劉磊，楊 鵬，2，劉作軍，2

（1.河北工業(yè)大學 控制科學與工程學院，天津300130；

2.智能康復裝置與檢測技術教育部工程研究中心，天津300130）

近年來，由于意外傷害和疾病導致的截肢患者日益增多，已成為亟需關注的特殊社會群體［1-2］.智能人體運動輔助系統(tǒng)可以替代所失去肢體的部分功能，使截肢者恢復一定的生活自理和工作能力.人體下肢運動模式識別技術是智能人體運動輔助系統(tǒng)研究中的一個重要研究方向.

從國內(nèi)外現(xiàn)有的研究成果來看，根據(jù)研究重點的不同，運動模式識別方法主要有3種.1）利用下肢表面肌電信號來識別下肢運動模式.表面肌電信號（surface electromyography，sEMG）是肌電信號在人體皮膚表面的募集，它能提供準確豐富的運動信息，因此，研究人員選其作為下肢運動模式的信號源.Abel等［3］經(jīng)過研究提取肌電信號特征值，利用神經(jīng)網(wǎng)絡對人體動作進行模式識別.傳統(tǒng)的BP神經(jīng)網(wǎng)絡分類容易出現(xiàn)局部最小值導致識別率較低.佘青山等［4］提取肌電信號特征值，采用二叉樹組合策略構造基于多核學習的多類分類器識別水平行走時的支撐前期、支撐中期、支撐末期、擺動前期、擺動末期.吳劍鋒等［5］將人體下肢動作分解為不同片段，以下肢表面肌電信號為信息源，利用簡約支持向量機的方法識別了4個日常下肢動作.He等［6］利用sEMG有效地識別截肢者平地行走、上下樓梯等運動模式，Du等［7］在其基礎上加入行走環(huán)境的先驗信息，實現(xiàn)步態(tài)識別.2）在分析人體的結構和運動力學基礎上，建立人體下肢運動數(shù)學模型來識別動作.人體下肢運動涉及肌肉和神經(jīng)多個變量因素，各個因素之間相互影響、相互作用，這就為建立人體下肢運動數(shù)學模型帶來了困難.3）利用安裝在身體上的傳感器間接獲取運動信息來識別運動模式.Stolze等［8］在步態(tài)識別研究中利用足底壓力信息，并取得一定的成果.Milica［9］利用加速度傳感器計算出膝關節(jié)和大腿的角度信息，再結合腳尖和腳跟的足底壓力對下肢運動步態(tài)進行識別.Lau等［10］使用加速度傳感器和陀螺儀對人體行走時的步態(tài)進行分析.Oscar等［11］采用加速度信號和生命體征信號對跑步、上樓等5個動作應用多層感知器等方法進行分類.

人體下肢運動包含不同的運動模式，如行走、跑步、上樓和下樓等，是一個變化復雜的過程，需要利用多種運動力學信息才能綜合表述，才可以提高下肢多運動模式識別的準確度.上述算法存在人體下肢運動特征無法準確描述的問題.為了克服上述方法的不足，本文針對平地行走、上下樓梯、上下坡等多種運動模式，通過對下肢表面肌電信號、髖關節(jié)角度、加速度等多源信息的獲取和處理，結合粒子群優(yōu)化算法（PSO）的全局尋優(yōu)能力和誤差反向傳播（BP）神經(jīng)網(wǎng)絡的局部搜索優(yōu)勢，利用PSO-BP算法［12］對5種運動模式進行識別.

1 系統(tǒng)描述

為了提高人體下肢運動信息獲取的全面性，建立下肢多源信息采集系統(tǒng)，主要包括3方面信息：下肢表面肌電信號、髖關節(jié)角度、加速度信號.

1.1 下肢表面肌電信號

sEMG 是從皮膚表面通過電極引導記錄的肌肉自主收縮或電誘發(fā)收縮（M波）過程中產(chǎn)生的生理電變化.人體不同的動作在sEMG上的表現(xiàn)差別很大.研究表明，下肢肌電信號體現(xiàn)了患者下肢運動的預測性［13］.下肢任何一個簡單的動作，都需要多塊肌肉的協(xié)同作用.由于與下肢運動相關的肌肉很多，選取合適的肌肉群非常關鍵，比較各個肌肉在不同運動模式下肌電信號變化趨勢，最終選取4塊大腿肌肉的表面肌電信號作為研究對象，分別是：股直肌、股內(nèi)側肌、半腱肌、長收肌.這4塊肌肉在信號區(qū)分度上有典型性［4-5］.肌肉解剖圖如圖1、2所示.股直肌、股內(nèi)側肌是膝關節(jié)強有力的伸肌，股直肌可以屈曲髖關節(jié)；半腱肌主要作用是伸髖屈膝，以及膝關節(jié)的外旋；長收肌為大腿肌內(nèi)側群的組成部分，主要作用是內(nèi)收、外旋、微屈髖關節(jié).

圖1 股直肌、長收肌、股內(nèi)側肌示意圖Fig.1 Rectus muscle，long adductor and medial vastus muscle

圖2 半腱肌示意圖Fig.2 Semitendinosus muscle

1.2 髖關節(jié)角度信號

人行走時的髖關節(jié)角速度是描述下肢運動的物理量.人體處于運動狀態(tài)時，其下肢會產(chǎn)生周期性的角度變化.對于平地行走，上樓梯或上斜坡等不同運動，一個周期內(nèi)大腿的擺動角度往往存在差異.因此，本課題利用陀螺儀傳感器測出步態(tài)周期內(nèi)髖關節(jié)角速度的變化，對其進行積分可得髖關節(jié)角度，進一步分析可以判斷下肢運動模式.

1.3 髖關節(jié)加速度信號

加速度信號是描述下肢運動狀態(tài)的重要信息.不同的步速、路況會對應不同的加速度，加速度的大小也反映了加速力的大小，該信息直觀可靠、物理意義明確.利用加速度傳感器對運動信息進行采集，提取加速度信號的關鍵特征，從而判斷運動模式.

2 特征提取與融合

為了準確地識別人體下肢運動模式，特征提取和融合是模式識別的關鍵，特征提取和融合的好壞直接影響到識別率的高低.

2.1 下肢表面肌電信號特征提取

圖3 健康人和殘疾人的肌電信號對比圖Fig.3 EMG signal contrast of healthy people and disabled people

圖3為健康人和殘疾人穿戴假肢時的股直肌在相同運動模式下的肌電信號，橫坐標Q表示采樣點數(shù).不難看出，兩者在相同動作下肌電信號的變化趨勢大體相似.但由于殘疾人的肌肉有一定程度的萎縮，其肌電信號的幅值較健康人稍弱.考慮到肌電信號應用之前需要對不同人的信號進行歸一化處理，這種幅值上的差異對下肢運動模式識別的影響可以忽略.單一特征描述肌電信號往往是不全面的，采用時頻特征結合的方法提取下肢表面肌電信號特征值.研究表明：在短時間間隔中，肌電信號可以看成平穩(wěn)信號來處理，肌電信號幅值和能量大小可以表征肌電信號的特點，但缺少細節(jié)特征的描述.表面肌電信號的時域特征偏度（η）和峭度（μ）可以很好地描繪細節(jié)變化，定義如下：

式中：χ（ti）為肌電信號序列值，N為肌電信號離散化后序列總和，為肌電信號數(shù)學期望，為肌電信號的方差.當受試者動作劇烈時，時域信號有較大偏差，為了準確識別運動模式需要借助頻域特征.實驗表明，同一實驗者不同時間同一運動模式的功率譜也有一定區(qū)別.本研究選用肌電信號功率譜比值作為肌電信號頻域特征，這種方法對提取非特定人肌電信號特征非常有意義.

式中：K為肌電信號功率譜比值，P（f）為功率譜密度函數(shù)，f0為功率譜最大值處的頻率，α為積分范圍.f0可通過方程dP（f）／d（f）=0求解，如有多個解，取P（f）為最大值時的f0.王喜太等［14］研究表明，當α=15 Hz時，特征值可以很好地區(qū)分.由于肌電信號絕大多數(shù)頻譜集中在50～500 Hz，為了消除低頻和高頻干擾信號，僅對50～500 Hz頻段積分.

圖4 人體行走步態(tài)周期Fig.4 Human walking gait cycle

2.2 髖關節(jié)角度特征提取

一個完整的步態(tài)從腳跟著地開始到同側腳跟再次著地截止，分為支撐期（stance phase）和擺動期（swing phase），其中支撐期占60%，擺動期占40%，如圖4所示.陀螺儀可以用來測量以（°）／s為單位的角速度，對其進行積分可得髖關節(jié)角度.圖5給出了健康人5種運動模式的髖關節(jié)角度信號.圖6是殘疾人穿戴假肢平地行走時髖關節(jié)矢狀面角度比較圖.其中，ψ為步態(tài)周期百分比.不難看出，健肢側與殘肢側的髖關節(jié)在矢狀面方向的角度差異不是很大，但是殘肢側的髖關節(jié)擺動幅度比健肢側的幅度小一些.研究表明：在不同運動模式下殘疾人的步態(tài)周期為1.5～2.5 s.為了更好地表征髖關節(jié)角度的特征信息，可以將支撐期細分為支撐前期、支撐中期、支撐末期；擺動期細分為擺動前期、擺動中期、擺動末期.

圖5 5種運動模式髖關節(jié)角度信號Fig.5 Five kinds of locomotion mode hip angle signal

圖6 殘疾人髖關節(jié)健肢側與殘肢側角度比較Fig.6 Comparison of angles of hip between sound limb and residual limb of disabled people

在提取髖關節(jié)角度特征時，首先求出在各運動模式下對應的支撐期和擺動期的角度均值θ，然后分別求出在各運動細分模式下對應角度均值θ1，最后以兩者求比值作為特征值.

式中：θr為采樣區(qū)間內(nèi)髖關節(jié)角度值，χr為對應時期的采樣點數(shù)，wr為細分運動模式下的采樣點數(shù).

2.3 髖關節(jié)加速度特征提取

人體行走和上下樓梯時髖關節(jié)的加速度不同，加速度也是表征下肢運動模式的重要信息.圖7～10給出了健康人和殘疾人不同運動模式下加速度信號.對每位受試者每種模式運動各100次進行分析后，定義了運動能量，表達式為

圖7 健康人5種運動模式下的髖關節(jié)加速度X軸電壓信號Fig.7 Voltage signals of X axis acceleration of hip of healthy people under five kinds of locomotion modes

圖8 健康人5種運動模式下的髖關節(jié)加速度Y軸電壓信號Fig.8 Voltage signals of Y axis acceleration of hip of healthy people under five kinds of locomotion modes

圖9 殘疾人5種運動模式下的髖關節(jié)加速度X軸電壓信號Fig.9 Voltage signals of X axis acceleration of hip of disabled people under five kinds of locomotion modes

圖10 殘疾人5種運動模式下的髖關節(jié)加速度Y軸電壓信號Fig.10 Voltage signals of Y axis acceleration of hip of disabled people under fire kinds of locomotion modes

式中：aχi、a yi為加速度傳感器χ軸、y軸分量，gχ、g y分別為重力加速度g在傳感器χ、y軸分量，L為單周期信號長度.在不同運動模式下，加速度能量峰值有較大差異，可以作為加速度特征值.加速度χ軸與y軸相關性，χ、y軸標準差為另外3個特征值.

2.4 多源信息融合

特征值過多會使分類器訓練時間長，人們希望在進行定量分析的過程中涉及的特征值較少，而得到的信息量又不會減少［15］.特征值融合可以減少冗余數(shù)據(jù).主成分分析的基本思想是用較少的變量代替原來的變量，而新變量是原來變量的某種組合［16-17］.該方法在多傳感器信息融合應用廣泛.設不同運動模式下d個樣本共有p維特征值，融合算法如下：

1）為了消除量綱影響和特征值大小的影響，將樣本變換為平均值為0，方差為1的標準化數(shù)據(jù)，得到以下標準化矩陣：

4）求第j個主成分的貢獻率：

5）選取前m個主成分，使得這些主成分的貢獻率滿足

6）求前m個主成分作為融合后的特征值：

3 PSO-BP算法

PSO算法具有全局隨機搜索最優(yōu)解和梯度下降局部細致搜索的特點，并且具有較快的收斂速度［18-19］.本文采用PSO算法來優(yōu)化BP神經(jīng)網(wǎng)絡的權值閾值.該算法基于群體迭代，群體在解空間中追隨最優(yōu)粒子進行搜索.在PSO算法中，每個個體為一個粒子，每個粒子代表一個潛在的解.在每次迭代過程中，粒子通過個體極值（pbest）和群體極值（gbest）更新自身的速度和位置，即

式中：v o為粒子的速度；χo為粒子當前位置，o表示迭代次數(shù)；c1、c2為學習因子，學習因子使粒子具有向群體中優(yōu)秀個體學習的能力；r1、r2為0～1.0的獨立隨機數(shù)；w為慣性因子，反映粒子在運動中受慣性的影響，

其中，wmax、wmin分別為最大和最小慣性因子，ηmax為最大迭代數(shù)，η為當前迭代數(shù).

在PSO-BP算法中，粒子群的位置χo表示BP網(wǎng)絡的所有權值和閾值.粒子優(yōu)化的適應度函數(shù)為

式中：Z為訓練集數(shù)目，C為神經(jīng)網(wǎng)絡輸出神經(jīng)元數(shù)目，分別為第Λ個樣本的第H個網(wǎng)絡輸出節(jié)點的理想輸出和實際輸出.

PSO-BP算法的基本流程如下：

1）初始化BP神經(jīng)網(wǎng)絡的權值和閾值；

2）設置粒子群參數(shù)，包括種群規(guī)模、迭代次數(shù)、慣性因子最大值、最小值等；

3）初始化所有粒子的速度和位置；

4）計算樣本中每個粒子對應的適應度值；

5）如果該粒子的當前適應度函數(shù)值優(yōu)于pbest對應的適應度值，則更新pbest；

6）如果該粒子的歷史最優(yōu)值優(yōu)于gbest對應的適應度值，則更新gbest；

7）根據(jù)式（9）和（10）更新每個粒子的速度和位置；

8）迭代次數(shù)加1，檢查是否符合結束條件，如果達到最大迭代次數(shù)或達到最小誤差要求，則終止迭代，否則跳轉至步驟4）；

9）用步驟8）輸出的權值和閾值對BP神經(jīng)網(wǎng)絡進行訓練.

4 人體下肢運動模式識別實驗

4.1 實驗對象、實驗平臺

人體下肢的動作包含多種運動模式，本研究主要包括平地行走、上坡、下坡、上樓梯和下樓梯動作.在實驗過程中，為避免性別及年齡因素對傳感器信號造成影響，本研究選擇3位研究生（S1、S2、S3）和1位安裝假肢的小腿截肢患者 （S4）作為受試者.為確保實驗數(shù)據(jù)的客觀性，3位研究生無任何下肢關節(jié)損傷，無肌肉骨骼病史，實驗期間身體狀況良好，實驗前沒有進行任何形式的劇烈運動，基本資料（年齡、身高、體重、步長、腿長）如表1所示.

表1 受試者基本資料Tab.1 Basic data of subjects

實驗中，選用美國Delsys公司生產(chǎn)的Trigno無線EMG傳感器，EMG傳感器帶有一個嵌入的兩軸加速度計，采樣頻率為1 k Hz.該儀器可以同時采集四路表面肌電信號，采集到的肌電信號和加速度信號通過無線網(wǎng)絡傳輸?shù)诫娔X.陀螺儀傳感器選用村田公司的壓電振動陀螺儀傳感器ENC-03，數(shù)據(jù)采集卡選用加拿大Quanser公司的QPID數(shù)據(jù)采集卡，通過采集卡采集到電腦，采樣頻率1 k Hz.為最大限度的采集肌電信號，首先對選取的下肢肌肉使用異丙醇墊擦拭皮膚表面的油質和殘留，然后使用Delsys膠黏劑傳感器接口將傳感器放到皮膚上.受試者首先完成平地行走、上坡、下坡、上樓、下樓5個動作5次，這5次為熟悉性操作，隨后每位受試者在不同運動模式分別采集200組數(shù)據(jù)，共1 000組數(shù)據(jù).按60%、20%和20%的比例將4位受試者的實測樣本數(shù)據(jù)分為訓練樣本、校驗樣本和測試樣本.平地行走在跑步機上完成，設定跑步機速度為3 km／h，上下樓梯、上下坡實驗在一個由6臺階、3.5 m長、坡度為15°的斜坡上完成.為避免行走速度影響實驗結果，受試者上下樓梯、上下坡均以正常速度進行針對所要研究的5種運動模式，搭建上下樓梯、上下坡、平地行走實驗平臺，實驗平臺由梯梯、斜坡及平面板組成，如圖11（a）所示.圖11（b）為下肢多源信息采集系統(tǒng).

圖11 下肢運動模式識別實驗平臺及多源信息采集系統(tǒng)Fig.11 Lower limb locomotion mode identification experimental platform and multi-source information measurement system

4.2 特征提取與融合實驗分析

使用Matlab工具進行仿真，每個樣本按2.1～2.3節(jié)方法進行特征提取，每個樣本特征值為6+4+12=22維，通過主成分分析融合算法對特征值融合.表2給出了主成分分析表，不難看出，前8個主成分的累計貢獻率已達到87.998%，累計貢獻率為0.85的主成分基本包含了全部特征值的信息，可以概括原始特征值，利用式（8）求得前8個主成分作為融合后的特征值.

表2 主成分的貢獻率和累積貢獻率Tab.2 Principal component contribution rate and cumulative contribution rate

4.3 BP網(wǎng)絡結構設計

BP神經(jīng)網(wǎng)絡輸入節(jié)點數(shù)目為8，輸入層與隱含層之間采用S型函數(shù)，隱含層與輸出層之間采用S型函數(shù).待識別的運動模式一共有5種，為提高BP神經(jīng)網(wǎng)絡的訓練效率，輸出層的神經(jīng)元節(jié)點數(shù)設置為3，分別用［0，0，1］、［0，1，0］、［1，0，0］、［1，0，1］、［0，1，1］5種不同的輸出結果表示平地行走、上樓、下樓、上坡、下坡.由于神經(jīng)元的激勵函數(shù)選用的是S型函數(shù)，期望輸出為0或1可能導致算法不收斂，本文算法中用0.1代表0，用0.9代表1.隱藏層的神經(jīng)元節(jié)點數(shù)的選擇根據(jù)參考公式確定.Michael［20］認為當l＞q時，隱藏層的神經(jīng)元節(jié)點數(shù)取表示樣本的輸入節(jié)點數(shù)，q表示樣本的輸出節(jié)點數(shù).本文中隱藏層節(jié)點數(shù)是.因此，BP神經(jīng)網(wǎng)絡的結構為8—5—3.

4.4 PSO優(yōu)化BP神經(jīng)網(wǎng)絡

BP網(wǎng)絡初始權值有8×5+5×3=55個，初始閾值有5+3=8個.粒子的維數(shù)是55+8=63維.粒子群參數(shù)設置如下：粒子種群數(shù)目為40；c1=c2=2；r1、r2∈ （0，1.0）；wmax=0.9，wmin=0.4.粒子在63維空間中對BP網(wǎng)絡權值閾值尋優(yōu)，然后采用BP算法訓練經(jīng)過粒子群尋優(yōu)的權值和閾值.PSO優(yōu)化BP神經(jīng)網(wǎng)絡算法用第3章的方法編程.

4.5 實驗結果

利用實驗數(shù)據(jù)對相同結構的PSO-BP神經(jīng)網(wǎng)絡和BP網(wǎng)絡進行訓練，設置網(wǎng)絡訓練最大迭代次數(shù)為2 000，誤差目標為10-5，n為訓練次數(shù)，ε為均方誤差.網(wǎng)絡訓練時的收斂曲線分別如圖12、13所示，比較結果見表3.PSO-BP網(wǎng)絡收斂速度和精度優(yōu)于BP網(wǎng)絡.因此，選用PSO-BP網(wǎng)絡對運動模式進行識別.

圖12 BP網(wǎng)絡訓練誤差曲線Fig.12 BP network training error curve

圖13 PSO-BP網(wǎng)絡訓練誤差曲線Fig.13 PSO-BP network training error curve

表3 BP和PSO-BP算法訓練結果比較Tab.3 Comparison of training results between BP and PSOBP algorithms___________________________

表4 受試者下肢運動模式識別正確率Tab.4 Lower limb locomotion-mode recognition accuracy

將PSO-BP訓練好的網(wǎng)絡保存后，作為測試數(shù)據(jù)識別的工具.表4給出了下肢運動模式識別率r及每種運動模式的平均識別時間t.每種運動模式的平均識別時間小于殘疾人的步態(tài)周期，表明本文提出的識別方法有較好的實時性.在測試的200×4組數(shù)據(jù)中，共有766組被正確地識別出來.實驗結果表明，受試者的平地行走、上坡、下坡、上樓、下樓5種運動模式的識別率分別達到98.13%、100.00%、98.75%、95.00%及93.75%，平均識別率為95.75%.本文方法與單獨利用肌電信號的步態(tài)識別［21］和單獨利用腿部運動信息的步態(tài)識別［22-23］方法相比具有更高的識別率.其中，上坡、下坡、平地行走運動模式識別出錯較多，原因是相似動作之間的混淆分類.實驗使用的實驗平臺是依照建筑無障礙通道的15°坡度，斜坡坡度較低，上、下坡運動模式與平地行走模式的數(shù)據(jù)較相似，造成部分樣本的誤識別.

5 結 語

為了提高人體下肢動作模式識別率，利用加速度傳感器、陀螺儀傳感器、肌電信號傳感器搭建人體下肢多源信息采集系統(tǒng).提取這3種信號的特征，并將此進行多源信息融合，結合PSO算法和BP神經(jīng)網(wǎng)絡提出一種新的下肢運動模式識別方法.實驗結果表明：該算法能正確地識別下肢運動模式，豐富了人體下肢運動識別的方法，為人體下肢智能輔助設備的研發(fā)提供了理論基礎，但是該方法距離實用性還有一定的差距.基于PC機的多源信息采集系統(tǒng)比較龐大，下一步工作的重點是開發(fā)出一套小型化嵌入式信號獲取系統(tǒng)，以便于信號的采集與識別.

（

）:

［1］楊鵬，劉作軍，耿艷利，等.智能下肢假肢關鍵技術研究進展［J］.河北工業(yè)大學學報，2013，42（1）：76- 80.YANG Peng，LIU Zuo-jun，GENG Yan-li，et al.Research advance on key technology of intelligent lower limb prosthesis［J］.Journal of Hebei University of Technology，2013，42（1）：76- 80.

［2］FRANK S，HUSEYIN A V，MICHAEL G.Upslope walking with a powered knee and ankle prosthesis：initial results with an amputee subject［J］.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2011，19（1）：71- 79.

［3］ABEL E W，ZACHARIA P C，F(xiàn)ORSTER A，et al.Neural network analysis of the EMG interference pattern［J］.Medical Engineer and Physics，1996，18（1）：12- 17.

［4］佘青山，孟 明，羅志增，等.基于多核學習的下肢肌電信號動作識別［J］.浙江大學學報：工學版，2010，44（7）：1292- 1297.SHE Qing-shan，MENG Ming，LUO Zhi-zeng，et al.Electromyography movement recognition of lower limb based on multiple kernel learning［J］.Journal of Zhejiang University：Engineering Science，2010，44（7）：1292- 1297.

［5］吳劍鋒，吳 群，孫守遷，等.簡約支持向量機分類算法在下肢動作識別中的應用研究［J］.中國機械工程，2011，22（4）：433- 438.WU Jian-feng，WU Qun，SUN Shou-qian.Research on classification algorithm of reduced support vector machine for low limb movement recognition［J］.Chinese Journal of Mechanical，2011，22（4）：433- 438.

［6］HE H，TODD A K，ROBERT D L.A strategy for identifying locomotion modes using surface electromyography［J］.IEEE Transactions on Biomedical Engineering，2009，56（1）：65- 73.

［7］DU L，ZHANG F，LIU M，et al.Toward design of an environment-aware adaptive locomotion-mode-recognition system ［J］.IEEE Transactions on Biomedical Engineering，2012，59（10）：2716- 2726.

［8］STOLZE H，KUHTZ-BUSCHBECK J P，MONDWURF C，et al.Retest reliability of spatiotemporal gait parameters in children and adults ［J］.Gait and Posture，1998，7（2）：125- 130.

［9］MILICA D.Automatic recognition of gait phases from accelerations of leg segments［C］∥ 9th Symposium on Neural Network Applications in Electrical Engineering.Belgrade：［s.n.］，2008：121- 124.

［10］LAU H，TONG K.The reliability of using accelerometer and gyroscope for gait event identification on persons with dropped foot［J］.Gait and Posture，2008，27（2）：248- 257.

［11］OSCAR D，ALFREDO J，MIGUEL A，et al.Centinela：a human activity recognition system based on acceleration and vital sign data［J］.Pervasive and Mobile Computing，2012，8（5）：717- 729.

［12］李柞泳，汪嘉楊，郭淳.PSO算法優(yōu)化BP網(wǎng)絡的新方法及仿真實驗［J］.電子學報，2008，36（11）：2224- 2228.LI Zuo-yong，WANG Jia-yang，GUO Chun.A new method of BP network optimized based on particle swarm optimization and simulation test［J］.Acta Electronica Sinica，2008，36（11）：2224- 2228.

［13］HA K H，VAROL H A，GOLDFARB M.Volitional control of a prosthetic knee using surface electromyography［J］.IEEE Transactions on Biomedical Engineering，2011，58（1）：144- 151.

［14］王喜太，王強，張曉玉，等.基于肌電傳感器的下肢殘肢康復訓練模式識別的研究［J］.中國康復理論與實踐，2009，15（1）：90- 92.WANG Xi-tai， WANG Qiang，ZHANG Xiao-yu，et al.Pattern recognition in rehabilitative exercises of lower residual limbs based on electromyography sensor［J］.Chinese Journal of Rehabilitation Theory and Practise，2009，15（1）：90- 92.

［15］鮑必賽，樓曉俊，李雋穎.主成分分析在震動信號目標識別算法中的應用［J］.華中科技大學學報：自然科學版，2012，40（7）：24- 28.BAO Bi-sai，LOU Xiao-jun，LI Jun-ying.Application of principal component analysis in target recognition algorithm of seismic signals［J］.Joarnal of Huazhong University of Science and Technology：Natural Science Edition，2012，40（7）：24- 28.

［16］董九英.多傳感器數(shù)據(jù)融合的主成分方法研究［J］.計算機工程與應用，2009，45（33）：111- 113.DONG Jiu-ying.Study on principle component method for multi-sensor data fusion［J］.Computer Engineering and Applications，2009，45（33）：111- 113.

［17］石欣，雷璐寧，熊慶宇.基于二次特征提取與SVM的異常步態(tài)識別［J］.儀器儀表學報，2011，32（3）：673- 677.SHI Xin，LEI Lu-ning，XIONG Qing-yu.Abnormal gait recognition based on quadratic feature extraction and support vector machine［J］.Chinese Journal of Scientific Instrument，2011，32（3）：673- 677.

［18］羅勇，和小娟.基于組合特征和PSO-BP算法的數(shù)字識別［J］.信息與控制，2011，40（3）：375- 380.LUO Yong，HE Xiao-juan.Digital recognition based on combined feature and PSO-BP algorithm［J］.Information and Control，2011，32（3）：673- 677.

［19］KENNEDY J，EBERHART R.Particle swarm optimization［C］∥Proceedings of the IEEE International Conference on Neural Networks.Piscatawav：IEEE，1995：1942- 1948.

［20］MICHAEL W R.Survey of neural network technology for automatic target recognition［J］.IEEE Transactions Neural Networks，1990，1（1）：28- 43.

［21］刑秀玉，劉鴻宇，黃武.基于加速度的小波能量特征及樣本熵組合的步態(tài)分類算法［J］.傳感技術學報，2013，26（4）：545- 549.XING Xiu-yu，LIU Hong-yu，HUANG Wu.Gait pattern classification with wavelet energy and sample entropy based on acceleration signals［J］.Chinese Journal of Sensors and Actuators，2013，26（4）：545- 549.

［22］茍斌，劉作軍，趙麗娜.基于相關性分析的下肢假肢步行模式預識別方法研究［J］.東南大學學報：自然科學版，2013，43（S1）：192- 196.Gou Bin，Liu Zuo-jun，Zhao Li-na.Walking mode prejudgment of lower limb prosthesis based on correlation analysis［J］.Journal of Southeast University：Natural Science Edition，2013，43（S1）：192- 196.

［23］YANG Peng，CHEN Ling-ling，GUO Xin，et al.Artificial lower limb with myoelectrical control based on support vector machine［C］∥ Proceedings of the 6th World Congress on Intelligent Control and Automation.Dalian：［s.n.］，2006：9486- 9489.