利用惯性传感器与多模态网络解析跑步参数

向勉, 易本顺, 周丙涛, 谭建军, 朱黎

向勉, 易本顺, 周丙涛, 谭建军, 朱黎. 利用惯性传感器与多模态网络解析跑步参数[J]. 武汉大学学报 ( 信息科学版), 2024, 49(7): 1079-1087. DOI: 10.13203/j.whugis20220229
引用本文: 向勉, 易本顺, 周丙涛, 谭建军, 朱黎. 利用惯性传感器与多模态网络解析跑步参数[J]. 武汉大学学报 ( 信息科学版), 2024, 49(7): 1079-1087. DOI: 10.13203/j.whugis20220229
shu
XIANG Mian, YI Benshun, ZHOU Bingtao, TAN Jianjun, ZHU Li. Analysis of Running Parameters Using IMU and Multi-modal Network[J]. Geomatics and Information Science of Wuhan University, 2024, 49(7): 1079-1087. DOI: 10.13203/j.whugis20220229
Citation: XIANG Mian, YI Benshun, ZHOU Bingtao, TAN Jianjun, ZHU Li. Analysis of Running Parameters Using IMU and Multi-modal Network[J]. Geomatics and Information Science of Wuhan University, 2024, 49(7): 1079-1087. DOI: 10.13203/j.whugis20220229
shu

利用惯性传感器与多模态网络解析跑步参数

  • 1.

    湖北民族大学智能科学与工程学院,湖北恩施,445000

  • 2.

    武汉大学电子信息学院,湖北武汉,430072

基金项目: 

国家自然科学基金 61771188

国家自然科学基金 61961017

2020年湖北省教育厅科学技术研究计划青年人才 Q20201902

恩施州科技局技术支撑类项目 D20220004

详细信息
    作者简介:

    向勉,博士,讲师,主要从事信号处理、无线通信的研究。xm@hbmzu.edu.cn

    通讯作者:

    易本顺,博士,教授。yibs@whu.edu.cn

Analysis of Running Parameters Using IMU and Multi-modal Network

  • 1.

    School of Intelligent Science and Engineering, Hubei Minzu University, Enshi445000, China

  • 2.

    School of Electronic Information, Wuhan University, Wuhan430072, China

摘要

    摘要
  • 摘要:

    实时检测跑步时的速度与步幅在避免运动者受伤、提升运动效率上有着重要意义。提出了一种利用惯性测量单元(inertial measurement unit,IMU)来检测这两个指标的方法。首先,招募了10名志愿者,并将3个IMU模块安置在足部、小腿、大腿处,采集了5 137个步态周期的数据；然后,利用主成分分析法分析数据,结合皮尔逊相关系数探讨了速度步幅与传感器位置、物理参数之间的关系；提出了一种多模态架构的长短期记忆特征提取网络(multi-modal-attention-long short-term memory,M-Att-LSTM),利用两个引入注意力机制的长短期记忆网络(att-long short-term memory,Att-LSTM)对加速度和角度变化分别做特征提取,最后进行回归拟合。实验结果表明,M-Att-LSTM在速度上误差为0.058 m/s,标准偏差为0.013 m/s,而在步幅上误差为0.023 m,标准偏差为0.022 m,两项指标都优于单纯的Att-LSTM。

    Abstract:
    Objectives 

    Real-time measurement of running speed and stride length is of great significance in avoiding injury and improving exercise efficiency.

    Methods 

    We propose a method using inertial measurement unit (IMU) to detect these two indicators. First, 3 IMU are placed on the foot, calf and thigh of the 10 runners which we recruited, and 5 137 data of gait cycles are collected. Second, principal component analysis is used to analyze the data, and Pearson correlation coefficient is used to discuss the relationship between the detection indicators of running and the sensor position and physical parameters. Then a multi-modal attention-long short-term memory (M-Att-LSTM ) is proposed for feature extraction, two long short-term memory (LSTM) modules with attention mechanism are used to extract features of acceleration and angle, and regression fitting is carried out.

    Results 

    The experiment result shows that M-Att-LSTM has errors of 0.058 m/s in speed and 0.023 m in stride, the standard deviation is 0.013 m/s and 0.022 m, respectively．Both indicators are better than pure Att-LSTM.

    Conclusions 

    The studies show that multi-modal network can improve network processing capabilities, compared with relevant researches in recent years, our study has obvious advantages in error control．

    • HTML全文

  • 植物物候是指示自然环境变化的重要指标，它不仅是植物自身的生理现象，也是对外部生境、气候、水文条件的综合反应[1-2]。气候变化和人类活动导致的环境变化与物候的改变存在紧密联系[3-7]，这种紧密联系几乎表现在所有具有季节性的生态系统中。在全球范围内，特别是高纬度和高海拔等对气候变化更敏感的地区[8-9]，定量描述植被物候具有重要意义。

    山区物候数据十分缺乏。虽然遥感数据在其他地区物候观测展现出极大的优势[10]，但云雪信号污染影响了其在山区的可靠性，造成遥感物候提取方法在山区的应用情况还缺乏足够验证。同时，物候相机这一近地表观测技术已经成为一种新的物候数据信息来源，并可与遥感物候反演数据进行交互分析和校验。但是这种方法在山区特殊自然环境下的应用潜力还未得到充分评价，其验证遥感物候数据的能力也缺乏充分评估。本文利用物候相机和遥感技术开展物候信息的提取和对比，准确评估物候相机在山区植物物候提取的性能，为山区遥感物候数据精度提供重要参考。

    本文以中国新疆维吾尔自治区天山中段巴音布鲁克为研究区，依托人工、物候相机和遥感方法，开展山区草地植物物候的提取分析，尝试对比不同观测方法下物候信息差异，探讨不同滤波方法、不同植物生长拟合曲线与不同物候参数提取方法在物候信息提取上产生的差异性，以及在不同观测站点下物候数据的规律和特点。研究结果将对提高山区植被物候反演精度和丰富山区物候资料积累提供参考。

    1 研究区及数据

    1.1   研究区概况

    选取位于新疆维吾尔自治区天山山区巴音布鲁克作为研究区，如图 1所示。该地区是干旱区典型代表性的高寒山区，平均海拔约在1 500~2 600 m，区域内山地海拔4 000~5 500 m，年平均降水量273 ‍mm，年平均蒸发量1 157 mm，年均气温为-‍4.16 ℃，年平均积雪日数302天（1956—2002‍年），平均最大积雪深度为12 cm，该区域覆盖有中国第二大面积的巴音布鲁克草原。在本区域开展山区草地的物候研究工作具有很好的代表性和生产指导作用。

    图  1  研究区观测站点分布
    Figure  1.  Phenocams Sites in Study Area
    下载: 全尺寸图片 幻灯片

    1.2   数据来源及处理

    1.2.1   物候相机布设情况

    国内外以物候相机为手段架设了多个物候观测网，如美国的Phenocams、日本的物候眼观测网和澳大利亚的物候相机观测网络，这些国外观测网均通过联网方式进行实时传输。天山山区较为偏远，缺乏电力和网络支持，因此采用在观测点安装野外相机并定时拍照的方式进行观测。2016-09—2018-05，研究团队在天山中段巴音布鲁克地区布设了4个物候相机观测点，其中，察汗乌苏为山地灌丛草甸，优势种为花花柴；骆驼脖子为沼泽化草甸，优势种为黑穗苔草、华扁穗草；水电站为高寒草甸，优势种为矮金莲、草地早熟禾；胜利道班为高寒草原，优势种为紫花针茅、冰草。观测设备为猎科6210相机，观测方式为每天北京时间09：00—16：00，每30 min拍摄一次，相片格式为JPG，分辨率为1 ‍440×1 ‍080像素。为避免曝光，所有观测点拍摄方位设为正北或偏北，拍摄角度水平向下15°~45°。

    1.2.2   相机数据处理

    首先，对噪声数据进行剔除，包括由于积雪和冻雾造成的相机镜头污染，大风造成镜头晃动及人畜走入拍摄范围的照片；其次，根据观测的对象确定感兴趣区域，尽量以观测植被或冠层为主体，避免土壤等背景因素的干扰；最后，提取ROI(region of interesting)范围内的相对绿度指数（green chromat‍ic coordinate，GCC）[11]作为植物绿度的指标，表示为：

    GCC=∑DNG/∑(DNR+DNG+DNB)

    式中，DNG、DNR、DNB分别指上一步获得的区域上绿、红、蓝3个波段的数值（digital number，DN）。GCC能够反映出植被的年际变化，特别是在2017年4月—9月，4个站点均表现出了一年生单峰形态。同时，4个站点的GCC在2017年10月—2018年3月期间有明显的噪声情况，通过对图片的目视分析，其主要原因是受冬季的积雪覆盖的影响。

    为有效提取植物生长信息，滤除噪声，采用7 ‍种滤波器对原始时间间隔为0.5 h的GCC进行滤波处理，包括平均值滤波、中值滤波、max（90%的分位数）滤波[11]、样条滤波[12]、MAD（the median of absolute deviation about the median）滤波[13]、Blue滤波[14]和Night滤波[15]。在不同的观测点，7种滤波器的效果有一定的差异。其中，察汗乌苏、骆驼脖子、胜利道班这3个观测点的7种滤波器均展现了较好的去噪性能；但在水电站观测点，只有Night滤波、中值滤波和MAD滤波的去噪效果较好，其余5种滤波器均未能对冬季积雪的噪声有效去除。根据滤波效果，察汗乌苏、骆驼脖子、胜利道班等3个站点选用max滤波器，水电站选择Night滤波器。

    1.2.3   遥感数据

    为了对比分析物候相机与遥感数据在物候信息提取上的异同点，同时采用4个站点的中分辨率成像光谱仪（moderate resolution imag‍ing spectroradiometer，MODIS）16天250 m归一化差值植被指数（normalized difference vegetation index，NDVI）产品MOD13Q1数据和可见光红外成像辐射套件（visible infrared imaging radiometer，VIIRS）8天250 m反射率产品VNP09H1合成后的NDVI数据进行物候信息提取。4个站点的MOD13Q1和VNP09H1的数据均通过美国橡树岭国家实验室分布式存档中心平台获取（https://daac.ornl.gov/）。将获取后的MODIS和VIIRS数据与物候相机提取的GCC滤波数据进行对比（见图 2），植被指数和GCC均能够反映植被生长季节波动状况，但在曲线变化点对应的时间上部分站点存有差异。

    图  2  遥感NDVI数据与物候相机GCC数据对比
    Figure  2.  Comparison Between Remotely Sensed NDVI Data and Phenocams GCC Data
    下载: 全尺寸图片 幻灯片

    1.3   物候信息提取方法

    本文中，物候信息提取采用了人工目视判读和信号自动识别两种方法[16]，其中，人工目视判读参照全国草原监测技术操作手册和草原返青期地面观测方案由人工观测获取每个观测点的返青期（初期、普遍期和末期）及枯黄期（初期、普遍期和末期）。

    在信号自动识别上，考虑到天山山区草地为一年生植物，在数据拟合的过程中，选择了Beck等[17]、Gu等[18]、Elmore等[19]、Klosterman等[20]4种Logistic函数进行植被生长曲线的拟合，同时增加三次样条（cubic spline，Spline）作为信号极弱情况下Logistic函数拟合失败的备选方案。

    在物候参数提取方法上，选用动态阈值法Threshold[21]、导数法Derivatives[22]、Klosterman等[20]和Gu等[18]4种方法进行提取，其中，Threshold和Derivatives可获取开始期（start of season，SOS）、停止期（end of season，EOS）、生长季长度（length of season，LOS）和生长旺季（peak of season position，POP）等参数，Klosterman方法获取返青期（upturn date，UD）、成熟期、落叶期（downturn date，DD）、休眠期（recession date，RD）4个参数；Gu方法基于一阶导数中局部最大值的组合提取UD、稳定期（stabilization date，SD）、DD、RD。这4种曲线拟合和物候提取方法的原理参见文献[23]。

    2 结果与分析

    2.1   观测站点物候信息提取

    基于人工目视判读可获取4个站点2017年6 ‍个物候期的观测值，如表 1所示，4个观测站点的数据差异明显，其主要受到覆盖类型的不同和局地气候的影响。

    表  1  4个站点人工观测物候期
    Table  1.  In-Situ Phenological Data of Four Stations
    物候期分类 站点名称
    察汗乌苏 骆驼脖子 水电站 胜利道班
    返青初期 05-09 04-23 05-26 05-28
    返青普遍期 05-31 05-07 06-04 06-05
    返青末期 06-16 05-11 06-12 06-14
    枯黄初期 09-20 09-05 09-01 08-10
    枯黄普遍期 09-30 09-16 09-10 08-26
    枯黄末期 10-19 09-25 09-20 09-01
    下载: 导出CSV 
    | 显示表格

    基于物候相机的关键参数提取结果如图 3所示。5种拟合函数在4个站点的均方根误差（root mean square error，RMSE）均小于0.01，说明滤波后的GCC拟合效果较好，Spline的拟合曲线能最大程度地逼近GCC点的分布趋势。除了察汗乌苏站Elmore+Klosterman的拟合+物候提取方法的组合形式未能有效提取物候参数外，其余观测站的物候参数均成功提取。

    图  3  物候相机GCC不同曲线拟合方法与参数提取方法组合结果对比图
    Figure  3.  Comparison of Five Growth Curve Fitting Methods and Four Phenological Parameter Extraction Methods for Different Vegetation Types Based on Phenocams GCC
    下载: 全尺寸图片 幻灯片

    对各站点的多种滤波+提取方法获得的物候参数集进行分析，如图 4和图 5所示。

    图  4  不同曲线拟合方法的物候参数分布
    Figure  4.  Comparison of Phenological Parameters of Five Curve Fitting Methods
    下载: 全尺寸图片 幻灯片
    图  5  不同参数提取方法的物候参数分布
    Figure  5.  Comparison of Phenological Parameters of Four Extraction Methods
    下载: 全尺寸图片 幻灯片

    为了简化参数分析，将UD归为SOS，将RD归为EOS，继而求取LOS。从图 4、图 5可以发现，除水电站和胜利道班的EOS表现出2‍ ‍个集群分布，其余站点的SOS、EOS和LOS的数值分布均呈现出1个极值+2个集群分布的特征。各站点物候参数的极值对应的滤波方法主要是Spline滤波，物候提取方法主要对应于Klosterman。结合图 3进一步分析可发现，Spline由于其较强的曲线拟合能力，将SOS前的积雪信号进行了拟合，而Klosterman中对拟合曲线中开始期前的波动进行了参数提取，造成了SOS明显早于其他方法。此外，滤波方法的差异没有展示出明显的规律和特征，但物候参数提取方法的不同却展现了明显的差异性。Threshold和Derivatives方法提取的各类物候参数相近，Klosterman和Gu方法提取的物候参数相近。

    比对各站点SOS，察汗乌苏与水电站和胜利道班接近，而骆驼脖子最早；对比各站点EOS，从察汗乌苏、骆驼脖子、水电站至胜利道班显示出逐渐提前的趋势。从LOS上看，骆驼脖子最长，而察汗乌苏、水电站和胜利道班依次变短。4个站点并没有按照海拔高度的上升呈现出SOS逐渐推迟和EOS逐渐提前的预期结果。

    Threshold和Derivatives方法提取的SOS比Klosterman和Gu方法提取的SOS平均晚23天，而EOS平均早24天。Threshold和Derivatives提取方法提取参数位于拟合曲线上升期和下降期中间时段，而Klosterman与Gu的提取方法则是主要位于在植物生长曲线上升期和下降期的拐点。对比人工观测数据，Threshold和Derivatives方法所提取的开始期与停止期更接近于牧草观测的返青末期和枯黄末期，而Klosterman和Gu方法提取的开始期和停止期与牧草观测的返青初期和枯黄初期更为接近。

    物候相机信号的拟合函数和物候提取方法都能对物候参数值产生影响。拟合函数通过影响生长曲线形态而对物候参数产生影响，而物候提取方法则以不同的信号状态解释对物候信息进行提取。拟合函数与物候提取方法的双重影响会对物候相机图像所产生的物候参数值产生影响，但参数提取方法呈现出更具规律的影响作用。

    2.2   遥感数据的物候信息提取

    基于MODIS和VIIRS数据进行物候信息提取（见图 6），与物候相机信息对比，其提取有效性明显降低。各种曲线拟合方式的RMSE均较物候相机的更大。参照巴音布鲁克农业部门公布数据以及部分现有研究，设定[100, 180]和[200, 330]分别为开始期SOS和停止期EOS的儒略日合理区间进行筛选，物候相机物候信息提取有效性可以达到95%，而遥感物候信息提取的有效性只能达到48%。对4个站点的MODIS或VIIRS数据均能提取开始期和停止期有效值的组合只有Beck+Derivatives（MODIS）、Beck+Thresh‍old（VIIRS）、Elmore+Derivatives（VIIRS）和Elmore+Gu（VIIRS）4种组合形式，其中，能对MODIS进行有效提取的仅为1种。值得注意的是，在20种组合方式中，没有任何一种能够同时对4 ‍个站点的MODIS和VIIRS数据进行有效提取，这也意味着在不同地表状况下以遥感数据进行物候信息提取时，需要对生长曲线的拟合方式和物候参数提取方法进行仔细筛选。

    图  6  遥感NDVI数据不同曲线拟合方法与参数提取方法组合结果对比图
    Figure  6.  Comparison of Five Growth Curve Fitting Methods and Four Phenological Parameter Extraction Methods Based on MODIS and VIIRS Data
    下载: 全尺寸图片 幻灯片

    2.3   物候相机与遥感数据对比分析

    利用Pearson相关系数对遥感数据与数字相机提取的有效的SOS和EOS物候参数如表 2所示。

    表  2  遥感与数字相机物候参数相关分析
    Table  2.  Correlated Analysis of Phenological Parameters Extract‍ed from Remote Sensing Data and Phenocams
    物候参数分类 开始期 停止期
    MODIS VIIRS MODIS VIIRS
    GCC 0.628 6** 0.574** 0.063 0.444**
    MODIS或VIIRS 0.278 0.400*
    注：*对应5%水平显著，即p < 0.05;**对应1%水平显著，即p < 0.01
    下载: 导出CSV 
    | 显示表格

    由表 2可知，MODIS与VIIRS数据提取的SOS与GCC提取的SOS之间存在极显著相关，VIIRS数据提取的EOS与GCC提取的EOS存在极显著相关；而MODIS提取的EOS与GCC提取的EOS之间相关性不显著；MODIS和VIIRS提取的SOS相关性不显著，EOS显著相关。

    3 结语

    本文利用天山地区巴音布鲁克4个植物物候观测相机2016-09—2018-05的RGB照片，计算获得GCC指数，对比分析7种滤波器在4 ‍个站点GCC指数的滤波效果，采用5种曲线拟合方式+4种物候参数提取方法进行了物候参数的提取及分析，同时与对应的MODIS与VIIRS遥感植被指数数据提取的物候数据进行对比。得到结论如下：（1）GCC能够很好地反映植被生长季变化特征，植物物候相机在天山山区草地的物候监测中是一种有效手段。山区雨雪噪声会对GCC信号分析产生不利影响，应当选取适当的滤波器去除噪声。（2）不同的物候信号曲线拟合方法和提取方法的组合对物候参数提取会产生明显的差异。其中，Spline曲线拟合方式由于突出的拟合能力产生过度拟合；而物候提取方法对物候参数能够产生显著影响，其中，Threshold和Derivatives较为接近，而Klosterman和Gu较为接近。（3）利用多种方法基于MODIS和VIIRS这两种遥感数据与相机GCC数据提取物候信息，对比发现，山区遥感数据物候信息提取的有效性仅为48%，远低于物候相机的95%。

    物候相机数据与遥感数据在观测尺度、观测时间分辨率和观测角度上均存在明显区别，物候相机数据时间分辨率可远高于目前的遥感数据时间分辨率，且受天气影响小，从而降低了天气带来的信号污染；但由于物候相机一般需要安装在特定的固定装置上，观测范围要小于遥感数据，在山区无通讯信号区域设备安装和数据收集上成本较高，还容易受到地表形变造成观测角度变化。因此，制定更具操作的物候相机观测标准和拓展物候相机的光谱观测范围，将提升遥感物候信息提取和验证精度，也有利于形成一套长期稳定的植物观测科学数据集。

    遥感数据天然的大尺度和经济性是无可比拟的，但云雪信号污染、地形和大气校正处理的问题易产生数据不合理波动，今后应考虑采取归一化等方法降低其时相差异过大的问题[24]。

    http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20220229

  • 图  1   人体解剖学示意图

    Figure  1.   Diagram of Human Anatomy

    下载: 全尺寸图片 幻灯片

    图  2   测试示意图

    Figure  2.   Diagram of Test

    下载: 全尺寸图片 幻灯片

    图  3   IMU模块数据采集图

    Figure  3.   Diagram of IMU Data Collection

    下载: 全尺寸图片 幻灯片

    图  4   z轴角度变化

    Figure  4.   Angle Change of z-Axis

    下载: 全尺寸图片 幻灯片

    图  5   加速度值

    Figure  5.   Thigh Acceleration Values

    下载: 全尺寸图片 幻灯片

    图  6   相关性分析流程图

    Figure  6.   Correlation Analysis

    下载: 全尺寸图片 幻灯片

    图  7   速度相关系数

    Figure  7.   Correlation Coefficient of Velocity

    下载: 全尺寸图片 幻灯片

    图  8   步幅相关系数

    Figure  8.   Correlation Coefficient of Step

    下载: 全尺寸图片 幻灯片

    图  9   总体网络结构

    Figure  9.   Total Network Structure

    下载: 全尺寸图片 幻灯片

    图  10   Att‑LSTM模型

    Figure  10.   Att‑LSTM Model

    下载: 全尺寸图片 幻灯片

    图  11   速度误差

    Figure  11.   Velocity Error

    下载: 全尺寸图片 幻灯片

    图  12   步幅误差

    Figure  12.   Step Error

    下载: 全尺寸图片 幻灯片

    图  13   速度拟合对比

    Figure  13.   Contrast of Velocity Fit

    下载: 全尺寸图片 幻灯片

    图  14   步幅拟合对比

    Figure  14.   Contrast of Step Fit

    下载: 全尺寸图片 幻灯片

    图  15   速度损失函数演变曲线

    Figure  15.   Loss Evolution of Velocity

    下载: 全尺寸图片 幻灯片

    图  16   步幅损失函数演变曲线

    Figure  16.   Loss Evolution of Step

    下载: 全尺寸图片 幻灯片

    表  1   IMU模块主要参数

    Table  1   Main Parameters of the IMU Module

    指标标准
    尺寸51.3 mm×36 mm×15 mm
    质量/g21
    工作电压/V3.3~5
    量程加速度：± 16g,角速度：±2 000 °/s,角度: ±180°
    稳定性加速度：0.01g,角速度0.05 °/s
    输出频率/ Hz0.1~50
    数据接口波特率: 115 200 bit/s
    下载: 导出CSV

    表  2   数据相关性分析结果

    Table  2   Results of Correlation Analysis

    传感器模型类型速度相关系数步幅相关系数
    传感器1（大腿）x轴加速度0.610.12
    y轴加速度0.060.25
    z轴角度0.410.58
    传感器2（小腿）x轴加速度0.550.16
    y轴加速度0.210.17
    z轴角度0.550.41
    传感器3（足部）x轴加速度0.700.06
    y轴加速度0.610.21
    z轴角度0.550.30
    下载: 导出CSV

    表  3   模型测试结果对比

    Table  3   Comparison of the Model Test Results

    测试对象模型类型误差标准偏差
    速度/(m·s－1)M-Att-LSTM0.0580.013
    Att-LSTM0.1990.035
    步幅/mM-Att-LSTM0.0230.022
    Att-LSTM0.0510.034
    下载: 导出CSV

    表  4   近年研究对比

    Table  4   Comparison of the Recent Studies

    方法分析类型步幅误差/cm
    文献[11]PCA6.44
    文献[27]CNN13.48
    本文方法多模态分析法2.30
    下载: 导出CSV
    • 参考文献(27)
  • [1] 黄东晋, 姚院秋, 丁友东, 等. 基于Kinect的虚拟健身跑锻炼系统[J]. 图学学报, 2017, 38（5）： 789-795.

    Huang Dongjin, Yao Yuanqiu, Ding Youdong, et al. Virtual Running Exercise System Based on Kinect[J]. Journal of Graphics, 2017, 38（5）： 789-795.
    [2] 宋淑华, 刘坚, 高春刚, 等. 递增负荷运动对中长跑运动员心率变异性的影响[J]. 山东体育学院学报, 2010, 26（10）： 62-65.

    Song Shuhua,Liu Jian,Gao Chungang, et al. Influen‑ce on Heart Rate Variability of Middle-Long Distance Athletes During Progressive Increasing Load Exercise[J]. Journal of Shandong Institute of Physical Education and Sports, 2010, 26（10）： 62-65.
    [3] 段子才, 张戈. 不同步频和步幅的5 km跑过程中运动员心率变化的对比研究[J]. 体育科学, 2006, 26（4）： 65-66.

    Duan Zicai, Zhang Ge. Comparative Study on Athlete’s Heart Rate Change of 5 km Running at Different Stride Frequency and Length[J].China Sport Scien‑ce, 2006, 26（4）： 65-66.
    [4] 王俊清, 张希妮, 罗震, 等. 步频再训练对跑步时下肢冲击的生物力学影响研究[J]. 应用力学学报, 2020, 37（5）： 2167-2175.

    Wang Junqing, Zhang Xini, Luo Zhen, et al. The Influence of Cadence Retraining on Impact Forces and Lower Extremity Biomechanics During Running[J]. Chinese Journal of Applied Mechanics, 2020, 37（5）： 2167-2175.
    [5] 陈国良, 杨洲. 基于加速度量测幅值零速检测的计步算法研究[J]. 武汉大学学报（信息科学版）, 2017, 42（6）： 726-730.

    Chen Guoliang, Yang Zhou. Step Counting Algorithm Based on Zero Velocity Update[J]. Geomatics and Information Science of Wuhan University, 2017, 42（6）： 726-730.
    [6] 张小红, 罗科干, 陶贤露, 等. 一种基于穿戴式MEMS传感器状态识别的多部位PDR算法[J]. 武汉大学学报（信息科学版）, 2021, 46（12）： 1791-1801.

    Zhang Xiaohong, Luo Kegan, Tao Xianlu, et al. A Multi-mouted PDR Algorithm Based on Wearable MEMS Sensors State Recognition[J]. Geomatics and Information Science of Wuhan University, 2021, 46（12）： 1791-1801.
    [7] 张小红, 陶贤露, 王颖喆, 等. 城市场景智能手机GNSS/MEMS融合车载高精度定位[J]. 武汉大学学报（信息科学版）, 2022, 47（10）： 1740-1749.

    Zhang Xiaohong, Tao Xianlu, Wang Yingzhe, et al. MEMS-Enhanced Smartphone GNSS High-Precision Positioning for Vehicular Navigation in Urban Conditions[J]. Geomatics and Information Science of Wuhan University, 2022, 47（10）： 1740-1749.
    [8] 周丙涛, 陈世强, 程宇阳, 等. 基于足底压力传感器与深度学习的生物身份识别[J]. 仪器仪表学报, 2021, 42（7）： 108-115.

    Zhou Bingtao, Chen Shiqiang, Cheng Yuyang, et al. Biometric Identification Based on Plantar Pressure Sensor and Deep Learning[J]. Chinese Journal of Scientific Instrument, 2021, 42（7）： 108-115.
    [9] 邱石, 杜义浩, 王浩, 等. 基于sEMG的下肢运动解析方法研究[J]. 仪器仪表学报, 2018, 39（2）： 30-37.

    Qiu Shi, Du Yihao, Wang Hao, et al. Research on Lower Limb Kinematic Analysis Method Based on sEMG[J]. Chinese Journal of Scientific Instrument, 2018, 39（2）： 30-37.
    [10] 王智敏, 陶宝林, 于鹏, 等. 基于可穿戴式惯性测量单元的行人室内定位技术[J].传感器与微系统,2021,40（1）： 46-48.

    Wang Zhimin, Tao Baolin, Yu Peng, et al. Indoor Positioning Technology of Pedestrian Based on Wearable IMU[J]. Transducer and Microsystem Technologies, 2021, 40（1）： 46-48.
    [11]

    Vezočnik M, Kamnik R, Juric M B. Inertial Sensor-Based Step Length Estimation Model by Means of Principal Component Analysis[J]. Sensors, 2021, 21（10）： 3527.
    [12] 路泽忠, 卢小平, 马靓婷, 等. 双状态机的自适应步态检测算法[J]. 测绘科学, 2021, 46（1）： 56-61.

    Lu Zezhong, Lu Xiaoping, Ma Liangting, et al. Adaptive Gait Detection Algorithm Based on Dual State Machine[J]. Science of Surveying and Mapping, 2021, 46（1）： 56-61.
    [13] 李清泉, 陈睿哲, 涂伟, 等. 基于惯性相机的大跨度桥梁线形形变实时测量方法[J]. 武汉大学学报（信息科学版）, 2023, 48（11）： 1834-1843.

    Li Qingquan, Chen Ruizhe, Tu Wei, et al. Real-Time Vision-Based Deformation Measurement of Long-Span Bridge with Inertial Sensors[J]. Geomatics and Information Science of Wuhan University, 2023, 48（11）： 1834-1843.
    [14]

    Su B Y, Wang J, Liu S Q, et al. A CNN-Based Method for Intent Recognition Using Inertial Measurement Units and Intelligent Lower Limb Prosthesis[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering,2019,27（5）：1032-1042.
    [15]

    Gao F, Liu G Y, Liang F Y, et al. IMU-Based Locomotion Mode Identification for Transtibial Prostheses, Orthoses, and Exoskeletons[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2020, 28（6）： 1334-1343.
    [16]

    Bruinsma J, Carloni R. IMU-Based Deep Neural Networks： Prediction of Locomotor and Transition Intentions of an Osseointegrated Transfemoral Amputee[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering： A Publication of the IEEE Engineering in Medicine and Biology Society, 2021, 29： 1079-1088.
    [17] 盛敏, 刘双庆, 王婕, 等. 基于GMM-HMM模型的智能下肢假肢运动意图识别[J]. 仪器仪表学报, 2019, 40（5）： 169-178.

    Sheng Min, Liu Shuangqing, Wang Jie, et al. Motion Intent Recognition of Intelligent Lower Limb Prosthesis Based on GMM-HMM[J]. Chinese Journal of Scientific Instrument, 2019, 40（5）： 169-178.
    [18]

    Yu S Y, Yang J F, Huang T H, et al. Artificial Neural Network-Based Activities Classification, Gait Phase Estimation, and Prediction[J].Annals of Biomedical Engineering,2023,51（7）：1471-1484.
    [19]

    Baniasad M, Martin R, Crevoisier X, et al. Automatic Body Segment and Side Recognition of an Inertial Measurement Unit Sensor During Gait[J]. Sensors, 2023, 23（7）： 3587.
    [20]

    Do T N, Liu R, Yuen C, et al. Personal Dead Reckoning Using IMU Device at Upper Torso for Walking and Running[C]//IEEE Sensors, Orlando, USA, 2016.
    [21]

    Elshehabi M,Del Din S,Hobert M A,et al.Walking Parameters of Older Adults from a Lower Back Inertial Measurement Unit, a 6-Year Longitudinal Observational Study[J].Frontiers in Aging Neuroscien‑ce, 2022, 14： 789220.
    [22]

    Koroglu M T, Yilmaz A,Saul C J.A Deep Learning Strategy for Stride Detection[C]//IEEE Sensors, New Delhi, India, 2018.
    [23]

    Anwary A R, Yu H N, Vassallo M. Optimal Foot Location for Placing Wearable IMU Sensors and Automatic Feature Extraction for Gait Analysis[J]. IEEE Sensors Journal, 2018, 18（6）： 2555-2567.
    [24]

    Hutabarat Y, Owaki D, Hayashibe M. Quantitative Gait Assessment with Feature-Rich Diversity Using Two IMU Sensors[J]. IEEE Transactions on Medical Robotics and Bionics, 2020, 2（4）： 639-648.
    [25]

    Uno Y, Ogasawara I, Konda S, et al. Validity of Spatio-Temporal Gait Parameters in Healthy Young Adults Using a Motion-Sensor-Based Gait Analysis System （ORPHE ANALYTICS） During Walking and Running[J]. Sensors （Basel, Switzerland）, 2022, 23（1）： 331.
    [26] 路永乐, 陈永炜, 邸克, 等. 基于MEMS惯性传感器的高精度步长估计算法[J]. 中国惯性技术学报, 2018, 26（2）： 167-172.

    Lu Yongle, Chen Yongwei, Di Ke, et al. High-Precision Step-Length Estimation Method Based on MEMS Inertial Sensor[J]. Journal of Chinese Inertial Technology, 2018, 26（2）： 167-172.
    [27]

    Sui J D, Chang T S. IMU Based Deep Stride Length Estimation with Self-supervised Learning[J]. IEEE Sensors Journal, 2021, 21（6）： 7380-7387.
    • 相关文章
    • 施引文献(9)

  • 期刊类型引用(8)

    1. 翟高鹏，李文彬，薛新春，何杰. 空间直角坐标分量中误差转换到相邻点基线分量中误差的算法设计与实现. 测绘与空间地理信息. 2024(02): 204-206+210 . 百度学术
    2. 张亮亮，李亚泽，熊磊，杨鹏飞，闵恒良. “北斗云”——电力时空大数据云平台技术与应用研究. 西部资源. 2023(02): 189-192 . 百度学术
    3. 伏明星，李仲勤，张瑞鹏. 宝兰高铁某标段CPI复测数据处理与稳定性分析. 测绘地理信息. 2021(06): 40-45 . 百度学术
    4. 刘洋洋，党亚民，许长辉. 基于GAMIT对国家GNSS基准站进行的北斗基线解算分析. 测绘工程. 2019(03): 25-29 . 百度学术
    5. 张波. 北斗卫星导航系统用于高精度工程控制网建立的可行性分析. 北京测绘. 2019(07): 792-796 . 百度学术
    6. 白正伟，张勤，黄观文，景策，王家兴. “轻终端+行业云”的实时北斗滑坡监测技术. 测绘学报. 2019(11): 1424-1429 . 百度学术
    7. 闫子耀. 基于北斗系统的船舶导航系统定位精度研究. 中国水运(下半月). 2018(07): 49-50 . 百度学术
    8. 闫子耀. 基于北斗系统的船舶导航系统定位精度研究. 中国水运(下半月). 2018(14): 49-50 . 百度学术

    其他类型引用(1)

    • 资源附件(0)
图(16)  /  表(4)
计量
  • 文章访问数:  255
  • HTML全文浏览量:  43
  • PDF下载量:  79
  • 被引次数: 9
出版历程
  • 收稿日期:  2023-06-23
  • 网络出版日期:  2023-11-20
  • 刊出日期:  2024-07-04

目录

摘要
HTML全文

  • 1 研究区及数据

  • 1.1   研究区概况

  • 1.2   数据来源及处理

  • 1.2.1   物候相机布设情况
  • 1.2.2   相机数据处理
  • 1.2.3   遥感数据

  • 1.3   物候信息提取方法

  • 2 结果与分析

  • 2.1   观测站点物候信息提取

  • 2.2   遥感数据的物候信息提取

  • 2.3   物候相机与遥感数据对比分析

  • 3 结语

参考文献(27)
相关文章
施引文献
资源附件(0)

/

返回文章
返回

版权所有 © 2013 《武汉大学学报·信息科学版》编辑部

地址：武汉大学文理学部本科生院楼北5楼邮政编码：430072

电话：027-68778465,68788631E-mail:whuxxb@vip.163.com

本系统由北京仁和汇智信息技术有限公司开发  百度统计