(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211102627.9 (22)申请日 2022.09.09 (71)申请人 上海工程 技术大学 地址 201620 上海市松江区龙腾路3 33号 (72)发明人 杨运成　吴飞　朱润哲　杨明泽　 朱海　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 严玉丹 (51)Int.Cl. G06V 40/20(2022.01) G06V 10/82(2022.01) G06V 10/77(2022.01) G06V 10/764(2022.01) G06V 10/30(2022.01)G06N 3/04(2006.01) (54)发明名称 一种基于CNN-LSTM运动模式识别的自适应 步频检测方法 (57)摘要 本发明涉及一种基于CNN ‑LSTM运动模式识 别的自适应步频检测方法， 所述检测方法包括以 下步骤： 获得用户行走时传感器采集数据； 将采 集数据输入CNN ‑LSTM模型进行运动模式识别分 类； 将采集数据和分类结果输入到采用自适应阈 值波峰检测的步频检测算法中， 得到步频检测结 果； 采用所述CNN ‑LSTM模型进行运动模式识别分 类的步骤包括： 将采集数据制成二维切片数据， 并将切片数据输入到CNN； 利用卷积层提取切片 数据运动特征； 经过池化层进行降维下采样； 通 过展平层将数据展 开为一维阵列输入到LSTM层； 利用LSTM层对数据的不同运动模式进行分类； 通 过全连接层输出分类结果。 与现有技术相比， 本 发明具有自适应行人不同运动模式， 无需人工提 取特征， 识别准确性高， 有效消除伪波峰等优点。 权利要求书2页 说明书5页 附图1页 CN 115439934 A 2022.12.06 CN 115439934 A 1.一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其特征在于， 所述检测方 法包括以下步骤： 获得用户行走时传感器采集数据； 将采集数据输入CNN ‑LSTM模型进行运 动模式识别分类； 将采集数据和分类结果输入到采用自适应阈值波峰检测的步频检测算法 中， 得到步频检测结果； 采用所述CN N‑LSTM模型进行运动模式识别分类的步骤 包括： 将采集数据制成二维切片数据， 并将切片数据输入到 CNN； 利用卷积层提取切片数据运动特 征； 经过池化层进行降维下采样； 通过展平层将数据展开 为一维阵列输入到LSTM层； 利用LSTM层对数据的不同运动模式进行分类； 通过全连接层输出分类结果， 所述分类结果包括 运动状态和手机姿态。 2.根据权利要求1所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述传感器采集数据包括 三轴加速度和三轴角速度。 3.根据权利要求1所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述将采集数据制成二维切片数据为依次将 每30条数据制作成尺 寸为30*6的二 维切片数据。 4.根据权利要求1所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述全连接层的激活函数为Soft ‑max。 5.根据权利要求1所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述 运动状态包括 正常行走和快走， 所述手机姿态包括手持、 通 话、 摆臂和口袋。 6.根据权利要求5所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述 步频检测算法包括以下步骤： 使用滤波器对 采集数据进行 滤波； 将滤波后数据根下式进行最小峰距筛 选， 得到符合条件的峰值Peakt； Peakt＝(at≥(at‑k∶ at‑1)&&at≤(at+1∶ at+k)) 其中， at指在t样本下合加速度值， k是t左右两侧的样本数量阈值， 所述k根据采集数据 的运动状态分类结果设定； 根据下式计算动态阈值窗口W大小， W＝(Ts*Fs)‑1 其中， Ts为每步时间， Fs为当前手机采样频率； 再根据下式计算当前窗口下动态阈值THpeak； 其中， Wmax为当前窗口 的最大值， Wmin为当前窗口最小值， d为趋 近峰值程度； 将经过最小峰距过滤后的峰值与窗口内的动态阈值作比较， 若当前 峰值大于等于在此 窗口内动态阈值则计为真实一 步。 7.根据权利要求6所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述滤波器包括低通滤波器和卷积平滑滤波器， 所述低通滤波器截止频率为权　利　要　求　书 1/2 页 2 CN 115439934 A 23Hz。 8.根据权利要求6所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述样 本数量阈值k在运动模式处于正常行走模式下设为20， 处于快走模式下设 为10。 9.根据权利要求6所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述每步时间Ts在运动模式处于正常走模式下设为0.507s和处于快走模式下设 为0.469秒。 10.根据权利 要求6所述的一种基于CNN ‑LSTM运动模式识别的自适应步频检测方法， 其 特征在于， 所述趋近峰值程度d在手机姿态处于手持和电话姿态下设为 1.05， 处于口袋和摆 臂姿态下设为0.9。权　利　要　求　书 2/2 页 3 CN 115439934 A 3