《基于加速度传感器的上肢运动信息采集与姿态识别-张俊杰.pdf》由会员分享，可在线阅读，更多相关《基于加速度传感器的上肢运动信息采集与姿态识别-张俊杰.pdf（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第43卷第7期2017年7月北京工业大学学报JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGYVol.43 No.7Jul. 2017基于加速度传感器的上肢运动信息采集与姿态识别张俊杰,孙光民,李 煜,张 翼,李 俊,闫正祥,马北川,刘天伦(北京工业大学信息学部,北京 100124)摘 要:为了对脑卒中病人的康复训练效果进行评价,针对基于加速度传感器的人体上肢动作识别这一新兴的领域开展研究,提出了一套基于蓝牙4. 0的人体上肢姿态采集系统,对患者上肢康复训练中常见的7种运动信息进行采集和姿态识别.系统包括运动信息采集、信号传输、信号去噪声、动作识别等几个主要
2、部分.实验结果表明:将传统的时域特征和过零点特征与上四分位点和下四分位点的特征进行组合,能够更好地将曲肘侧平举与曲臂弯曲静止等动作分开,有效提高识别的准确率.与BP神经网络相比,基于径向基核函数的支持向量机(support vectormadine,SVM)分类器具有明显的性能优势,获得了较好的姿态识别性能,交叉验证平均正确识别率可达90%.关键词:上肢动作识别;加速度传感器;支持向量机(SVM)中图分类号: TP 391文献标志码: A文章编号: 0254 -0037(2017)07 -0978 -09doi: 10.11936/ bjutxb2016110056收稿日期: 2016-11-
3、29基金项目:国家自然科学基金资助项目(11527801,61305026);北京市教育委员会资助项目(KM201310005006);北京工业大学“智能制造领域大科研推进计划”资助项目作者简介:张俊杰(1993 ),男,博士研究生,主要从事神经网络与模式识别方面的研究, E-mail:442861240 qq. com通信作者:孙光民(1960 ),男,教授,博士生导师,主要从事神经网络、图像处理、模式识别方面的研究, E-mail:gmsunbjut. edu. cnUpper Limb Motion Information Acquisition and GestureRecogniti
4、on Based on Acceleration SensorZHANG Junjie, SUN Guangmin, LI Yu, ZHANG Yi, LI Jun, YAN Zhengxiang, MA Beichuan, LIU Tianlun(Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China)Abstract: In order to evaluate the effective of rehabilitation training for stroke p
5、atients, based onacceleration sensor, a new method of identifying the gesture of arm was proposed in this paper.Information collection, signal transportation, denoising and gesture recognition were concluded in oursystem. The information of upper limb was collected by using acceleration sensor. Wave
6、let transform wasapplied to smooth the signal in order to reduce the affection of noise. Then support vector machine(SVM) was used to distinguish seven movements by selecting an appropriate kernel function. Finally theeffect of rehabilitation training was evaluated. Experimental result shows that by
7、 combining zero-crossingpoints, four points on the site, four points locus and time domain feature, bend elbow and lateral raisecan be separated from other gestures. Compared with BP neural network, the SVM can achieve a goodresult. An accuracy of 90% was reached by using the new feature and RBF ker
8、nel in our method.Key words: distinguish of arm movement; acceleration sensor; support vector machine (SVM)脑卒中已经引起了全社会人群广泛的关注,随着生活压力的增加,脑卒中的发病率也呈现增长趋万方数据 第7期张俊杰,等:基于加速度传感器的上肢运动信息采集与姿态识别势.通过分析患者上肢姿态,可以对脑卒中患者康复训练做出准确的评价,具有很强的现实意义.当前对于人体上肢的姿态识别方法研究,主要有以下3种方式:第1种方式是基于表面肌电信号的姿态识别方法1;第2种方式是基于视觉图像的姿态识别方法2;
9、第3种方式是基于可穿戴设备集成多传感器进行信息融合的姿态识别方法3. Yuse等研究人员通过对于肌电信号的分析,实现了对于上肢动作以及对于手部动作的识别4.中国海洋大学的孙锦红等5研究人员使用摄像头采集3维空间中人体的姿态信息,识别出不同的上肢动作. Kim等利用数据手套实现了基于深度信息的手势动作跟踪以及手势识别6.基于加速度传感器的人体动作识别技术的研究起步较晚.随着制造技术的发展以及成本的降低,加速度传感器具有了功耗低、尺寸小、价格低等优点,加速了加速度传感器在姿态识别方面的研究.2006年任天堂公司研发出游戏主机Wii,通过加速度信号以及光学信息,感知玩家的动作.近年来,国内相关研究机
10、构通过加速度传感器进行姿态识别有了长足的发展,蒋培英等优化了游戏主机Wii,提出了WiiStick系统,该系统可以将11种上肢动作的平均识别精度从67%提高到80% 7.基于加速度传感器的脑卒中患者上肢动作的识别研究涉及硬件设计、软件实现、信号传输、模式识别等多个学科领域.本文通过低成本、低功耗的主控芯片和采集芯片来采集患者的上肢信息,通过分析加速度传感器采集到的数据,对患者的上肢姿态动作进行识别,研究成果可以应用于对脑卒中病人的上肢运动康复训练中.1 硬件电路设计1. 1 加速度以及陀螺仪传感器选型可穿戴设备传感器必须具有体积小、功耗低、成本低以及灵敏度高的特点,基于以上因素考虑,选用微电子
11、机械系统传感器( micro electromechanicalsystem,MEMS). MPU6050、MPU6050加速度传感器将陀螺仪、加速度计,以及一个可扩展的数字运动处理器(digital motion processor,DMP)集于一体,保证了数据传输过程中没有延迟产生,同时可以通过I2C协议对于磁力计进行连接. MPU6050传感器体积小,灵敏度高,功耗低,适合用于开发穿戴设备产品,同时MPU6050检测精度高,因此通过MPU6050传感器可以感知微小的动作变化.综合考虑低功耗、低成本以及频段开放3个方面因素,对数据传输的方式进行选择.利用蓝牙4. 0的方式进行数据的传输,因
12、此保证可穿戴设备在静态工作状态下可以很长时间地使用,同时CC2541处理芯片价格便宜,方便进行量产以及研究应用,蓝牙的2. 4 GHz频段具有开放性,基于以上3点原因,使用蓝牙4. 0方式进行主机与从机之间的数据传输.硬件采集系统组成框图如图1所示.图1 硬件采集系统Fig.1 Hardware acquisition system1. 2 上肢姿态采集系统软件程序设计系统核心处理部分由2个TI公司生产的CC2541处理器为核心组成下位机,包括主机与从机,其中从机中集成MPU6050加速度采集芯片.系统发送数据包括以下3个过程:1)打开主机与从机,确保主机与从机处于连接状态;2)上位机下达采集
13、指令给主机(主机运行框图如图2所示),主机接收到指令后发送指令给从机,从机进行数据的采集;图2 主机运行逻辑框图Fig.2 Logical diagram of main service3)通过从机CC2541中的MPU6050加速度传感器采集运动过程中的三轴加速度信息以及三轴陀979万方数据北 京 工 业 大 学 学 报2017年螺仪信息,得到人体上肢运动时所产生的运动信息,同时从机开始通过蓝牙将MPU6050采集的实时数据发送到主机.通过2帧发送完整的加速度计与陀螺仪数据,当主机完整地接收到从机发送的加速度计与陀螺仪数据后,通过串口将数据发送到上位机,进行实时采集,同时将数据进行保存,直到
14、上位机发送停止命令,此时主机与从机将会进入待机状态,从机运行如图3所示.图3 从机运行逻辑框图Fig.3 Logical diagram of affiliate service1. 3 上肢运动姿态数据采集实验数据来自对北京工业大学神经网络与图像识别(neural network and image recognition,NNIR)实验室5名学生上肢运动的测量. 5名学生将传感器佩戴在相同的位置,利用同一种方式对上肢运动过程中的7种姿态实时进行数据采集,对于每种不同的姿态动作重复30次,采集5 7 30,共1 050组数据,这7种上肢运动姿态动作分别为:上肢垂直静止、前臂弯曲静止、前平举、
15、侧平举、翻内肘、曲肘、曲臂侧平举.当上肢进行运动时,上肢在水平轴、竖直轴以及纵轴(x、y、z轴)3个方向均会产生加速度,通过DMP软件编程的方式将加速度值转化为角度信息,此时可以采集到上肢在空间中的横滚角、俯仰角以及航偏角信息.当人体上肢执行不同的动作时,由于动作的频率以及幅度均会产生不同的变化,因此x、y、z轴3个方向上的加速度值以及陀螺仪值存在很大的差异性.对人体关节进行建模,如图4所示.考虑人体的生理结构,上肢小臂的运动是十分灵活的,而且在上肢运动中前臂的运动幅度大小和图4 人体上肢模型Fig.4 Model of peoples supper limb姿势变化明显,因此将传感器固定在前
16、臂可以清楚地反映出人体上肢的运动.将数据采集设备穿戴在实验者上肢的前臂内侧,对上肢进行三维空间坐标建模,在三维坐标中,规定MPU6050的x轴的方向为平行于指尖的方向,MPU6050的y轴为指向上臂内侧的方向,MPU6050的z轴为垂直于上臂的方向,同时要求x轴与y轴的方向和上肢在同一个平面上,并且该平面与z轴垂直.图5 数据采集Fig.5 Data collection在数据的采集过程中,进行数据采集的学生需要在上臂相同的位置佩戴采集仪器,将采集后的数据按照相同的方式进行数据的处理,为了提高采集到的数据的准确性,要避免数据采集过程中采集同学的上肢碰到周围的任何物体,产生过大的加速度,数据采集
17、如图5所示.从机将采集到的加速度以及陀螺仪数据通过蓝牙方式发送到主机,主机接收从机发送的数据后,通过串口将数据发送到PC端,进089万方数据 第7期张俊杰,等:基于加速度传感器的上肢运动信息采集与姿态识别行接下来的处理.2 上肢运动识别算法2. 1 加速度陀螺仪原始数据预处理由于设备内部原因,采集到的数据会产生一定的分形噪声,同时由于人体抖动,会使得信号受到噪声的干扰,因此对于数据首先进行去噪处理.小波理论具有良好的时频特性,因此选用小波理论进行去噪处理,其中小波变换阈值法是一种简单、效果较好的小波去噪方法.阈值函数主要使用硬阈值函数和软阈值函数. T为设定的阈值,硬阈值的表达式为() = (
18、 | T) (1)软阈值表达式为() = - sgn ()T ( | T) (2)在小波去噪中阈值的选择直接影响去噪效果.阈值过大将会导致去噪后的信号过于平滑,失去了原始数据中的高频信息,从而导致重构之后的信号严重失真;如果阈值过小,将会造成去噪效果不明显、噪声去除不彻底的问题.因此选择合适的阈值规则是阈值法去噪的核心问题8.当前常用的阈值规则有以下4种:1)无偏风险估计规则(rigrsure);2)固定阈值规则(sqtwolog);3)启发式阈值规则(heursure);4)极值阈值规则(minimaxi).因此如何选取小波函数、阈值函数、阈值选取规则以及小波分解层数将对小波去噪效果有很大的
19、影响9-10.通过对采集到的数据进行不同阈值、不同规则的小波去噪实验,最终选用固定阈值选择规则,在软阈值条件下,选用离散小波db6,进行4层小波分解,加速度以及陀螺仪采集到的原始数据如图6所示.分别对7种动作的原始数据进行去噪处理,得到去噪后的动作信号. 7种动作分别为上肢垂直静止、前平举、侧平举、肘内翻、曲肘、曲臂侧平举、前臂弯曲静止,对应波形分别如图7所示.通过处理后的信号去除了由于人体运动过程中的抖动和来自传感器与电路元件中产生的噪声,信号质量得到了明显的改善.2. 2 上肢姿态识别特征提取特征的提取对于信号的处理以及分类将会带来很大的影响,由于基于加速度信号的人体动作识别图6 MPU6
20、050原始数据Fig.6 MPU6050 original data系统的结构和原始数据的差异,相关研究中没有普遍适用的特征参数提取的方法,因此综合时域特性、频域特性,可以对信号的时域特性、频域特性进行特征的提取.在时域特性下对特征进行提取.时域特性也称为信号的统计特性,具有明确的物理意义,均值代表的物理含义为信号的直流分量,标准差代表的物理含义为信号之间的稳定性,相关系数代表的物理含义为两两信号之间的相关程度,时域特征较为简单、计算量小,获取信号后能够直接提取出有效的时域特征参数.特征提取通常使用概率统计的方法,常见特征包括信号的均值、方差、标准差、互相关系数以及信息熵等.在频域特性下对特征
21、进行提取.通常是首先对信号进行快速傅里叶变换,利用快速傅里叶变换将采集到的原始信号从时域转化为频域,从而在频域中提取的相关的特征参数.在频域中提取特征参数主要包括信号的快速傅里叶变换系数、频域熵、离散余弦变换系数以及能量谱密度等特征.在特征的选择过程中,先后使用了仅仅包含时域特性的参数,即均值、方差、相关系数,以及单独使用频域特征参数,包括快速傅里叶变换(fast fouriertransformation,FFT)系数、离散余弦变换(discretecosine transformon,DCT)系数,以及同时使用时域特征参数、频域特征参数的方式进行动作识别.通过分析系统采集到的加速度以及陀螺
22、仪六维信号,通过滤波后的图像可以看出,当上肢做不同的动作时,特定信号会有一些相同的变化趋势,但是幅值会有不同,根据本文信号特点,提出了上四分位点、下四分位点以及过零点3个特征,通过统计六维信号的每一维度信号的上四分位点、下四分位点以及过零点特征,将特征进行组合进行动作识别.通过将上四分位点、下四分位点、过零点分别与189万方数据北 京 工 业 大 学 学 报2017年图7 滤波后7种运动姿态波形Fig.7 Seven kinds of motion waveform after filter时域特征、频域特征以及时频域特征进行组合,训练分类器.通过实验发现,同时利用加速度信息、陀螺仪信息,使用
23、实现较简单、复杂度较低的时域特征参数就能实现较高的识别率,同时使用包含时域特征和频域特征的全部特征参数,相比于仅仅使用时域特征参数准确率没有明显的增强.将本文所提出3种特征与时域特征进行组合,综合考虑算法的复杂度以及识别的准确率2个方面,选用时域特征下加速度和陀螺仪的均值、方差以及相关系数和本文所提出的3个参数组合作为特征,进行人体动作的识别.特征参数由均值、方差、互相关系数、过零点数、下四分位点、上四分位点组成36维向量,形如M,C,R,Q,X,S,其中289万方数据 第7期张俊杰,等:基于加速度传感器的上肢运动信息采集与姿态识别M = Max,May,Maz,Mgx,Mgy,Mgz式中:M
24、ax、May、Maz分别为加速度计的x、y、z轴的均值;Mgx、Mgy、Mgz分别为陀螺仪的x、y、z轴的均值.均值反应数据的集中趋势.C = Cax,Cay,Caz,Cgx,Cgy,Cgz式中:Cax、Cay、Caz分别为加速度计的x、y、z轴的方差;Cgx、Cgy、Cgz分别为陀螺仪的x、y、z轴的方差.方差反应数据的离散程度.R = axy,axz,ayz,gxy,gxz,gyz式中:axy、axz、ayz分别为加速度计xy、xz、yz轴的互相关系数;gxy、gxz、gyz分别为陀螺仪的xy、xz、yz轴的互相关系数.互相关系数反映两组数据之间彼此的相互影响程度.Q = Qax,Qay,
25、Qaz,Qgx,Qgy,Qgz式中:Qax、Qay、Qaz分别为加速度计x、y、z轴的过零点值;Qgx、Qgy、Qgz分别为陀螺仪x、y、z轴的过零点值.过零点值可以反映出信号的走势.S = Sax,Say,Saz,Sgx,Sgy,Sgz式中:Sax、Say、Saz分别为加速度计x、y、z轴的上四分位点;Sgx、Sgy、Sgz分别为陀螺仪x、y、z轴的上四分位点.X = Xax,Xay,Xaz,Xgx,Xgy,Xgz式中:Xax、Xay、Xaz分别为于加速度计x、y、z轴的下四分位点;Xgx、Xgy、Xgz分别为于陀螺仪x、y、z轴的下四分位点.特征参数描述如表1所示.表1 特征参数Table
26、 1 Feature parameter特征参数参数描述1 3加速度计x、y、z轴均值4 6陀螺仪x、y、z轴均值7 9加速度计x、y、z轴方差10 12陀螺仪x、y、z轴方差13 15加速度计xy、yz、xz轴互相关系数16 18陀螺仪xy、yz、xz轴互相关系数19 21加速度计x、y、z轴过零点个数22 24陀螺仪x、y、z轴过零点个数25 27加速度计x、y、z轴上四分位点28 30陀螺仪x、y、z轴上四分位点31 33加速度计x、y、z轴下四分位点34 36陀螺仪x、y、z轴下四分位点实验中样本包含1 050组动作,共分为7类,每个类中包含150个样本,对这1 050组样本数据进行特
27、征提取,从而进行训练和识别.2. 3 上肢运动分类方法研究及优化首先基于信号的均值、方差以及相关系数特征,利用BP神经网络进行动作识别,实验采用3层神经网络,包括输入层、1层隐含层,以及输出层,将18维的特征向量(如表1所示特征参数1 18)参数输入到输入层,隐含层通过经验设置为2 18 + 1,共37个节点,输出层为7个分类节点,通过对神经网络训练,得到最终的整体识别率为41. 67%,利用BP网络进行动作识别的结果如图8所示.图8 BP测试结果Fig.8 Test result of BP通过图8可以发现,基于BP神经网络的姿态识别不能够很准确地对动作进行识别,识别正确率低,不能够满足预测
28、的需求.支持向量机(support vector machine,SVM)具有很强的泛化能力,通过训练后,模型的复杂度由支持向量的个数决定,而不是由数据的维度所决定,因此能够很好地解决过拟合问题,同时利用SVM训练出的模型完全依赖于支持向量,当去除非支持向量的点后,重复训练过程,仍然可以得到相同的模型.实际应用中,数据集在空间中对应的向量往往不能够被一个超平面所分开,SVM中常用的方法是利用一个非线性的映射将原数据集中的向量点转化到更高维的空间中,在高维空间中实现数据的线性可分.通过核函数可以实现数据特征空间从低维到高维的映射,目前常用的核函数包括线性核函数、多项式核函数、径向基核函数以及Si
29、gmoid核函数4种.目标函数为Q() = ni =1i - 12 ni,j =11ijyiyjK(xixj) (5)389万方数据北 京 工 业 大 学 学 报2017年此时分类函数为f(x) = sgn ni =1*i yiK(xixj) + b * (6)利用传统的均值、方差以及相关系数3个特征,对训练集进行训练,将训练后的模型对测试集进行测试,通过表中数据可以发现,对于运动复杂度较低的2种静止状态动作的识别率达到100. 00%,但是对于基于时域特征的复杂的曲肘侧平举的识别率很低,不能够达到很好的识别效果,结合前平举特征参数曲线图、侧平举特征参数曲线图、曲肘侧平举特征参数曲线图可以看出
30、侧平举、前平举与曲肘侧平举3个动作的陀螺仪角加速度部分的特征参数有相似的幅度,因此会出现将部分曲肘侧平举动作识别为侧平举与前平举,对测试样本进行分类,分类后结果如图9所示.图9 基于传统特征SVM测试结果Fig.9 Test result using SVM based on tradition feature测试数据标签用绿色的圆圈表示,通过分类器进行预测后的结果用红色的星号表示,测试样本为120个,分为6个类别.通过图9可以看出,仅利用均值、方差、相关系数特征不能将第4类与第3类进行分开,会将曲肘侧平举与曲臂弯曲静止2个特征进行混淆.仅利用时域特征进行动作识别,训练集上的正确率为93. 1
31、3%,测试集的正确率为82. 50%.基于均值、方差以及标准差的时域特征的SVM分类器预测结果混淆矩阵如表2所示.预测后的结果显示,算法会将第4类,即曲肘侧平举,错误识别为第3类或第5类,第3类与第5类分别表示曲臂弯曲静止以及侧平举.对传统特征进行识别分类后,对信号进行FFT以及DCT变换,提取频域特征,正确率与传统特征相比没有明显的提高,但是训练的时间变长,加大了时间开销.表2 基于传统特征的混淆矩阵Table 2 Confusion matrix in time-domain feature类1 2 3 4 5 61 20 0 0 0 0 02 0 19 1 0 0 03 0 0 20 0
32、 0 04 0 0 18 0 2 05 0 0 0 0 20 06 0 0 0 0 0 20基于频域特征以及基于均值、方差、相关系数的预测不能将曲肘侧平举与曲臂弯曲静止很好分开.因此将过零点特征、上四分位点以及下四分位点与时域特征进行组合,训练模型后进行上肢动作识别,识别结果如图10所示.图10 基于新特征SVM预测结果Fig.10 Test result using SVM based on new feature通过图10可以看出,利用过零点特征、上四分位点特征以及下四分位点特征能够很好地将曲肘侧平举与曲臂弯曲静止分开,利用均值、方差、相关系数、过零点个数、上四分位点以及下四分位点6个特征
33、能够很好地进行动作的识别,在训练集上的正确率为99. 20%,在测试集上的正确率可以达到97. 50%.基于6个特征的识别结果混淆矩阵如表3所示.通过实验可以发现,核函数的选择对于SVM分类器的结果也会产生很大的影响.在对不同的问题选择合适的核函数时,通常采取以下3种做法:第1种方式是通过先验知识来选择出适合的核函数;第2种方式是采用交叉验证(cross-validation)的方法,对于不同的核函数分别计算出各自的误差,取误差最小的核函数为最终的核函数;第3种方法是采用王炜等11提出的混合核函数方法,混合核函数方法489万方数据 第7期张俊杰,等:基于加速度传感器的上肢运动信息采集与姿态识别
34、是目前选取核函数主流的方法.表3 新特征提取的混淆矩阵Table 3 Confusion matrix in new feature类1 2 3 4 5 61 20 0 0 0 0 02 0 20 0 0 0 03 0 0 20 0 0 04 0 0 0 17 3 05 0 0 0 0 20 06 0 0 0 0 0 20实验中选取了7种动作模式中的前20个样本作为训练集,即7 20 5,共700个样本作为训练集,利用7 10 5,共350个样本作为预测集分别使用4种常用的核函数,进行训练与预测,得到最终的结果如表4所示.通过实验可以发现,使用径向基核函数进行识别时,正确率优于其他3种核函数,
35、能够实现较好的分类结果,因此选用径向基核函数训练得到最终的判别模型.研究表明,RBF核是局部性很强的核函数,在高维度的情况下,RBF核的性能较好,利用径向基核函数能够减少计算量,因此径向基核函数能够满足多数研究的需要.表4 不同核函数正确率Table 4 Accuracy rate in different functions核函数正确率/ %线性核函数86. 43多项式核函数88. 57径向基核函数91. 43Sigmoid核函数87. 50利用径向基核函数对动作进行预测,对数据进行交叉测试,对5次测试结果取平均,得到的最终测试结果,如表5所示.利用SVM分类器,基于新特征的动作识别方式,比
36、单一利用时域特征以及BP网络进行动作识别,准确率更高,同时考虑到训练的时间成本以及对于计算机硬件的支持能力,基于SVM的动作识别方法优于利用神经网络的动作识别方法.表5 基于新特征上肢姿态预测结果Table 5 Predict result based on new feature动作垂直静止弯曲静止侧平举前平举内翻肘曲肘曲肘侧平举正确率/ %垂直静止50 0 0 0 0 0 0 100弯曲静止0 50 0 0 0 0 0 100侧平举0 0 45 2 0 0 3 90前平举0 0 4 44 0 0 2 88内翻肘0 0 0 0 45 5 0 90曲肘0 0 0 2 2 46 0 92曲肘侧平
37、举0 0 6 4 0 0 40 803 结论通过加速度传感器来采集人体上肢动作信息,利用蓝牙无线方式将采集到的数据上传到上位机,将原始陀螺仪信号以及加速度信号利用小波变换进行去噪处理,最后利用SVM对动作进行识别.实验表明采用径向基核函数,将过零点、上四分位点、下四分位点特征结合传统的均值、方差、相关系数共6个特征,利用SVM算法可以很好地将上肢垂直静止、上肢弯曲静止、侧平举、前平举、内翻肘、曲肘以及曲肘侧平举这7种动作进行识别,总体识别率达90%,可以达到很好的预测效果.通过对患者上肢姿态的预测,为帮助脑卒中患者记录肢体动作信息并客观评价康复训练效果打下了基础.参考文献:1 KHUSHABA
38、 R N, KODAGODA S, TAKRURI M, et al.Toward improved control of prosthetic fingers using surfaceelectromyogram (EMG) signalsJ. Expert Systems withApplications, 2012, 39(12): 10731-10738.2郁映卓.基于人体运动特征的异常行为检测和姿态识589万方数据北 京 工 业 大 学 学 报2017年别D.西安:西安电子科技大学, 2011.YU Y Z. Abnormal behavior detection and gest
39、urerecognition based on human movement featureD. Xian:Xidian University, 2011. (in Chinese)3 GANDOLLA M, FERRANTE S, FERRIGNO G, et al.Artificial neural network EMG classifier for functional handgrasp movements prediction J/ OL . Journal ofInternational Medical Research, 2016 2016-11-25 .journals. s
40、agepub. 10m/ doi/ abs/10. 1177/0300060516656689. DOI: IO. 1177/03000605166566894周博翔.基于加速度传感器的人体运动姿态识别D.长沙:长沙理工大学, 2014.ZHOU B X. Human gesture recognition based onacceleration sensorD. Changsha: Changsha Universityof Science & Technology, 2014. (in Chinese)5孙锦红,刘卫东,马亮,等.基于机器视觉的3D人体动作识别研究J.计算机与现代化, 2
41、011(11): 86-89.SUN J H, LIU W D, MA L, et al. Research on machinevisual 3D human body action recognition J. Computerand Modernization, 2011(11): 86-89. (in Chinese)6洪俊.基于加速度信号的人体上肢动作识别研究D.杭州:中国计量学院, 2014.HONG J. Upper limb motion gesture recognition based onacceleration sensor D . Hangzhou: China Ji
42、liangUniversity, 2014. (in Chinese)7 ROSSI M. Hybrid EMG classifier based on HMM and SVMfor hand gesture recognition in prosthetics C IEEEInternational Conference on Industrial Technology.Piscataway: IEEE, 2015: 1700-1705.8李永刚,赵春风,徐国元.信号去噪阈值与阈值函数的取舍研究J.低温建筑技术, 2010, 32(7): 46-48.LI Y G, ZHAO C F, XU
43、 G Y. The study of threshold andthreshold function in blasting vibration signal de-noisingJ. Low Temperature Architecture Technology, 2010, 32(7): 46-48. (in Chinese)9吴伟,蔡培升.基于MATLAB的小波去噪仿真J.太赫兹科学与电子信息学报, 2008, 6(3): 220-222.WU W, CAI P S. Simulation of wavelet denoising based onMATLAB J. Informatio
44、n and Electronic Engineering,2008, 6(3): 220-222. (in Chinese)10丁同岭,王成江.基于小波阀值法去白噪声的方法研究J.电气开关, 2015, 53(1): 74-78.DING T L, WANG C J. Research on removing whitenoise based on wavelet threashold methodJ. ElectricSwitchgear, 2015, 53(1): 74-78. (in Chinese)11王炜,郭小明,王淑艳,等.关于核函数选取的方法J.辽宁师范大学学报(自然科学版), 2008, 31(1): 1-4.WANG W, GUO X M, WANG S Y, et al. On themethod of kernel-function selection in support vectormachine J. Journal of Liaoning Normal University(Natural Science Edition), 2008, 31 (1): 1-4. ( inChinese)(责任编辑 吕小红)689万方数据