MISY 移动信息系统 1875 - 905 x 1574 - 017 x Hindawi 10.1155 / 2019/4709501 4709501 研究文章 多模行人航迹推算步态检测算法基于行人手机位置的识别 https://orcid.org/0000 - 0003 - 4729 - 319 x 郭 应 1 https://orcid.org/0000 - 0002 - 8078 - 3740 刘 清华 1 霁 Xianlei 1 王 胜利 2 冯 明阳 1 太阳 玉溪 3 Bicocchi 尼古拉 1 测绘学学院 山东科技大学 青岛266590年 中国 sdust.edu.cn 2 海洋工程学院 山东科技大学 青岛266590年 中国 sdust.edu.cn 3 中国测绘学会 北京100830年 中国 casm.ac.cn 2019年 31日 10 2019年 2019年 23 05年 2019年 19 08年 2019年 06 09年 2019年 31日 10 2019年 2019年 版权©2019郭应et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

行人航迹推算(PDR)是一个重要的定位和导航技术在复杂的室内环境。PDR定位和导航的过程中使用手机,步态惯性传感器获得的信息在各种携带位置不同于噪声中包含标题信息,导致过度的步态检测偏差和大大减少PDR的定位精度。用手机加速度计和陀螺仪的数据信号,本文研究了各种手机携带位置和开关位置为研究目标,分析了三轴加速度计和陀螺仪信号的时域特征。主成分分析算法被用来减少多维提取步态特征的维数,提取的特征和随机森林模型区分手机的位置。结果表明,步步态检测过程中检测和距离估计精度大大提高识别手机的携带位置后,提高了PDR算法的鲁棒性。

 中国国家重点研究和发展项目 2016年yfc0803102 山东的主要研究和开发项目 2018年ggx106003 山东科技大学 SDKDYC170312 2014年tdjh101 1。介绍

随着信息技术的快速发展,可靠的基于位置的服务(LBS)应用程序变得越来越广泛使用。LBS应用已经成为研究热点,在当前学术和导航信息服务行业 1]。由于全球卫星导航系统的发展,定位在户外环境中遭到了人们的需求,但信号阻塞等问题和多路径效应使它不可能在室内环境中使用卫星有效定位。智能手机的发展,基于智能手机的室内定位技术的需求正在增长。智能手机定位技术主要包括射频技术、匹配技术、惯性导航技术。智能手机支持低能wi - fi和蓝牙等无线频率信号,由智能手机的主要方法为室内定位。智能手机的室内匹配技术基于粒子滤波器包括方法、隐马尔可夫模型,和几何相似之处,但这些方法的实用性和准确性没有保证( 2, 3]。行人航迹推算(PDR)是智能手机使用的惯性导航定位方法;它有很强的独立性和室内定位的主要方法之一 4]。

作为一个磅定位技术,PDR广泛用于室内环境。主要步骤是步态检测、航向估计,位置估计。当行人行走,他们携带手机的位置是不固定的。常见的携带位置包括横向的胸部,摆动的手,进行通话,在一个背包里。在不同位置,运动传感器获得的数据包含抖动噪声不同的振幅( 5]。因此,识别各种携带手机的位置和设置相应的步态检测参数具有重要意义的增强PDR算法的鲁棒性和可伸缩性。

学者们已经有了一个好的影响行人步态识别在一个状态。在步态检测方面,张成泽et al。 6]提出的横向加速度和垂直加速度行人可以建模为正弦波形。通过检测波形的波峰和波谷的数量,结合行人的步态模式,一步可以确定数量。李等人。 7使用滑动窗口方法,峰值检测方法和零点交叉方法执行步骤检测。黄等。 8)提出了一个步态检测方法通过评估相关信息的加速度和角速度。基于陀螺仪的灵敏度比加速计,Mannini和萨巴蒂 9)提出了一种隐马尔可夫模型(HMM)步态分割方法。在步长估计方面,温伯格( 10)探讨了垂直加速度的最大和最小值之间的关系和步长,建立了温伯格公式。金等。 11)开发了一个基于平均加速度之间的相关性的实证方法和步长。李( 12]使用加速度振幅的因素,频率步,和摆动角建立一个线性组合的步长估计模型。田et al。 13)设计了一个循序渐进的经验模型基于行人的高度和步频。Fengtao et al。 14)提出了一种基于模糊逻辑算法的步长估计方法。基于之前的研究,作者提出了一个步态检测算法在不同携带位置在文献[ 5),提出了基于实时估计模型一步步频,检测精度的步骤在一个国家达到99%,50米。步长下的累积误差测试距离小于0.3米。

两种类型的主流技术用于识别不同的移动电话携带位置。第一个是基于视觉图像识别( 15]。这种技术具有相对较高的识别精度的实验环境和人员相对较少。然而,当人的数量是相对较大的,他们的行为是复杂的,这种技术是很难使用。此外,视觉识别算法是复杂的,可以很容易地揭示私人用户信息。第二种类型的识别技术是基于传感器状态识别( 16]。传感器可以获得更准确的信息在用户和环境参数,它感知隐藏,所以越来越青睐的研究人员。国内学者风扇和王从加速度数据提取的行为的基本特征为移动电话携带位置(包,裤子的口袋里,和手)和生成的各种矢量模型。最后的位置识别率达到80.29% ( 17]。苗族等人左右把智能手机放在上衣口袋和前后裤子口袋里六个共同立场。光线和距离传感器被用来确定手机在口袋里,和一个决策树算法用于识别和分类根据其他传感器信号的位置。分类准确率为89.6% ( 18]。Coskun等人研究了三个携带positions-hand,袋,pocket-using信息从一个加速度传感器,使用角信息来提高设备的位置识别率,但有些位置不确定 19]。从识别装置的位置,Grokop等人研究了智能手机在不同地点的行为识别和生成的位置向量通过收购加速度计的数据,光传感器,距离传感器,摄像头和提取、分类、识别功能。准确率达到92.6% 20.]。学者在研究取得了一些成就携带位置的设备,但仍有巨大的改进空间在实际室内定位和导航。

基于上述研究结果,本文提出了一种多模PDR步态检测算法基于PCA的行人手机携带位置的识别/ RF算法之间的关系通过研究手机惯性设备和移动电话携带位置。手机携带位置在行人的正常行走行为识别,从而扩大了PDR算法的适用场景和提供更好的,更精确的定位为用户服务。

 2。惯性移动电话信号的特性在不同的位置

区分不同的手机携带位置,原来的惯性所收集的数据首先分析各携带手机位置。本研究的目的是对手机的态度密切相关,但是模块加速度计测量和陀螺仪测量的价值不能准确反映的态度信息的手机 21]。因此,三轴加速度计和陀螺仪的矢量数据选择作为研究的基本参考数据。通常,IMU包含重力加速度数据的组件,因此,学者把重力组件提前执行IMU-based PDR时定位。在智能手机的传感器的研究,研究发现,智能手机有一个线性加速度计的传感器,和记录数据载体加速度,可去除重力的影响。因此,本研究选择它作为加速度数据的来源。数据 1和 2显示的原始加速度计和陀螺仪测量各携带手机的位置。

原始加速度计测量在不同的位置。

原始陀螺仪测量在不同的位置。

数据 1(一)- - - - - - 1 (d)显示手机的原始加速度数据在水平胸部位置,摆动的手的位置,位置用来打电话,背包的位置。

数据 2(一个)- - - - - - 2 (d)显示了手机原来的陀螺仪测量水平的胸部位置,摆动的手的位置,位置用来打电话,背包的位置。

比较原始数据的四个手机位置数据 1和 2表明,加速度和角速度的振幅各不相同的各种职位,特别是在摆动的手的位置,明显高于其他两个。从这里,我们可以开始提取摆动的手的位置。然而,惯性信号的变化是相似的其他三个位置和从表层很难区分。应该采用特征提取方法提取特征的其他位置,然后,位置应该执行的区别。

 3所示。行人移动电话携带位置识别算法

手机的态度在各种不同的位置。虽然三轴加速度计和陀螺仪没有相关性和两个轴,三轴之间存在相关性,当行人移动。使用的方法包括将原始数据的窗口,窗口的三个轴之间的相关性分析和单轴统计,形成特征矩阵,使用随机森林[ 22),再邻居( 23),决策树、支持向量机。分类识别算法用于模型提取特征,然后用于位置识别和模型。

识别行人携带位置的移动电话可以分为三个步骤:第一,提取的特征惯性信号各携带手机的位置;第二,选择提取的功能;第三,培训所选特征得到分类器和使用这个分类器进行分类和识别。

3.1。信号特征提取的加速度计和陀螺仪

在传感器步行步态和运动识别的研究中,目前常用的时域特性意味着,标准差,均方根、偏态、峰态,方差和协方差( 24]。中值能反映总体的能量运动,可以用来区分明显的运动状态的变化;方差已被证明适合区分“走”,“慢跑”和“跳”活动有一定的精度 25,单轴轴之间的协方差反映了相关的轴运动和相关的运动状态。因此,本研究中提取的意思是,方差和协方差interaxis每个轴运动的时域特性分析。其计算方法如下: (1) 的意思是 : μ 我 = 1 N ∑ n = 1 N 年代 我 , n , (2) 方差 : θ 我 2 = 1 N ∑ n = 1 N 年代 我 , n − μ 我 2 , (3) 协方差 : 浸 我 , j = 1 N ∑ n = 1 N 年代 我 , n − u 我 年代 j , n − u j , 在哪里 N代表的长度和窗口 年代 我, n表示的数据 nth的时代 我轴。

 3.2。特征选择算法

在特征提取阶段,获得更多的行人移动电话携带位置信息,尽可能多的特征抽取,执行,导致太多的特性,其中一些可能是不相关或冗余的手机携带位置。因此,有必要使用特征选择算法与大型过滤相关功能相关性,提高分类精度。本文采用主成分分析(PCA) ( 26)算法来降低数据维数特征。

主成分分析是一种有效的特征皮尔森在1901年提出的线性变换方法。广泛应用于模式识别和信号处理。从本质上讲,高维特性是线性转换获得的原始特性的特征向量,即主成分,与前几个选为新功能组合,以便从原始数据的主要信息可以保存在最大的程度上。的主要原则如下。

让每个样本有一个 t维特性,然后可以表示为一个样本 X= ( x1, x2,… xt),这就需要建设 t新功能,( y1, y2,… 欧美),使它们满足下列条件:

新特性的线性组合得到的原始特性。

新特性无关。

获得的新特性 y1最大的方差 y2第二大。然后,( y1, y2,… 欧美第一,第二,… t主成分。

计算步骤如下:

计算协方差矩阵 X: (4) 年代 = 1 米 X − μ ¯ T X − μ ¯ , 在哪里 X样品的特性集和吗 μ ¯ 特征向量的平均值。

计算 t特征值 λ 1 , λ 2 , … , λ t 的协方差矩阵 年代和相应的特征向量 ω 1 , ω 2 , … , ω t 。

获得的特征值从大到小排序,和顶部 米被选中。相对应的特征向量矩阵 米特征值是 B = μ 1 , μ 2 , … , μ 米 和的值 米可以根据以下公式确定: (5) ∑ 我 = 1 K λ 我 ∑ 我 = 1 米 λ 我 ≥ 1 − η ,

在哪里 η 代表着能量损失率。最后,一个新的特征向量 y = y 1 , y 2 , … , y 米 组成的 米功能获得: (6) y = B x 。

3.3。分类识别

在模式识别中,各种机器学习算法影响识别效果( 27]。在一般的研究中,采用监督分类方法,其中包括两个阶段:学习/培训阶段和模式识别/验证阶段。学习/培训阶段获得一个模型通过数据采集和模式识别/验证阶段使用模型进行模式分类和识别。

常见的分类方法是随机森林,再邻居,决策树、贝叶斯决策,支持向量机等。本研究发现,随机森林算法识别率最高通过多种尝试和优化算法,它采用的主要算法识别移动电话携带位置。

3.3.1。随机森林算法

的基本分类器随机森林算法是决策树。模型如图 3。的训练样本 年代是传感器数据的样本集,包含行人携带位置信息的手机,和self-sampling被执行时,也就是说,有一个随机的 年代, k新构造样本集。的 k决策树生成的样本集构成随机森林模型,区分行人携带位置的移动电话。分类数据输入到模型获得 k分类结果,最后随机森林分类的结果,也就是说,行人携带位置信息的手机,通过投票算法。

随机森林模型。

生成一个随机森林的具体过程如下:

k样品是随机选择从训练样本构造新的样本集 年代,从而构建 k分类树,每个未经选择的样本构成 kout-of-bag数据。

样品已 d属性(特征提取)的手机加速度计和陀螺仪信号。随机抽取 h属性( h< d)在每棵树的每个节点,然后使用信息增益策略选择一个最优的属性 h属性的分裂属性节点。

让向量 X和 C表示样本属性( x1, x2,… x d)和类别属性( c1, c2,… c d),一个给定的属性之间的信息增益 X和相关的类别属性 C可以使用以下公式计算: (7) 搞笑 C : X = H C − H C X , 在哪里 (8) H C = − ∑ 我 = 1 n P C = c 我 日志 2 P C = c 我 , 在哪里 P( C= c 我)的概率是类别属性 c 我出现, (9) H C X = − ∑ 我 = 1 n P X = x 我 H C X = c 我 , 在哪里 搞笑 C : X 信息增益的属性 X的类别 C, H C 的熵 C, H C X 的平均条件熵 C。在这里, X代表了加速度和陀螺仪从训练数据集和特征提取 C代表了不同的携带位置(平,摆动的手,做一个电话,和背包)的移动电话。

将决策树的属性时,选择一个最优的属性中 d当前节点的属性;也就是说,通过引入的随机森林 k轮培训,和随机森林算法获得一套决策树分类器: (10) DT 1 , DT 2 , … , DT k = f 1 x , f 2 x , … , f k x 。

在形成的过程中每棵树,每个节点必须分割步骤(2),直到不能再分裂。在这个过程中,决策树的修剪不执行。

每个决策树在一个随机森林是建立在一个独立的样本,每棵树都有相同的分布。分类误差取决于每棵树的分类能力和它们之间的相关性。只有一个决策树分类的能力有限,但在随机产生的许多决策树,每棵树的算法可以计算分类结果,然后投票选出最可能的分类结果,并提高分类精度的随机森林作为一个整体 15]。

所有的 k生成树是由随机森林,和新的数据是歧视和随机森林分类器的分类。分类结果由选票的树分类器的数量,如下: (11) F x = 参数 马克斯 y ∑ 我 = 1 n 我 f 我 x = Y ,

在哪里 F x 指示集成分类器, f 我 x 基分类器, Y表示输出分类结果 我 x 是指示性的功能。

随机森林的随机性是反映在每棵树的训练样本是随机的,和分类树中的每个节点的属性也随机选择。正是因为这两个随机保证了随机森林的避免过度拟合。随机森林,建设有两个参数必须由人类控制的。一个是在森林中树木的数量。大量的使用通常是推荐的。其他的数量 h在构建树的属性。一般来说, h的均方根样本属性的数量。

 3.3.2。系统结构

预处理的三轴加速度计和三轴陀螺仪信号的特点是特征提取和特征选择,获取信号的特征,最能反映不同的携带手机的位置。特征信息获得的样本处理输入到随机森林模型训练,模型是用来确定测试样本,识别结果与实际结果来获取模型的识别率。特定系统流图所示 4。

系统流程图。

 4所示。实验和结果分析

研究设计实验来验证算法的可靠性和加工的惯性信号在不同位置收集手机。此外,本文使用处理过的信号特征来区分携带位置,然后进行步态检测得到行人的实时旅游步数和距离。

4.1。实验数据收集

InvenSense惯性传感器广泛应用于智能手机的性能一致。因此,本研究选择了美兰Note3与InvenSense惯性传感器和高智能手机销售数据收集平台。主要的加速度计和陀螺仪参数如表所示 1。

梅兰Note3内置的加速度计和陀螺仪的参数。

制造商 维 测量范围 分辨率 额定电流 权力 采样频率 工作温度
InvenSense 3 34.90656 1.0米/秒^ 2/1.065∗10 ^−3 rad / s 0.5马 5.5 μ一个 15∼200赫兹 −20∼45°C

卫星实验网站的五楼是教学楼的山东科技大学(图 5是一个计划的实验网站)。实验者沿着走廊直走正常的步态。他们把手机在水平胸部位置,摆动的手的位置,位置用来打电话,背包的位置。

计划的实验。

通过研究行人的日常行为,发现携带智能手机的位置的开关过程通常是2 - 3秒内完成。因此,实验的进步必须至少大于过程,但不能太大。太大了会掩盖识别算法的准确性。通过考虑实验网站,实验人员和其他因素,决定采用五组数据采集为每个位置50步骤。

 4.2。特征提取的结果

收集到的原始惯性信号处理来获得一个信号特征可以反映出智能手机的位置。根据惯性信号特征对应于不同的位置,一个随机森林分类模型成立。

4.2.1。准备特征提取和选择

时域特征提取进行了收集的数据,和步态分综合分析每一步的相应的时域特征。移动电话的位置识别特征及其描述如表所示 2。

手机位置特征和描述。

特征数 功能描述
1 三轴加速度的意思
2 三轴加速度方差
3 轴加速度之间的协方差
4 三轴陀螺仪的意思
5 三轴陀螺仪方差
6 陀螺轴之间的协方差

这些步骤之后,18特征提取,如图 6。

特征提取的结果。

数据 6(一)- - - - - - 6 (d)目前惯性特征提取的数据获取与移动电话在水平胸部位置,摆动的手的位置,调用位置,和背包的位置。

图 6显示的一些特性与手机的位置无关。主要的发现是,不同的功能特征是相似的职位。因此,数据降维需要消除不相关的功能。提取的特征的贡献率分析、和图 7显示提取的特征的贡献几个职位。

每个特性的贡献水平。

使用PCA方法,18组特征数据进行分析和dimensionality-reduced,和数据降低到5维计算使用公式( 5)。dimensionality-reduced数据最大程度保留相关的敏感特性,同时确保计算效率。图 8显示了不同的实验数据的比较之前和之后的降维。

之前和之后的数据减少(在图中,紫色的采样点代表胸部的位置,蓝色的采样点代表摆动的手的位置,绿色的采样点表示调用位置,和黄色的采样点代表背包的位置)。

数据 8(一个), 8 (c), 8 (e), 8 (g), 8(我)和 8 (b), 8 (d), 8 (f), 8 (h), 8 (j)提出相应的采样点的空间分布之前和之后的降维五套数据收集功能。他们表明PCA方法是更好的为同一样本降维后的采样点各种类更容易区分。此外,作为数据维度的功能是减少,之后的计算建模和分类降低,效率提高。

 4.2.2。手机携带位置识别模型

通过一系列的加工操作和原始传感器数据的分析,获得一组样本识别手机携带位置。使用信息从各种手机携带位置改善步态检测准确性的PDR在复杂的运动,有必要准确地识别移动电话携带位置。本文首先使用不同的分类模型,模型的特点,不同的手机携带的位置。图 9显示了不同分类器的建模精度。

每个分类器的建模精度。

图中所示的数据 9表示平均建模精度获得通过五组数据。图显示了随机森林算法具有最好的造型精度的各种手机携带的位置。因此,本研究采用随机森林模型为主要模式识别。

 4.2.3。确定模型参数的随机森林分类器

随机森林分类器快,可以避免过度拟合很好,可以处理大量的数据。理论上,更大的决策树的数量在一个随机森林,建模和分类精度越高。然而,过多的决策树将增加的计算量和所需的时间。

在这篇文章中,决策树的数量之间的关系在随机森林和out-of-bag分类器的分类精度分析的前提下确保更高的分类精度,如图 10。这提供了理论支持,更合理的确定数量的随机森林模型的决策树。

随机森林分类误差之间的关系和数量的决策树。

通过分析之间的关系的分类误差随机森林模型和决策树的数量,如图 10 ()和 10 (b),发现与决策树的数量的增加,随机森林模型的分类误差逐渐减小,并与70棵树它倾向于保持稳定。因此,决策树的数量用于设置随机森林模型在这个实验中是70。

 4.3。识别结果和分析

建立了随机森林分类模型是用来识别手机携带位置的实验数据,以及算法的识别精度。通过步态检测算法对应于不同位置,行人的实时旅游步数和距离。以下是具体的实验结果。

4.3.1。分析不同手机携带位置的识别结果

在这项研究中,预处理的三轴加速度计和陀螺仪信号在时域提取,和三轴的意思是,方差和协方差interaxis得到形成了特征矩阵。PCA用于选择提取的特征获得最好的特征组合矩阵反映了手机的位置。获得功能组合矩阵随机森林模型,模型是用来识别带位置的测试数据。得到了以下结果。

表中的数据 3证明该模型平均识别为不同的手机携带位置率为99%。结果表明,移动电话携带位置可以准确地确定的加速度计和陀螺仪信号。

混淆矩阵的智能手机携带位置识别精度。

平 摆动 调用 背包
平 100% 0 0 0
摆动 0 100% 0 0
调用 1.7% 0 98.3% 0
背包 0.4% 1% 0 98.6%
4.3.2。手机携带位置识别对PDR的影响步态检测

本研究的主要目的是为各种手机位置调整步态检测参数改善步态检测精度PDR通过识别移动电话携带位置。因此,识别移动电话携带位置后,一组实验进行了测试和比较步态检测前后位置识别的准确性。

通过分析《每日行人行为,发现手机通常举行平的手,然后搬到其他位置。设计实验路线是一条45米的直线。实验者携带手机在不同位置收集数据的正常步态,与岗位轮换(horizontal-swinging-horizontal, horizontal-calling-horizontal, horizontal-backpack-horizontal)。有两组数据,每组的前两个州包括走20步和最后状态包括45 m的旅行路线。步骤的数量记录。

实验数据进行特征提取和特征选择和建立模型是用来识别移动电话携带位置。然后调整步态检测参数根据确定的位置。步长的模型建立的作者( 5)是用来估计旅行距离和比较它与步态检测结果使用公共参数。结果如表所示 4和图 11。

实验结果之前和之后的位置识别。

不。 实验内容 许多步骤 检测步骤 旅游距离(米)
之前 后 之前 后
1 Horizontal-swinging-horizontal 58 52 59 51.03 44.79
2 Horizontal-swinging-horizontal 59 53 60 53.53 44.85
3 Horizontal-calling-horizontal 60 67年 60 48.62 44.74
4 Horizontal-calling-horizontal 61年 66年 59 47.91 45.39
5 Horizontal-backpack-horizontal 62年 58 61年 45.41 44.67
6 Horizontal-backpack-horizontal 60 58 60 45.78 45.24

步态检测准确性前后位置识别。

表 4和图 11表明,在添加位置识别算法之后,步数的准确性显著提高和旅游距离估计。的平均精度检测步变成98.62%,高于之前6.98%的位置识别算法补充说,旅行的距离和平均准确率为99.42%,高于之前7.65%的位置识别算法。结果表明,使位置识别算法增加了PDR的步态检测算法的鲁棒性。

 5。结论

在本文中,使用智能手机的加速度计和陀螺仪为研究对象。加速度计和陀螺仪信号的时域特征提取使用统计算法形成了特征矩阵。PCA算法选择特性数据最能反映手机携带位置。随机森林算法用于训练模型根据所选择的特性,模型是用来识别移动电话携带位置和调整PDR步态检测参数。实验结果表明,识别精度的行人移动电话携带位置基于智能手机的惯性传感器,PCA和随机森林分类器高,和应用程序的PDR的扩张潜力。

 数据可用性

智能手机的惯性数据用于支持这项研究的结果可以从这篇文章的作者(电子邮件: 17806236343 @163.com)。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 确认

这项研究受到了中国国家重点研究和发展计划(批准号2016 yfc0803102),山东省重点研发项目(批准号2018 ggx106003),山东大学研究生科技创新科技(批准号SDKDYC170312),研究和创新团队项目的山东科技大学(批准号2014 tdjh101)。

 补充材料

数字S1-S10:全面的图像分析。

 刘 J。 高 K。 挑战和机遇映射和测量和基于位置服务时代的智慧 武汉大学的测绘学和信息科学 2017年 42 11 1506年 1517年 郭 年代。 熊 H。 郑 X。 一个新颖的室内轨迹跟踪的语义匹配方法 ISPRS国际信息杂志》上 2017年 6 7 197年 10.3390 / ijgi6070197 2 - s2.0 - 85026417684 戴维森 P。 Piche R。 智能手机选择室内定位方法的调查 IEEE通信调查和教程 2017年 19 2 1347年 1370年 10.1109 / comst.2016.2637663 2 - s2.0 - 85020479460 麻的纤维 R。 室内行人惯性定位系统的调查 IEEE通信调查和教程 2013年 15 3 1281年 1293年 10.1109 / surv.2012.121912.00075 2 - s2.0 - 84881312461 郭 Y。 刘 Q。 霁 X。 李 G。 王 年代。 步行步态分析基于手机加速计 中国惯性技术杂志》上 2018年 25 6 708年 712年 张成泽 周宏儒。 金 j·W。 黄 D.-H。 坚实的一步检测方法行人导航系统 电子信件 2007年 43 14 749年 751年 10.1049 / el: 20070478 2 - s2.0 - 34547628371 李 j·F。 王 问:H。 刘 x M。 张 m . Y。 一个自治waist-mounted行人航迹推算系统耦合低成本MEMS惯性传感器和GPS接收机对3 d城市导航 工程科技博览》杂志上 2014年 7 1 9 14 10.25103 / jestr.071.02 黄 B。 气 G。 杨 X。 赵 l 邹 H。 利用循环特性行人行走的航迹推算与无约束的智能手机 学报2016年ACM国际联合会议上普遍的和无处不在的计算主要的16) 2016年9月 德国海德堡 374年 385年 10.1145/2971648.2971742 2 - s2.0 - 84991497872 Mannini 一个。 萨巴蒂 a . M。 一个隐藏的马尔科夫模型使用foot-mounted陀螺仪步态分割技术 IEEE工程学报2011年国际会议在医学和生物学的社会 2011年8月 波士顿,美国 4369年 4373年 10.1109 / iembs.2011.6091084 2 - s2.0 - 84055191124 温伯格 H。 利用ADXL202计步器和个人导航应用程序 2002年 诺伍德,妈,美国 模拟设备公司。 金 j·W。 张成泽 h·J。 黄 D.-H。 公园 C。 一步,一步,决心为行人导航系统 全球定位系统杂志》上 2004年 3 1 - 2 273年 279年 10.5081 / jgps.3.1.273 李 j . h。 识别和自适应步长估计基于运动步态认知使用智能手机 《2014年国际消费电子(ICSE)研讨会上 2014年8月 西班牙巴塞罗那 IEEE 田 Q。 Salcic Z。 王 k . I.-K。 锅 Y。 多模行人跟踪航迹推算系统使用智能手机 IEEE传感器杂志 2016年 16 7 2079年 2093年 10.1109 / jsen.2015.2510364 2 - s2.0 - 84962137677 Fengtao H。 胜利 Z。 打造成 Z。 研究的步长估计方法在室内导航系统基于模糊逻辑 应用电子技术 2016年 42 11 59 61年 徐 H。 丽安 B。 邹 X。 基于视觉对象检测健壮的岭回归室内定位方法 电子与信息技术杂志》上 2018年 40 10 2453年 2460年 Dadashi F。 马里安尼 B。 装置 年代。 布拉 C。 Santos-Eggimann B。 Aminian K。 步态和脚间隙参数获得使用shoe-worn惯性传感器在一个庞大的人口样本的老年人 传感器 2014年 14 1 443年 457年 10.3390 / s140100443 2 - s2.0 - 84891440992 风扇 l 王 Z。 人类活动识别模型基于将加速度计 计算机应用研究 2015年 32 1 63年 66年 苗族 F。 他 Y。 刘 J。 识别典型的体育活动在智能手机上不同的位置和方向 生物医学工程在线 2015年 14 1 32 33 10.1186 / s12938 - 015 - 0026 - 4 2 - s2.0 - 84928340569 Coskun D。 Incel O。 Ozgovde 一个。 手机位置/位置使用加速度计检测:对活动识别的影响 诉讼IEEE 10国际会议上的智能传感器,传感器网络和信息处理(ISSNIP) 2015年4月 新加坡 IEEE 1 6 10.1109 / issnip.2015.7106915 2 - s2.0 - 84933575226 Grokop l 莎拉 一个。 布伦纳 C。 Narayanan V。 南达 年代。 活动和设备位置识别移动设备 《第13次国际会议上无处不在的计算(主要的11) 2011年9月 中国,北京 591年 592年 10.1145/2030112.2030228 2 - s2.0 - 80054083751 罗萨里奥 m D。 雷德蒙 年代。 洛弗尔 N。 跟踪智能传感监测人体运动的演变 传感器 2015年 15 8 18901年 18933年 10.3390 / s150818901 2 - s2.0 - 84938510036 王 Y。 夏 年代。 随机森林算法的调查 信息和通信技术 2018年 12 1 49 55 他 J。 周 M。 王 X。 可穿戴方法检测基于卡尔曼滤波器和基于事例的算法 电子与信息技术杂志》上 2017年 39 11 2627年 2634年 苏西 M。 Renaudin V。 Lachapelle G。 运动模式识别和步骤为手机用户检测算法 传感器 2013年 13 2 1539年 1562年 10.3390 / s130201539 2 - s2.0 - 84875126625 黄齐的 T。 Schiele B。 分析识别功能活动 学报2005年联合会议上智能对象和环境情报:创新环境敏感服务:用法和技术 2005年10月 法国格勒诺布尔 ACM 159年 163年 10.1145/1107548.1107591 2 - s2.0 - 38149092026 林 H。 杜 Z。 一些问题在主成分分析的综合评价 统计研究 2013年 30. 8 25 31日 陆 Y。 张 X。 龚 年代。 识别多种人类基于MEMS惯性传感器的运动模式 中国惯性技术杂志》上 2016年 24 5 589年 594年 刘 K。 研究人类活动基于室内位置和多个上下文的识别方法 2017年 徐州,中国 中国矿业大学和技术 Coskun D。 Incel O。 Ozgovde 一个。 Position-aware活动识别手机 信号处理和通信应用研讨会论文集 2014年4月 土耳其特拉布宗 IEEE 1930年 1933年 10.1109 / siu.2014.6830633 2 - s2.0 - 84903767429 汗 一个。 李 Y。 李 年代。 金 t·s·艾。 人类活动通过accelerometer-enabled-smartphone识别使用内核判别分析 《未来信息技术国际会议 2010年12月 济州岛,韩国 IEEE 1 6 10.1109 / futuretech.2010.5482729 2 - s2.0 - 77954420947 Agrawal l Toshniwal D。 基于智能手机的室内行人定位系统 42 《计算机科学及其应用国际会议 2013年6月 葡萄牙吉马良斯 3 IEEE 137年 143年 10.1109 / iccsa.2013.28 2 - s2.0 - 84893214987