基于惯性测量单元的智能手机运动识别系统:行走、跑步与骑行多携带模式下的初步可行性评估

《Sensors》:Deterministic Foreground Calibration of Gain and Integral Nonlinearity in Constant-Slope Digital-to-Time Converters for Fractional Output Dividers

【字体: 大 中 小 】 时间:2026年09月27日 来源:Sensors 4.0

编辑推荐:

  本文提出了一种基于智能手机的初步惯性测量单元(Inertial Measurement Unit, IMU)系统,用于识别三种常见运动类型,即行走、跑步和骑行,并考察不同携带模式下的识别性能。该系统在Android智能手机上实现,利用加速度计和陀螺仪信号,同时

  
本文提出了一种基于智能手机的初步惯性测量单元(Inertial Measurement Unit, IMU)系统,用于识别三种常见运动类型,即行走、跑步和骑行,并考察不同携带模式下的识别性能。该系统在Android智能手机上实现,利用加速度计和陀螺仪信号,同时支持离线评估与设备端实时识别。当前数据集包含由三种运动类型与两种携带模式组合而成的六种运动-携带类别,每类收集超过15个数据段,每段时长约为40–60秒以上,且均在平坦地面采集。原始传感器数据流以50 Hz采样率处理,采用8秒滑动窗口和4秒步长。为减少数据泄漏,离线实验采用会话级划分策略。以K近邻(K-nearest neighbor, KNN)分类器作为基线识别模型,比较了不同传感器组合与特征设置。最优离线配置采用加速度计与陀螺仪融合特征、增强特征集及K=3,准确率达到86.57%,宏F1分数为88.42%。设备端测试进一步表明,在手持条件下识别性能稳定,而在未见过的公文包式携带条件下性能下降,尤其是行走和跑步类别。上述结果表明,所提出的系统作为初步的基于智能手机的运动识别流程具有可行性。在当前阶段,本研究应被解读为在有限且部分不平衡的多受试者数据条件下开展的先导规模可行性评估,而非严格的受试者独立泛化研究。然而,研究结果强调了携带模式多样性及未来工作中更严格的跨受试者评估的重要性。
基于智能手机的惯性传感运动识别研究:背景、方法、结果与展望
一、研究背景与问题
随着智能手机的普及及其内置惯性传感器(包括加速度计和陀螺仪)的广泛可用,基于手机的运动识别技术近年来受到越来越多的关注。这类传感器为日常活动监测、运动记录和情境感知移动应用提供了便捷的感知平台。已有研究探索了在非受控环境中利用智能手机惯性传感器进行日常生活活动与情境识别,也有工作结合环境传感器进一步拓展了日常活动检测的应用范围。然而,在实际使用中,传感器读数会受到设备放置位置、携带方式以及用户交互模式等因素的影响,导致可靠的识别仍然面临挑战。已有研究尝试通过卷积神经网络框架或专门针对不同手机朝向和位置设计的识别方案来应对设备差异性问题,这表明放置方式与设备变异性仍是活跃的研究课题。
携带模式是影响智能手机运动识别效果的重要因素之一。已有研究考察了手机放置位置对活动识别的影响,以及手机置于口袋或手中时对步行类运动识别的作用。相关研究还探讨了行走过程中更细粒度的携带状态识别、活动与手机持握模式的联合分类,以及最小化智能手机-惯性测量单元(IMU)配置下的传感器放置问题。不同携带模式会改变身体运动向设备传递的方式,即使底层活动相同,惯性信号特征也可能发生显著变化。因此,在有限携带条件下训练的模型,当手机以不同方式携带时,性能可能明显下降。研究这种变化对于开发实用的设备端识别系统具有重要意义。
二、研究内容与主要结论
针对上述问题,研究人员提出了一套初步的基于智能手机的惯性测量单元(IMU)运动识别系统,用于在不同携带模式下识别行走、跑步和骑行三种运动类型。该系统在Android平台上实现,支持离线分析与在线设备端推理。研究采用加速度计和陀螺仪信号,通过固定滑动窗口策略进行数据处理,并以K近邻(KNN)分类器作为基线识别模型。当前阶段的研究聚焦于在平坦地面采集的先导规模数据集,包含三种运动类型与两种携带模式组合而成的六类数据。为获得更可靠的离线评估结果,研究采用会话级划分而非随机窗口级划分。此外,研究还进行了设备端测试,以考察训练模型在实际智能手机使用中的表现。该研究侧重于端到端的可行性流程和实际的携带模式分析,而非提出新的分类器架构或进行全面的多模型基准比较。
研究的主要贡献包括:第一,开发了一套完整的智能手机惯性测量单元(IMU)处理流程,涵盖数据采集、预处理、离线模型评估以及Android设备上的在线识别;第二,利用加速度计与陀螺仪融合,对不同携带模式下的运动识别进行了初步分析;第三,比较了不同特征设置和传感器组合,确定了当前数据集下实用的基线配置;第四,报告了离线实验结果和设备端观测结果,包括一次简短的未见携带条件测试,并讨论了当前系统的局限性及未来改进方向。
三、关键技术方法
研究人员构建了由离线识别流程和Android设备端识别应用两部分组成的完整系统。数据采集使用自研的智能手机采集应用,由四名参与者在平坦地面收集行走、跑步和骑行三种运动类型及两种携带模式的数据,共形成六个数据类别,每类超过15个数据段,每段持续约40–60秒以上。原始惯性数据以50 Hz固定采样率处理,采用8秒滑动窗口和4秒步长进行分段。离线评估采用会话级划分策略,以固定随机种子42进行随机洗牌,80%的会话用于训练,20%用于测试,同一会话产生的所有窗口严格保留在训练集或测试集一侧。特征提取方面,研究人员设计了基线特征集和增强特征集两种方案:基线特征对每个选定通道计算时域均值和频域主频率;增强特征则计算均值、标准差、能量和主频率四个描述符。传感器配置包括仅加速度计、仅陀螺仪以及加速度计-陀螺仪融合三种模式。分类采用K近邻(KNN)分类器,比较了不同K值设置。离线评估采用准确率、宏精确率、宏召回率和宏F1分数作为性能指标。
四、研究结果
4.1 离线实验结果
离线实验比较了不同传感器配置、特征设置和KNN参数组合下的三分类识别性能。结果表明,传感器融合和更丰富的特征设计均能显著提升识别性能。其中,仅使用陀螺仪的设置表现明显较弱,说明角速度信息单独不足以稳定区分行走、跑步和骑行。在所有测试配置中,最优模型为融合增强KNN模型(K=3),达到86.57%的准确率、88.55%的宏精确率、89.56%的宏召回率和88.42%的宏F1分数。此外,增强特征集相比基线特征集在融合条件下有较大性能提升,说明更丰富的手工特征提供了超越最紧凑统计量和主频率特征的有效运动相关信息。传感器配置的对比呈现一致的排序规律:融合设置最优,仅加速度计居中,仅陀螺仪最弱,表明线性加速度比角速度更具区分性,而双模态融合提供了最稳健的性能。
4.2 混淆矩阵分析
对最优离线模型的混淆矩阵分析显示,跑步类别获得了最清晰的分离,绝大多数跑步窗口被正确识别,与其他两类的混淆极少,这与跑步产生更独特的节律和强度惯性模式有关。行走类别也获得了较好的识别性能,但少量行走窗口被误分类为骑行或跑步,可能因为行走运动强度较温和且与其他周期性活动存在更多重叠。骑行是最容易出错的类别,相当比例的骑行窗口被误分类为行走。一个可能的原因是两种活动在平坦地面条件下都可能呈现相对规则的节律结构,尤其是当手机未刚性固定于身体时,低频运动模式和整体信号稳定性可能部分重叠,而当前轻量级手工特征可能无法充分捕捉方向鲁棒性或运动耦合信息来完全区分二者。
4.3 设备端测试结果
将最优离线模型部署到Android应用后进行的设备端测试显示,手持条件下的识别结果高度稳定,行走、跑步和骑行均实现完全正确识别,分别为19/19、20/20和20/20。然而,在公文包式携带条件下,识别性能显著下降:行走正确预测9/22(40.9%),跑步9/21(42.9%),骑行20/25(80.0%)。行走和跑步对携带模式失配尤为敏感,预测序列变得不稳定且更频繁地与其他类别混淆。骑行即使在未见过的公文包式条件下仍相对稳健,但性能也较手持设置有所下降。这些结果表明携带模式偏移对实际运动识别性能有显著影响,尤其是当新携带条件未在训练中出现时。
五、讨论与结论
讨论部分指出,轻量级智能手机惯性测量单元(IMU)流程在训练条件与在线使用条件一致时,能够提供有效的初步运动识别。离线实验证明了传感器融合和增强特征设计对性能的显著提升作用。匹配与未见携带条件之间的明显差异是另一重要发现,与先前关于放置相关信号变异的研究一致。混淆分析揭示了骑行与行走之间的区分困难,建议未来工作考虑更丰富的频谱描述符、能量分布特征、方向鲁棒表示以及加速度-陀螺仪耦合特征。
研究存在若干局限性:数据集规模有限,参与者到类别的组织不完全平衡;历史数据记录未完整保留所有会话的受试者级映射,因此未建立严格的受试者独立评估;研究仅考虑平坦地面场景,未包含坡道、楼梯或粗糙户外表面等更复杂环境。因此,本研究应被解读为初步可行性研究而非完整的大规模基准测试。
研究结论部分指出,本文提出了一种初步的基于智能手机的惯性测量单元(IMU)系统,用于在不同携带模式下识别行走、跑步和骑行。该框架整合了离线预处理与评估以及在线Android端推理,形成了完整的端到端运动识别流程。利用加速度计和陀螺仪融合及增强手工特征集,最优KNN配置实现了86.57%的离线准确率和88.42%的宏F1分数。设备端测试表明,训练模型在手持条件下可实现稳定识别,而在未见过的公文包式携带条件下性能下降。这些结果表明该系统对实际智能手机运动识别具有可行性,同时也证明携带模式多样性仍是影响泛化能力的关键因素。未来改进将集中于扩充数据集、改善携带模式覆盖、引入更系统的受试者级评估,以及探索轻量级深度学习方法以增强真实使用场景中的鲁棒性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号