孫 楠 ，駱敏舟，王玉成，趙漢賓

1.常州大學(xué) 機(jī)械工程學(xué)院，江蘇 常州 213164 2.中國(guó)科學(xué)院 合肥物質(zhì)科學(xué)研究院 先進(jìn)制造技術(shù)研究所，江蘇 常州 213164

◎模式識(shí)別與人工智能◎

基于MPSO-BP神經(jīng)網(wǎng)絡(luò)方法的人體步態(tài)識(shí)別

孫 楠1，2，駱敏舟2，王玉成2，趙漢賓2

1.常州大學(xué) 機(jī)械工程學(xué)院，江蘇 常州 213164 2.中國(guó)科學(xué)院 合肥物質(zhì)科學(xué)研究院 先進(jìn)制造技術(shù)研究所，江蘇 常州 213164

為提高人體下肢步態(tài)相位識(shí)別準(zhǔn)確率以實(shí)現(xiàn)外骨骼機(jī)器人控制，采用一種改進(jìn)的粒子群優(yōu)化MPSO-BP神經(jīng)網(wǎng)絡(luò)方法識(shí)別不同運(yùn)動(dòng)模式下的人體步態(tài)相位。通過(guò)自適應(yīng)調(diào)整學(xué)習(xí)因子構(gòu)造MPSO-BP神經(jīng)網(wǎng)絡(luò)分類器，以多種傳感信息組成的特征向量樣本集訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器，用于識(shí)別人體下肢在平地行走、上樓梯和起坐三種典型運(yùn)動(dòng)模式下的步態(tài)相位。實(shí)驗(yàn)結(jié)果表明，MPSO-BP神經(jīng)網(wǎng)絡(luò)分類器能有效識(shí)別三種不同運(yùn)動(dòng)模式的步態(tài)相位，識(shí)別準(zhǔn)確率均達(dá)到96%以上，識(shí)別性能優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型和粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型。

步態(tài)識(shí)別；步態(tài)相位；神經(jīng)網(wǎng)絡(luò)；粒子群算法

1 引言

步態(tài)相位識(shí)別是實(shí)現(xiàn)人體運(yùn)動(dòng)意圖識(shí)別進(jìn)而實(shí)現(xiàn)外骨骼機(jī)器人控制的關(guān)鍵技術(shù)之一[1]。目前國(guó)內(nèi)外運(yùn)動(dòng)意圖識(shí)別方法主要是基于視頻圖像分析或多傳感器信息融合分析，多采用隱馬爾科夫、神經(jīng)網(wǎng)絡(luò)等模式識(shí)別方法識(shí)別步態(tài)相位?；谝曨l圖像的步態(tài)識(shí)別方法主要是通過(guò)拍攝受試者行走圖像，抽取圖像中人體運(yùn)動(dòng)特征信息，進(jìn)而識(shí)別步態(tài)類型[2]?；诙鄠鞲衅餍畔⑷诤系姆椒ㄊ峭ㄟ^(guò)直接測(cè)量受試者肢體特定部位的運(yùn)動(dòng)數(shù)據(jù)，如足底壓力信號(hào)、關(guān)節(jié)角度信號(hào)等[3]，利用模式識(shí)別技術(shù)劃分步態(tài)相位。

2005年，Kawamoto[4]研究小組通過(guò)安裝在足底的空氣壓力開關(guān)、大腿前側(cè)的肌電傳感器和膝關(guān)節(jié)、髖關(guān)節(jié)的角度傳感器采集信號(hào)，利用閾值法判斷各步態(tài)相位，取得較好效果。但是所采用的肌電傳感器由于直接粘貼在皮膚上，存在固定、穿戴不易和易受人體出汗影響等問(wèn)題。2009年，Bae[5]等人通過(guò)在鞋底安裝四個(gè)力傳感器來(lái)檢測(cè)受試者行走時(shí)的腳底壓力數(shù)據(jù)，采用模糊邏輯方法判斷各步態(tài)相位區(qū)間，但識(shí)別精度不高。2012年，Rossi[6]等人采用隱馬爾科夫（HMM）模型根據(jù)足底壓力信號(hào)識(shí)別人體行走步態(tài)相位。該方法基于經(jīng)典統(tǒng)計(jì)學(xué)，當(dāng)訓(xùn)練樣本數(shù)目越大時(shí)其識(shí)別準(zhǔn)確率越高，然而在實(shí)際應(yīng)用中，訓(xùn)練樣本的數(shù)量往往是有限的，從而限制了HMM方法識(shí)別準(zhǔn)確率的提高空間。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型在步態(tài)相位識(shí)別領(lǐng)域也獲得較多應(yīng)用[1，7-8]，但是BP算法存在收斂速度慢、容易陷入局部極小和泛化能力差的缺點(diǎn)[7-8]。為提高BP算法的收斂速度并解決局部極小問(wèn)題，馬玉良[7]等采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)用于識(shí)別下肢5個(gè)步態(tài)，有效提高了識(shí)別精度。劉磊[8]等提出一種基于多源信息和粒子群優(yōu)化-誤差反向傳播（PSO-BP）算法用于改善神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂速度問(wèn)題，該方法對(duì)下肢不同步態(tài)的識(shí)別率為95.75%，識(shí)別準(zhǔn)確率仍有提高的空間。

針對(duì)目前有限樣本空間中步態(tài)相位識(shí)別率依然不足的問(wèn)題，本文采用改進(jìn)的粒子群算法（Modified Particle Swarm Optimization，MPSO）優(yōu)化后的人工神經(jīng)網(wǎng)絡(luò)模型識(shí)別三類常見運(yùn)動(dòng)模式的步態(tài)相位。MPSO算法是一種有效的全局尋優(yōu)算法，能夠克服BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，與傳統(tǒng)的進(jìn)化算法相比操作簡(jiǎn)單，避免了復(fù)雜的遺傳操作[9-13]。實(shí)驗(yàn)中通過(guò)設(shè)計(jì)三層BP神經(jīng)網(wǎng)絡(luò)模型，以MPSO算法在多源傳感數(shù)據(jù)樣本集上確定模型連接權(quán)值和閾值，之后將訓(xùn)練好的MPSO-BP神經(jīng)網(wǎng)絡(luò)用于正常行走、上樓梯和起坐三類運(yùn)動(dòng)模式的步態(tài)相位識(shí)別，最后在測(cè)試集上對(duì)MPSO算法的收斂速度和識(shí)別準(zhǔn)確率進(jìn)行了分析，并同現(xiàn)有方法做了比較。

2 MPSO-BP神經(jīng)網(wǎng)絡(luò)方法原理與實(shí)現(xiàn)

2.1 粒子群算法

粒子群（PSO）是一種有效的全局尋優(yōu)算法，與傳統(tǒng)的進(jìn)化算法相比，PSO采用速度-位移模型，結(jié)構(gòu)簡(jiǎn)單，避免了復(fù)雜的遺傳操作[11]。該算法通過(guò)個(gè)體間的協(xié)作與競(jìng)爭(zhēng)，實(shí)現(xiàn)復(fù)雜空間的最優(yōu)解搜索。假設(shè)在D維空間，有m個(gè)粒子組成一個(gè)群落，每個(gè)粒子所處的位置為xi=(xi1,xi2,…,xiD)，速度為 νi=(νi1,νi2,…,νiD)。粒子通過(guò)不斷調(diào)整自己的位置來(lái)搜索新解，每個(gè)粒子都能記住自己搜索到的最優(yōu)解 pbest和整個(gè)粒子群到目前為止經(jīng)歷過(guò)的最優(yōu)解gbest，然后按公式（1）和公式（2）來(lái)更新：

式中，i=1,2,…,m，d=1,2,…,D，ω為慣性因子，體現(xiàn)的是粒子當(dāng)前速度多大程度上繼承先前的速度。c1和c2為學(xué)習(xí)因子，ε表示[0，1]之間的隨機(jī)數(shù)。由于PSO中粒子都向最佳位置聚集，會(huì)形成粒子種群的快速趨同效應(yīng)，容易陷入局部最優(yōu)和過(guò)早收斂現(xiàn)象[11-12]。

2.2 改進(jìn)的粒子群算法

式中，ωmax和ωmin分別表示初始和最終慣性權(quán)重，iter和itermax表示當(dāng)前迭代次數(shù)和最大迭代次數(shù)。學(xué)習(xí)因子的大小決定了粒子自我認(rèn)知和社會(huì)認(rèn)知對(duì)粒子的影響，為了防止陷入局部最優(yōu)，可以通過(guò)動(dòng)態(tài)地改變c1和c2來(lái)保持粒子始終具有多樣性。優(yōu)化后的算法在初期使粒子具有大的自我認(rèn)識(shí)（大的c1）和小的社會(huì)認(rèn)知（小的c2），便于快速搜索；在算法后期，應(yīng)有小的自我認(rèn)知（小的c1）和大的社會(huì)認(rèn)知（大的c2），加快算法收斂和在全局范圍內(nèi)尋找最優(yōu)解。對(duì)此有如下改進(jìn)：

為了克服上述不足，通過(guò)分析慣性權(quán)重和學(xué)習(xí)因子對(duì)粒子群算法性能的影響，分別對(duì)二者做出改進(jìn)。研究發(fā)現(xiàn)ω較大時(shí)利于全局搜索，ω較小時(shí)利于局部搜索，故采取線性遞減慣性權(quán)重：

其中，cst和cend分別為c1的初始值和最終值。

MPSO算法根據(jù)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)確定粒子維數(shù)，粒子群中每個(gè)粒子的維度分量都對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值或閾值。以輸出誤差作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的適應(yīng)度函數(shù)，誤差越小表示粒子在搜索中具有更好的性能。最終算法停止時(shí)，適應(yīng)度最高的粒子成為問(wèn)題的最優(yōu)解。具體實(shí)現(xiàn)流程如圖1所示。

2.3 MPSO-BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

式中，m,n,l分別為隱含層、輸入層、輸出層神經(jīng)元數(shù)目，常數(shù)α取值范圍為1～10。設(shè)置神經(jīng)網(wǎng)絡(luò)訓(xùn)練最大迭代次數(shù)為1 000，誤差目標(biāo)為10-5。粒子群維數(shù)即BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值之和為50；設(shè)置粒子種群數(shù)目為40；粒子群迭代次數(shù)為 200；ωmax=0.95,ωmin=0.25 ；c1=3,c2=1。

本文設(shè)計(jì)三層神經(jīng)網(wǎng)絡(luò)，輸入端神經(jīng)元為8個(gè)，輸出端為1個(gè)，隱含層神經(jīng)元個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式（6）以及實(shí)際測(cè)試結(jié)果確定神經(jīng)元個(gè)數(shù)為5。

圖1MPSO-BP算法流程

3 多傳感器運(yùn)動(dòng)信號(hào)采集系統(tǒng)

足底與地面的接觸力變化是描述和識(shí)別下肢運(yùn)動(dòng)狀態(tài)的重要信息[14]，實(shí)驗(yàn)中選用Flexiforce系列A401薄膜壓阻型傳感器，能承受的最大峰值壓力范圍為15.5 kg/cm2，厚度僅為0.208 mm，可以反復(fù)彎曲，線性誤差小于±3%。壓力傳感器在足底的安裝位置如圖2所示。

圖2 足底壓力傳感器位置

髖關(guān)節(jié)和膝關(guān)節(jié)處安裝了磁旋轉(zhuǎn)編碼器（AS5045）來(lái)進(jìn)行關(guān)節(jié)角度測(cè)量，如圖3所示。受試者穿上該信號(hào)采集系統(tǒng)適應(yīng)一段時(shí)間后，分別在不同運(yùn)動(dòng)模式下重復(fù)采集數(shù)據(jù)。在平地行走實(shí)驗(yàn)中，為了保證每組實(shí)驗(yàn)都以相同速度進(jìn)行，受試者在跑步機(jī)上按設(shè)定速度值3 km/h行走。上樓和起坐實(shí)驗(yàn)中受試者盡量保持每次都以正常速度完成實(shí)驗(yàn)。

圖3 關(guān)節(jié)角度傳感器位置

4 步態(tài)相位識(shí)別實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)主要研究正常平地行走、上樓梯和起坐動(dòng)作的步態(tài)相位識(shí)別。對(duì)MPSO-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以平地行走為例，從10名實(shí)驗(yàn)對(duì)象（6名男生，4名女生）采集的100組有效實(shí)驗(yàn)數(shù)據(jù)中隨機(jī)取40組作為訓(xùn)練樣本，60組為測(cè)試樣本。

4.1 平地行走相位分析

相對(duì)于人體的上肢運(yùn)動(dòng)，下肢運(yùn)動(dòng)更具有重復(fù)性和規(guī)律性。從兩個(gè)腿的運(yùn)動(dòng)分析來(lái)看，自然行走時(shí)一個(gè)完整的步態(tài)周期可以劃分為兩個(gè)階段：?jiǎn)巫阒蜗嗪碗p足支撐相。行走是一個(gè)左右交替的過(guò)程，遂將行走劃分為四個(gè)相位Phase1～4，分別為：右單腿支撐、左雙腿支撐、左單腿支撐和右雙腿支撐。根據(jù)以上相位劃分標(biāo)準(zhǔn)，以足底前三個(gè)傳感器測(cè)量值之和表示足底前部在行走過(guò)程中的壓力變化，以足跟壓力傳感器測(cè)量值表示足跟在行走過(guò)程中的壓力變化，與髖關(guān)節(jié)和膝關(guān)節(jié)角度值共同組成8維特征向量，應(yīng)用MPSO-BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別步態(tài)相位，識(shí)別結(jié)果的一組實(shí)例如圖4所示。

圖4 行走步態(tài)相位劃分

4.2 上樓梯步態(tài)相位分析

將上樓梯分為4個(gè)不同的狀態(tài)分別為：Phase1，抬左腳向上跨步；Phase2，雙腳支撐且重心轉(zhuǎn)到左腳；Phase3，抬右腳向上跨步；Phase4，雙腳支撐，重心移到右腳。應(yīng)用MPSO-BP神經(jīng)網(wǎng)絡(luò)模型以髖、膝關(guān)節(jié)和足底地面接觸力變化曲線為特征向量實(shí)現(xiàn)對(duì)上樓梯步態(tài)的相位劃分，如圖5所示。因?yàn)樵谏蠘翘葸^(guò)程中習(xí)慣于足底整體落地，所以放置于足底的壓力傳感器變化曲線先后順序不明顯，故將單足腳底四個(gè)傳感器壓力之和作為足底壓力在上樓梯過(guò)程中變化規(guī)律的測(cè)量值。

4.3 起坐相位分析

通過(guò)多次測(cè)量人體關(guān)節(jié)角度和地面反作用力變化，將人體站起過(guò)程分為3個(gè)階段：第一階段（Phase1）為坐姿保持階段，足底壓力幾乎為零，髖、膝關(guān)節(jié)角度保持不變；第二階段（Phase2）為起立初始階段，身體前傾，產(chǎn)生向前、向上推力，此時(shí)伴隨著足跟（Rear）壓力增大，膝關(guān)節(jié)角度持續(xù)變?。坏谌A段（Phase3）為離開座椅階段，直到髖、膝關(guān)節(jié)角度值最大，站起過(guò)程中身體離開座椅后重心向前，使足底前部壓力不斷變大而后跟反而減??；第四階段（Phase4）為上升階段，身體完全直立處于平衡狀態(tài)[15]。MPSO-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)起坐狀態(tài)的相位識(shí)別結(jié)果如圖6所示。由于人在站立時(shí)會(huì)有重心小幅度變化，故在直立時(shí)足底壓力會(huì)有波動(dòng)。

圖5 上樓梯步態(tài)相位劃分

圖6 起坐相位劃分

4.4 與其他識(shí)別算法的性能比較

利用大量實(shí)驗(yàn)數(shù)據(jù)對(duì)相同結(jié)構(gòu)的BP、PSO-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，與MPSO-BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別性能進(jìn)行比較。各神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂曲線分別如圖7所示，圖8為PSO、MPSO算法迭代收斂曲線，各算法訓(xùn)練性能比較結(jié)果見表1。針對(duì)平地行走下三類算法步態(tài)相位識(shí)別準(zhǔn)確率見表2。表3為不同步態(tài)模式下的識(shí)別準(zhǔn)確率。

圖7 BP、PSO-BP和MPSO-BP網(wǎng)絡(luò)訓(xùn)練誤差曲線

表1 三類算法訓(xùn)練性能結(jié)果比較

表2 三類算法識(shí)別平地行走步態(tài)相位的準(zhǔn)確率%

表3 不同步態(tài)模式下識(shí)別準(zhǔn)確率%

經(jīng)過(guò)改進(jìn)的粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的收斂速度和識(shí)別精度有明顯提高，MPSO-BP神經(jīng)網(wǎng)絡(luò)改善了PSO-BP神經(jīng)網(wǎng)絡(luò)收斂過(guò)慢和容易陷入局部極小值的缺點(diǎn)，提高了精度。由表2、3所示實(shí)驗(yàn)結(jié)果可以看出，針對(duì)平地行走、上樓梯和起坐模式下各傳感器信息，MPSO-BP神經(jīng)網(wǎng)絡(luò)模型經(jīng)測(cè)試計(jì)算獲得最終識(shí)別準(zhǔn)確率分別為97.2%、98.3%和98.9%，高于BP和PSO-BP神經(jīng)網(wǎng)絡(luò)模型的識(shí)別結(jié)果。

5 結(jié)語(yǔ)

由于傳統(tǒng)的BP算法和粒子群算法容易陷入局部最優(yōu)解，導(dǎo)致識(shí)別準(zhǔn)確率不高，本文利用改進(jìn)的粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，將優(yōu)化后的初始值代入神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，加快學(xué)習(xí)速率、克服陷入局部最優(yōu)的情況，同時(shí)提高識(shí)別準(zhǔn)確率。通過(guò)平地行走、上樓梯和起坐三種不同人體運(yùn)動(dòng)模式的實(shí)驗(yàn)，驗(yàn)證了該方法的有效性，為可穿戴下肢外骨骼機(jī)器人提供正確控制信號(hào)打下基礎(chǔ)。本文實(shí)驗(yàn)所得的準(zhǔn)確率是基于10名測(cè)試者所得數(shù)據(jù)，后期會(huì)增加測(cè)試者人數(shù)，采集更多樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以提高網(wǎng)絡(luò)模型魯棒性和識(shí)別準(zhǔn)確率。

[1]夏懿.基于足底壓力分布的步行行為感知關(guān)鍵技術(shù)研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2013.

[2]薛召軍，靳靜娜，明東，等.步態(tài)識(shí)別研究現(xiàn)狀與進(jìn)展[J].生物醫(yī)學(xué)工程學(xué)雜志，2008，25（5）：1217-1221.

[3]沈金虎.基于全方向下肢康復(fù)訓(xùn)練機(jī)器人的步態(tài)檢測(cè)與分析[D].沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2012.

[4]Kawamoto H，Sankai Y.Power assist method based on phase sequence and muscle force condition for HAL[J].Advanced Robotics，2005，19（7）：717-734．

[5]Bae J，Kong K，Byl N，et al.A mobile gait monitoring system for gait analysis[C]//International Conference on Rehabilitation Robotics，USA，2009：73-79.

[6]Rossi S M M，Crea S，Donati M，et al.Gait segmentation using bipedal foot pressure patterns[C]//The Fourth IEEE RAS/EMBS InternationalConferenceonBiomedical Robotics and Biomechatronics，Roman，Italy，2012．

[7]馬玉良，馬云鵬，張啟忠，等.GA-BP神經(jīng)網(wǎng)絡(luò)在下肢運(yùn)動(dòng)步態(tài)識(shí)別中的應(yīng)用研究[J].傳感技術(shù)學(xué)報(bào)，2013，26（9）：1183-1187.

[8]劉磊，楊鵬，劉作軍.基于多源信息和粒子群優(yōu)化算法的下肢運(yùn)動(dòng)模式識(shí)別[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版，2015，49（3）：439-447.

[9]Khan S U，Yang S，Wang L，et al.A modified particle swarm optimization algorithm for global optimizations of inverse problems[J].IEEE Transactions on Magnetics，2016，52（3）：1-4.

[10]劉淵，李群，王曉鋒.基于攻擊圖和改進(jìn)粒子群算法的網(wǎng)絡(luò)防御策略[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（8）：120-124.

[11]Ling S H，Iu H，Leung F H F，et al.Improved hybrid particle swarm optimized wavelet neural network for modeling the development of fluid dispensing for electronic packing[J].IEEE Transactions on Industrial Electronics，2008，55（9）：3447-3460．

[12]雷瑞龍，侯立剛，曹江濤.基于多策略的多目標(biāo)粒子群優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（8）：19-24.

[13]Clerc M，Kennedy J.The particle swarm-explosion，stability，and convergence in a multidimensional complex space[J].IEEE Transactions on Evolutionary Computation，2002，6（1）：58-73.

[14]鄭成聞，宋全軍，佟麗娜，等.一種柔性雙足壓力檢測(cè)裝置與步態(tài)分析系統(tǒng)設(shè)計(jì)研究[J].傳感技術(shù)學(xué)報(bào)，2010，23（12）：1704-1708.

[15]白大鵬，張立勛.助行機(jī)器人起坐機(jī)構(gòu)運(yùn)動(dòng)分析及實(shí)驗(yàn)[J].機(jī)器人，2013，35（6）：757-761.

SUN Nan1,2,LUO Minzhou2,WANG Yucheng2,ZHAO Hanbin2

1.School of Mechanical Engineering,Changzhou University,Changzhou,Jiangsu 213164,China 2.Institute of Advanced Manufacturing Technology,Hefei Institute of Physical Sciences,Chinese Academy of Sciences,Changzhou,Jiangsu 213164,China

Human gait recognition based on MPSO-BP neural network method.Computer Engineering and Applications,2017,53（21）：121-125.

To improve the accuracy rate of human gait phase recognition for controlling the exoskeleton robot,an approach based on Modified Particle Swarm Optimization algorithm-Back Propagation（MPSO-BP）neural network is utilized to divide three types of gait into different phases.Firstly,the MPSO-BP neural network classifier is constructed through regulating the learning factor adaptively,and then the classifier is trained using sample set containing multisensor information.Secondly,test the classifier on gait phase recognition in three types of human gait including walk,upstairs and sit-down.The experimental results show that the MPSO-BP neural network classifier can successfully increase the accuracy rate up to averaged 96%above,which is superior to the BP neural network and the particle swarm optimization BP neural network methods.

gait recognition;gait phase;neural network;particle swarm optimization

A

TP242.6

10.3778/j.issn.1002-8331.1605-0090

中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院院長(zhǎng)基金（No.YZJJ201521）；常州市科技支撐計(jì)劃（No.CE20140025）。

孫楠（1991—），女，碩士研究生，主要研究領(lǐng)域?yàn)榉律鷻C(jī)器人、模式識(shí)別；駱敏舟（1973—），男，博士，研究員，主要研究領(lǐng)域?yàn)轭惾藱C(jī)器人、智能機(jī)械；王玉成（1980—），男，博士，助理研究員，主要研究領(lǐng)域?yàn)槟Ｊ阶R(shí)別、生物醫(yī)學(xué)信號(hào)處理，E-mail：ziichuan@163.com；趙漢賓（1982—），男，工程師，主要研究領(lǐng)域?yàn)閿?shù)字電路設(shè)計(jì)。

2016-05-10

2016-09-13

1002-8331（2017）21-0121-05

CNKI網(wǎng)絡(luò)優(yōu)先出版：2016-12-02,http://www.cnki.net/kcms/detail/11.2127.TP.20161202.1503.054.html