如何用Python对Myo臂环3轴加速度计数据积分求速度与位置

前置预处理提醒 #

首先你当前采集的加速度数据包含重力分量（从示例数据可以看到z轴数值接近1g），积分前需要先通过高通滤波或者姿态解算消除重力影响，否则积分结果会有持续的偏移误差。

问题1：初始速度获取 #

你的使用场景为短时间手写动作采集，可直接通过静止判定获取初始速度：

• 采集数据时通常在正式书写前会有100_{200ms的静止准备阶段，可通过陀螺仪数据判定静止状态：当连续多个采样点的三轴陀螺仪模值低于预设阈值（可根据你的设备噪声水平设置，一般取0.05}0.1rad/s），即可判定为静止
• 静止状态下的初始速度直接设为0即可，完全满足手写识别特征的精度要求，不需要额外复杂计算

问题2：scipy.quad的使用误区及替代方案 #

scipy.integrate.quad是针对已知表达式的连续函数的积分工具，不适用于你手上的离散采样加速度序列：

• 不需要拟合积分函数，也不需要遍历每个加速度点当f(x)调用quad，这种方法不仅效率低，精度也没有优势
• 离散序列积分直接使用scipy.integrate.cumtrapz（梯形累积积分）即可，输入你的加速度序列和采样间隔dt（根据你的设备采样率计算，比如Myo默认采样率50Hz的话dt=0.02s），一行代码就能得到速度序列
• 你提到的直接遍历加速度乘以采样间隔累加属于欧拉积分，短时间（5~7秒）下误差极小，也完全可以使用

问题3：dblquad的处理方案 #

和quad同理，scipy.integrate.dblquad是连续函数的二重积分工具，完全不适用于离散数据场景：

• 要得到位置序列，只需要两步离散积分：先对加速度积分得到速度序列，再对速度序列做一次离散积分即可，两次调用cumtrapz就可以实现，不需要处理dblquad的多参数逻辑

直接累加方案的适用性 #

完全可以满足你的需求：

• 你不需要惯性导航场景的绝对位置精度，只需要不同手写字母的特征具备区分度，直接累加的误差在5~7秒的短时间内几乎不会影响特征的区分度
• 后续可以通过平均速度做归一化处理，消除不同用户的书写速度差异，更适合ML模型训练

内容的提问来源于stack exchange，提问作者Lukas S