An accurate smartphone-based step-counting algorithm based on human walking acceleration variation patterns

步数是室内行人航位推算（PDR）中距离传播的基础输入，并广泛应用于移动健康监测与活动评估。然而，惯性传感器噪声使传统智能手机计步算法（通常依赖固定幅值阈值与时间约束）容易受到个体间步态差异、行走速度变化，以及从静止到行走和从行走到静止转换阶段扰动的影响。这些因素会在变速行走和走停转换等非平稳场景中造成漏计与误计。为解决这些问题，本文提出一种基于行走加速度变化模式的精确智能手机计步算法。该方法使用原始三轴加速度信号，构建以 Drop 峰、速度变化判别和步频约束去噪为核心的框架，而不是以滤波或平滑作为主要预处理步骤。首先，根据人体快速行走频率的上限，将每个峰值与其对应区域内的最小值配对，并将二者之差定义为 Drop 值；提取 Drop 峰作为候选步态事件，以降低固定幅值阈值造成错配的风险。其次，利用相邻 Drop 峰的幅值变化和步间隔变化识别加速、减速和匀速行走，并使用自适应时变窗口对候选事件进行筛选与去重，以提高速度变化条件下的稳定性。最后，利用序列级步频合理性约束抑制启停转换阶段的误触发。在覆盖多种步态模式及室内外地面条件的三个数据集上的实验表明，该方法平均计步准确率达到 99.75%。对比结果显示，本方法较代表性基线方法具有更低的计步误差和更强的鲁棒性。

设计了基于 Drop 峰值的步态事件提取算法，采用峰谷差动态表征加速度变化，降低固定阈值引起的漏计与误计。

提出了速度状态自适应判别策略，结合幅值与步间隔变化构建时变窗口，实现候选步态的筛选与去重。

构建了步频约束的序列降噪方法，抑制启停阶段的虚假计步，并将识别结果作为室内 PDR 的距离传播输入。

三个数据集上的平均计步准确率为 99.75%，计步误差低于论文中的代表性基线方法。

在变速行走、启停转换及不同室内外路面条件下均完成实验评估。

自课题启动阶段起全程参与，负责数据分析、算法设计、鲁棒性实验、结果可视化、论文写作，以及投稿与返修等工作。