miu小波变换在人体步态数据检测与识别中的Matlab仿真

一、理论基础

在进行数据采集的过程中，需要根据实际情况选择合适的采集设备，现有的采集设备一般都是由多个传感器模块、显示模块、电源模块以及通信模块构成。在本课题中，我们选择了BWT61CL无线蓝牙版带电池陀螺仪姿态传感器作为本文的数据采集设备。该设备的主要参数指标如下表所示：

表1陀螺仪姿态传感器参数指标

BWT61CL姿态传感器其主要构架包括了传感器模块、信号处理单元、信号收发接口等模块，其具有低功耗、低成本、轻便等优势[19]。该设备广泛应用于手机，GPS导航、计步器以及智能儿童手表等电子产品中，下面对该IMU设备的各个模块进行介绍。

3.2.1加速度计

加速度计是BWT61CL姿态传感器的一个重要组成部分，其属于惯性传感器的一种，通过加速度计可以采集人体的加速度信息，包括x轴加速度，y轴加速度以及z轴加速度。当人体在行走或者奔跑过程中，其加速度将表现为周期性的波动，那么通过加速度计则可以实时监测这种周期性变化，并根据这种周期特征来计算人体的步态和步伐数量。当人体处于静止状态或者匀速状态，此时加速度计只有垂直方向有数据，且近似为重力加速度。

3.2.2陀螺仪  

陀螺仪同样是BWT61CL姿态传感器的一个重要组成部分，通过陀螺仪可以实时监测出人体在行走过程中的角速度。BWT61CL中的陀螺仪，其转轴方向将不随着支架的转动而变化，当设备收到外部角度变化的时候，其上下金属之间的电容会发生变化，根据电压值的改变大小来判断角度的变化大小。

3.3基于IMU设备的人体步态数据的采集

数据采集环节是人体步行识别和步伐统计研究的第一环节，在本课题中，我们主要通过BWT61CL姿态传感器进行采集行人的xyz三个方向的加速度，xyz三个方向的角速度以及xyz三个方向的角度（如图3.1所示），为课题的研究提供最原始的分析数据。

图1数据采集示意图

通过采集得到的数据主要包括人体沿着x轴、y轴、z轴的加速度，即ax，ay，az；沿着x轴、y轴、z轴的姿态角，即横滚角anglex，俯仰角angley，偏航角anglez，沿着x轴、y轴、z轴的角速度，即wx，wy，wz；一共九组特征数据。由图3.1可知，横滚角以x轴作为旋转轴，俯仰角以y轴作为旋转轴，航偏角以z轴为旋转轴。通过IMU设备对数据进行实时的采集，可以记录行人不同的行走状态。最终采集的数据结构如下所示：

图2数据样本图

二、MATLAB仿真程序

登录后复制

clc;clear;close all;warning off;     sel = 2;    load R1.mat[locsy1,indxy1]=func_peak(ay1);[locsz1,indxz1]=func_peak(az1);[locsy2,indxy2]=func_peak(ay2);[locsz2,indxz2]=func_peak(az2);[locsy3,indxy3]=func_peak(ay3);[locsz3,indxz3]=func_peak(az3);if sel == 1figure;subplot(211);plot(Timesa,ay1,'b');hold onplot(Timesa(locsy1),ay1(locsy1),'ro'); hold onplot(Timesa(indxy1),ay1(indxy1),'k*'); hold onstem(Timesa(locsy1),ay1(locsy1),'ro')xlabel('time');ylabel('ay');subplot(212);plot(Timesa,az1,'b');;hold onplot(Timesa(locsz1),az1(locsz1),'ro');hold onplot(Timesa(indxz1),az1(indxz1),'k*');hold onstem(Timesa(locsz1),az1(locsz1),'ro')xlabel('time');ylabel('az');Tay1  =[Timesa(locsy1)]';Tby1  =[Timesa(indxy1)]';Ay1  =[ay1(locsy1)]'; Taz1  =[Timesa(locsz1)]';Tbz1  =[Timesa(indxz1)]';Az1  =[az1(locsz1)]'; ptime1 = [67.574,68.031,68.602,69.235,69.775,70.352,70.922,71.636,72.201,72.66,73.212];ptime2 = [67.407,68.12,68.762,69.347,69.881,70.448,70.998,71.567,72.20,72.755,73.307];for i = 1:length(ptime1)-1    diff1(1,i)=ptime1(i+1)-ptime1(i);    diff2(1,i)=ptime2(i+1)-ptime2(i);end2*mean(diff1)2*mean(diff2)figure;plot(ptime1-ptime2); p1=[66.2,66.402,66.519,66.746,66.951,67.05,67.198,67.343,67.499,67.615,67.913,68.201,68.531,68.868,69.155,69.393,69.698,69.991,70.235,70.559,70.802,71.145,71.381,71.687,71.972,72.288,72.53,72.844,73.104,73.431,73.707,73.858];p2=[66.936,67.170,67.360,67.499,68.021,68.333,68.531,   68.554,68.629,68.951,69.222,69.56,69.798,70.021,70.378,70.596,70.611,70.661,70.667,70.671,70.979,71.197,71.553,71.794,72.1,72.321,72.678,72.911,73.245,73.423,73.493,73.847,73.994];for i = 1:length(p1)-1    diff1(1,i)=p1(i+1)-p1(i);    diff2(1,i)=p2(i+1)-p2(i);end5*mean(diff1)5*mean(diff2) ay=mean(sqrt(ax1(locsz1).^2 + ay1(locsz1).^2 + az1(locsz1).^2))endif sel == 2figure;subplot(211);plot(Times2,ay2,'b');hold onplot(Times2(locsy2),ay2(locsy2),'ro');hold onplot(Times2(indxy2),ay2(indxy2),'k*');hold onstem(Times2(locsy2),ay2(locsy2),'ro')xlabel('time');ylabel('ay');subplot(212);plot(Times2,az2,'b');;hold onplot(Times2(locsz2),az2(locsz2),'ro');hold onplot(Times2(indxz2),az2(indxz2),'k*');hold onstem(Times2(locsz2),az2(locsz2),'ro')xlabel('time');ylabel('az');ptime1 = Times2(locsy2);ptime2 = Times2(indxz2);for i = 1:length(ptime1)-1    diff1(1,i)=ptime1(i+1)-ptime1(i);    diff2(1,i)=ptime2(i+1)-ptime2(i);end2*mean(diff1)2*mean(diff2)% figure;% plot(ptime1-ptime2); p1=Times2(indxy2(4:end));p2=Times2(indxz2);for i = 1:length(p1)-1    diff1(1,i)=p1(i+1)-p1(i);    diff2(1,i)=p2(i+1)-p2(i);end5*mean(diff1)5*mean(diff2)ay=mean(sqrt(ax2(locsz2).^2 + ay2(locsz2).^2 + az2(locsz2).^2))end if sel == 3figure;subplot(211);plot(Times3,ay3,'b');hold onplot(Times3(locsy3),ay3(locsy3),'ro');hold onplot(Times3(indxy3),ay3(indxy3),'k*');hold onstem(Times3(locsy3),ay3(locsy3),'ro')xlabel('time');ylabel('ay');subplot(212);plot(Times3,az3,'b');;hold onplot(Times3(locsz3),az3(locsz3),'ro');hold onplot(Times3(indxz3),az3(indxz3),'k*');hold onstem(Times3(locsz3),az3(locsz3),'ro')xlabel('time');ylabel('az');ptime1 = [100.685;101.31;101.89;102.666;103.198;103.794;104.343;104.918;105.308;105.865;106.536;] ;ptime2 = [100.885;101.47;102.039;102.589;103.143;103.707;104.281;104.823;105.387;105.952;106.536;]; for i = 1:length(ptime1)-1    diff1(1,i)=ptime1(i+1)-ptime1(i);    diff2(1,i)=ptime2(i+1)-ptime2(i);end2*mean(diff1)2*mean(diff2)figure;plot(ptime1-ptime2); p1=Times2(indxy2(4:end));p2=Times2(indxz2);for i = 1:length(p1)-1    diff1(1,i)=p1(i+1)-p1(i);    diff2(1,i)=p2(i+1)-p2(i);end5*mean(diff1)5*mean(diff2)ay=mean(sqrt(ax3(locsz3).^2 + ay3(locsz3).^2 + az3(locsz3).^2))end 1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.82.83.84.85.86.87.88.89.90.91.92.93.94.95.96.97.98.99.100.101.102.103.104.105.106.107.108.109.110.111.112.113.114.115.116.117.118.119.120.121.122.123.124.125.126.127.128.129.130.131.132.133.134.135.136.137.138.139.140.141.142.143.144.145.146.147.148.149.150.151.152.153.154.155.156.157.158.159.160.161.162.163.164.165.166.167.168.169.170.171.172.173.174.175.176.177.178.179.180.181.182.183.184.185.

三、仿真结果

从图的仿真结果可知，通过峰值检测和过零检测算法，我们可以得到各个峰值以及过零点值，其具体数值结论如下：

100.8850，101.4700，102.0390，102.5890，103.1430，103.7070，104.2810，104.8230，105.3870，105.9520，106.5360。两个轴上峰值的检测时刻误差为：   -0.2000，-0.1600，-0.1490，0.0770，0.0550，0.0870，0.0620，0.0950，-0.0790，-0.0870，0。那么由y轴加速度数据和z轴加速度数据，我们分别得到的步伐周期为1.1302s和1.1702s。由此可见，通过y轴和z轴计算的步伐周期之间存在一定的差异性。同理，根据过零点时刻数据，由y轴加速度数据和z轴加速度数据，我们分别得到的步伐周期为1.1091s和1.1629s。由此可见，通过y轴和z轴计算的步伐周期之间存在一定的差异性。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删