1.注意点：设计状态判别算法和工作模式转换过程；需要有未佩戴状态监测算法，实现降低设备功耗的作用。可以将人体活动规律分为活跃、休息、静止3中状态，分别对应高采样频率、中低采样频率和低采样频率3中模式，对应不同的运动监测，降低功耗。
2.单独利用单轴加速度数据很容易失去一部分的人体活动的特征，难以全面的表征人体活动的监测信息。可以考虑三个轴的加速度叠加，求取合加速度。
3. plot 标记符 颜色
r 红
g 绿
b 蓝
c 蓝绿
m 紫红
y 黄
k 黑
w 白
4. n=0:1：N-1。中间的1可省略，一般写成n=0：N-1即可。频率轴是从0开始的，到N-1，这不是真实的频率。只要将n*fs/N， 即得到真实的频率。fs/N是频率分辨率。频率轴只需取f（1：N/2）即可，因为后半部分与前半部分是对称的
5. 一qfdyj和二qfdyj的对比
x y z 分别为三个轴的加速度。
%% 采用对三轴加速度取模求和处理，一qfdyj a_sum = |ax| + |ay| + |az| dlen = length(x) - 1; xdata = x(1:dlen); ydata = y(1:dlen); zdata = z(1:dlen); tdata = t(1:dlen)/3600; for i = 1:1: dlen aSum(i) = abs(xdata(i)) + abs(ydata(i)) + abs(zdata(i)); aSqrt(i) = sqrt(xdata(i)*xdata(i) + ydata(i)*ydata(i) + zdata(i)*zdata(i)); end figure(3) plot(tdata,xdata,'r'); hold on plot(tdata,zdata,'b'); hold on plot(tdata,ydata,'y'); hold on plot(tdata,aSum,'g'); hold on plot(tdata,aSqrt,'m'); xlabel('t/s'); ylabel('value m2/s'); legend('ax','ay','az','asum','asqrt');看图，2qfdyj会好一些，一qfdyj有很多毛刺。2qfdyj与x轴加速度差不多，所以选取敏感轴是有必要的。
6.将上面的一qfdyj和二qfdyj滤波后
for i = 1:1: dlen aSum(i) = abs(xdata(i)) + abs(ydata(i)) + abs(zdata(i)); aSqrt(i) = sqrt(xdata(i)*xdata(i) + ydata(i)*ydata(i) + zdata(i)*zdata(i)); end % 将一qfdyj和二qfdyj经过低通滤波器 for i = 1:6:dlen-5 faSum = LowFilter(aSum(i:i+5)); fSum(i:i+5) = faSum; faSqrt = LowFilter(aSqrt(i:i+5)); fSqrt(i:i+5) = faSqrt; end figure(1) plot(tdata(1:length(aSum)), aSum,'r'); hold on length(aSqrt) plot(tdata(1:length(aSqrt)), aSqrt,'b'); hold on plot(tdata(1:length(fSum)),fSum,'m'); hold on plot(tdata(1:length(fSqrt)),fSqrt,'y'); xlabel('t/s') ylabel('value') title('经过低通滤波后的一qfdyj和二qfdyj') legend('一qfdyj滤波前','二qfdyj滤波前','一qfdyj滤波后','二qfdyj滤波后')
记录一下原始数据和滤波后的数据，以备参考
经过matlab的filter（B,A,data）后，再经过FFT（64），得到敏感轴的波形，下一步进行分析。
使用matlab自带的fft(data,64),发现最后的数据波形不一样。虽然之前已经验证编写的FFT，LowFilter函数没有问题，但是在这些数据这里发现，确实存在问题。与数据的精度有关系？？？？