摘要
本研究探讨了在现实条件下，利用智能手机和智能手表进行群体感知以识别人行桥振动模态的可行性、准确性以及数据充足性要求。研究在某座桥上进行了全尺寸实验，设置了两种群体感知场景，其中六名行人分别以步行、跑步和骑自行车的方式活动，同时携带智能手机并佩戴智能手表。研究共收集了300秒的三轴加速度数据，并通过预处理、模态估计、窗口收敛分析以及块自举不确定性量化等步骤对数据进行加工。利用完整数据集，这两种设备均能够可靠地识别出四种可稳定检测到的桥体振动模态，各场景下的平均误差约为基准值的3%。在收敛性分析中，智能手表得到的置信区间更窄，早期阶段的估计结果也更稳定，这可能与它们佩戴时的约束条件更多，且相比口袋中的智能手机，其偶然产生的运动更少有关。当行人的活动强度更大，且有更多人跑步时，收敛速度会加快，从而减少所需的数据采集时间以及行人经过的次数，不过此时不确定性也会增加。研究还确定了数据充足性的阈值，结果表明，要获得可靠的模态估计，步行或跑步的次数需在5到17次之间，而骑自行车的次数则根据桥体的振动强度和设备类型的不同，在14到28次之间。研究结果证明，只要能够妥善控制不确定性，并收集足够次数的不同行人活动数据，普通智能手机和智能手表就能成为用于群体感知桥体模态识别的可行、可扩展且成本效益高的平台。
