30、综合项目：打造一个运动姿态识别App（走路/跑步/跳跃）

终于到了最后一章。说实话，每次带新人做这个综合项目，我都挺期待的。因为前面学的那些加速度传感器知识，终于能串起来干点真正好玩的事了。

这个项目，我们要做一个能识别走路、跑步、跳跃三种运动状态的App。你想想看，手机放在口袋里，它就能知道你是在散步还是在狂奔——是不是有点意思？

项目整体架构

先看看我们要搭的架子。整个App分三层：数据采集层、特征分析层、状态决策层。我习惯把这种架构叫做「三明治模型」，简单明了。

运动姿态识别App — 三明治架构 数据采集层 SensorManager + 加速度传感器 → 原始数据流 (x, y, z) 特征分析层 滑动窗口 → 计算合加速度 → 提取峰值/周期/方差 状态决策层 阈值判断 + 状态机 → 输出：走路 / 跑步 / 跳跃

嗯，这里要注意：数据采集层是基础，如果这层没做好，后面再牛的算法也是白搭。我见过太多项目，传感器采样率没设对，结果识别率惨不忍睹。

第一步：配置传感器与数据采集

先上代码。这部分我习惯写一个独立的 SensorHelper 类，把脏活累活都封装起来。

public class SensorHelper implements SensorEventListener {
    private SensorManager sensorManager;
    private Sensor accelerometer;
    private OnSensorDataListener listener;

    // 采样率：我选 SENSOR_DELAY_GAME，大约50Hz
    // 为什么不用 FASTEST？因为没必要，而且太费电
    public void startListening(Context context) {
        sensorManager = (SensorManager) context.getSystemService(Context.SENSOR_SERVICE);
        accelerometer = sensorManager.getDefaultSensor(Sensor.TYPE_ACCELEROMETER);
        sensorManager.registerListener(this, accelerometer, SensorManager.SENSOR_DELAY_GAME);
    }

    @Override
    public void onSensorChanged(SensorEvent event) {
        if (event.sensor.getType() == Sensor.TYPE_ACCELEROMETER) {
            float x = event.values[0];
            float y = event.values[1];
            float z = event.values[2];
            // 计算合加速度
            double magnitude = Math.sqrt(x*x + y*y + z*z);
            if (listener != null) {
                listener.onNewData(magnitude, System.currentTimeMillis());
            }
        }
    }

    public interface OnSensorDataListener {
        void onNewData(double magnitude, long timestamp);
    }
}
💡 我的小经验： 合加速度是核心数据。单独看 x、y、z 轴意义不大，因为手机在口袋里的朝向随时在变。合加速度把三个轴合成一个值，不管手机怎么放，都能反映真实的运动强度。

第二步：滑动窗口与特征提取

原始数据来了，但你不能拿一个点去判断「这是不是跑步」。你需要一个窗口——我一般取 1 秒的数据，也就是大约 50 个采样点。

为什么要 1 秒？因为走路一步大约 0.5 秒，跑步一步大约 0.3 秒，跳跃一次大约 0.6 秒。1 秒的窗口能覆盖 1~3 个完整周期，够用了。

public class FeatureExtractor {
    private static final int WINDOW_SIZE = 50; // 1秒窗口
    private LinkedList<Double> window = new LinkedList<>();

    public void addSample(double magnitude) {
        window.addLast(magnitude);
        if (window.size() > WINDOW_SIZE) {
            window.removeFirst();
        }
    }

    public boolean isWindowReady() {
        return window.size() == WINDOW_SIZE;
    }

    // 提取三个关键特征
    public MotionFeatures extract() {
        double peak = getPeak();           // 峰值：最大加速度
        double variance = getVariance();    // 方差：波动剧烈程度
        double zeroCrossRate = getZeroCrossRate(); // 过零率：周期快慢
        return new MotionFeatures(peak, variance, zeroCrossRate);
    }

    private double getPeak() {
        double max = 0;
        for (double v : window) {
            if (v > max) max = v;
        }
        return max;
    }

    private double getVariance() {
        double mean = 0;
        for (double v : window) mean += v;
        mean /= window.size();
        double var = 0;
        for (double v : window) var += (v - mean) * (v - mean);
        return var / window.size();
    }

    private double getZeroCrossRate() {
        // 以均值作为零线，统计穿越次数
        double mean = 0;
        for (double v : window) mean += v;
        mean /= window.size();
        int count = 0;
        for (int i = 1; i < window.size(); i++) {
            if ((window.get(i) - mean) * (window.get(i-1) - mean) < 0) {
                count++;
            }
        }
        return (double) count / window.size();
    }
}
🔑 三个特征的含义：
  • 峰值：走路约 12~18 m/s²，跑步约 20~35 m/s²，跳跃可达 40+ m/s²
  • 方差：走路波动小（2~5），跑步波动大（8~15），跳跃介于中间（5~10）
  • 过零率：走路约 0.3~0.5，跑步约 0.6~0.8，跳跃约 0.2~0.4

第三步：状态机与决策逻辑

特征提取出来了，怎么判断？我不用机器学习，因为对于这三种状态，简单的阈值判断就足够可靠了。而且——你想想看——在手机上跑一个 TensorFlow Lite 模型，就为了区分走路和跑步？杀鸡用牛刀了。

public enum MotionState {
    IDLE, WALKING, RUNNING, JUMPING
}

public class MotionClassifier {
    private MotionState currentState = MotionState.IDLE;
    private static final double WALK_PEAK_MIN = 12.0;
    private static final double RUN_PEAK_MIN = 20.0;
    private static final double JUMP_PEAK_MIN = 38.0;
    private static final double WALK_VAR_MAX = 5.0;
    private static final double RUN_VAR_MIN = 8.0;

    public MotionState classify(MotionFeatures features) {
        double peak = features.peak;
        double var = features.variance;
        double zcr = features.zeroCrossRate;

        // 跳跃：峰值极高，过零率低
        if (peak > JUMP_PEAK_MIN && zcr < 0.4) {
            return MotionState.JUMPING;
        }
        // 跑步：峰值较高，方差大，过零率高
        if (peak > RUN_PEAK_MIN && var > RUN_VAR_MIN && zcr > 0.5) {
            return MotionState.RUNNING;
        }
        // 走路：峰值中等，方差小，过零率中等
        if (peak > WALK_PEAK_MIN && var < WALK_VAR_MAX && zcr > 0.3) {
            return MotionState.WALKING;
        }
        return MotionState.IDLE;
    }
}
⚠️ 避坑指南： 我曾经在阈值上吃过亏。一开始我设的跳跃阈值是 45 m/s²，结果测试时发现，有的人跳起来落地轻，峰值只有 35。后来我调低到 38，并加入了「过零率低」这个条件，误判率才降下来。阈值一定要根据实际测试数据来调，别拍脑袋定。

第四步：UI 展示与实时反馈

识别出来了，总得让用户看到吧？我设计了一个简单的仪表盘界面，实时显示当前状态和加速度曲线。

// Activity 中的核心逻辑
public class MainActivity extends AppCompatActivity {
    private SensorHelper sensorHelper;
    private FeatureExtractor extractor = new FeatureExtractor();
    private MotionClassifier classifier = new MotionClassifier();
    private TextView statusText;
    private LineChartView chartView;

    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);

        statusText = findViewById(R.id.statusText);
        chartView = findViewById(R.id.chartView);

        sensorHelper = new SensorHelper();
        sensorHelper.startListening(this);
        sensorHelper.setListener((magnitude, timestamp) -> {
            runOnUiThread(() -> {
                extractor.addSample(magnitude);
                chartView.addDataPoint(magnitude);

                if (extractor.isWindowReady()) {
                    MotionFeatures features = extractor.extract();
                    MotionState state = classifier.classify(features);
                    updateUI(state);
                }
            });
        });
    }

    private void updateUI(MotionState state) {
        switch (state) {
            case WALKING:
                statusText.setText("🚶 走路中");
                statusText.setBackgroundColor(getColor(R.color.walkColor));
                break;
            case RUNNING:
                statusText.setText("🏃 跑步中");
                statusText.setBackgroundColor(getColor(R.color.runColor));
                break;
            case JUMPING:
                statusText.setText("🦘 跳跃中");
                statusText.setBackgroundColor(getColor(R.color.jumpColor));
                break;
            default:
                statusText.setText("⏸️ 静止");
                statusText.setBackgroundColor(getColor(R.color.idleColor));
        }
    }
}

完整的数据流与状态转换

把上面所有东西串起来，整个流程是这样的：

传感器原始数据 合加速度计算 滑动窗口(1秒) 特征提取 阈值判断 + 状态机 输出运动状态

实测效果与调优建议

我在公园里拿着手机跑了十几趟，测试结果如下：

运动状态 测试次数 正确识别 准确率 常见误判
走路 50 48 96% 慢走被识别为静止
跑步 50 47 94% 快跑被识别为跳跃
跳跃 30 28 93% 轻跳被识别为跑步

说实话，这个准确率我已经很满意了。如果你想要更高，可以考虑加一个「连续 N 次判断相同才切换状态」的防抖逻辑。我项目中就加了，效果立竿见影。

📱 部署到真机的小提醒： 模拟器上测不了加速度传感器！一定要用真机。另外，不同手机的传感器灵敏度有差异，建议在设置里加一个「校准」功能，让用户走几步自动调整阈值。

好了，这个项目到这里就结束了。从传感器原理到数据采集，从特征提取到状态判断，你亲手搭了一个完整的运动识别系统。下次你跑步时，不妨打开这个App看看——它知道你是在散步还是在冲刺，是不是挺酷的？

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →