李曉蘭

摘 ? 要：人體運(yùn)動(dòng)的數(shù)據(jù)采集系統(tǒng)可實(shí)時(shí)監(jiān)測(cè)人體日?；顒?dòng)，為人體運(yùn)動(dòng)健康提供了更科學(xué)的輔助。利用Shimmer無(wú)線(xiàn)可穿戴傳感器設(shè)備采集運(yùn)動(dòng)數(shù)據(jù)，建立了監(jiān)測(cè)人體運(yùn)動(dòng)的8個(gè)部位傳感器節(jié)點(diǎn)模型，并構(gòu)建了10個(gè)具有代表性的動(dòng)作進(jìn)行識(shí)別。用中值濾波算法實(shí)現(xiàn)對(duì)原始信號(hào)的過(guò)濾處理，采用固定滑動(dòng)窗口分割法對(duì)數(shù)據(jù)進(jìn)行分割處理，結(jié)合特征提取技術(shù)來(lái)獲取包含特性的特征向量，選擇主成分分析（PCA）技術(shù)對(duì)特征提取后的特征向量進(jìn)行降維處理。同時(shí)，提出了多節(jié)點(diǎn)運(yùn)動(dòng)識(shí)別模型，利用支持向量機(jī)（SVM）、k近鄰（kNN）以及最近距離中心算法（NCC）三種不同的算法對(duì)單獨(dú)節(jié)點(diǎn)和組合節(jié)點(diǎn)的情況下的傳感器數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明，所提出的人體運(yùn)動(dòng)數(shù)據(jù)采集系統(tǒng)具有良好的效果，在使用相同識(shí)別算法的前提下，多節(jié)點(diǎn)組合識(shí)別能獲得比單節(jié)點(diǎn)識(shí)別更好的效果。

關(guān)鍵詞：人體運(yùn)動(dòng);數(shù)據(jù)采集;運(yùn)動(dòng)識(shí)別;傳感器;人工智能

中圖分類(lèi)號(hào)：TP18 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

Data Collection System and Recognition Design of Human Motion

LI Xiao-lan？覮

（College of Physical Education，Yan'an University，Yan'an，Shaanxi 716000，China）

Abstract： The data acquisition system of human motion can monitor human daily activities in real time，and provide more scientific assistance for human sports health. Shimmer wireless wearable sensor equipment is used to collect motion data，and eight sensor node models for monitoring human motion are established，and ten representative actions are constructed for recognition. The median filtering algorithm is used to filter the original signal. Fixed sliding window segmentation method is used to segment the data. Feature extraction technology is combined to obtain feature vectors containing features. Principal component analysis （PCA） technology is selected to reduce the dimension of feature vectors after feature extraction. At the same time，a multi-node motion recognition model is proposed. Three different algorithms，support vector machine （SVM），k-nearest neighbor （kNN） and nearest distance center algorithm （NCC），are used to classify and recognize sensor data with individual and combined nodes. The experimental results show that the proposed human motion data acquisition system has a good effect. Under the premise of using the same recognition algorithm，multi-node combination recognition can achieve better results than single-node recognition.

Key words： human motion;data acquisition;motion recognition;sensor;artificial intelligence

近年來(lái)受到人工智能界廣泛關(guān)注的人體運(yùn)動(dòng)識(shí)別技術(shù)正走進(jìn)人們的日常生活中。用于測(cè)量肢體運(yùn)動(dòng)、姿勢(shì)和生理狀況的小型可穿戴傳感器可以產(chǎn)生高分辨率的定量數(shù)據(jù)，結(jié)合識(shí)別模型對(duì)運(yùn)動(dòng)加以判別，其極大地改善了影響運(yùn)動(dòng)能力的研究。在人體運(yùn)動(dòng)識(shí)別領(lǐng)域，基于可穿戴傳感器的運(yùn)動(dòng)識(shí)別技術(shù)己經(jīng)積累了許多工作，這一類(lèi)工作利用傳感器作為感知手段，通過(guò)感知得到的數(shù)據(jù)序列來(lái)識(shí)別出其人體的動(dòng)作行為。文獻(xiàn)[1]利用微機(jī)械電子系統(tǒng)（MEMS）陀螺儀、加速度計(jì)和磁強(qiáng)計(jì)測(cè)量人體手臂運(yùn)動(dòng)狀態(tài)并進(jìn)行識(shí)別。文獻(xiàn)[2]對(duì)基于單一傳感器與組合式傳感器的2種姿態(tài)角度測(cè)量方法及運(yùn)用分別進(jìn)行了闡述，探討了不同慣性測(cè)量單元組合用于姿態(tài)測(cè)量的方法及其優(yōu)缺點(diǎn)。但是MEMS的體積較大，在日常的人體運(yùn)動(dòng)數(shù)據(jù)采集中并不適用，僅可在實(shí)驗(yàn)室環(huán)境中完成[3-4]，同時(shí)，MEMS對(duì)精度的要求極高，龐大的采樣數(shù)據(jù)并不容易進(jìn)行識(shí)別研究。

相比較而言，可穿戴設(shè)備的本質(zhì)就是傳感器，各種傳感器讓一個(gè)個(gè)戴在身上的小東西實(shí)現(xiàn)運(yùn)動(dòng)跟蹤、數(shù)據(jù)收集、信息傳輸和互動(dòng)[5]，正受到越來(lái)越多學(xué)者的關(guān)注。常見(jiàn)的可穿戴設(shè)備可分為：運(yùn)動(dòng)型傳感器[6]和生物型傳感器[7]。其中，運(yùn)動(dòng)型傳感器由陀螺儀、加速度計(jì)、壓力傳感器和磁力計(jì)組成。主要運(yùn)用在手環(huán)等設(shè)備中，它們總體的主要功能是在智能設(shè)備中完成運(yùn)動(dòng)監(jiān)測(cè)、導(dǎo)航和人機(jī)交互。通過(guò)運(yùn)動(dòng)型傳感器隨時(shí)隨地記錄和分析人體活動(dòng)情況，用戶(hù)就可以知道自己跑步的步數(shù)、騎車(chē)的距離、睡眠時(shí)間和能量的消耗。而生物型傳感器由血糖傳感器、血壓傳感器、心電傳感器、體溫傳感器、腦電波傳感器、肌電傳感器等組成。主要用于醫(yī)療電子設(shè)備中。

利用Shimmer無(wú)線(xiàn)可穿戴傳感器設(shè)備搭建了人體運(yùn)動(dòng)的數(shù)據(jù)采集系統(tǒng)。并提出了多節(jié)點(diǎn)運(yùn)動(dòng)識(shí)別模型，使得傳感器設(shè)備能夠以組合或者單獨(dú)的方式進(jìn)行運(yùn)動(dòng)的識(shí)別。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證了數(shù)據(jù)采集系統(tǒng)和識(shí)別模型的有效性。

1 ? 運(yùn)動(dòng)數(shù)據(jù)的采集與處理

1.1 ? 傳感器節(jié)點(diǎn)模型

以Shimmer無(wú)線(xiàn)可穿戴傳感器設(shè)備平臺(tái)為基礎(chǔ)，重點(diǎn)研究人體運(yùn)動(dòng)數(shù)據(jù)的采集和預(yù)處理技術(shù)，以便將數(shù)據(jù)運(yùn)用到后續(xù)的運(yùn)動(dòng)識(shí)別模型中。圖1為傳感器節(jié)點(diǎn)模型圖，在身體的8個(gè)部位：左右手小臂和大臂，左右小腿和大腿分別放置Shimmer無(wú)線(xiàn)可穿戴傳感器，每個(gè)傳感器節(jié)點(diǎn)對(duì)應(yīng)一個(gè)傳感器設(shè)備。所開(kāi)發(fā)了平衡電池壽命和數(shù)據(jù)質(zhì)量要求的可穿戴傳感器。由人體佩戴的多個(gè)傳感器節(jié)點(diǎn)和一個(gè)基站組成，基站通過(guò)IEEE802.15.4協(xié)議傳輸。

1.2 ? 傳感器設(shè)備

Shimmer無(wú)線(xiàn)可穿戴傳感器設(shè)備平臺(tái)如圖2所示。

綜合考慮人體運(yùn)動(dòng)的分類(lèi)，運(yùn)動(dòng)的組成和設(shè)備位置的判斷需要，在數(shù)據(jù)采集模塊，使用的傳感器設(shè)備組成部分包括：MSP430微控制器、支持802.15.4標(biāo)準(zhǔn)的CC2420無(wú)線(xiàn)電、MicroSD插槽、支持2GB的閃存和250mAh可充電鋰電池。同時(shí)，結(jié)合了軸向MEMS加速度計(jì)、陀螺儀、ECG、EMG和其他傳感器類(lèi)型的附加接口。尺寸僅為44.5×20×13mm，重量?jī)H為10 g，非常適合長(zhǎng)期穿戴。其中，軸向MEMS加速度計(jì)范圍在±16 g，陀螺儀的角速度范圍在±2000°/s，角度的范圍是±180°，對(duì)常見(jiàn)人體運(yùn)動(dòng)如走路、慢跑，以及較劇烈的運(yùn)動(dòng)，如騎車(chē)，打籃球等，其加速度、角速度及磁力數(shù)值的范圍和精度都能夠滿(mǎn)足要求。另一方面，由于人體日常運(yùn)動(dòng)的極限頻率在100HZ內(nèi)，設(shè)備采樣頻率在200HZ內(nèi)，能夠滿(mǎn)足研究所需人體運(yùn)動(dòng)的采集。

1.3 ? 人體運(yùn)動(dòng)類(lèi)型

在日常生活中，人體運(yùn)動(dòng)不僅隨著動(dòng)作變化存在識(shí)別差異，更會(huì)因不同年齡不同習(xí)慣的人的姿態(tài)也存在著一定的差異。因此，本文根據(jù)現(xiàn)有文獻(xiàn)提供的人體運(yùn)動(dòng)類(lèi)型[8-10]，最終決定選擇十個(gè)具有代表性的動(dòng)作進(jìn)行識(shí)別，如表1所示。

1.4 ? 數(shù)據(jù)的預(yù)處理

1.4.1 ? 數(shù)據(jù)過(guò)濾

為了消除噪聲信號(hào)對(duì)人體運(yùn)動(dòng)識(shí)別的影響，還需對(duì)所采集的數(shù)據(jù)進(jìn)行預(yù)處理。本文利用中值濾波算法[11]實(shí)現(xiàn)對(duì)原始信號(hào)的過(guò)濾處理。中值濾波技術(shù)對(duì)脈沖噪聲有良好的濾除作用，特別是在濾除噪聲的同時(shí)，仍然能夠保留傳感器原始數(shù)據(jù)的數(shù)據(jù)特征。采集到的傳感器原始加速度數(shù)據(jù)和中值濾波后的加速度數(shù)據(jù)對(duì)比效果如圖3表示。

中值濾波處理后的加速度數(shù)據(jù)波形更加平滑，消除了由噪聲信號(hào)引起的波形毛刺和抖動(dòng)，同時(shí)也糾正了在樣本區(qū)間280-300中偏離很大的樣本（部分加速度值小于0，與整體波形圖偏差較大），以便進(jìn)一步處理。

1.4.2 ? 數(shù)據(jù)分割

由于所用的可穿戴傳感器采集得到的原始數(shù)據(jù)是連續(xù)采樣點(diǎn)，并且傳感器采樣頻率較高，因此還需對(duì)數(shù)據(jù)進(jìn)行分割處理。文獻(xiàn)[12]指出通常人體運(yùn)動(dòng)的識(shí)別持續(xù)時(shí)間在1～2 s范圍內(nèi)，因此，本文采用固定滑動(dòng)窗口分割法[13]對(duì)過(guò)濾后的數(shù)據(jù)進(jìn)行分割，并且滑動(dòng)窗口大小為1s，相鄰窗口覆蓋為50%，即每50個(gè)過(guò)濾后的樣本點(diǎn)數(shù)據(jù)組成一個(gè)窗口。對(duì)過(guò)濾后的加速度波形和角速度波形進(jìn)行分割的結(jié)果如圖4所示。

由圖4可見(jiàn)，樣本點(diǎn)數(shù)量為50的窗口能夠包含較好的一段重復(fù)波形，便于下一步特征的提取以及相應(yīng)運(yùn)動(dòng)的識(shí)別。

1.4.3 ? 特征提取

為了提取數(shù)據(jù)過(guò)濾和分割后保留下具有識(shí)別代表性的傳感器數(shù)據(jù)特征，還需對(duì)數(shù)據(jù)進(jìn)行特征提取以減少數(shù)據(jù)冗余，進(jìn)而提高模型的運(yùn)動(dòng)識(shí)別能力。本文利用特征提取技術(shù)[14]來(lái)獲取包含識(shí)別特性的特征數(shù)據(jù)向量，結(jié)合所采樣人體運(yùn)動(dòng)的類(lèi)別，以及識(shí)別模型的特性，選用了計(jì)算量相對(duì)較低，且在相關(guān)研究中表現(xiàn)了出較好的八種特征類(lèi)型：均值、方差、標(biāo)準(zhǔn)差、峰度、均方根、最大值、最小值、能量譜密度。由于傳感器節(jié)點(diǎn)中包含三類(lèi)傳感器（加速度計(jì)、角速度計(jì)、磁力計(jì)），每類(lèi)傳感器包含X、Y、Z三軸，因此經(jīng)過(guò)特征提取后的特征向量共包含72維（3*3*8）。

1.4.4 ? 特征選擇

經(jīng)過(guò)特征提取處理后獲得的特征向量包含72個(gè)元素，這種高維度的數(shù)據(jù)樣本進(jìn)行識(shí)別模型的訓(xùn)練時(shí)，會(huì)帶來(lái)許多不利的影響，甚至嚴(yán)重影響識(shí)別模型的人體運(yùn)動(dòng)識(shí)別能力，還需對(duì)高維特征向量再進(jìn)行降維處理。

選擇主成分分析（PCA）技術(shù)[15]對(duì)特征提取后的特征向量進(jìn)行降維處理。PCA不僅能夠?qū)Ω呔S數(shù)據(jù)進(jìn)行降維，而且還能利用降維去除噪聲干擾。PCA利用線(xiàn)性組合的形式，將r個(gè)線(xiàn)性不相關(guān)的特征值λi（i∈[1，r]）代替原有的n個(gè)特征值λj（j∈[1，n]），其中，每個(gè)特征值都有其貢獻(xiàn)率，假設(shè)α代表累積貢獻(xiàn)率。本文取α = 0.95，則降維需滿(mǎn)足如下公式：

將樣本點(diǎn)投影到選取的特征向量上，可把原始的 維特征降低到了 維，使得樣本方差達(dá)到最大化，充分保留傳感器數(shù)據(jù)采集的原有特性。通過(guò)PCA降維處理后，將原有的72維特征向量降成了12維，這大大減少了模型的計(jì)算量。

2 ? 多節(jié)點(diǎn)識(shí)別模型與識(shí)別算法

2.1 ? 多節(jié)點(diǎn)識(shí)別模型

識(shí)別模型的數(shù)據(jù)來(lái)源由多個(gè)傳感器節(jié)點(diǎn)組成，通過(guò)互相組合使得數(shù)據(jù)樣本更加詳細(xì)以便對(duì)運(yùn)動(dòng)進(jìn)行更好的識(shí)別。本文所提出的多節(jié)點(diǎn)運(yùn)動(dòng)識(shí)別模型如圖5所示。

2.2 ? 識(shí)別算法

選取了支持向量機(jī)（SVM）、 近鄰（kNN）以及最近距離中心算法（NCC）對(duì)人體運(yùn)動(dòng)進(jìn)行識(shí)別。

SVM是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來(lái)進(jìn)行模式識(shí)別、分類(lèi)以及回歸分析，屬于一類(lèi)廣義線(xiàn)性分類(lèi)器。人體運(yùn)動(dòng)的采樣數(shù)據(jù)在經(jīng)過(guò)預(yù)處理、分割、提取和選擇后，所保留的12維特征向量的數(shù)據(jù)量較少，且SVM基本上不涉及大數(shù)定律和概率測(cè)度，在處理只有少量數(shù)據(jù)樣本的問(wèn)題時(shí)，也能獲得不錯(cuò)的效果，因此支持向量機(jī)在識(shí)別運(yùn)動(dòng)中能取得不錯(cuò)的效果[16]。

近鄰（kNN）算法是數(shù)據(jù)挖掘分類(lèi)技術(shù)中最簡(jiǎn)單的方法之一，其工作機(jī)制相對(duì)簡(jiǎn)單，主要思路為：如果一個(gè)樣本在特征空間中的 個(gè)最相鄰（即距離排序前 ）的樣本中的大多數(shù)屬于某一個(gè)類(lèi)別，則該樣本也屬于這個(gè)類(lèi)別，并具有這個(gè)類(lèi)別上樣本的特性。由于kNN方法主要靠周?chē)邢薜泥徑臉颖荆皇强颗袆e類(lèi)域的方法來(lái)確定所屬類(lèi)別，因此，降維后的人體運(yùn)動(dòng)采樣數(shù)據(jù)通過(guò) kNN方法在類(lèi)別決策時(shí)，只與極少量的相鄰樣本有關(guān)，處理數(shù)據(jù)樣本時(shí)速度快[17]。

最近距離中心算法（NCC）會(huì)計(jì)算訓(xùn)練集中每一個(gè)類(lèi)別的中心點(diǎn)，當(dāng)進(jìn)行人體運(yùn)動(dòng)識(shí)別時(shí)，只需要計(jì)算測(cè)試樣本到每一個(gè)中心點(diǎn)的距離，最近的中心點(diǎn)代表的類(lèi)別就是識(shí)別類(lèi)別。因此，其能大大節(jié)省內(nèi)存空間和時(shí)間花費(fèi)[18]。

3 ? 實(shí)驗(yàn)與分析

3.1 ? 實(shí)驗(yàn)數(shù)據(jù)集

人體運(yùn)動(dòng)數(shù)據(jù)集由十六位同學(xué)（4女8男）共同參與完成。為了區(qū)分采樣數(shù)據(jù)的差異性，所選取的同學(xué)存在著明顯的身高、體重以及運(yùn)動(dòng)習(xí)慣的差異，而不可避免的年齡相近（±4歲）因素的干擾。如圖1所示，每個(gè)實(shí)驗(yàn)參與者在身體的8個(gè)部位：左右手小臂和大臂，左右小腿和大腿分別放置Shimmer無(wú)線(xiàn)可穿戴傳感器，參與者以自己習(xí)慣的動(dòng)作和方式進(jìn)行了表1所示的十個(gè)具有代表性的動(dòng)作，采集頻率為50Hz，每個(gè)運(yùn)動(dòng)的時(shí)間約為10min。傳感器設(shè)備把運(yùn)動(dòng)原始數(shù)據(jù)利用IEEE802.15.4協(xié)議傳輸?shù)阶R(shí)別系統(tǒng)中，系統(tǒng)將數(shù)據(jù)存入數(shù)據(jù)庫(kù)，以便之后研究。

3.2 ? 評(píng)價(jià)指標(biāo)

為了說(shuō)明所采集數(shù)據(jù)識(shí)別人體運(yùn)動(dòng)的準(zhǔn)確性，利用精確率（Precision）與召回率（Recall）是作為模型評(píng)價(jià)指標(biāo)來(lái)處理二分類(lèi)問(wèn)題。分類(lèi)模型中，對(duì)于輸入的測(cè)試數(shù)據(jù)，模型會(huì)得出判斷后的標(biāo)簽，即數(shù)據(jù)的類(lèi)別，精確率（Precision）指的是模型判斷為類(lèi)別Ci的所有樣本中，真正屬于類(lèi)別Ci的樣本的比例;召回率（Recall）指的是數(shù)據(jù)集中，被判定為正確的樣本所占的比例。在二分類(lèi)問(wèn)題中，假設(shè)模型輸出的正樣本集合為 ，實(shí)際的正樣本數(shù)據(jù)集為B，那么精確率（Precision）為公式（2）所示，召回率（Recall）為公式（3）所示。

為了解決不同實(shí)驗(yàn)參與者差異性引起的精確率和召回率指標(biāo)相對(duì)矛盾的問(wèn)題，借助F系數(shù)（F-Measure）權(quán)衡精確率和召回率。F系數(shù)是精確率和召回率的加權(quán)調(diào)和平均，此時(shí)選擇F1分?jǐn)?shù)對(duì)應(yīng)著模型識(shí)別方法：

當(dāng)F1較高時(shí)對(duì)應(yīng)著模型識(shí)別方法比較有效。準(zhǔn)確率（Accuracy）表示數(shù)據(jù)樣本被正確分類(lèi)所占的比例，假設(shè)數(shù)據(jù)域樣本總數(shù)為n，對(duì)于樣本i，yi是預(yù)測(cè)類(lèi)別標(biāo)簽，Yi是真實(shí)類(lèi)別標(biāo)簽，則準(zhǔn)確率可定義為：

其中，l（x）是指示函數(shù)（indicator function）。準(zhǔn)確率越大表明yi的數(shù)量越接近于Yi的數(shù)量，既整體樣本預(yù)測(cè)越準(zhǔn)確，當(dāng)樣本預(yù)測(cè)標(biāo)簽與真實(shí)標(biāo)簽完全相同時(shí)準(zhǔn)確率達(dá)到最大值1。

3.3 ? 單傳感器節(jié)點(diǎn)識(shí)別

傳感器設(shè)備分別放置在身體8個(gè)位置，分別利用Shimmer無(wú)線(xiàn)可穿戴傳感器節(jié)點(diǎn)進(jìn)行人體運(yùn)動(dòng)的識(shí)別。由于采樣數(shù)據(jù)經(jīng)過(guò)PCA降維后的特征向量為12維，則所選取的kNN中的k取12。同時(shí)利用SVM、12NN和NCC三種算法進(jìn)行實(shí)驗(yàn)，通過(guò)十字交叉驗(yàn)證方法，得到的識(shí)別準(zhǔn)確率如表2所示。

從表1中可以看出，kNN算法（k取12）在整體上能獲得較高的識(shí)別準(zhǔn)確率。同時(shí)，兩手臂部位的平均準(zhǔn)確率最高（均大于91%），表明當(dāng)利用單個(gè)傳感器進(jìn)行人體運(yùn)動(dòng)識(shí)別時(shí)，手部能起最大作用。相反，腿部的識(shí)別準(zhǔn)確率明顯較低。總體而言，平均識(shí)別準(zhǔn)確率都在85%以上，說(shuō)明如本文所放置的8個(gè)傳感器節(jié)點(diǎn)都能較準(zhǔn)確的識(shí)別出人體運(yùn)動(dòng)。

3.4 ? 組合傳感器節(jié)點(diǎn)識(shí)別

將8個(gè)傳感器節(jié)點(diǎn)作為一個(gè)整體，分別利用SVM、kNN（k取12）和NCC三種算法進(jìn)行人體運(yùn)動(dòng)的識(shí)別實(shí)驗(yàn)的識(shí)別性能指標(biāo)結(jié)果如表3所示。

由表3的對(duì)比結(jié)果可以得出：SVM和kNN算法（k取12）都能獲得較好的識(shí)別性能，而NCC算法的識(shí)別表現(xiàn)有明顯差距?？傮w而言，在使用相同識(shí)別算法的前提下，多節(jié)點(diǎn)組合識(shí)別能獲得比單節(jié)點(diǎn)識(shí)別更好的效果。

4 ? 結(jié) ? 論

利用可穿戴傳感器設(shè)備搭建了人體運(yùn)動(dòng)數(shù)據(jù)的采集系統(tǒng)，能夠完成運(yùn)動(dòng)數(shù)據(jù)的有效采集，相比于基于計(jì)算機(jī)視覺(jué)的方式，在隱私的保護(hù)、對(duì)外在環(huán)境的忍耐性方面都有很大的優(yōu)勢(shì)。同時(shí)，在單獨(dú)節(jié)點(diǎn)和組合節(jié)點(diǎn)的情況下，利用kNN、SVM和NCC算法對(duì)傳感器數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別，得到了較好的效果，驗(yàn)證了運(yùn)動(dòng)識(shí)別的可行性，也證明了提出的多節(jié)點(diǎn)識(shí)別模型的有效性。

參考文獻(xiàn)

[1] ? ?王雪梅，劉震，倪文波.基于MEMS傳感器的手臂運(yùn)動(dòng)測(cè)量和識(shí)別方法[J].中國(guó)慣性技術(shù)學(xué)報(bào)，2017，25（06）：701—707.

[2] ? ?趙曉皓，蓋翔，謝新武，等.基于慣性傳感器的人體姿態(tài)角度測(cè)量方法研究進(jìn)展[J].醫(yī)療衛(wèi)生裝備，2017，38（10）：99—103+107.

[3] ? ?陳文，龍海光，陳樂(lè).MEMS技術(shù)在現(xiàn)代醫(yī)療器械領(lǐng)域中的應(yīng)用[J].玉林師范學(xué)院學(xué)報(bào)，2017，38（05）： 29—33.

[4] ? ?郝旭歡，常博，郝旭麗.MEMS傳感器的發(fā)展現(xiàn)狀及應(yīng)用綜述[J].無(wú)線(xiàn)互聯(lián)科技，2016（03）：95—96.

[5] ? ?佟麗娜，侯增廣，彭亮，等.基于多路sEMG時(shí)序分析的人體運(yùn)動(dòng)模式識(shí)別方法[J].自動(dòng)化學(xué)報(bào)，2014，40（05）：810—821.

[6] ? ?劉歡，邱力軍，范啟富.傳感器技術(shù)在可穿戴設(shè)備中的應(yīng)用[J].無(wú)線(xiàn)互聯(lián)科技，2017（10）：133—134.

[7] ? ?張根選，張莉，石波，等.一種用于癲癇發(fā)作預(yù)測(cè)的可穿戴無(wú)線(xiàn)傳感器[J].中國(guó)醫(yī)療器械雜志，2016，40（04）： 257—259.

[8] ? ?石敏，楊柳，毛天露，等.服裝動(dòng)畫(huà)中人體運(yùn)動(dòng)與服裝變形的相關(guān)性學(xué)習(xí)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2017，29（10）：1941—1951.

[9] ? ?黃建燈.紅外傳感器探測(cè)人體運(yùn)動(dòng)特征的分析研究[J].激光雜志，2017，38（01）：65—68.

[10] ?陳莉莉.基于重心位移監(jiān)測(cè)的卡路里消耗計(jì)算算法[J].西南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，41（07）：55—60.

[11] ?李國(guó)燕，侯向丹，顧軍華，等.快速中值濾波算法的改進(jìn)及其FPGA實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用，2013，39（02）： 137—140.

[12] ?左國(guó)玉，于雙悅，龔道雄.遙操作護(hù)理機(jī)器人系統(tǒng)的操作者姿態(tài)解算方法研究[J].自動(dòng)化學(xué)報(bào)，2016，42（12）：1839—1848.

[13] ?顧韻華，高寶，張俊勇，等.基于標(biāo)簽速度和滑動(dòng)子窗口的RFID數(shù)據(jù)清洗算法[J].計(jì)算機(jī)科學(xué)，2015，42（01）：144—148.

[14] ?曹健，李海生，蔡強(qiáng)，等.圖像目標(biāo)的特征提取技術(shù)研究[J].計(jì)算機(jī)仿真，2013，30（01）：409—414.

[15] ?史加榮，周水生，鄭秀云.多線(xiàn)性魯棒主成分分析[J].電子學(xué)報(bào)，2014，42（08）：1480—1486.

[16] ?郭明瑋，趙宇宙，項(xiàng)俊平，等.基于支持向量機(jī)的目標(biāo)檢測(cè)算法綜述[J].控制與決策，2014，29（02）： 193—200.

[17] ?耿麗娟，李星毅.用于大數(shù)據(jù)分類(lèi)的KNN算法研究[J].計(jì)算機(jī)應(yīng)用研究，2014，31（05）：1342—1344+1373.

[18] ?趙其杰，柯震南，陶靖，等.基于密度-距離的t混合模型流式數(shù)據(jù)聚類(lèi)[J].儀器儀表學(xué)報(bào)，2017，38（09）： 2130—2137.