新的基于行人航位推算的步距检测技术及其性能评估

可在www.sciencedirect.com在线获取ScienceDirectICTExpress 9（2023）16www.elsevier.com/locate/icte一种新的基于行人航位推算导航的步距检测技术SushilTiwari，Vinod Kumar Jain计算机科学与工程系，SRM大学，Amaravati，AP，印度计算机科学与工程系，PDPM IIITDM，MP，印度接收日期：2021年7月29日;接收日期：2022年6月29日;接受日期：2022年10月12日2022年10月19日网上发售摘要精确的步距检测是基于航位推算的行人导航的一项重要任务。本文提出了一种基于动态加权综合模糊C均值算法（DWIFCM）的台阶检测方法。它利用从加速度计传感器的读数中提取的统计准则，并提高了步检测的准确性。所提出的步骤检测技术的性能进行评估实验结果表明，该方法的性能优于现有的基准技术。版权所有2022作者。出版社：Elsevier B.V.代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：位置跟踪;智能手机;步检测;行人航位推算;基于位置的服务1. 介绍近年来，由于许多基于位置的服务（LBS）在我们的日常生活中的大量应用，基于行人航位推算（PDR）的导航系统在世界范围内受到了广泛的关注[1]。PDR通过将行进距离和估计的前进方向添加到先前已知的位置来计算用户的当前位置。这里，行进距离表示从加速度计传感器的读数测量的检测到的步的长度的总和。因此，准确地检测步骤是至关重要的，因为定位误差可能由于大的步骤检测误差而增加。从现有文献[2]中注意到，大多数基于行人航位推算的导航系统已经应用峰值检测（PD）[3]或过零（ZC）[4]技术来进行步骤识别。然而，PD由于其对加速度峰值信号的阈值的依赖而遭受许多错误的步检测，并且当传感器仅安装在脚上时，ZC技术是适当的，这总是不可行的[5]。此外，在最近的研究中，研究人员提出，*通讯作者。电子邮件地址：sushilkumar. srmap.edu.in（S.Tiwari），vkjain@iiitdmj.ac.in（V.K.Jain）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2022.10.004提出了一种零交叉阈值峰值检测（ZCTP）方法，该方法将PD和ZC技术相结合，弥补了两者的不足。虽然ZCTP技术声称比PD和ZC有显著的改进，但它可能限制仅检测特定景观的步行步数。此外，如果行人以不同的步行速度在由平坦、斜坡和楼梯等多个景观组成的路径上行走，则他们的步长可能会有相当大的变化，如[7]中所述。因此，由于在由各种景观组成的路径上使用不同的智能手机的不同行人的加速度信号的变化，确定有效步总是模糊的。因此，需要一种机制，该机制还在步识别期间动态地考虑加速度信号的变化。在这项工作中，我们提出了一种新的基于模糊的步骤检测技术，利用多个统计标准和加速度峰值，以提高步骤检测精度。该方法也不需要预先定义模糊规则。在本研究中，采用简单移动平均（SMA）滤波器[8]来去除加速度信号中的噪声然后，从滤波后的加速度数据中提取统计标准。此外，DWIFCM算法的应用，以实现显着提高的准确性的步骤检测。所提出的方法的性能与最近开发的一些基准步骤2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。S.蒂瓦里和V.K. JainICT Express 9（2023）1617一一A（t）=i=0XyzGFGFGF检测方法为了验证所提出的方法，10名参与者已经使用不同智能手机以各种长度的耳机进行了实验的若干次试验。实验结果表明，所提出的技术优于其他比较先进的技术。2. 建议的台阶检测方法注意，从加速度计传感器接收的测量是有噪声的。此外，加速度峰值不提供足够的信息来准确地检测脚步。因此，从加速度数据中去除噪声并识别除加速度峰值之外的其他标准以更准确地检测步骤在所提出的方法中，我们已经提取了八个统计标准，即均方根（RMS），偏度，峰度，峰值差，形状因子，裕度因子，波峰因子和脉冲因子从过滤后的加速度数据，并应用DWIFCM算法，如随后的第2.3节所述。2.1. 加速度数据收集加速度信号测量值的频率设置为20Hz。此外，本文还考虑了加速度的范数，而不是仅使用垂直加速度。在离散时间t处的加速度A（t）的范数定义为等式（1）。（一）.这里，Ax、Ay和Az分别是x、y和z方向的三轴加速度测量值。A（t）=A2（t）+A2（t）+A2（t）（1）图1.一、 过滤后的加速度信号与原始加速度信号的对比。2.2. 统计准则提取加速度峰值无法准确检测步数。因此，本文研究了许多其他统计标准的重要性，即，均方根（RMS）、偏度、峰度、峰值差、形状因子、裕度因子、波峰因子和脉冲因子（如表1中公式化的），以更准确地检测阶跃。这些统计标准是从无重力的平滑加速度信号s（t）中提取的。为了计算对应于每个统计标准的一个元组，利用n个无重力平滑加速度样本。这里，n表示在每0.5s的持续时间内收集的样本的数量，因为假设行人以正常步行速度行走时平均花费0.5s移动一步。每个统计标准的影响如果行人的行走方式或景观也会有所不同由于人体在行走期间具有引起噪声的自然摆动因此，为了解决这个问题，所提出的工作已经利用了如等式中定义的简单移动平均（SMA）滤波器[8]。（二）、这里，w是平滑窗口的长度，其通过各种实验凭经验确定，并且发现该值5为平滑窗口提供了最佳的结果，这也符合现有文献[9]。此外，所获得的平滑加速度信号As（t）不是无重力的。因此，通过减去g（即，第九章80665 m/ s2）从的路径变化。因此，需要在每个行走步骤期间动态地计算每个统计准则的权重。因此，这项工作应用了动态权重集成模糊C均值（DWIFCM）方法，动态计算每个标准2.3. 基于动态加权综合模糊C均值（DWIFCM）方法的行人可能需要在平坦、斜坡、楼梯等著名景观上行走，in the real真实environment环境.因此，我们认为，As（t）如等式中所定义。（三）、s∑w−1A（t−i）W（二）如[11]中所报道的，在他们的行走过程中并不总是能够保持相同的行走模式。据观察，由于行走模式的变化，加速度峰值可能不稳定。因此，要确定是否s（t）=As（t）−g（3）对加速度信号进行平滑处理后，仍然存在一些虚假的加速度峰值。这可能导致不准确的步骤检测，如图所示。1.一、因此，本工作采用了更多的统计准则和加速度峰值，以准确地检测步骤。步行步是否有效。因此，这项工作已应用基于模糊的方法和聚类的统计标准数据提取的加速度信号分为两组，这表明有效或无效的步骤。此外，每个统计标准的权重是动态确定的，因为每个标准的影响可以针对每个步行步而变化。因此，将动态权重用于一S.蒂瓦里和V.K. JainICT Express 9（2023）1618我GFG Fg f2∑n1∑=∑N我我GF峰度1偏度∑n（As（t）−A<$）3J∑A（t）N表1统计标准列表[10]。7.修改模糊隶属度矩阵M使用Eq. （7）如果如在前一步骤中估计的任何dk>0统计标准定义21均方根1∑nAs（t）2（dk）f−1Mik=i（七）（RMS）nt=1 4σGF∑nc（1）f21∑n（As（t）−A<$）41G Fk=1 dk−n t=1σ3≤0.001，这里0.001是终止阈值。最大峰值差（As−min（As（t，t+1，. . .（n））（t，t+1，. . .（n））最初，我们提取了第二节中讨论的八个标准波峰因数g fmax（As（t））RMS2，并利用它们作为输入特征来构建数据集。在此基础上，采用了形状系数RMS1∑nAs（吨）为了将数据集聚类为两个聚类，即，（i）有效步骤，以及nt=1G Fmax（As（t））（二）无效步骤。所提出的方法执行聚类裕度因子G F1nSnt=1G F算法在每一步行走。 在动态情况下，所有标准的权重在确定合适的max（As（t））脉冲系数（公司简介（t））每个样本的聚类。可以计算nt=1g f每 个 统 计 标 准 。 所 提 出 的 动 态 权 重 综 合 模 糊 C 均 值（DWIFCM）算法的步骤总结如下。1. 假设由SCij表示的统计标准的N个元组，其中i=1到N，j=1到r，必须被聚类。这里，r表示统计标准的数量。2. 选择簇的数目，nc=2（即，有效步骤或无效步骤）。3. 初始化模糊隶属度矩阵M 尺寸N×nc，其中0≤Mik≤ 1，使 用 等 式 （ 五 ） 、 我 们 利 用 一 个 简 单 的 模 糊 C 均 值（FCM）聚类算法来检测的步骤在静态的情况下。该算法的时间复杂度为O（Nac2i）.这里，N表示样本的数量，并且a表示与每个样本相关联的属性的数量。符号c表示聚类的数量，i表示迭代的数量。为了更好地理解DWIFCM方法的过程，我们举一个例子。假设最初，N具有从在10 s内以静止模式收集的加速度信号中提取的20个元组。现在，行人开始行走，并且从每0.5 s的间隔提取的统计标准假设， 在时间间隔t期间提取的元组将被聚类。然后，对直到时间间隔t提取的所有元组进行聚类。在每次迭代中，先前聚类的元组都是nck=1 M ik1，对于每个i.K也重新聚类，每个标准的权重也4. 确定质心C的第k个集群使用Eq.（4）、当数据集的大小不断变化时重新计算。Ck=Ni=1 （Mik）fSCi jf或j=1，2，..（4）但是，还注意到，在一定迭代之后，台阶检测精度近似恒定。这里，Ck是以[Ck，Ck，. . . ，C k]。3. 绩效评价1 2R如[12]中所建议的那样，集群fujuff5. 计算每个统计标准的权重（即，j=1到r），如等式（1）中所定义。（五）、ωj=1∑（SC ij−SC j） f或j= 1，2，.. （5）i=13.1. 实验结果这项工作利用了三个参考轨迹，即，T-I，T-II和T-III，具有不同的长度，包括许多表面的组合，如平面，斜坡和楼梯进行实验。完整的细节实验测试台如表4所示。执行这里，ω是具有以下维度的对角矩阵：r×r。每个对角元素是相应统计标准的权重。6. 估计每个聚类质心和每个统计标准元组之间的加权欧几里得距离，使用等式：（六）、dk=<$（SCi−Ck）×ω<$（6）这里，dk是第i个统计标准元组与第k个聚类质心的加权欧几里得距离。∑nt=1我8. 重复步骤4到7，直到矩阵M的所有元素都是-Ni=1（MikS.蒂瓦里和V.K. JainICT Express 9（2023）1619在实验中，10名参与者参与了不同的身高和体重如表3所示。此外，一个android应用程序被开发并安装在每个参与者的智能手机上在实验过程中，参与者被要求以正常速度行走，并对各种智能手机的方向进行单独的试验同样地，当它们行进以覆盖轨迹T-I、T-II和T-III中的指定距离时，它们对步数进行计数。因为每个参与者的行走速度可能不同。因此，覆盖指定S.蒂瓦里和V.K. JainICT Express 9（2023）1620±TS距离也不同。在实验过程中，观察到各种参与者的步长从0.4米到0.5米不等。0.72 M.平均步长为0.58m。此外，平均步频记为每秒1.90步。为了评估所提出的方法这里，TS和IIS分别表示参与者走过的真实步骤和错误识别的步骤。其他符号SD和EME分别表示标准偏差和预期测量误差（95%置信区间）。为了更好地理解实验结果，让我们考虑轨迹T-I的情况。在这里，参与者1在60次实验中平均走了317步以覆盖轨迹T-I的距离。不正确识别的步骤的平均值和标准差测量为2.91分别为0.8。这些试验中涉及的预期测量误差也使用95%的置信区间进行了例如，参与者1进行的试验所涉及的预期测量误差可如下获得：0.202.同样，还计算了其他参与者进行的试验涉及的预期测量误差，并在表5中列出。此外，步骤识别的准确性，相应的区别景观也计算通过使用Eq。（八）、这项工作已经实现了平均台阶检测精度为99.03%的平面上。同样，在斜坡和楼梯表面中，分别为97.89%和96.04%。精度=[1−|ES−TS|]×100（8）3.2. 讨论所提出的方法进行了比较，与三个基准方法的步骤检测。过零检测和峰值检测是基于峰值检测的导航中常用的经典方法。这些技术仅适用于加速度传感器安装在脚或腰部等身体另一种是基于阈值的过零峰值检测（ZCTP）技术。ZCTP技术试图将ZC和PD的功能结合起来，以利用这两种方法的优点并补偿彼此的限制。为了评估所提出的和这些现有的步骤检测技术的性能，我们在三个不同的trajec-tories进行了许多试验的实验。据观察，ZC和PD技术仅适用于检测平坦表面上的台阶。如果地表发生变化，它们会降低精度。此外，如果智能手机的方位是不合适的另一方面，ZCTP不受智能手机的方向的影响，但它降低了精度时，表面的景观变化。如果行人在由许多表面组成的路径上行走时使用手持设备进行导航。然后，由于身体部位的移动则使用表2智能手机的方向。符号定义SFP智能手机放在衬衫TM智能手机保持短信模式CM智能手机保持在呼叫模式表3参与者的详细信息身份验证年龄性高度重量P125M17865P219M17560P320F15954P426F16261P525F15964P626F17063P724F16859P820M18067P935M17675P1030M17574只有一个标准，即，加速度峰值不足以处理误差，如现有方法中所做的那样。该方案利用了许多统计标准，而不是只有加速度峰值来检测步骤。由于涉及的准则较多，该方法比现有方法具有更高的精度.该方案还考虑了景观表面的动态变化通过在每个行走步骤期间动态地计算标准的值。这也是该方案能够达到最佳精度的一个重要原因。虽然所提出的方法是相当昂贵的计算，它实现了最好的精度相比，现有的技术。此外，该技术最适合于基于智能电话的导航，因为最近开发的智能电话配备有具有高计算质量的处理器。3.3. 智能手机定位为了测量智能电话的取向的影响，如表2中所列出的，考虑握持智能电话的六个所提出的方法和现有的步骤检测技术在智能手机的不同取向上的性能在图2中呈现。通过实验结果发现，将智能手机放在裤子前口袋中，在智能手机的所有方位中，提供了最小的步检测误差。与现有技术中性能最好的方法相比，该方法将阶跃检测误差降低了19.89%。由于智能手机S.蒂瓦里和V.K. JainICT Express 9（2023）1621=×=×表4弹道的特征轨迹ID弹道长度（米）匝数楼梯数量平面长度（米）坡面长度（米）T-I20059015030T-II15034512020T-III1002906020表5基于60次试验平均值的阶跃检测方法的性能PidT-I T-II T-IIITS平均值（IIS）SD EME TS平均值（IIS）SD EME TS平均值（IIS）SD EMEP1 317 2.91 0.8 ±0.202 240 5.31 1.46 ±0.369 160 6.091.34±0.339P2 344 2.38 0.65 ±0.164 260 3.11 0.81 ±0.205 171 7.88 2.12 ±0.536P3 285 4.12 0.97 ±0.245 214 2.93 0.87 ±0.22 144 7.14 1.91 ±0.483P4 333 1.97 0.76 ±0.192 253 3.87 0.92 ±0.233 168 4.95 0.97 ±0.245P5 298 4.17 1.02 ±0.258 221 5.78 1.17 ±0.296 150 6.02 1.08 ±0.273P6 296 3.99 1.11 ±0.281 220 5.85 1.13 ±0.286 151 6.72 1.28 ±0.324P7 326 1.37 0.89 ±0.225 251 6.13 1.48 ±0.374 165 5.37 1.82 ±0.461P8 330 3.11 1.32 ±0.334 248 2.21 0.63 ±0.159 166 6.07 1.12 ±0.283P9 316 1.87 0.94 ±0.238 240 6.68 1.29 ±0.326 158 6.96 1.97 ±0.498P10 321 4.83 1.12 ±0.283 242 7.73 1.96 ±0.496 163 7.22 1.31 ±0.331图二、 与现有的步骤检测技术的比较。3.4. 数据集大小的影响如前所述，该工作仅利用先前的N个统计标准数据样本来检测每个行走步骤，其中数据集最初具有20个样本。为了找到可以在阶跃检测过程中使用的最佳N数，我们已经测试了从25到300的许多N值。注意，N的合适大小也针对不同的智能电话姿势而变化。从图3中，当对于特定的智能电话取向N的值大于250时，获得了步检测误差近似恒定。然而，不同姿势的N的最佳大小也不同，但差异较小。因此，它们的平均值可以用作阶跃检测的N图3.第三章。 统计准则数据样本在阶跃检测中的影响。3.5. 集成动态权重本工作进行了几个实验测试，通过使用动态权重和没有动态权重来检测步行步骤。为了评价这些试验，需要两个参数，即，精确度和召回率估计对应于使用Eqs的两个方案。（9）和（10），来清楚地了解他们的表现差异。PTp100%（ 9）Tp+ FpRTp100%（ 10）S.蒂瓦里和V.K. JainICT Express 9（2023）1622Tp+ Fn这里，P和R分别代表查准率和查全率。参数Tp、Fp和Fn分别表示真阳性、假阳性和假阴性精度的结果S.蒂瓦里和V.K. JainICT Express 9（2023）1623表6动态权重对查准率和查全率的影响具有动态权重的智能手机精度召回精确召回SFP98.6797.9294.23 91.54TFP99.0496.4794.78 90.28TBP98.5096.9995.85 93.63SH97.2198.8892.69TM98.0296.7295.71CM97.1598.1693.25 94.45表6中给出了对应于两种方案的召回率。实验结果表明，通过动态权值的引入，步检测方法的查准率和查全率分别提高了3.85%和4.47%。4. 结论在这项研究中，我们提出了一种新的步骤检测方法，可用于基于智能手机的导航系统，以实现高定位精度。所提出的步检测技术也是鲁棒的，因为它在所有区分表面中的各种智能手机握持姿势上实现了其他现有方法中的最高准确度。此外，这项工作可以利用，以加速许多LBS的出现依赖于准确的步骤检测。CRediT作者贡献声明Sushil Tiwari：研究的概念和设计，数据采集，数据分析和/或解释，撰写Vinod Kumar Jain：研究的概念和设计，数据采集，数据分析和/或解释，写作竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认所有的作者都同意出版这个版本的手稿。引用[1] Eladio Martin ， Ling Liu ， Michael Covington ， Peter Pesti ，MatthewWeber，基于位置的服务中的定位技术，载于：基于位置的服务手册，CRC出版社，2018年，pp. 15-60[2] 吴元，朱海冰，杜庆秀，唐树明，调查介绍了基于惯性传感器的 行 人 航 位 推 算 系 统 的 研 究 现 状 ， J. 自 动 Comput. 16 （ 1 ）（2019）65[3] 王博远，刘学林，于保国，贾瑞才，甘兴利，基于运动模式识别的行人航位推算，智能手机，传感器18（6）（2018）1811。[4] 张荣贵，徐惠煌，彭伟扬，蒂莫西·K。施，白敦文，家乐民，使用智能手机传感数据的室内定位和导航，Ann。操作员Res. 265（2）（2018）187[5] Soufien Kammoun，Jean-Baptiste Pothin，Jean-Christophe Cousin，一种用于无约束智能手机的有效模糊逻辑步骤检测算法，在：2015年IEEE第26届个人，室内和移动无线电通信年度国际研讨会，PIMRC，IEEE，2015年，pp. 2110-2114[6] Mingyang Zhang，Yingyou Wen，Jian Chen，Xiaotao Yang，RuiGao ， Hong Zhao ， Pedestrian dead-reckoning indoor localizationbased onos-elm，IEEE Access 6（2018）6116-6129.[7] Luis Enrique Diez，Alfonso Bahillo，Jon Otegui，Timothy Otim，基于惯性传感器的步长估计方法：综述，IEEESens. J. 18（17）（2018）6908[8] Rui Zhou，步行速度不同的智能手机上的行人航位推算，在：2016年IEEE国际通信会议，ICC，IEEE，2016年，pp. 1比6[9] L.E. Díez，A.作者声明：A.佩拉洛斯湖Azpilicueta，F. Falcone，J.J.Astrain，J. Villadangos，使用腕戴式IMU进行步进检测的信号处理要求，在：2015年高级应用电磁学国际会议，ICEAA，IEEE，2015年，第1032-1035[10] Sushil Tiwari，Vinod Kumar Jain，基于智能手机的多层建筑物的改进楼层确定技术，在：世界工程大会论文集，英 国 伦敦，2018年，第100 页。四比六[11] 放大图片作者：Alessio Martinelli，Han Gao，Paul D. Groves，Simone Morosi，行人航位推算的概率上下文感知步长估计，IEEESens. J. 18（4）（2017）1600[12] 洪志成，郭宝珍，一种新的加权模糊c-均值聚类算法在遥感影像分类中的应用，IEEE J. Sel. Top. 标志. 过程。 5（3）（2010）543-553。