Android计步器算法实现（2）

前言
算法实现的意义
- 现实原因
- 优缺点
算法原理
- 运动状态判断
- 计步原理
- 步长计算原理
Java实现
补充
- 观测点的作用
- 数据的存放方式

前言

在之前我也写过两篇关于计步器的博客，一篇介绍原理，一篇给出封装好的类型。这里是新算法Android工程github地址。

之前的那套算法自己平时玩玩其实还是没问题的，但是在大工程里面运用遇到了一些不得不优化的问题：

定时器太耗资源

每次计算的时间间隔短（几十毫秒），但计算量大

因此针对这两个问题需要再一次修改算法。新算法相比过去优点在于：

大大降低计算量

不需要使用计时器，减小系统负担

算法实现的意义

现实原因

对于大部分的开发者来说，自己写一套计步器算法是非常没有必要的，调用系统自带的计步器即可。那么我又为什么要自己动手呢？实际是有几个原因的：

自己实现的算法有利于做步长估计

鉴于国内Android手机碎片化严重，不同厂商的手机计步表现差异（下面说明）很大，自己实现的算法便于控制差异性

不同厂商的手机计步器主要差异在这几个方面：

计步器的敏感度，较敏感的算法会把手部的轻微抖动也算成走步，敏感度低的算法则计步丢失会比较严重

计步器每次返回的步数，因为Android手机用的是系统回调的方式而不是查询的方式，因此有的手机是走一步就回调（大部分Android手机），而有的则是走四步回调（苹果手机和少部分Android手机），还有些非固定数值返回的手机就不提了

计步器判决人在行走的时间长短，所有系统级算法都会等人走了一定步数后才能确定人确实在行走，然后才开始回调（此时会把之前走的步数一起返回）。大部分手机算法需要等十步左右才开始，华为手机一般要等二三十步

优缺点

自己实现算法的意义就是希望避开上面说的差异性问题，实现算法上的统一。个人认为优点在于：

多了步长估计

每走一步就提示步态变化

缺点在于：

精度略微降低（每百步差一步左右）

没有步行的预判时间

算法原理

运动状态判断

判断人的运动状态。简单做，利用滑动窗求方差，方差超过一定门限就判断在运动中。

计步原理

计步算法原理实际上相当简单。我们来看走路时候的波形（加速度数据）：

这个是处理过的信号，但是真实信号实际上就是这么简单。我们只要把每个峰值从中抓出来然后加点判决门限就大功告成了。

步长计算原理

这里用到了两个参数H和T，见图：

H对应峰谷值的差值，T对应两个波谷之间的时间差。带入公式得到步长：
length=0.37−0.000155T+0.1638H;length=0.37-0.000155T+0.1638\sqrt{H};length=0.37−0.000155T+0.1638H;
公式还不是最优的，需要验证改进。

Java实现

public class StepController {//状态：静止public static int STAY=0;//状态：运动public static int MOVE=1;//运动状态判断数组private float[] stateValue=new float[20];//加速度数组private float[] Accs=new float[100];//每次传入加速度的时间，省去定时器private long[] time=new long[100];//数组下标private int count=0;//行走步数private int Step=0;//步长private float Length=0;//行进距离private float Distance=0;//状态private int State=STAY;//回调public interface StepCallback{void refreshStep(int step,float stepLength,float distance);}private StepCallback callback;public StepController(StepCallback callback){this.callback=callback;}//传入加速度和时间public void refreshAcc(float[] values,long timestamp){Accs[count]=(float) Math.sqrt(values[0]*values[0]+values[1]*values[1]+values[2]*values[2]);time[count]=timestamp;//检查运动状态stateValue[count%20]=Accs[count];checkState();//设置检测点，检测点的值为到最新数据的距离，如果太近了将无法确定其为波峰波谷//检测点的作用是来减少计算量final int ckpoint = Accs.length / 5;//运动状态判断加上判断检测点是否有波谷存在if (State==MOVE&&Accs[(count-ckpoint+Accs.length)%Accs.length]<Accs[(count-ckpoint+Accs.length+1)%Accs.length]&&Accs[(count-ckpoint+Accs.length)%Accs.length]<Accs[(count-ckpoint+Accs.length-1)%Accs.length]) {//求均值float ave = 0;for (int i = 0; i < Accs.length; ++i) {ave += Accs[i];}ave /= Accs.length;//调整数组顺序，把新数据放在前面，同时把数据减去均值float[] data = new float[Accs.length];for (int i = 0, j = count; i < data.length; ++i, --j) {if (j < 0) j += data.length;data[i] = Accs[j] - ave;}//寻找波峰波谷float[] sign = new float[Accs.length];for (int i = 1; i < Accs.length - 1; ++i) {if (Math.abs(data[i]) > 0.8 &&Math.abs(data[i]) > Math.abs(data[i - 1]) &&Math.abs(data[i]) > Math.abs(data[i + 1])) {if (data[i] > 0) {sign[i] = 1;} else {sign[i] = -1;}}}//取相邻波峰中的最大值和相邻波谷中的最小值for (int i = 1; i < sign.length - 1; ) {int index = i;while (++i < sign.length - 1 &&(sign[i] == 0 || sign[i] == sign[index])) {if (sign[i] != 0 && Math.abs(data[i]) > Math.abs(data[index])) {sign[index] = 0;index = i;} else {sign[i] = 0;}}}//再次判断检测点是否是波谷if (sign[ckpoint] < 0) {int index = ckpoint;//寻找下个波峰while (++index < sign.length && sign[index] == 0) ;if (index < sign.length && sign[index] > 0) {int peak = index;//寻找下个波谷while (++index < sign.length && sign[index] == 0) ;if (index < sign.length && sign[index] < 0) {int valley = index;//计算H和Tfloat H = data[peak] - 0.5f * data[ckpoint] - 0.5f * data[valley];long T = time[(count - ckpoint + time.length) % time.length] - time[(count - valley + time.length) % time.length];//门限判决if (H > 3 && T > 300 && T < 1400) {//步长计算DetectStepLength((int) T, H);++Step;callback.refreshStep(Step,Length,Distance);}}}}}if (++count==Accs.length) count=0;}//运动状态判断private void checkState(){float ave=0;float var=0;//求均值for (int i=0;i<stateValue.length;++i){ave+=stateValue[i];}ave/=stateValue.length;//求方差for (int i=0;i<stateValue.length;++i){var+=(stateValue[i]-ave)*(stateValue[i]-ave);}var/=stateValue.length;//状态判决State=var>0.5?MOVE:STAY;}//步长计算,该公式利用最小二乘法推导出,有一定可信性private void DetectStepLength(int time,float f){float steplength=0.35f-0.000155f*time+0.1638f*(float) Math.sqrt(f);this.Length=(this.Length+steplength)/2;Distance+=steplength;}
}

补充

注释写的比较简单，这里根据评论就多补充一点。

观测点的作用

为什么要设置一个观测点？首先在判断一个值是否为峰值时，我们知道峰值满足：
{datan>datan−1datan>datan+1\begin{cases} \quad data_n>data_{n-1}\\ \quad data_n>data_{n+1} \end{cases}{datan>datan−1datan>datan+1
因此对于一组信号来说，新来的信号是无法判断是否为峰值的，因为此时n=0n=0n=0因此没有datan−1data_{n-1}datan−1，所以至少要等n=1n=1n=1时才可做判断。

我们再看一组数据：

[1，3，2，4，5，2，1]

可以知道这段数据中有两个峰值3和5，然而3只是假峰，我们需要的是真峰5。为了避免被假峰所欺骗，nnn的值就需要再往后挪一挪，因此就有了所谓的观测点（算法中总数为100的数据时定在20的位置上）。

算法第一步在观测点判断是否为峰值（或者谷值），是则进一步判断是否为真峰值（或者真谷值），然后再做下一步判断。

数据的存放方式

关于这一点，我觉得完全没有什么技术含量。还是解释一下吧。

获取信号的时候，我们往往希望每次把最新数据放在数组第一位，然后最老的数据放在数组最后一位。但是这种存放方式每次传入新的数组时都需要调整数组顺序，很浪费计算资源。这样是不可取的，因此我的思路是这样的：

int count=0;
float[] data=new float[100];void fun(float value){data[count]=value;if(count==100) count=0;
}

这种存放方式有种好处，不需要调整数据顺序，每次都把存放最久的数据给覆盖，非常简单。

这种方式的麻烦在于取数据的时候，比如我想要第21位的数据，若是顺序调整好的数组，只需取得data[20]即可。我的方式却需要倒算一次data[count-20],还要冒着count<20，数组溢出的风险。然而也有一种一劳永逸的方法：

data[(100+count-20)%100]

这样一来就没有数组溢出的风险了。当然这样做计算量也增大了，不过实在比调整数组顺序好太多了。