步数识别系统

现在的智能手 机嵌入了一些微小的传感器，比如重力传感器、光传感器、声音传感器等。如何有效地利用这些传感器来开发一些应用，是一个值得深入研究的课题。比如开发医疗 健康的应用、运动量监视器等。本文采用htc Touch Pro 智能手机的重力传感器来开发一款监视步数的程序，程序的关键在于计步模型的建立。

智能手机

所谓的智能手机是指，具有独立的操作系统，用户可以自行安装第三方应用软件，通过此类程序来对手机的功能进行扩充，并可以通过移动通讯网络来实现无线网络接 入的手机，它实际上就是一台迷你的个人电脑。智能手机的操作系统主要有：Android, Symbian, Windows Mobile, iPhone, BlackBerry, Linux等。

步数识别系统

步数识别系统是指运行在移动手机上，能够监视用户走了多少步的应用程序。它一般由以下3个部分构成：

· 传感器模块，用来采集传感器数据；

· 特征提取模块，处理和分析原始数据，并进行特征提取、建立模型；

· 步数识别模块，把所提取的特征用来识别步数。

硬件设备

重 力传感器（G-Sensor）又称为加速度传感器，用来感知加速度的变化，它使用三维方向的加速度分量来表示。G-Sensor被用在很多智能设备当中， 比如IBM的高端笔记本电脑内置了G-Sensor，在发生剧烈的拉动时（如跌落），立即启动硬盘保护，避免硬盘损害。再如Apple 的 iPhone 使用G-Sensor来感知手机屏幕的方向，当在观看视频时手机横放，屏幕自动跟着旋转，这使得用户体验大大增加。本文采用htc Touch Pro手机上的G-Sensor，同样也适用于htc 其它型号的G-Sensor。

方案实现

日 常生活当中，人们使用手机一般是拿在手上，放在裤兜里，女士也经常把它放在包里。因为手机外界环境总是很复杂的，裤兜有松有紧，放在松裤兜的手机比放在紧 的更容易抖动，产生的噪音也更多。为了使该算法尽可能的适用于不同的应用环境，需要对大部分的使用环境进行测试。首先，由4个人（8个或更多也可以）各自 对不同手机使用环境进行数据收集，因为人们在同样的场合使用手机的习惯是不一样的。其次，对采集来的这些数据分别进行特征提取。最后，使用提取的特征模型 进行识别检验。

数据采集

htc Touch Pro G-Sensor提供的数据如表1所示。

表1. htc Touch Pro G-Sensor 提供的数据

字段	含义
X	加速度在手机坐标X方向的分量大小，类型为 double
Y	加速度在手机坐标Y方向的分量大小，类型为double
Z	加速度在手机坐标Y方向的分量大小，类型为double
Length	加速度大小，值为 ，类型为double
Xangle	加速度在手机坐标X方向的分量与地平面的夹角，范围为 -180°~180°，类型为 int
Yangle	加速度在手机坐标Y方向的分量与地平面的夹角，范围为 -180°~180°，类型为 int
DateTime	采样的时间，不是G-Sensor  提供的，为了方便算法计算保留采样的时间，类型为double

本 文算法采用的采样频率为20HZ，采样环境有：慢走、快走、跑步、骑自行车、坐的士、坐公交、坐电梯（上/下）、坐地铁、上下楼梯。其中，有走路的采集走 100 步的数据（慢走、快走等），不是走路的采集1分钟的数据。由于开始和结束的时候放置手机（放口袋、包里）会有一些波动，不是我们想要的，因此这两个时间段 的数据可以删去，或不考虑。手机放在口袋，收集的原始Length字段数据，在Excel 2007上绘制波形图如图1。横轴为每个采样点的索引，纵轴为Length值大小，也就是加速度大小，值在9.8附近变化。

图 1. Length字段波形图

特征提取

由于收集的数据包含有噪声，特别是在两个动作切换之间Length字段值的波动比较大，比如慢走和上楼梯的过程。这里使用快速傅里叶变换（FFT）来处理Length字段的数据，波形图如图2。纵轴已向下平移9.8。

图 2. 经过FFT处理的Length字段波形图

我 们发现上面经过FFT处理的波形表现出一定的规则，就是在一定的时间间格内总有一个波谷，我们称这个点为“踩点”（如图3中的1、2、3、4点），也就是 加速度最小的时刻（脚往下踩，手机相对有一个往下“掉”的过程）。另外，图3上A点也是波谷，但这一点是一个波动点，需要排除。所以踩点还必须小于一定的 值-Threshold。当脚抬起来的时候（“起点”），身体对手机的作用力会增大，加速度也增大。所以起点必须大于Threshold，大于 Threshold的都称为起点，因为我们只关心状态的变化。通常地，走路的时候步与步之间的有一定的时间间隔，走快些间隔小，走慢些间隔大。如果是跑的 话，人类的极限是1秒种跑5步，也就是1步0.2秒。从起点到踩点状态变化1次就是走了1步。所以，我们建立包含如下2个要素的模型M：

1. Length满足一定阀值，比如 –Threshold < Length < Threshold

2. 两个连续踩点的时间间隔必须在Timespan （200~2000毫秒）之内

图 3. 模型满足的条件

步数识别

我们把建立的模型用来检验在坐的士环境下所采集的数据，波形图如图4.

图 4. 用模型检验的士环境下的数据

我 们可以看到后面的一段时间是比较平稳的，前面有一些波动，这些波动导致了错误的识别，识别为走路。我们可以改进这个模型，增加一个约束条件：在监视了连续 k（比如3）个踩点后才开始计步，所以从图3上标号为4的点开始计步。这样的约束就可以把大部分的抖动给去掉。把最终的模型用来检验所采集的不同环境下的 数据得到的计步结果还是比较准确的。

存在问题

如 果拿着手机左右摇摆，采集的数据经过FFT 处理后的波形也符合上面的模型，但这并不是走路的状态，产生了错误的计步。直觉上认为这可以通过监视Xangle，Yangle 两个字段（在某一范围来回变化）来预防这种情况的发生。但使用htc G-Sensor采集的这两个字段的数据得到的效果并不好。

经验教训

以上模型使用的数据只有Length字段，其它字段并没有用到。实际上，在决定只使用 Length 字段建立模型之前，有尝试使用Xangle，Yangle，并推导出Zangle（htc G-Sensor没有给出这个字段），使用这三个角度的状态变化来辅助判断计步。事实上这三个量的数值并不可靠，比如把手机水平放置，做左右摇摆，得到的 Xangle，Yangle 的范围变化有超过 30°的。另外，也可以尝试使用Samsung，iPhone 上的G-Sensor，但本文并没有实现该想法。

总结

使 用智能手机来计步这个课题比较新颖，而且很容易实现个人健康监视的手机助理。收集不同使用环境下的数据是一个比较耗时的过程，需要由不同的人员在不同的环 境下收集。整个计步的关键过程在于模型的建立，而且必须满足使用手机的任意性和处理不同环境下的噪声。所使用的算法也比较简单，用FFT 来处理原始数据，设立一定的阀值和时间间隔，然后监视过程的变化（踩点->起点->踩点）。其中采样率、Length阀值和时间间隔等参数的 设置也是需要一个一个调试的，在本文的程序里采样率为20HZ，Threshold取1，时间间隔在200~2000毫秒。