三維慣性傳感參數表征下的行人混合步態分類

蔡春艷,張金藝,,3,李建宇,王偉,張洪暉

(1.上海大學微電子研究與開發中心,上海200072; 2.上海大學特種光纖與光接入網省部共建重點實驗室,上海200072; 3.上海大學新型顯示與系統應用重點實驗室,上海200072)

三維慣性傳感參數表征下的行人混合步態分類

蔡春艷1,張金藝1,2,3,李建宇1,王偉2,張洪暉2

(1.上海大學微電子研究與開發中心,上海200072; 2.上海大學特種光纖與光接入網省部共建重點實驗室,上海200072; 3.上海大學新型顯示與系統應用重點實驗室,上海200072)

在行人步態分類研究領域中,傳統的基于微機電系統(micro-electro-mechanical system,MEMS)慣性傳感器技術的步態分類方法側重于對行人單一步態模式進行區分,忽略了兩個單一步態模式之間的過渡步態模式,從而降低了行人行走過程中走、跑、停等混合步態的分類精度,還會在時間上造成缺失,進而造成行人航跡推算產生不可估量的定位誤差.從人體運動學角度出發分析了行人步態特點,同時利用9軸MEMS慣性傳感器采集了行人步態原始數據并對其進行剖析,設定了人體三維慣性傳感參數,以供后續分類算法使用.為了進一步提高整體混合步態的分類精度,針對樸素貝葉斯算法對相反過渡步態模式區分精度不高的問題,在其基礎上通過加窗判斷前后兩個步態的連續性,完成了行人混合步態的最終分類.驗證結果表明,和傳統的樣本熵與小波能量相結合方法相比,提出的三維慣性傳感參數表征下的行人混合步態分類方法,不僅能區分出行人混合步態中的多種單一步態模式和多種過渡步態模式,同時整體分類精度提高了14.46%,從而有效證明了該方法在行人步態分類領域具有良好的理論價值和應用價值.

混合步態;微機電系統;人體運動學;慣性傳感

在圍繞室內定位導航技術所展開的各種實現技術研究中,基于行人航跡推算(pedestrian dead reckoning,PDR)[1]的定位導航技術正逐漸成為一個熱點.但是,PDR的難點在于行人運動時的步態變化非常復雜,很難精確測量出行人在行走過程中真正的有效跨步[2].為了得到精確的行人航跡推算,很多科研工作者致力于研究如何進行行人步態分類,同時也發現行人步態分類不僅在行人航跡推算領域,而且在運動監測[3]、臨床醫學[4]、智能家居[5]等領域也有著重要的研究意義.

在行人步態分類研究領域中,傳統的行人步態分類[6-8]方法側重于對行人單一步態模式進行區分,忽略了兩個單一步態模式之間的過渡步態模式,從而降低了行人行走過程中走、跑、停等混合步態的分類精度,更會在時間上造成缺失,對行人航跡推算造成不可估量的定位誤差.Zhang等[6]基于稀疏表示(sparse representation,SR)理論,對行人日常步態進行建模和區分.雖然對單一步態模式具有較高的區分度,但沒有將它們混合在一起研究,更沒有對其中的過渡步態模式進行區分.Panahandeh等[7]利用連續隱馬爾科夫模型(hidden Markov model, HMM)對走、站、跑等一些行人日常步態進行分類.該研究雖然將各種步態混合在一起驗證,但忽略了行人混合步態中的過渡問題.邢秀玉等[8]提出了一種樣本熵與小波能量相結合的步態分類方法,分別對上樓、下樓、行走三種單一步態模式進行區分,同樣也忽略了行人混合步態中的過渡問題.

為了能對行人混合步態中的多種單一步態模式和多種過渡步態模式進行區分,本工作從人體運動學角度出發,將行人走路的過程分成若干個單一步態模式和過渡步態模式,并分析了行人步態的基本特點,同時利用微機電系統(micro-electro-mechanical system,MEMS)[9]慣性傳感器技術采集行人步態原始數據并對其進行剖析.設定人體三維方向角度θx,θy,θz和加速度ax,ay,az各自的峰-峰值F作為特征參數應用于步態分類算法中.為了進一步提高整體混合步態的分類精度,針對傳統樸素貝葉斯算法對相反過渡步態模式區分精度不高的問題,提出了一種改進型樸素貝葉斯算法,即利用樸素貝葉斯算法初判斷步態類別Lc.如果Lc為單一步態模式,則直接輸出該原始步態類別Lc;如果Lc為過渡步態模式,則導入上一個滑動窗口Wp的步態類別Lp.通過判斷Lc與Lp的連續性,完成對當前滑動窗口Wc的步態分類.最后采用SDK MPU 9150A開發板及計算機組成的系統進行理論驗證.驗證結果表明,和傳統的樣本熵與小波能量相結合方法相比,本工作所提出的三維慣性傳感參數表征下的行人混合步態分類方法,不僅能區分出行人混合步態中的多種單一步態模式和多種過渡步態模式,同時整體分類精度也提高了14.46%.

1 人體運動學的分析及特征參數的設定

根據行人步態運動理論,行人正常的步態有賴于中樞神經系統、周圍神經系統以及骨骼肌肉系統的協調工作,通過髖、膝、踝、足趾一系列的連續活動,使身體沿著一定方向移動[10].與走路不同,走路是一個過程,而步態是一種形式.行人走路的過程就是多種單一步態模式和多種過渡步態模式的混合,如走、走到跑、跑、跑到走、走到上樓、上樓、上樓到轉彎等,這些步態都有可能出現在走路的過程中.如何根據這些步態的特點設定關鍵的特征參數,并將這些混合在一起的步態模式區分開,是行人混合步態分類的關鍵.

為了準確表示出人體的位置關系和形態結構,需要用到基準面與基準軸.人體基準面的定位是由3個互相垂直的面(額狀面、矢狀面和垂直面)來決定的,與之對應的是3個基準軸(縱軸x、橫軸y和矢狀軸z),如圖1所示.

圖1 人體的基準面與基準軸Fig.1 Datumand benchmark axis of body

按照人體運動學理論,腰椎的三維運動具有6個自由度,即左/右旋轉、前屈/后伸和左/右側彎運動6個方向上的3個角度θx,θy,θz以及上/下、前/后和左/右的3個位移sx,sy,sz[11],也就是說行人步態發生改變時對應腰椎在3個垂直面(額狀面、矢狀面和垂直面)圍繞3個基準軸(縱軸x、橫軸y和矢狀軸z)進行角度θ和位移s的改變,而位移s的變化快慢通常用加速度a來表征.目前,利用3軸加速度計、3軸磁力計、3軸陀螺儀傳感器,通過數據融合算法就可以得到三維角度θx,θy,θz和三維加速度ax,ay,az,而且精度非常高,誤差小于1?[12].因此,本工作采用9軸MEMS慣性傳感器融合得出行人步態三維慣性傳感參數.對于連續混合步態的分類,從連續的行人步態三維慣性傳感參數中提取較為有用的信息是有難度的[13],行人步態分類的精度往往依賴于準確的采樣數據加窗.因為通過加窗可以有效提取各個窗口的特征參數,從而高效地對各個步態模式進行分類.本工作采用常規窗口長度固定的方法進行加窗,其中窗口的長度為1 s.這是因為已有研究發現,通常情況下行人在1 s內即可完成各個步態動作.

圖2為利用9軸MEMS慣性傳感器所采集到的某志愿者的混合步態波形圖,該波形圖主要由繞x軸的角度θx及x軸加速度ax組成.經加窗發現,不同的單一步態模式和過渡步態模式各自角度θ和加速度a上變化的幅度具有其明顯的特征.根據這個特征,可以選取三維角度θx,θy,θz和三維加速度ax,ay,az各自的峰-峰值Fi作為特征參數應用于步態分類算法中,即

式中,θx,θy,θz分別表示沿x,y,z軸轉動的角度值,ax,ay,az分別表示沿x,y,z軸方向的加速度值.

圖2 某志愿者混合步態波形圖F ig.2 Waveformof a volunteer’smixed gaits

2 基于改進型樸素貝葉斯算法的混合步態分類

通過人體運動學的分析,并結合9軸MEMS慣性傳感器所采集到的行人步態原始數據特點,本工作設定三維角度θx,θy,θz和三維加速度ax,ay,az各自的峰-峰值F作為特征參數,并通過對樸素貝葉斯算法的改進,完成對行人步態變化過程中混合步態的分類.

2.1 改進型樸素貝葉斯算法

樸素貝葉斯算法就是要得到實時提取的特征參數F對應每個步態類別L的后驗概率,表示為P(L|F),其中使得P(L|F)最大的L值即為所屬的步態類別.該算法對特征參數F具有明6顯差異的步態類別L有很好的區分度,但是對相反過渡步態模式(如走到跑、跑到走)的區分度較低.這是因為相反過渡步態模式是相反的運動過程,因而在單個時間窗內三維方向角度θx,θy,θz和三維加速度ax,ay,az的變化幅度是相似的,即F相似,從而P(L|F)也相似,導致最終區分精度不高.為了提高整體混合步態的分類精度,本工作在樸素貝葉斯算法的基礎上進行了改進.

首先,通過加窗實時提取所需分類步態類別L的三維角度θx,θy,θz和三維加速度ax, ay,az各自的峰-峰值F,即F={Fθx,Fθy,Fθz,Fax,Fay,Faz},其中θx,θy,θz分別表示在線階段[14]9軸MEMS慣性傳感器測得的沿x,y,z軸轉動的角度值,ax,ay,az分別表示在線階段9軸MEMS慣性傳感器測得的沿x,y,z軸方向的加速度值.

然后,計算實時提取的特征參數F對應每個步態類別L的后驗概率P(L|F).對于某一行人步態類別L,特征參數Fθx,Fθy,Fθz,Fax,Fay,Faz是通過各自獨立的三維角度θx,θy,θz和三維加速度ax,ay,az提取的,因而其各個特征參數Fθx,Fθy,Fθz,Fax,Fay,Faz是獨立的.根據貝葉斯定理,其后驗概率P(L|F)可以進一步推導為

式(2)中各個特征參數Fθx,Fθy,Fθz,Fax,Fay,Faz的聯合概率P(Fθx,Fθy,Fθz,Fax,Fay,Faz)是與步態類別L無關的正則化因子[15],因而可以令其為常數.由于行人的步態是隨機的,所以認為每個步態類別L出現的概率P(L)服從均勻分布,因而也可以令其為常數.本工作用高斯分布來近似表示特征參數Fi在某一行人步態類別L處的概率分布,即

式中,μi和σi分別為步態類別L對應特征參數Fi的樣本均值和標準差,其表達式為

其中N為步態類別L的樣本總數.根據式(3)～(5)可以計算得到特征參數Fi在某一行人步態類別L處概率P(Fi|L)的估計值.

最后,判斷使式子P(Fθx|L)P(Fθy|L)P(Fθz|L)P(Fax|L)P(Fay|L)P(Faz|L)最大的原始步態類別Lc為單一步態模式還是過渡步態模式.如果為單一步態模式,則直接輸出該原始步態類別Lc;如果為過渡步態模式,則導入上一個滑動窗口Wp的步態類別Lp.通過判斷當前滑動窗口Wc的原始步態類別Lc和上一個滑動窗口Wp的步態類別Lp的連續性,綜合得出最終的分類結果.如果當前滑動窗口Wc的原始步態類別Lc與上一個滑動窗口Wp的步態類別Lp具有連續性,則當前滑動窗口Wc的最終分類結果為該原始步態類別Lc;如果當前滑動窗口Wc的原始步態類別Lc與上一個滑動窗口Wp的步態類別Lp不具有連續性,則當前滑動窗口Wc的最終分類結果為該原始步態類別的相反態L c.

2.2 混合步態分類

通過對改進型樸素貝葉斯算法的描述,本工作將行人混合步態分類流程分成以下幾個步驟.

步驟1離線對混合步態樣本進行訓練.根據式(1)對樣本加窗提取每個滑動窗口W的三維角度θx,θy,θz和三維加速度ax,ay,az各自峰-峰值F,即F={Fθx,Fθy,Fθz,Fax,Fay, Faz},其中θx,θy,θz分別表示離線階段9軸MEMS慣性傳感器測得的沿x,y,z軸轉動的角度值,ax,ay,az分別表示離線階段9軸MEMS慣性傳感器測得的沿x,y,z軸方向的加速度值.根據式(4)和(5)計算每個步態類別L對應特征參數Fi的樣本均值μi和標準差σi.

步驟2在線通過加窗實時提取所需分類步態類別L的三維角度θx,θy,θz和三維加速度ax,ay,az各自峰-峰值F,即F={Fθx,Fθy,Fθz,Fax,Fay,Faz},其中θx,θy,θz分別表示在線階段9軸MEMS慣性傳感器測得的沿x,y,z軸轉動的角度值,ax,ay,az分別表示在線階段9軸MEMS慣性傳感器測得的沿x,y,z軸方向的加速度值.

步驟3根據式(2)和(3)計算出使式子P(L|F)最大的原始步態類別Lc.

步驟4判斷Lc為單一步態模式還是過渡步態模式.如果為單一步態模式,則直接輸出該原始步態類別Lc.如果為過渡步態模式,則導入上一個滑動窗口Wp的步態類別Lp,并判斷當前滑動窗口Wc的原始步態類別Lc和上一個滑動窗口Wp的步態類別Lp的連續性.如果具有連續性,則最終分類結果為該原始步態類別Lc,反之,則最終分類結果為該原始步態類別的相反態

改進型樸素貝葉斯算法的混合步態分類流程如圖3所示,即利用樸素貝葉斯算法初判斷步態類別Lc.如果Lc為單一步態模式,則直接輸出該原始步態類別Lc;如果Lc為過渡步態模式,則導入上一個滑動窗口Wp的步態類別Lp.通過判斷Lc與Lp的連續性,完成對當前滑動窗口Wc的最終步態分類.

圖3 改進型樸素貝葉斯算法的混合步態分類流程圖Fig.3 Flowchart ofmodified Naive Bayes algorithmofmixed gaits classification

通過對式(2)的分析并結合之前的描述,本工作對所屬原始步態類別Lc的初判斷簡化為只需要根據公式P(Fθx|L)P(Fθy|L)P(Fθz|L)P(Fax|L)P(Fay|L)P(Faz|L)的大小就能判別,從而降低了算法復雜度.此外,對后續相反過渡步態模式的區分,只需要判斷與上一個滑動窗口Wp中步態類別Lp的連續性即可,并沒有涉及公式計算,因而又降低了算法的復雜度,從而確保了本算法的低復雜度.

3 驗證系統構建及結果分析

3.1 驗證系統的構建

由于本工作要采集行人行走過程中的三維慣性傳感參數,即三維角度θx,θy,θz和三維加速度ax,ay,az,所以構建了由SDK MPU9150A開發板及計算機組成的驗證系統(見圖4),其中SDK-MPU9150-A開發板由MPU-9150[16]、BlueRadios藍牙模塊、MSP430單片機等幾個主要部分組成.將SDK-MPU9150-A開發板佩戴于人體腰部正后方,因為該位置最接近人體的質心[17],且該位置MEMS受干擾程度較低,有利于陀螺儀或磁力計進行角度估計,佩戴后的人體坐標系如圖5所示.

圖4 驗證系統Fig.4 Experimental system

圖5 人體坐標系F ig.5 Coordinates of the body

驗證時,MPU9150實時存取行人9軸原始步態數據并融合得出三維慣性傳感參數,即三維角度θx,θy,θz和三維加速度ax,ay,az,并通過MSP430單片機以50 Hz的采樣頻率讀出.接著,藍牙模塊以115 200 bit/s的波特率再將其傳輸給計算機,由計算機進行數據的后續處理.由于藍牙的傳輸距離有一定限制,為了避免其對實驗數據產生影響,本工作在用藍牙進行數據傳輸時,數據采集者也會跟在志愿者后面采集數據,以確保志愿者在計算機藍牙信號可接收范圍內.

3.2 驗證結果分析

考慮到人體結構的差異性會導致同一步態的不同幅度變化,所以本工作選取了不同身高、體重的10名青年志愿者(四女、六男)進行常見的混合步態的數據采集.混合步態是隨機的,如本工作依次選取的是走、跑、走、轉彎、上樓、轉彎、下樓、走、站立、晃,其中對應的單一步態模式為走、跑、轉彎、上樓、下樓、站立、晃;過渡步態模式為走到跑、跑到走、走到轉彎、轉彎到上樓、上樓到轉彎、轉彎到下樓、下樓到走、走到站立、站立到晃.混合步態每人重復進行10次.對每個采集到的混合步態數據進行加窗處理,其中窗口的長度為1 s,將其中的一半作為離線樣本訓練,剩余的一半作為在線結果測試.

首先,根據式(1)對樣本進行加窗處理,提取每個滑動窗口W內的各個特征參數Fθx,Fθy, Fθz,Fax,Fay,Faz.接著,根據式(4)和(5)計算每個步態類別L對應特征參數Fi的樣本均值μi和標準差σi.最后,根據式(2)和(3),分別利用樸素貝葉斯算法和改進后的樸素貝葉斯算法對混合步態中的多種單一步態模式和多種過渡步態模式進行區分.實驗結果如表1所示.

由表1可見,未改進的樸素貝葉斯算法對相反過渡步態模式的區分精度較差(如走到跑、跑到走),進而導致最終的整體混合步態分類精度降低.本工作通過對樸素貝葉斯算法的改進,使得相反過渡步態模式的區分精度有了很大的提高,平均精度提高了38.50%,整體混合步態分類精度提高了9.63%,其中整體混合步態分類精度的計算方法是對所有步態精度取平均.由于本工作提出的改進型樸素貝葉斯算法是在樸素貝葉斯算法的基礎上針對相反過渡步態模式提出的,單一步態模式和未涉及相反過渡步態模式的過渡步態模式還是原來的計算過程.而且為了有效驗證兩種分類算法對應分類能力的差異性,代入兩種算法的行人步態原始數據是相同的,因此對于單一步態模式和未涉及相反過渡步態模式的過渡步態模式其前后區分精度是一致的,并且對于相反過渡步態模式的區分精度有了很大的提高.

表1 不同方法下行人混合步態分類精度的比較Tab le 1 Comparisons ofmixed pedestrian gaits classifi cation accuracy under diff erent methods%

表1中的對比只能說明本工作提出的方法對于區分相反過渡步態模式的優越性,還不能驗證其在傳統區分多種單一步態模式領域中的有效性.因此,本工作比較了混合步態中3種單一步態模式(走、上樓、下樓)的分類結果與文獻[8]的分類結果,結果如表2所示,其中文獻[8]采用的是樣本熵與小波能量相結合的步態分類方法.

表2 與文獻[8]實驗結果的比較Tab le 2 Comparisons of the experimental results of Ref.[8]%

由表1和2可見,和樣本熵與小波能量相結合的方法相比,本工作提出的三維慣性傳感參數表征下的行人混合步態分類方法,不僅能將行人混合步態中的多種單一步態模式和多種過渡步態模式區分開,同時在區分多種單一步態模式時,整體分類精度提高了14.46%,從而有效證明了本方法在行人步態分類領域具有良好的理論和應用價值.

4 結束語

針對傳統的行人步態分類方法側重于對行人單一步態模式進行區分,而忽略了兩個單一步態模式之間過渡步態模式的缺點,本工作提出了一種三維慣性傳感參數表征下的行人混合步態分類方法.從人體運動學角度出發分析行人步態特點,同時利用9軸MEMS慣性傳感器采集行人步態原始數據并對其進行剖析,從而設定人體三維慣性傳感參數的峰-峰值F作為特征參數,并在樸素貝葉斯算法的基礎上通過加窗判斷前后兩個步態的連續性,完成對行人步態變化過程中混合步態的分類.實驗結果表明,和傳統的樣本熵與小波能量相結合方法相比,本工作提出的三維慣性傳感參數表征下的行人混合步態分類方法,不僅能區分出行人混合步態中的多種單一步態模式和多種過渡步態模式,同時整體分類精度提高了14.46%,從而充分證明了本方法在行人步態分類領域的理論和應用價值.

[1]H U Z,AI G,Z HANG L,et al.Novel research on improving global positioning systemaccuracy in the pedestrian integrated navigation monitoring system[J].Australian Journal of Electrical& Electronics Engineering,2014,11(4):411-420.

[2]李若涵,張金藝,徐德政,等.運動分類步頻調節的微機電慣性測量單元室內行人航跡推算[J].上海大學學報(自然科學版),2014,20(5):612-623.

[3]W AHAB Y,MAZALAN M,B AKAR N A,et al.Low power shoe integrated intelligent w ireless gait measurement system[J].Journal of Physics:Con ference,2014,495(1):43-46.

[4]Q I Y,S OH C B,G UNAWAN E,et al.Estimation of spatial-temporal gait parameters using a low-cost ultrasonicmotion analysis system[J].Sensors,2014,14(8):15434-15457.

[5]K IVIM¨AKI T,V UORELAT,P ELTOLAP,et al.Areview on device-free passive indoor positioning methods[J].International Journal of Smart Home,2014,8(1):71-94.

[6]Z HANG M,S AWCHUK AA.Human daily activity recognition with sparse representation using wearab le sensors[J].IEEE Journal of Biomedical and Health Informatics,2013,17(3):553-560.

[7]P ANAHANDEH G,MOHAMMADIHAN,L EIJON A,et al.Continuous hidden Markov model for pedestrian activity classification and gait analysis[J].IEEE Trans on Instrumentation and Measurement,2013,62(5):1073-1083.

[8]邢秀玉,劉鴻宇,黃武.基于加速度的小波能量特征及樣本熵組合的步態分類算法[J].傳感技術學報,2013,26(4):545-549.

[9]T IAN Z,F ANG X,Z HOU M,et al.Smartphone-based indoor integrated W iFi/MEMS positioning algorithmin a multi-fl oor environment[J].Micromachines,2015,6(3):347-363.

[10]劉華,吳文華.高跟鞋對行走中女性軀干、下肢的力學影響[J].北京生物醫學工程,2011,30(1): 105-108.

[11]蔣偉宇,于亮,馬維虎,等.一種新型寰樞椎后路動態固定系統的穩定性研究[J].中國臨床解剖學雜志,2014,32(1):76-79.

[12]S ABATELLI S,G ALGANI M,F ANUCCI L,et al.Adoub le-stage Kalman fi lter for orientation tracking with an integrated processor in 9-D IMU[J].IEEE Transactions on Instrumentation and Measurement,2013,62(3):590-598.

[13]高東,馬昕,許欣,等.基于滑動窗口的定性趨勢分析方法及應用[J].計算機應用研究,2014,31(5): 1441-1444.

[14]李娟娟,張金藝,張秉煜,等.藍牙4.0標準規范下的模糊指紋定位算法[J].上海大學學報(自然科學版),2013,19(2):126-131.

[15]范彥勤.基于貝葉斯分類器的個人信用評估研究[D].西安:西安電子科技大學,2014.

[16]E TTELT D,R EY P,J OURDAN G,et al.3D magnetic field sensor concept for use in inertial measurement units(IMUs)[J].IEEE Journal of Microelectromechanical Systems,2014,23(2): 324-333.

[17]S HANY T,R EDMOND SJ,N ARAYANAN MR,et al.Sensors-based wearable systems formonitoring of human movement and falls[J].IEEE Sensors Journal,2012,12(3):658-670.

Mixed pedestrian gait classifi cation under 3D inertial sensor parameters characterization

CAIChunyan1,ZHANG Jinyi1,2,3,LI Jianyu1,WANG Wei2,ZHANG Honghui2
(1.Microelectronic Research and Development Center,Shanghai University,Shanghai 200072,China; 2.K ey Laboratory of Specialty Fiber Optics and Optical Access Networks,Shanghai University,
Shanghai 200072,China; 3.Key Laboratory of Advanced D isplays and SystemApplication,Shanghai University, Shanghai 200072,China)

In pedestrian gait classification research,the traditionalmethod based on the micro-electro-mechanical system(MEMS)inertial sensor technique focuses on distinguishing a single pedestrian gait,and ignoring transition gait between two single gaits.It leads to poor classification accuracy of mixed gaits such as walking,running,halting, and even causes loss of time.As a result,positioning error of pedestrian dead reckoningbecomes large.This paper analyzes gait characteristics based on kinesiology,and collects raw data of pedestrian using a 9-axisMEMS sensor.3D inertial sensor parameters are then selected to be applied to the subsequent classification algorithm.Because the Naive Bayes algorithmhas low accuracy to distinguish reverse transition gaits,the improved algorithmbased on the Naive Bayes algorithmjudges continuity of two ad jacent w indow s to realize mixed gait classifi cation.Experimental results show that the proposed mixed pedestrian gait classification method with 3D inertial sensor parameters characterization can distinguish a variety of single gaits and transition gaits frommixed gaits.It can also improve the overall classification accuracy by 14.46%as compared with the method of combining sample entropy and wavelet energy.Therefore,the proposed method has a good theoretical and practical value in gait classification.

mixed gaits;micro-electro-mechanical system(MEMS);kinesiology;inertial sensor

TP 273

A

1007-2861(2017)04-0491-10

DO I:10.12066/j.issn.1007-2861.1659

2015-08-26

國家高技術研究發展計劃(863計劃)資助項目(2013AA03A1121,2013AA03A1122);上海市教委重點學科建設資助項目(J50104)

張金藝(1965—),男,研究員,博士生導師,博士,研究方向為通信類SoC設計與室內無線定位技術.

E-mail:zhangjinyi@staff.shu.edu.cn