MEMS加速度传感器的步态识别算法研究

"这篇研究论文探讨了一种基于微电子机械系统（MEMS）加速度传感器的步态识别方法，旨在解决在最小采集约束条件下和长时间跨度下识别率低的问题。研究由涂斌斌、谷丽华、揣荣岩和许会等人完成，得到了国家自然科学基金和中央高校基础科研基金的支持。论文提出了利用加速度传感器收集的右髋部位置数据，通过构建高斯差分尺度空间，提取步态特征，并采用局部关键点生成稀疏表示的步态特征位置模板。通过模板融合技术转换步态周期特征，并利用最近邻算法和投票机制进行步态识别。实验在包含175名测试者的步态加速度数据集上进行，取得了98.67%的识别率和99.89%的认证率，证明了该方法的有效性和稳定性。关键词包括：MEMS加速度传感器、关键点、稀疏表示和模板融合。" 本文详细阐述了一种创新的步态识别算法，该算法充分利用了MEMS加速度传感器的技术优势。在传统的步态识别系统中，尤其是在有限的采集条件和长时间跨度下，识别准确率可能会降低。为了克服这些挑战，研究者提出了一种新的方法，其核心在于通过右髋部的加速度信号来获取步态信息。 首先，论文中提到的算法以加速度传感器的数据为基础，构建了多个高斯差分尺度空间。这一步骤是为了提取步态的动态变化特性，尺度空间的使用能够适应不同行走速度和步态的变化，从而提供更丰富的步态特征。 接下来，算法利用局部关键点来生成步态特征位置模板。局部关键点是步态序列中的重要特征点，它们在不同的步态周期中相对稳定，有助于捕捉步态的固有模式。将这些关键点转化为稀疏表示，可以减少噪声影响，同时保持关键信息，使得特征更具代表性。 随后，研究引入了模板融合技术，这种技术能够有效地转换步态周期特征，确保在不同步态周期间的连续性和一致性，从而提高识别的准确性和鲁棒性。 最后，通过最近邻算法和投票机制对提取的步态特征进行识别。最近邻算法是一种常见的分类方法，它根据特征空间中最接近的训练样本进行预测，而投票机制则可以提高决策的稳定性，避免单个错误决策对整体识别结果的影响。 在实验部分，该研究在包含175个测试者的公开步态加速度数据集上进行了验证，得到了98.67%的识别率和99.89%的认证率，这表明提出的步态识别方法在实际应用中具有很高的性能。此外，他们还探讨了训练集和测试集样本数量对识别效果的影响，进一步证明了该方法的稳健性和泛化能力。 这篇论文为步态识别领域提供了一种高效且适应性强的新方法，特别是在面对复杂环境和时间跨度的挑战时，其性能表现突出。该研究不仅对生物特征识别技术有所贡献，也为未来可穿戴设备和智能安全系统中步态识别的应用奠定了理论基础。