4、IMU数据采集与预处理：采样率选择、滤波去噪、去重力、坐标对齐

IMU（惯性测量单元）输出的原始数据，无论是加速度计的三轴比力（specific force）还是陀螺仪的三轴角速度，都直接叠加了传感器噪声、重力分量以及安装偏差。如果将这些原始数据直接送入步态检测算法，轻则导致计步阈值误判，重则使步态相位识别完全失效。本章围绕“数据从传感器到算法”之间的关键工程链路，系统讲解采样率选择依据、滤波去噪方法、重力分量消除策略以及坐标系对齐流程。这四步是后续所有步态特征提取与模型训练的基础，其处理质量直接决定算法的鲁棒性与泛化能力。

4.1 采样率选择：从步态频率谱到工程折中

采样率决定了IMU数据能够捕捉到的运动细节上限。根据奈奎斯特定理，采样率必须大于信号最高频率的两倍。正常步行时，单脚着地频率约为1.8~2.5Hz，跑步时可达3~5Hz，而步态中的冲击峰值（如足跟着地瞬间）可能包含10~15Hz的高频分量。因此，从理论上看，30Hz以上的采样率即可满足基本步频检测需求。但在实际工程中，我们还需要考虑后续的滤波处理、特征提取（如峰值检测、零速修正）以及多传感器融合的需求，建议将采样率设置在50~100Hz之间。

4.2 滤波去噪：从时域到频域的噪声治理

IMU原始信号中的噪声主要来源于三部分：传感器内部电子噪声（白噪声）、机械振动噪声（如鞋底与地面碰撞产生的共振）以及人体软组织抖动噪声。这些噪声的频率范围较宽，但步态有效信号的频率集中在0.5~10Hz之间。因此，滤波的核心思路是保留低频运动分量，抑制高频干扰。

常用的滤波方法包括：

• 滑动平均滤波：简单有效，但会引入相位延迟，且对脉冲噪声抑制能力有限。
• 巴特沃斯低通滤波器：通带平坦，适合保留步态波形形状，推荐使用二阶或四阶，截止频率设为15~20Hz。
• 带通滤波：当需要同时抑制直流漂移和高频噪声时，可设置0.5~20Hz的带通范围。
• 小波去噪：适用于非平稳信号，但计算量较大，实时性要求高的场景需谨慎。

滤波器的设计需要特别注意相位响应。零相位滤波（如使用filtfilt）虽然能消除相位偏移，但仅适用于离线处理。实时系统中，应选用因果滤波器并接受一定的相位延迟，或采用Bessel滤波器以获取更线性的相位响应。

4.3 去重力：从比力到线性加速度

加速度计测量的是“比力”，即物体所受的非引力外力与质量的比值。在静止状态下，加速度计输出的是重力加速度的反向向量（约9.8 m/s²）。在动态行走时，加速度计输出是重力分量与人体运动加速度的叠加。因此，必须从原始加速度中消除重力分量，才能获得真正的运动加速度。

去重力的常用方法有两种：

1. 低通滤波估计重力方向：由于重力方向在短时间内变化缓慢，可对加速度信号进行低通滤波（截止频率0.1~0.5Hz），得到的低频分量近似为重力向量。然后用原始加速度减去该向量即可。此方法简单，但在快速转身或剧烈运动时误差较大。
2. 姿态矩阵法：利用陀螺仪积分获得姿态（欧拉角或四元数），将重力向量从导航系投影到载体坐标系，再从加速度计输出中减去该投影。此方法精度高，但依赖陀螺仪的零偏稳定性，且需要初始对准。

4.4 坐标对齐：从传感器坐标系到载体坐标系

IMU芯片的坐标系是固定的（通常X轴指向芯片的某一侧，Z轴垂直芯片表面），但设备佩戴在人体上时，其坐标系与人体解剖坐标系（前向、侧向、垂直）之间存在固定的旋转关系。坐标对齐的目标是找到一个旋转矩阵R，将传感器坐标系下的数据转换到载体坐标系（或人体坐标系）下。

坐标对齐的典型流程如下：

• 静态对准：让佩戴者保持标准站立姿势（直立、面向前方），采集数秒静止数据。此时加速度计输出应为重力向量，可据此确定传感器坐标系的Z轴与重力方向的关系。
• 姿态标定：利用静止时的加速度和陀螺仪数据，计算初始姿态四元数或欧拉角，构建旋转矩阵R。
• 动态验证：让佩戴者行走几步，检查转换后的垂直轴加速度是否呈现明显的周期性波动，前向轴是否与行走方向一致。

// 伪代码示例：基于四元数的坐标对齐
// 1. 静止采集N个样本，计算平均加速度向量 a_mean
// 2. 目标：将a_mean旋转到 [0, 0, 9.8] 方向
// 3. 计算旋转四元数 q = align_quaternion(a_mean, [0,0,9.8])
// 4. 对后续每个采样点应用旋转：a_aligned = q * a_raw * q_conj

4.5 实战案例：腕部IMU的预处理链路搭建

某健康监测项目需要基于腕部IMU实现日常步态识别，设备采用BMI160传感器（加速度计+陀螺仪），采样率设定为50Hz。初始阶段，工程师直接将原始加速度数据送入步态检测算法，发现计步误差高达15%，且在不同佩戴方式（左手/右手、屏幕朝内/朝外）下表现极不稳定。

通过分析原始波形发现：

• 加速度信号中存在明显的50Hz工频干扰和20Hz以上的高频抖动；
• 静止时加速度模长在9.2~10.4 m/s²之间波动，说明存在噪声；
• 行走时垂直轴波形不清晰，与重力方向耦合严重。

针对上述问题，工程师按以下步骤进行优化：

1. 将采样率从50Hz提升至100Hz，以保留足跟着地冲击特征；
2. 设计四阶巴特沃斯低通滤波器，截止频率设为15Hz，消除高频噪声；
3. 采用低通滤波（截止0.3Hz）估计重力方向，并从原始加速度中减去重力分量；
4. 通过静态站立5秒进行初始对准，计算旋转矩阵R，将传感器坐标系转换到人体坐标系（前向X、侧向Y、垂直Z）。

优化后，垂直轴加速度波形呈现清晰的周期性双峰结构（足跟着地和蹬地），计步误差降至2%以内。同时，不同佩戴方式下的数据一致性显著提升，算法无需针对每种佩戴方式单独调参。

4.6 常见误区与总结

在IMU数据预处理中，以下误区需要特别警惕：

• 误区一：采样率越高越好。高采样率带来数据量激增和功耗上升，且对步态检测的精度提升有限。应根据实际运动频率和硬件资源合理选择。
• 误区二：滤波会“滤掉”有用信息。过度滤波（截止频率过低）会平滑掉步态中的冲击特征，导致步态相位识别困难。应结合频谱分析确定合适的截止频率。
• 误区三：去重力就是减去9.8。这是最危险的误解。重力方向随设备姿态变化，必须使用向量运算或姿态矩阵进行动态补偿。
• 误区四：坐标对齐只做一次就万事大吉。如果设备佩戴位置发生滑动或旋转，需要重新进行对准。对于长期监测场景，可考虑在线姿态估计。

总结而言，IMU数据预处理是一个系统工程，采样率、滤波、去重力和坐标对齐四个环节环环相扣。每一步都需要结合具体应用场景进行参数调优，并通过可视化验证确保信号质量。只有获得干净、对齐、物理意义明确的运动信号，后续的步态分割、特征提取和模式识别才能建立在可靠的数据基础之上。