徐 云，高 磊，王福能，汪 睿

（浙江理工大學(xué) 機械與自動控制學(xué)院，杭州 310018）

個人導(dǎo)航系統(tǒng)是一種能夠跟蹤行人實時位置以及人體運動狀態(tài)的定位系統(tǒng)[1,2]，在公共安全、民生服務(wù)、醫(yī)療健康、消費升級、智慧出行等領(lǐng)域具有廣泛的應(yīng)用前景[3]。步長的準(zhǔn)確估計是個人室內(nèi)定位系統(tǒng)實現(xiàn)精確定位的關(guān)鍵[4]。目前常用的步長估計方法主要可分為基于常數(shù)或偽常數(shù)的步長估計模型、非線性步長估計模型和人工智能的步長估計模型[5]等，這些方法存在步長估計精度不高且適用范圍有限等問題[6]。針對上述問題，國內(nèi)外的學(xué)者開展了廣泛研究。劉欽欽等人提出一種基于Levenberg-Marquardt 算法的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[7]，將表面肌電信號特征參數(shù)和步頻信息作為神經(jīng)網(wǎng)絡(luò)的輸入，將實際行走距離除以真實步數(shù)得到的步長信息作為標(biāo)準(zhǔn)輸出用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最終獲得步長的準(zhǔn)確估計，實驗結(jié)果表明在100 m 的行程內(nèi)，利用該方法進行的個人定位誤差小于1.5%D。Gu 等人提出一種基于深度學(xué)習(xí)的步長估計模型[8]，對加速度計和陀螺儀的數(shù)據(jù)進行預(yù)處理和數(shù)據(jù)分割，利用多層自編碼器學(xué)習(xí)步長特征，實驗結(jié)果表明該方法獲得的步長估計平均誤差為6.85%D。Yao 等人提出自適應(yīng)的步長估計模型[4]，在非線性步長估計模型的基礎(chǔ)上，加入步頻和加速度的方差信息，結(jié)果表明采用該方法獲得的步長估計進行室內(nèi)定位，定位相對誤差為3.0%D。

針對目前步長估計模型在個人室內(nèi)定位應(yīng)用中存在估計精度不高且適用范圍有限等問題，本文提出一種基于表面肌電信號（surface Electromyography,sEMG）和加速度信息的改進步長估計模型，通過提取表面肌電信號和加速度信息的步態(tài)特征，獲取步長變化規(guī)律，從而利用改進的步長估計模型實現(xiàn)不同行走速度條件下的步長估計。

1 個人室內(nèi)定位的步長估計模型

1.1 個人室內(nèi)定位算法

個人室內(nèi)定位算法是通過對步行者行走的步數(shù)、步長、前進方向進行測量和統(tǒng)計，利用步長在前進方向上投影推算出步行者的行走軌跡和位置信息[9]，如圖1所示。

圖1 個人室內(nèi)定位示意圖Fig.1 Diagram for personal indoor positioning

假設(shè)t0時刻，步行者初始位置為(x0,y0)，一次邁步步長為Li步，第i步的前進方向角度平均值為φi，那么受試者第i步的位移可以表示為：

那么在tn時刻，步行者的位置表示為：

個人室內(nèi)定位算法表明步行者邁步步長Li和前進方向角φi的精確估計是實現(xiàn)個人室內(nèi)定位的關(guān)鍵。本文開展基于表面肌電信號和加速度信息的改進步長估計模型的研究，旨在實現(xiàn)個人室內(nèi)不同行走步速條件下的步長估計，最終實現(xiàn)精確的個人室內(nèi)定位。

1.2 改進的步長估計模型

步長估計常用方法包含常數(shù)或偽常數(shù)步長估計模型、非線性步長估計模型以及人工智能步長模型[10]，前兩者步長估計模型適用于短距離、運動步態(tài)單一或勻速運動的理想運動場景，無法實現(xiàn)步態(tài)變化情況下的步長估計，后兩者步長估計模型設(shè)計復(fù)雜，估計時間長。文獻調(diào)研表明，目前常用的步長估計模型有：

（1）Weinberg 模型[11]：

（2）Scarlet 模型[12]：

（3）Kim 模型[13]：

（4）線性模型[14]：

其中，L表示步長，amax是在Z 軸方向一步的最小加速度（或者為前進方向上每個步態(tài)周期的最大邁步合加速度），amin是在Z軸方向一步的最大加速度（或者為前進方向上每個步態(tài)周期的最小邁步合加速度），N為該步的采樣點數(shù)，ai為該步中第i個采樣點的加速度值，為該步中合加速度的平均值，f為步行的頻率，K、A、B、C為模型參數(shù)，一般需人工設(shè)定。上述步長估計模型存在人工設(shè)定的參數(shù)，使得行人步速發(fā)生變化時，步長估計會出現(xiàn)較大誤差。

表面肌電信號具有無創(chuàng)、安全、方便、可靠等優(yōu)點，不僅能夠感知顯著的人體運動，而且能夠捕捉人體不明顯的動作或尚未表現(xiàn)出的動作意圖，該信號被廣泛應(yīng)用于臨床診斷、人機交互、動作識別、康復(fù)工程等研究領(lǐng)域[15]。本文利用表面肌電信號和加速度信息開展實驗研究，提取步行者下肢脛骨前肌表面肌電信號的特征發(fā)現(xiàn)：步長越長→肌肉收縮程度越高→表面肌電信號的強度越大；提取加速度信號的特征值發(fā)現(xiàn)：步長越長→加速度信號特征值越大；經(jīng)典步長估計模型表明：步頻越大→步長越長。上述特征表明步頻、表面肌電信號、合加速度信息的特征值與步長均呈現(xiàn)正相關(guān)性。

以Weinberg 步長估計模型為啟發(fā)求取表面肌電信號和的四次方根，以Kim 模型和線性模型為參考，通過大量實驗數(shù)據(jù)進行推測與演算，提出一種改進的步長估計模型：

其中，N為該步的采樣點數(shù)，ai為該步中第i個采樣點的合加速度值，sEMG(i)為該步中第i個采樣點的表面肌電信號值，f代表步行的頻率（Hz，即步/s），L代表步長，A和B為映射關(guān)系的參數(shù)。通過采集并分析步行者在慢、中、快速條件加速度信息和sEMG信號，將步長信號作為應(yīng)變量，傳感器信號特征作為自變量，采用最小二乘法估計獲得A和B。式(7)中的參數(shù)A、B和f需根據(jù)受試者的行為特征提前進行估計，從而實時推算當(dāng)前步長L，為個人定位做準(zhǔn)備。

2 實驗平臺與數(shù)據(jù)預(yù)處理

2.1 實驗平臺

本文采用控制芯片模塊（Stm32F1）、MPU9250慣性傳感器模塊、MyoWare 表面肌電信號傳感器、電源模塊、藍(lán)牙模塊和個人穿戴裝備構(gòu)建了個人室內(nèi)定位原理樣機，如圖2所示。將原理樣機中的MPU9250慣性傳感器模塊放置在人體下肢膝蓋側(cè)面，按扣式EMG 電極貼片貼在下肢腿部脛骨前肌，其中，肌電傳感器沿著脛骨前肌肉的縱向中線與肌纖維平行，穿戴方式如圖3所示。

圖2 原理樣機Fig.2 Prototype for personal indoor positioning

圖3 原理樣機穿戴示意圖Fig.3 Installation of principle prototype

2.2 數(shù)據(jù)預(yù)處理

采集步行者步行狀態(tài)下慣性傳感器MPU9250、MyoWare 肌電傳感器的輸出，將采集到的加速度信息和表面肌電信號通過藍(lán)牙傳輸?shù)缴衔粰C，從而進行數(shù)據(jù)預(yù)處理（采樣頻率為100 Hz）。數(shù)據(jù)預(yù)處理包括濾波降噪和峰值檢測。

（1）濾波降噪

步行者身體的振動、傳感器的本體噪聲等將會導(dǎo)致測量誤差，實驗采集的原始表面肌電信號和MPU9250 模塊中加速度計信息如圖4和圖5所示。

圖4 原始表面肌電信號Fig.4 sEMG raw signal

圖5 X,Y,Z 軸原始加速度信息Fig.5 Acceleration raw signals in axis X,Y and Z

采用平滑濾波算法對上述原始信號預(yù)處理，滑動窗口長度為4。濾波后的數(shù)據(jù)如圖6和圖7所示。

圖6 濾波后的表面肌電信號Fig.6 sEMG filtered signal

圖7 濾波后的X、Y、Z 軸加速度信息Fig.7 X、Y and Z-axis acceleration filtered signal

圖6和圖7表明，濾波處理后的表面肌電信號和加速度信息的毛刺噪聲得到了有效抑制，為后續(xù)步長估計奠定了基礎(chǔ)。

（2）峰值檢測

峰值檢測旨在獲取步行者的步頻f，合加速度信息能夠反映步行者的運動特征，本文采用合加速度信息進行峰值檢測，從而獲得步行者的步數(shù)，進一步得到步行者的步頻。峰值檢測時，合加速度峰值閾值設(shè)置為1.2g，加速度峰峰值間隔閾值設(shè)為120 個采樣點，峰值檢測實驗結(jié)果如圖8所示。

圖8 峰值檢測算法結(jié)果圖Fig.8 Result for peak detection algorithm

圖8可以看出，利用峰值檢測算法對步行者運動時的合加速度信息進行檢測能夠獲得其運動的步數(shù)。為統(tǒng)計峰值檢測算法的誤差，選取室內(nèi)100 米的直行路線，對快、中、慢三種步速條件下的步數(shù)進行測試。實驗方案設(shè)計如下：原地靜止站立（30 s）→沿實驗路線行走（約100 米）→行走至終點靜止（30 s）。峰值檢測算法獲得的步數(shù)及其檢測誤差如表1所示。

由表1可以看出，慢速行走時，步數(shù)檢測誤差低于0.50%，中、快速情況下步數(shù)檢測誤差低于1.00%，這是因為行人在中、快速行走時，由于慣性作用不能立即停止導(dǎo)致步數(shù)發(fā)生誤判。

表1 峰值檢測算法步數(shù)檢測結(jié)果統(tǒng)計Tab.1 Statistics result for peak detection algorithm

3 實驗測試

為驗證本文提出的步長估計模型的準(zhǔn)確性，在室內(nèi)環(huán)境中分別開展了步長估計測試、室內(nèi)開環(huán)實驗定位測試、室內(nèi)定位測試，實驗路徑如圖9中虛線所示。

圖9 室內(nèi)實驗場景圖Fig.9 Indoor environment for the experiment

（1）步長估計模型測試

步長估計模型測試選用圖9中長度為32.8 米的直行路線進行實驗，方案如下：步行者原點站立（30 s）→沿實驗路線行走（約32.8 米直線路徑）→行走至終點靜止（30 s），采集該過程中傳感器的數(shù)據(jù)并進行步長估計。

分別對慢速 0.83 m/s、中速 1.06 m/s 和快速1.27 m/s 行走時的步長進行估計，本文改進步長估計模型中參數(shù)A、B和步頻f的設(shè)置如表2所示。

表2 模型參數(shù)設(shè)置Tab.2 Parameters of the proposed step length estimation model

采用Weinberg 模型、Scarlet 模型、Kim 模型、線性模型以及本文所提改進的步長估計模型的步長估計結(jié)果如圖10-12所示。

圖10 步速1 條件下的步長估計結(jié)果Fig.10 Result of step length estimation for slow speed

圖11 步速2 條件下的步長估計結(jié)果Fig.11 Result of step length estimation for moderate speed

圖12 步速3 條件下的步長估計結(jié)果Fig.12 Result of step length estimation for fast speed

從圖10-12可以看出，本文所提改進的步長估計模型比Weinberg、Scarlet、Kim 和線性步長估計模型獲得的步長估計結(jié)果更接近實際平均步長值，并且改進的步長估計模型受步行者步速的影響較小。表明不同步速條件下，本文提出的改進的步長估計模型具備較高的準(zhǔn)確性和穩(wěn)定性。

（2）室內(nèi)開環(huán)實驗定位測試

利用前述步長估計模型的測試結(jié)果，對該開環(huán)直線路徑進行行進距離推算，獲得三種步速條件下行進距離推算結(jié)果，如圖13-15所示。

圖13 步速1 條件下行進距離推算結(jié)果Fig.13 Result of walking distance for slow speed

圖14 步速2 條件下行進距離推算結(jié)果Fig.14 Result of walking distance for moderate speed

圖15 步速3 條件下行進距離推算結(jié)果Fig.15 Result of walking distance for fast speed

由圖13-15 可以看出，在開環(huán)實驗環(huán)境下進行定位測試時，與Weinberg、Scarlet、Kim 和線性步長估計模型推算獲得的行進距離對比，本文所提步長估計模型獲得的行進距離與實際行走距離最為接近，表明本文所提改進步長估計模型在進行行進距離推算時，其效果優(yōu)于其他步長估計模型。終點處，步速1、步速2 和步速3 條件下的行進距離估計誤差分別為：0.13 米、0.24 米和0.17 米。

（3）室內(nèi)定位測試

為進一步驗證本文所提改進步長估計模型進行定位測試的效果，開展了個人室內(nèi)定位測試。選用圖9中32.80×18.60 m2的矩形路線和總行程約為222.8 米的不規(guī)則路徑分別進行5 次個人定位測試。實驗方案如下：步行者原點站立（30 s）→沿實驗路線行走（102.8米的矩形路徑和222.8 米的不規(guī)則路徑）→行走至終點靜止（30 s），采集傳感器的數(shù)據(jù)進行步長估計，最終獲得步行者的室內(nèi)定位信息。按照上述方案，統(tǒng)計兩種不同路徑下10 次實驗測試結(jié)果。采用步長平均誤差和誤差率、行進距離誤差和誤差率分別評估步長估計結(jié)果以及個人室內(nèi)定位結(jié)果。分別比較由Weinberg、Scarlet、Kim、線性步長估計模型以及本文所提改進的步長估計模型獲得的步長平均誤差和誤差率如圖16所示，基于上述步長估計結(jié)果獲得的室內(nèi)定位行進距離誤差和誤差率如圖17所示。

圖16 步長估計實驗結(jié)果Fig.16 Experiment results of the step length estimation

圖17 行進距離實驗結(jié)果Fig.17 Experiment results of the travel distance

圖16可以看出改進的步長估計模型獲得步長估計平均誤差和誤差率均明顯小于其他模型。其中，Weinberg、Scarlet、Kim 和線性步長估計模型對應(yīng)的步長估計的平均誤差分別為0.49 m、0.19 m、0.26 m、0.12 m，誤差率分別為35.27%、13.97%、18.60%、8.60%。本文改進的步長估計模型獲得的平均誤差和誤差率分別為0.01 m 和1.01%。圖17給出的基于Weinberg、Scarlet、Kim 和線性步長估計模型獲得的室內(nèi)定位中行進距離平均誤差分別為 57.21 m、19.79 m、29.96 m、10.95 m，行進距離誤差率分別為35.34%、12.25%、18.66%、7.32%，基于本文改進的步長估計模型獲得的行進距離平均誤差和誤差率分別為0.78 m 和0.48%，定位結(jié)果均優(yōu)于現(xiàn)有步長估計模型獲得的定位結(jié)果，表明本文改進的步長估計模型可有效應(yīng)用于個人室內(nèi)定位的應(yīng)用領(lǐng)域。

4 結(jié) 論

本文提出一種改進的步長估計模型，通過分析表面肌電傳感器和加速度傳感器輸出的信號特征從而獲得步行者的步態(tài)變化規(guī)律，構(gòu)建了基于表面肌電信號改進步長估計模型，利用該模型開展了個人室內(nèi)定位測試研究，實驗測試結(jié)果表明本文改進的步長估計模型能夠適應(yīng)步行者在不同步速條件下的步長估計，且室內(nèi)定位結(jié)果均優(yōu)于現(xiàn)有步長估計模型獲得的室內(nèi)定位結(jié)果。本文所提改進步長估計模型中參數(shù)A和B，以及步頻f需根據(jù)測試者的步行特征進行現(xiàn)場估計，存在一定的局限性，今后將開展進一步的深入研究。