android 判断手机计步_Android_基于G-Sensor的计步算法

大家好，插播一下，最近花了点时间，基于g-sensor，在做一些姿势识别的事情，比如走路，跑步，骑车，起立，坐下，文章还在整理，欢迎关注。周末争取传个apk给大家体验一下。

开始：

最新发现了很多文章将算法直接拿去用，简书上，github上，导致下面有很多疑问。

希望大家转载或者改造的时候，可以注明一下算法的原作者为 finnfu以及原文链接，谢谢。

很多人问源码地址，因为一些原因不能提供，写了个简单的算法demo，以及算法介绍文档。

https://github.com/finnfu/stepcount

如果觉得对你有帮助，请给个star吧！

下面是正文：

目前在计步领域比较领先的有乐动力以及春雨计步器，在做算法的参数调试的时候也是一直拿这两个应用做对比。乐动力当之无愧行业第一，不管是应用的体验还是准确度都是非常棒，春雨计步器的亮点是轻量级，使用以及界面操作都很简单。之前因为一些需求，需要做一个计步器，所以就开始自己研究算法了，各种场景(走路拿在手上，放在口袋，跑步)，算法的准确度大概可以达到95.7%，综合起来觉得是比春雨略好，但是赢不了乐动力(可以达到97.7%)在体验和大局观为王的互联网时代，我觉得技术上的差距会越来越小，重要的是体验还有对于产品的定位，所以决定将算法与大家分享，第一是希望可以帮到到家，第二也是希望大家提一些意见，让这个算法可以得到改进。

人在走路时大致分为下面几种场景：

1、正常走路，手机拿在手上(边走边看、甩手、不甩手)

2、慢步走，手机拿在手上(边走边看、甩手、不甩手)

3、快步走，手机拿在手上(甩手、不甩手、走的很快一般不会看手机吧)

4、手机放在裤袋里(慢走、快走、正常走)

5、手机放在上衣口袋里(慢走、快走、正常走)

6、上下楼梯(上面五中场景可以在这个场景中再次适用一遍)

以上，不管出于哪一种场景(其实对应手机不同的运动规律)，g-sensor的三轴数据都是有规律可以寻找的。

每一步都有特征点，找到这个特征点，就是识别出来一步。

下面推荐一个工具，叫gsensor-debug，可以观察三轴的曲线，下面是手机上下摆动的曲线

这是很规律曲线只要检测波峰就行了，实际的走路曲线会有很多杂波，算法的作用就是滤除这些杂波(走路的波形可以用工具自己看，可以保存为文件，用excel打开有数据，将数据转换为波形就可以自己看)

//存放三轴数据

float[] oriValues =newfloat[3];

finalintvalueNum =4;

//用于存放计算阈值的波峰波谷差值

float[] tempValue =newfloat[valueNum];

inttempCount =0;

//是否上升的标志位

booleanisDirectionUp =false;

//持续上升次数

intcontinueUpCount =0;

//上一点的持续上升的次数，为了记录波峰的上升次数

intcontinueUpFormerCount =0;

//上一点的状态，上升还是下降

booleanlastStatus =false;

//波峰值

floatpeakOfWave =0;

//波谷值

floatvalleyOfWave =0;

//此次波峰的时间

longtimeOfThisPeak =0;

//上次波峰的时间

longtimeOfLastPeak =0;

//当前的时间

longtimeOfNow =0;

//当前传感器的值

floatgravityNew =0;

//上次传感器的值

floatgravityOld =0;

//动态阈值需要动态的数据，这个值用于这些动态数据的阈值

finalfloatinitialValue = (float)1.3;

//初始阈值

floatThreadValue = (float)2.0;

privateStepListener mStepListeners;

检测步子就是检测波峰，但是要滤除无效的波峰，主要采用了如下三种措施

a、规定曲线连续上升的次数

b、波峰波谷的差值需要大于阈值

c、阈值是动态改变的

另一个是一些参数的初始值，比如initialValue 以及ThreadValue 的初始值，以及averageValue函数的梯度化范围值

需要结合各种场景的波形图来统计，还有几十实际的测试来调试参数，这些参数大概前后调了两个星期，其实总体思路不复杂。

下面贴出核心代码以及一些注释：

(因为一些原因，整个工程我就不传了，后面有时间我可以将app传上来)

/*

* 注册了G-Sensor后一只会调用这个函数

* 对三轴数据进行平方和开根号的处理

* 调用DetectorNewStep检测步子

* */

@Override

publicvoidonSensorChanged(SensorEvent event) {

for(inti =0; i <3; i++) {

oriValues[i] = event.values[i];

}

gravityNew = (float) Math.sqrt(oriValues[0] * oriValues[0]

+ oriValues[1] * oriValues[1] + oriValues[2] * oriValues[2]);

DetectorNewStep(gravityNew);

}

/*

* 检测步子，并开始计步

* 1.传入sersor中的数据

* 2.如果检测到了波峰，并且符合时间差以及阈值的条件，则判定为1步

* 3.符合时间差条件，波峰波谷差值大于initialValue，则将该差值纳入阈值的计算中

* */

publicvoidDetectorNewStep(floatvalues) {

if(gravityOld ==0) {

gravityOld = values;

}else{

if(DetectorPeak(values, gravityOld)) {

timeOfLastPeak = timeOfThisPeak;

timeOfNow = System.currentTimeMillis();

if(timeOfNow - timeOfLastPeak >=250

&& (peakOfWave - valleyOfWave >= ThreadValue)) {

timeOfThisPeak = timeOfNow;

/*

* 更新界面的处理，不涉及到算法

* 一般在通知更新界面之前，增加下面处理，为了处理无效运动：

* 1.连续记录10才开始计步

* 2.例如记录的9步用户停住超过3秒，则前面的记录失效，下次从头开始

* 3.连续记录了9步用户还在运动，之前的数据才有效

* */

mStepListeners.onStep();

}

if(timeOfNow - timeOfLastPeak >=250

&& (peakOfWave - valleyOfWave >= initialValue)) {

timeOfThisPeak = timeOfNow;

ThreadValue = Peak_Valley_Thread(peakOfWave - valleyOfWave);

}

}

}

gravityOld = values;

}

/*

* 检测波峰

* 以下四个条件判断为波峰：

* 1.目前点为下降的趋势：isDirectionUp为false

* 2.之前的点为上升的趋势：lastStatus为true

* 3.到波峰为止，持续上升大于等于2次

* 4.波峰值大于20

* 记录波谷值

* 1.观察波形图，可以发现在出现步子的地方，波谷的下一个就是波峰，有比较明显的特征以及差值

* 2.所以要记录每次的波谷值，为了和下次的波峰做对比

* */

publicbooleanDetectorPeak(floatnewValue,floatoldValue) {

lastStatus = isDirectionUp;

if(newValue >= oldValue) {

isDirectionUp =true;

continueUpCount++;

}else{

continueUpFormerCount = continueUpCount;

continueUpCount =0;

isDirectionUp =false;

}

if(!isDirectionUp && lastStatus

&& (continueUpFormerCount >=2|| oldValue >=20)) {

peakOfWave = oldValue;

returntrue;

}elseif(!lastStatus && isDirectionUp) {

valleyOfWave = oldValue;

returnfalse;

}else{

returnfalse;

}

}

/*

* 阈值的计算

* 1.通过波峰波谷的差值计算阈值

* 2.记录4个值，存入tempValue[]数组中

* 3.在将数组传入函数averageValue中计算阈值

* */

publicfloatPeak_Valley_Thread(floatvalue) {

floattempThread = ThreadValue;

if(tempCount 

tempValue[tempCount] = value;

tempCount++;

}else{

tempThread = averageValue(tempValue, valueNum);

for(inti =1; i 

tempValue[i -1] = tempValue[i];

}

tempValue[valueNum -1] = value;

}

returntempThread;

}

/*

* 梯度化阈值

* 1.计算数组的均值

* 2.通过均值将阈值梯度化在一个范围里

* 3.参数暂时不开放(a,b,c,d,e,f,g,h,i,i,k,l)

* */

publicfloataverageValue(floatvalue[],intn) {

floatave =0;

for(inti =0; i 

ave += value[i];

}

ave = ave / valueNum;

if(ave >= a)

ave = (float) b;

elseif(ave >= c && ave 

ave = (float) e;

elseif(ave >= f && ave 

ave = (float) h;

elseif(ave >= i && ave 

ave = (float) k;

else{

ave = (float) l;

}

returnave;

}