本发明涉及惯性行人导航，特别是指一种基于端侧lstm的步态检测方法。
背景技术：
1、步态是用来描述行人行走方式的一个词语。对不同的人而言，步态虽会因人而异有所差别，但是整体上来说，运动本身就是连续周期性的，因而步态也具有总体性的一般规律。行人步态检测主要就是根据这种一般规律进行检测从而实现计步的。行人的行走过程就是一种周期性运动过程，这时，行人的身体重心在水平方向上会大致维持着一个恒定的速度，同时在垂直方向上会产生具有一定规律性的变速运动。因此，通过三轴加速度计感知行人的运动加速度就可以对其行走过程进行步态分析。行人步态检测技术在室内导航、运动监测等领域具有广泛应用。
2、当前，随着传感器技术、人工智能等领域的发展，行人自适应零速修正技术也得到了快速发展。但在当前的研究中，仍然面临着算法复杂度高、运动检测与定位精度较低等问题，无法满足应用需求，而且由于行人运动较为复杂，对基于惯性的实时定位影响较大，导致基于惯性的行人定位方法难以得到广泛应用。
技术实现思路
1、有鉴于此，本发明提出一种基于端侧lstm的步态检测方法，该方法能够为行人提供端侧实时的步态检测能力，避免了将数据进一步上传的步骤，能够很好地为端侧导航解算及行人状态判断提供很好的依据。
2、为了实现上述目的，本发明采用的技术方案为：
3、一种基于端侧lstm的步态检测方法，包括以下步骤：
4、(1)将装备有惯性传感器的设备分别固定于多个试验人员的足部，坐标系遵循“右-前-上”的右手坐标系规则；设备固定后，多个试验人员分别进行慢速行走、跑步、横移、后退、上楼梯、下楼梯的动作，实时采集陀螺仪与加速度计数据，将实验数据分别存储为不同的文件；
5、(2)将步骤(1)采集的数据分成训练集和验证集，并对数据进行预处理，得到用于深度学习训练的样本；构建lstm神经网络，使用训练集对lstm神经网络进行训练，并使用验证集对lstm神经网络的分类能力进行验证，调整网络参数及训练参数，直到lstm神经网络的分类结果满足要求，保存训练好的lstm神经网络；
6、(3)将训练好的lstm神经网络进行裁剪，并转换成通用的神经网络模型，将模型部署到可穿戴设备中，对实时采集的足部惯性数据进行分类，得到步态检测结果。
7、进一步地，步骤(1)的具体方式为：
8、选择多种体型、不同性别的试验人员，将含有mems惯性传感器的设备佩戴在受测试人员的足背部，惯性传感器的“x-y-z轴”分别对应于人体的“右-前-上”方向；
9、试验人员进行慢速行走、跑步、横移、后退、上楼梯、下楼梯的动作，将运动过程中的惯性传感器数据以100hz频率实时采集下来，使用低通滤波器进行低通滤波，去掉部分高频噪声；其中，惯性传感器数据为6轴惯性数据。
10、进一步地，步骤(2)的具体方式为：
11、将步骤(1)采集的数据进行数据预处理，形成一个样本集，将样本集分为训练集和验证集；
12、使用滑动窗口法对数据进行分割，其中窗口大小为150，时长为1.5s，每个样本的大小为150×6；根据文件名对样本添加标签；
13、搭建lstm神经网络模型，根据样本的大小，以及步态的种类数，确定模型的输入输出；
14、使用训练集对模型进行训练，使用验证集对模型精度进行验证，调整模型参数及训练参数，直到模型的分类结果满足实验预期，保存模型参数。
15、进一步地，所述mems惯性传感器设备使用stm32单片机作为主控芯片；
16、步骤(3)的具体方式为：
17、将模型的层数和神经元个数不断减小，直到将模型的分类精度降至指标要求，从而实现对神经网络模型的剪枝操作；
18、将剪枝后的神经网络模型部署到mems惯性传感器设备的stm32单片机中，从而对实时采集的足部惯性数据进行分类。
19、本发明相比于现有技术所取得的有益效果为：
20、1)本发明使用lstm神经网络对惯性数据序列进行分类，能够高效、准确地得到步态检测结果；
21、2)本发明优化了特征提取方法，能够降低因佩戴方式不同而对步态分类结果造成的影响；
22、3)本发明将lstm分类网络部署到可穿戴终端，实现了端侧的深度学习步态检测。
1.一种基于端侧lstm的步态检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于端侧lstm的步态检测方法，其特征在于，步骤(1)的具体方式为：
3.根据权利要求2所述的一种基于端侧lstm的步态检测方法，其特征在于，步骤(2)的具体方式为：
4.根据权利要求3所述的一种基于端侧lstm的步态检测方法，其特征在于，所述mems惯性传感器设备使用stm32单片机作为主控芯片；
