Human Motion Analysis with Wearable Inertial Sensors——阅读
博主认为对于做室内定位和导航的人这是一篇很很棒的文章，不是他的技术很牛，而是这是一篇医学博士的论文。上帝带你从另一角度去看事物，你会看到更多美好。为了避免全文阅读的困境让人乏味。博主将文章一些有意思的东西在这里分享给大家。
人体运动分析这个已经在多领域熟知的东西却并不被室内定位的研究人员重视，原因很多。其牵涉的应用领域太多了，例如游戏影视的制作、运动训练、健康状况诊断等。人口老龄化是一个不可避免的趋势，可是室内定位能为此做什么吗？答案是肯定的。
这位医学博士就面临一个问题，持续的自然状态的人员追踪问题。老生常谈的困境，技术实现和成本的折中，自然生活中的人员追踪更是困难。这样的话好像又回到技术上去了，是这样的吗？至少不全是，技术需要结合实际的应用就是真的技术。医学博士思考点就是不一样，他举了两个例子：1、PD（帕金森）患者的持续运动模式分析可以帮助确定治疗时间等；2、康复治疗中，运动分析可以帮助确定患者是否存在有问题的运动模式。
BSN（便携式的传感器网络），这个传感器网络包括：生理传感器（肌电图（EMG））和生物动力学传感器（加速度计，陀螺仪）。这个网络监测的数据早已超出定位导航的概念。下面给出一个示意图：
BSN的广泛应用
在这些传感器中，惯性传感器是室内定位常见的利器，主动式便携可获取信息多是其显著的特点。与视觉运动跟踪技术相比，可穿戴式惯性跟踪完全满足了医疗需求，方便，持续地监测患者在自由生活环境中的运动：非侵入式惯性传感器自然跟踪人体运动，能够长期提供准确监测日常活动。这种运动分析对于医疗人员和监护人员都是重要的数据源，也是帮助改善老年人生活质量的一个重要途径。实时人体运动跟踪可以应用于大量的生物医学应用，如临床步态分析，康复，联合运动分析等。
几种跟踪技术，如机械跟踪，磁跟踪和视觉跟踪已被使用多年。然而，这些跟踪技术的复杂基础设施将其使用限制在受控制的范围内，在自由生活环境中是不实际的。似乎惯性导航是个不错的选择，可是事实并非如此简单。惯性追踪技术的一个挑战是运动跟踪和模型重建中的计算效率低下。这样说或许太晦涩了，简单的说就是人体的一个简单动作持续时间相比于惯性传感器的采样率来说很大，这样完成一个动作的分析就需要进行大量的姿态解算工作，每个采样都需要进行一次姿态重算。twist representation 和 exponential maps （指数映射）techniques 是两个降低传统方法的计算复杂度的技术。
通常分析运动迟缓和静息性震颤可以对帕金森程度进行定量分析。尽管有评估的标准表但是这些需要依靠医生的经验知识和患者的主观记忆。惯性传感器（例如加速度计和陀螺仪传感器）通常用于测量上肢（手腕和鼻子）的旋转，躯干的稳定性和步态障碍来量化运动迟缓。这项研究的一个挑战仍然是缺乏基于模型的量化方法：来自于单一节点或者部位的惯性数据用于分析存在一定缺陷。对于患者而言整体评估比来自部分的数据评估分析更有意义。
惯性传感器在室内定位和追踪的也是人体运动分析的一个组成部分。许多技术被用来减少传感器的误差漂移特性，步长和航向角估计如ZUPT和PDR等1.