测方法却能够在行人不同运动状态下精确检测步数,该方法明显优于常规的峰值检测方法和阈值检测方法。试验结果表明,本文提出的多源信息自适应阈值检测方法在行人不同运动状态下的步数检测精度可达98%以上。

基于MEMS加速度传感器的步数检测算法研究综述

随着智能移动终端、智能穿戴设备以及基于惯性传感器的行人定位导航系统的快速发展,针对这些设备和系统中的计步需求,大量有关基于MEMS加速度传感器的步数检测算法的研究工作已经开展并取得了优秀的成果。针对该领域中现有的技术方法,首先阐述了该领域的发展情况,指出目前该领域的主要研究要点、方法种类以及应用情况;接着,综述了目前该领域的研究现状,从数据预处理方法和步数验证方法这两方面对多种步数检测算法进行了阐述以及优缺点的分析;然后,对该领域的研究要点进行了深入的探讨,分析总结步数检测算法中与研究要点相关的技术方法。最后,讨论并展望了该领域未来的发展方向,以期为后续的研究提供参考。

基于加速度传感器的运动步数检测算法研究

为解决人体运动过程中手腕摆动对步数检测干扰的影响,提出了一种区域峰值步数检测算法。该算法根据人体运动时的加速度信号特征,使用高斯滤波去除噪声对加速度信号的影响,基于三轴合加速度数据采用区域峰值检测方法判定有效步伐,同时利用提取的加速度信号幅值的变化量作为特征值,准确实现了稳定状态下的跑步、走路两种动作的自动识别,并根据人体不同的运动状态自动调整采样速率,有效降低了系统功耗。实验结果表明,区域峰值算法相比于动态阀值和单一峰值的算法具有更高的步数检测精确度,可达到95%以上。

基于可穿戴式MIMU的波峰-双阈值步数检测算法

惯性导航系统中,行人航迹推算(PDR)算法在位置解算中至关重要,其中步数统计准确程度直接影响行人的定位精度。针对传统波峰-阈值检测法存在伪波峰的影响,提出了一种基于可穿戴式微型惯性测量单元(MIMU)的波峰-双阈值步数检测算法,在行走过程中,对窗函数滤波后的合加速度进行波峰检测,并对波峰进行双阈值限定。检测到波峰满足高阈值时计为有效波峰,且相连波峰间出现低阈值时则计步成功,从而降低伪波峰对计步的影响,实现步数的精确检测。实验结果表明,当MIMU分别佩戴在多种位置时,行人多运动模式下计步精度为98%以上。

基于惯性传感器的步数检测算法

行人轨迹推算(pedestrian dead reckoning,PDR)是一种无需参考基础设施的定位导航方法,由步数检测(step detection,SD)和步长估计(step length estimation,SLE)2个关键部分组成。在不同的步行模式中应用步数检测和步长估计是一个具有挑战性的问题。针对此问题,提出了一种基于使用智能手机的3种步行模式(即正常行走、原地踏步及快速行走)的鲁棒步数检测方法,通过基于动态时间扭曲(dynamic time warping)的结合峰值预测和过零检测方法来提高步数检测的精度。所提出的步数检测算法可以准确识别3种步行模式中每一步的起点和终点。针对不同的步行模式提出准确的步长估计模型,以提高步长估计的精度。实验结果表明,根据所提出的方法,步数检测的准确率约为97.8%,估计步行距离的误差约为4.0%,优于传统的步数检测和步长估计方法。

基于天顶轴速度零点的行人步数检测

针对现有峰值检测算法适用性较低和深度学习方法算力要求较高的问题,研究和完整阐述了步态规律和数据特征,通过分析步态规律提出了基于天顶轴速度零值的行人步数检测算法。通过将载体坐标系下的加速度计数据转换到地理坐标系下,使用经验模态分解、趋势项剔除等方法提取出每一步中的有效天顶轴速度零点,统计有效零点的个数作为步数。在多种行走状态下的实验表明,相比改进的峰值检测模型,本模型的准确率与可靠性有明显提升,在行人过快或过慢行走时提升效果更为显著。

基于多模型融合的室内行人航迹推算建模与性能分析

针对行人航位推算(pedestrian dead reckoning,PDR)室内信号易受到环境和多径效应干扰的问题,提出一种基于多模型融合的室内PDR优化建模方法.给出多模型融合的室内PDR建模方法系统模型,包括步数检测、步长推算、方向推算以及位置推算4个关键阶段.该方法在步数检测阶段融合了峰值检测算法、局部最大值算法以及提前过零检测算法;在步长推算阶段融合Weinberg方法和Kim方法,并利用卡尔曼滤波算法校正步数检测和步长推算的误差.基于不同场景从步数、步长、方向、位置误差方面与传统算法进行比较.结果表明,该组合模型结合了传统步数检测和步长推算算法的特征识别结果,可实现对步数检测、步长推算过程中信号特征的优化处理;在手持场景下,步数检测识别准确,步长推算中值误差在0.060 m以内,方向推算平均绝对误差最小为3.06°,位置推算平均误差为0.2353 m,取得较好的室内步行状态识别与定位性能.

一种角速度信息辅助的行人计步参数检测方法

在穿戴腰式行人导航系统中,行人做弯腰、上下蹲等原地起伏动作时会引起传统峰值检测法步数检测误差。为补偿此项误差,在对人体腰部运动特征分析基础上,提出一种引入角速度信息辅助的行人步数检测方法。此方法先提取人体前向、侧向角速度信息来判断行人是否前进,并联合垂向加速度计输出的峰值信号,进行组合步数检测。在对27组引入原地起伏动作的行走实验中,应用峰值检测法和本文方法检测步数的平均准确率分别是85.8%、98.84%。实验结果表明,提出的方法能有效减少原地起伏动作导致的步数误差,且具有较高的可靠性。

基于GD32微控制器的自适应计步系统设计

为了便于人们进行运动量管理和身体健康状况监测,基于GD32微控制器设计了一款自适应计步系统。系统主要由加速度数据采集模块、信号处理模块、显示模块以及无线传输模块组成,通过姿态传感器MPU6050检测行人三轴加速度数据并计算整体加速度,通过自适应计步算法识别行人状态,计算行人实际行走步数和距离,计步结果通过液晶显示器实时显示,同时通过蓝牙模块传输到智能终端进行存储以及进一步处理。实验表明,该计步系统结构简单,体积小,能够实现较高精度的计步功能。

基于智能手机惯性传感器导航的定位方法研究

基于智能手机的室内定位算法是解决卫星信号在室内环境下无法进行定位的方案之一,智能手机自带的惯性传感器具有短时高精度的特性,能够很好地完成室内定位任务。将基于智能手机的惯性传感器定位PDR算法分为3个方面:步数检测、步长估计和航向检测,采用波峰检测方法,并设定动态阈值对步数的判断进行优化,步数检测的准确率平均在90%左右,选择线性步长模型对实验者进行步长估计,使用滤波处理航向角中由于用户的细微抖动带来的数据波动。实验数据证明通过PDR算法得到的定位点位置信息的均方根误差为0.69 m,能够为室内定位研究提供一定的基础。

基于加速度传感器的自适应采样计步器设计

根据人体行走的特点,设计了一种基于MPU6050加速度传感器的自适应采样计步器。该计步器通过MPU6050加速度传感器采集步态信号,运用滑动滤波算法对传感器输出的数字步态信号进行滤波与降噪处理,基于动态阀值算法对用户的跑步和走路两种状态进行自动识别,并根据人体不同的运动状态自动调整采样速率,将用户的运动数据通过蓝牙上传至手机端健康监测系统。实验结果表明:该计步器能精确完成人体运动步态的信号采集与计数,计步精度可达95%以上。

腕式运动计步器的加速度信号获取与处理

为了研究了人体的运动方式,将人体运动分为前向、侧向和竖向3个方向,构建了人体运动的数学模型。该模型采用腕式运动计步器的加速度信号采集方式进行采样,提出了手腕上所采集3个方向加速度信号的信号分析方法和3个方向的加速度信号"合三为一"的处理方式。通过腕式运动计步器的计步精确度测试验证,证明了所设计的计步器加速度信号获取与处理的方法正确,可以使计步器达到了精度要求。

基于多传感器与WiFi融合的室内定位方法

针对室内定位精度不高的问题,通过融合多惯性传感器定位技术和WiFi定位技术,提出一种基于多惯性传感器和WiFi定位结合室内定位方法。首先使用基于WiFi的室内定位中的RSSI算法,根据位置指纹、利用最近邻匹配算法获得绝对位置信息,再通过基于三轴加速度传感器与陀螺仪的步数检测方法以及基于电子罗盘与陀螺仪的航向估算方法获得相对位置信息。最后基于位置指纹的方式对多传感器的室内定位进行步长校正,得到较为准确的定位结果。实验结果表明,该方法与单独运用惯性传感器或单独使用基于WiFi的室内定位方法相比,精度更高。

基于运动姿态识别的行人惯性导航算法

针对室内定位惯性导航算法存在累积误差的问题,提出了一种基于运动姿态识别的行人惯性导航算法。在捷联惯性导航算法的基础上,引入了行人脚部姿态识别方法,将行人的位移以单步长为单位进行惯性导航解算。使用姿态识别与零速修正相结合确定每一步的静止时刻,改进步数检测结果,并对行人静止时刻的速度和位置信息进行校正,以降低累积误差;统计前期误差较小的行人惯性导航数据,并建立步频—步长模型,根据行人实时的步频和方向变化对当前步长进行校准,在行人以惯常运动姿态或运动姿态变化时分别采取对应的步长估计算法,以保证导航算法的准确性。实验结果表明:与传统捷联惯性导航算法相比,提出的算法提高了长距离导航的精度。

基于六轴加速度传感器的计步算法研究

对于运动量的记录和分析有助于更好地锻炼,提高运动的质量。本文设计一套具有一定抗干扰能力的高精度计步算法,通过引入区域峰值检测、时间窗口排除以及计步模式的变化使算法具备了一定的抗干扰能力。实验中将传感器采集到的数据运行本文算法,并与小米手环等计步设备进行比较。结果表明,本文的计步算法在不同运动状态下,都能够保持95%以上的计步精度。

面向室内定位的改进行人航位推算方法

为提高室内定位精度,对行人航位推算的3个关键内容:步数检测、步长估计及航向估计分别进行了改进研究,提出了一种结合自相关分析和自适应波峰检测的新检测算法、一个基于Scarlett模型并融合前一步步长信息的改进步长估算模型、以及一个结合方向传感器算法与卡尔曼滤波的主导航向设置方法;实验结果表明以上改进方法提高了步数检测准确率和步长检测精度,减少了航向角误差,取得了较好的室内定位效果。

Preliminary Data on Legionella Detection in Water Distribution Systems in Cameroon

After the declaration of the first case of Legionnaire＇s disease in Cameroon in 2007, the Centre Pasteur of Cameroon implemented the detection method for Legionella. The introduction of this new method was put in places in order to investigate Legionella spp. colonization of water distribution systems （WDS） of large buildings including hospitals, hotels and Off Shore Exploitations Sites （OSES） in an attempt to identify risk factors for Legionella spp. Water systems of 6 hotels, 6 hospitals and 6 ships were investigated for the presence of Legionella spp.. A total of 130 samples were collected, 77 from hotels, 27 from hospitals and 26 from ships. 51 Legionella spp. were isolated from 41 （31.54%） water samples. Of a total of 51 positive isolates, 40/51 （78.4%） were L. pneumophila with 21 （52.5%） Legionellapneumophila serogroup （sg） 1, 16 （40%） L. pneumophila sg 5, 2 （5%） L. pneumophila sg 6, 1 （2.5%） L. pneumophila sg 7 and 11/51 Legionella spp. with 10 （90%） L. anisa, 1 （10%） Legionella dumoffii. 5 L. pneumophila sg 1 were associated with 5 L. pneumophila sg 5 and 4 L. pneumophila sg 1 were associated with 4 L. anisa. These results showed that WDS of hospitals, hotels and ships can be heavily colonized by Legionella spp. and may present a risk of Legionnaires＇ disease. Based on these preliminary results, we have just put in place a Legionella survey protocol in Cameroon.