摘 要：隨著社會(huì)智能化技術(shù)的不斷發(fā)展，人體運(yùn)動(dòng)識(shí)別技術(shù)在生活中運(yùn)用得越來(lái)越廣泛，尤其是在運(yùn)動(dòng)領(lǐng)域。此外，在智能可穿戴設(shè)備的發(fā)展趨勢(shì)下，IMU（Inertial Measuring Unit）技術(shù)也將被廣泛應(yīng)用于各種健康監(jiān)測(cè)和運(yùn)動(dòng)輔助設(shè)備中。文中從傳感器節(jié)點(diǎn)設(shè)計(jì)與部署、IMU系統(tǒng)誤差校準(zhǔn)、數(shù)據(jù)預(yù)處理、SVM （Support Vector Machine）算法等方面對(duì)人體運(yùn)動(dòng)模式的識(shí)別展開研究。通過(guò)使用多個(gè)IMU傳感器節(jié)點(diǎn)構(gòu)建的可穿戴數(shù)據(jù)收集系統(tǒng)，能夠捕捉到人體運(yùn)動(dòng)過(guò)程中的三軸加速度和三軸角速度信息，并將這些信息通過(guò)機(jī)器學(xué)習(xí)算法進(jìn)行處理，從而準(zhǔn)確地識(shí)別出人體的運(yùn)動(dòng)狀態(tài)。

關(guān)鍵詞：人體運(yùn)動(dòng)識(shí)別技術(shù)；IMU；可穿戴數(shù)據(jù)收集系統(tǒng)；機(jī)器學(xué)習(xí)；數(shù)據(jù)預(yù)處理；SVM

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）05-000-05

0 引 言

運(yùn)動(dòng)模式是對(duì)人體日常運(yùn)動(dòng)的分類，例如行走、跑步、站立、靜坐等，而運(yùn)動(dòng)模式識(shí)別是指通過(guò)獲取人體運(yùn)動(dòng)信息對(duì)各種運(yùn)動(dòng)模式進(jìn)行分類的過(guò)程。隨著社會(huì)智能化技術(shù)的不斷發(fā)展，人體運(yùn)動(dòng)識(shí)別技術(shù)在生活中的運(yùn)用越來(lái)越廣泛，尤其是在運(yùn)動(dòng)領(lǐng)域，例如智能手環(huán)、手表、鞋墊，都配有人體模態(tài)檢測(cè)芯片，它們能夠?qū)崟r(shí)監(jiān)控并記錄人類的身體活動(dòng)情況。這對(duì)于用戶的健康管理和運(yùn)動(dòng)訓(xùn)練起到了很大的幫助作用。

在上述應(yīng)用中，高效精準(zhǔn)地識(shí)別出活動(dòng)模式能夠幫助我們更好地理解人類與其周圍環(huán)境之間的關(guān)系。它在本質(zhì)上彌合了低級(jí)別流式傳感器數(shù)據(jù)和高級(jí)別需求導(dǎo)向應(yīng)用之間的差距[1]。然而，由于人類行為的固有性質(zhì)，人類活動(dòng)在特征上與不確定性、多樣性、并發(fā)性和重疊性有關(guān)。因此，現(xiàn)實(shí)世界中的人類活動(dòng)識(shí)別是一個(gè)具有挑戰(zhàn)性且有重大意義的研究課題，也吸引了來(lái)自不同領(lǐng)域的研究人員的注意。

截至目前有兩種方式能夠獲取人體的運(yùn)動(dòng)模式，分別是基于計(jì)算機(jī)圖像處理技術(shù)的人體運(yùn)動(dòng)識(shí)別和基于多傳感器的人體運(yùn)動(dòng)識(shí)別。傳統(tǒng)的運(yùn)動(dòng)模式識(shí)別是基于計(jì)算機(jī)圖像處理技術(shù)的，其首先通過(guò)高清攝像機(jī)捕捉識(shí)別對(duì)象，然后對(duì)捕捉對(duì)象進(jìn)行跟蹤拍攝，得到一組視頻序列，最后通過(guò)對(duì)視頻序列進(jìn)行分類來(lái)實(shí)現(xiàn)對(duì)運(yùn)動(dòng)模式的識(shí)別。然而，這種識(shí)別方式存在很多缺點(diǎn)和局限[2]：（1）在實(shí)際生活中，攝像機(jī)非常容易受工作環(huán)境的影響，障礙物遮擋或背景噪聲等均會(huì)影響拍攝的視頻序列質(zhì)量；（2）圖像處理算法運(yùn)算復(fù)雜，難以在嵌入式端實(shí)現(xiàn)，通常需要在云端運(yùn)行算法，然后再回傳識(shí)別結(jié)果，因而識(shí)別實(shí)時(shí)性較差；（3）由于攝像機(jī)不具備可穿戴的特點(diǎn)，因而難以做到對(duì)特定目標(biāo)對(duì)象的長(zhǎng)時(shí)間跨環(huán)境持續(xù)跟蹤監(jiān)測(cè)；（4）攝像機(jī)采集的圖像數(shù)據(jù)存在個(gè)人隱私泄露現(xiàn)象；（5）硬件成本過(guò)高，沒(méi)有普適性。

在智能可穿戴設(shè)備的發(fā)展趨勢(shì)下，慣性測(cè)量單元（Inertial Measuring Unit， IMU）技術(shù)也將被廣泛應(yīng)用于各種健康監(jiān)測(cè)和運(yùn)動(dòng)輔助設(shè)備。IMU是一個(gè)由慣性傳感器構(gòu)成的傳感器組件，包括加速度計(jì)和速率陀螺儀。IMU不僅在運(yùn)輸車輛中被廣泛使用，而且在諸如移動(dòng)電話、游戲機(jī)、掃地機(jī)器人等民用領(lǐng)域也占有極大市場(chǎng)[3]。因此基于微機(jī)電系統(tǒng)（Micro Electro Mechanical Systems， MEMS）的IMU，憑借其體積小、重量輕、功率低、價(jià)格低的優(yōu)勢(shì)實(shí)現(xiàn)了大規(guī)模生產(chǎn)。

在基于IMU的運(yùn)動(dòng)模態(tài)檢測(cè)方法中，經(jīng)過(guò)訓(xùn)練的活動(dòng)識(shí)別器的性能在很大程度上取決于分類模型的選擇和相應(yīng)特征子集的選擇。因此，研究人員在探索有效和高效的分類模型方面進(jìn)行了大量工作。常用的分類模型包括樸素貝葉斯、k-近鄰、神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)、隨機(jī)森林、隱馬爾可夫模型和條件隨機(jī)場(chǎng)。目前，基于IMU的運(yùn)動(dòng)模態(tài)檢測(cè)算法都采用了平面分類器，將所有待預(yù)測(cè)的活動(dòng)都處理在同一水平上。平面分類器一般需要先構(gòu)建一個(gè)分類器，以忽略活動(dòng)之間的層次關(guān)系為代價(jià)，在一個(gè)步驟中區(qū)分所有預(yù)定義的活動(dòng)。另一方面，有些人體運(yùn)動(dòng)會(huì)產(chǎn)生非常相似的傳感器讀數(shù)，這使得活動(dòng)模式難以區(qū)分。針對(duì)這種情況的一個(gè)解決方案是設(shè)計(jì)一個(gè)更細(xì)粒度的分類模型來(lái)逐步對(duì)類似的活動(dòng)進(jìn)行分類。在特征工程方面，現(xiàn)有的大多數(shù)工作旨在提取豐富的時(shí)域和頻域特征，以更好地表征原始傳感器信號(hào)。這些方法往往包含不相關(guān)和冗余的特征，這導(dǎo)致分類器的泛化能力較差，并降低了識(shí)別精度[4-6]。緩解這一問(wèn)題的一種可行方法是使用特征選擇方法識(shí)別判別特征的子集。目前，有大量的特征選擇方法可用，研究人員已經(jīng)探索了其中的許多方法來(lái)構(gòu)建活動(dòng)識(shí)別器。但大多數(shù)方法都需要在測(cè)試者身上佩戴多個(gè)傳感器，以獲取高精度的人體運(yùn)動(dòng)數(shù)據(jù)，這無(wú)疑增加了系統(tǒng)使用成本。

本文為了降低可穿戴人體運(yùn)動(dòng)檢測(cè)設(shè)備成本并保證模式檢測(cè)精度，提出一種傳感器布置方案，并對(duì)前端數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)合支持向量機(jī)（Support Vector Machine， SVM）算法，實(shí)現(xiàn)低成本高精度人體運(yùn)動(dòng)模式檢測(cè)。

1 傳感器節(jié)點(diǎn)的部署與選擇

1.1 節(jié)點(diǎn)設(shè)計(jì)

本設(shè)計(jì)的最小硬件系統(tǒng)設(shè)計(jì)主要包含傳感器模塊、微處理器模塊、電源模塊通信鏈路。系統(tǒng)整體的框架如圖1所示。

1.2 節(jié)點(diǎn)部署

該設(shè)計(jì)的信息感測(cè)單元是MEMS傳感器?？紤]到本設(shè)計(jì)的應(yīng)用場(chǎng)景，系統(tǒng)設(shè)計(jì)需要滿足高精度、小尺寸、低功耗和易穿戴的要求。為了使用最小數(shù)量的傳感器單元來(lái)設(shè)計(jì)具有最高精度的模式識(shí)別系統(tǒng)，我們需要找到最佳的放置節(jié)點(diǎn)。IMU單元用于測(cè)量下肢節(jié)段的角速度和線加速度，作為直接的生物力學(xué)變量。同時(shí)，使用IMU的直接輸出，間接計(jì)算矢狀面上的下肢關(guān)節(jié)和節(jié)段傾斜度。輸出經(jīng)過(guò)幾個(gè)信號(hào)調(diào)節(jié)階段以去除噪聲和偏置。此外，通過(guò)傳感器的本體校準(zhǔn)消除了對(duì)原始數(shù)據(jù)的錯(cuò)位影響。由于每條腿的生物力學(xué)信號(hào)（變量）的相應(yīng)特征存在冗余，僅捕獲下肢一側(cè)的運(yùn)動(dòng)就足夠了。因此，結(jié)合Hanavan人體模型，分析生活中常見(jiàn)運(yùn)動(dòng)模式的異同[7-8]，得出以下結(jié)論：人體運(yùn)動(dòng)模式表達(dá)的最佳位置是腰部和大腿。由此確定了傳感器節(jié)點(diǎn)的部署位置，如圖2所示，圖中標(biāo)注五角星的位置即 MEMS傳感器的放置位置。

2 IMU系統(tǒng)誤差校準(zhǔn)

在理想的慣導(dǎo)坐標(biāo)系中，三軸加速度計(jì)坐標(biāo)系（λx軸、λy軸、λz軸）和三軸陀螺儀坐標(biāo)系（ξx軸、ξy軸、ξz軸）是完全重合的，由于存在設(shè)計(jì)和加工誤差，二者會(huì)存在一個(gè)誤差角度，如圖3所示。同時(shí)還會(huì)產(chǎn)生標(biāo)度因子和零偏誤差，這些是影響坐標(biāo)結(jié)果精度的主要因素。本設(shè)計(jì)利用多目標(biāo)捕獲定位信息的算法，先采集多種靜態(tài)條件下三軸的加速度值即λx、λy、λz，作為加速度計(jì)模型參數(shù)的求解條件；再利用校準(zhǔn)后的數(shù)據(jù)輔助校準(zhǔn)角度參數(shù)，優(yōu)化系統(tǒng)參考坐標(biāo)系。

3 數(shù)據(jù)預(yù)處理

3.1 異常值檢測(cè)

本系統(tǒng)前端數(shù)據(jù)通過(guò)IMU傳感器獲取，在保證元器件在額定電氣狀態(tài)下工作，一般不會(huì)出現(xiàn)數(shù)據(jù)異常，但考慮到可穿戴設(shè)備的應(yīng)用場(chǎng)景，傳感器數(shù)據(jù)獲取過(guò)程中有可能出現(xiàn)器件掉落、電源掉電、環(huán)境噪聲過(guò)大等現(xiàn)象，系統(tǒng)前端數(shù)據(jù)就會(huì)出現(xiàn)異常值。抽象地說(shuō)，異常值是指偏離預(yù)期正常行為的模式，那么正常的行為模式可以用一個(gè)區(qū)域來(lái)表示，所有正常觀測(cè)結(jié)果可視為屬于該正常區(qū)域，不屬于該區(qū)域的視為異常值。異常值檢測(cè)方法有很多種，如基于距離、基于概率分布、基于基數(shù)，這里我們用的是基于概率分布，利用統(tǒng)計(jì)學(xué)最常見(jiàn)的正態(tài)分布，如圖4所示。根據(jù)傳感器獲取數(shù)據(jù)的分布概率情況，判斷數(shù)值是否異常。

設(shè)數(shù)據(jù)樣本點(diǎn)為（x1， x2， x3， ...， xn），則均值μ與方差σ可由式（1）和式（2）計(jì)算。

（1）

（2）

正態(tài)分布模型中，在μ-3σ～μ+3σ的區(qū)間內(nèi)包括了99.73%的數(shù)據(jù)樣本，若數(shù)據(jù)樣本落在上述區(qū)間則判定數(shù)據(jù)正常，如果數(shù)據(jù)樣本不在此區(qū)間內(nèi)則判定數(shù)據(jù)為異常值，直接丟棄處理。綜合以上分析，本文所使用的離群點(diǎn)處理流程如圖5所示。離群點(diǎn)檢測(cè)結(jié)果如圖6所示。

3.2 數(shù)據(jù)降噪

對(duì)于采集到的數(shù)據(jù)，除了需要進(jìn)行異常值檢測(cè)并剔除，還需要對(duì)數(shù)據(jù)進(jìn)行降噪濾波處理，由于數(shù)據(jù)傳遞過(guò)程中可能受到機(jī)械噪聲、電子噪聲以及電磁波信號(hào)的干擾，因此降噪濾波是得到有用數(shù)據(jù)之前的必經(jīng)處理步驟。這里我們利用運(yùn)放MAX9203搭建遲滯比較器實(shí)現(xiàn)數(shù)據(jù)降噪。運(yùn)放供電電壓為±5 V，結(jié)合人體運(yùn)動(dòng)信息的一般頻率帶寬，設(shè)計(jì)電路參數(shù)，搭建的電路如圖7所示。

4 基于SVM的人體運(yùn)動(dòng)模式識(shí)別

4.1 SVM原理

SVM是由Vapnik引入的一種用于分類和回歸任務(wù)的基于核的機(jī)器學(xué)習(xí)模型[9-10]。近年來(lái)，支持向量機(jī)非凡的泛化能力及其最優(yōu)解和判別能力吸引了數(shù)據(jù)挖掘、模式識(shí)別和機(jī)器學(xué)習(xí)界的關(guān)注。支持向量機(jī)已被作為解決實(shí)際二進(jìn)制分類問(wèn)題的強(qiáng)大工具。

SVM是一種用于數(shù)據(jù)分類和回歸分析的強(qiáng)大技術(shù)。通過(guò)使用SVM直接從訓(xùn)練數(shù)據(jù)中確定決策函數(shù)，使得決策邊界之間的現(xiàn)有間隔（裕度）在稱為特征空間的高維空間中最大化[11-12]。這種分類策略最大限度地減少了訓(xùn)練數(shù)據(jù)的分類誤差，并獲得了更好的泛化能力。尤其是在輸入數(shù)據(jù)數(shù)量較少的情況下，SVM分類技能優(yōu)勢(shì)更為顯著。

為了進(jìn)一步深入理解SVM的原理，可以結(jié)合圖8進(jìn)行說(shuō)明。圖中的實(shí)心圓點(diǎn)和空心圓點(diǎn)表示兩類訓(xùn)練樣本，L為分類線，L1和L2表示距離分類線最近的樣本，三條直線兩兩平行。其中L1和L2之間的距離稱為分類間隔，這里用margin來(lái)表示[13-16]。

為了得到最優(yōu)分類結(jié)果，需要找到合適的分類線L的位置使margin達(dá)到最大值。

假設(shè)所有樣本坐標(biāo)為（xi， yi），i=1， 2， 3， ...， n，d維空間中線性判別函數(shù)一般形式為f（x）=kx+b，分類線L方程為：

kx+b=0" " " " " " " " " " " " " " " " " " " " （3）

將判別函數(shù)f（x）歸一化，即被分類的所有樣本都滿足：

（4）

此時(shí)分類間隔就等于2/||k||。根據(jù)最優(yōu)分類面的定義，當(dāng)2/||k||達(dá)到最大值，我們就得到最優(yōu)分類面，此時(shí)||k||達(dá)到最小值，則滿足（或）的分類面就是最優(yōu)分類面，L1、L2上的訓(xùn)練樣本就是支持向量。

基于上述分析，最優(yōu)分類面的求解可以表示成如下約束函數(shù)求解，即：

（5）

也可以表示成拉格朗日約束問(wèn)題的求解：

（6）

通過(guò)對(duì)上式中的k、β求偏導(dǎo)得到Λ的極小值，就可以根據(jù)傳感器數(shù)據(jù)得到人體運(yùn)動(dòng)的確定模式。

4.2 特征提取

經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）是一種針對(duì)非線性和非平穩(wěn)信號(hào)的自適應(yīng)分析方法。它可以基于信號(hào)的局部特征時(shí)間尺度將復(fù)雜信號(hào)分解為固有模式函數(shù)（IMF）的集合。然而，由于模式混合的問(wèn)題，它不能準(zhǔn)確地揭示信號(hào)特征信息。為了緩解EMD中出現(xiàn)的模式混合問(wèn)題，提出了集成經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥EMD）[16-20]。利用EEMD，可以從信號(hào)中提取具有真正物理意義的成分。

為了提取EEMD特征，需要將有限幅度的白噪聲添加到信號(hào)中，添加的白噪聲將均勻地填充整個(gè)時(shí)頻空間。當(dāng)信號(hào)被添加到均勻分布的白背景中時(shí)，不同的信號(hào)被自動(dòng)投影到由白噪聲以適當(dāng)?shù)膮⒖汲叨冉⒌谋尘爸?。隨著平均次數(shù)的增加，剩余噪聲會(huì)逐漸減小，可以有效改進(jìn)EMD分解中容易產(chǎn)生頻率混疊的問(wèn)題[21-24]。

考慮到慣性傳感器采集到的數(shù)據(jù)特征，一般為非線性非平穩(wěn)信號(hào)，因此利用EEMD分解信號(hào)并提取有效參數(shù)是運(yùn)動(dòng)識(shí)別的關(guān)鍵步驟。特征提取過(guò)程如下：腰部傳感器節(jié)點(diǎn)靠近人體重心，主要用于檢測(cè)人體整體運(yùn)動(dòng)趨勢(shì)；大腿部位傳感器用于檢測(cè)運(yùn)動(dòng)細(xì)節(jié)，如運(yùn)動(dòng)速度的快慢、運(yùn)動(dòng)的角度等。每個(gè)節(jié)點(diǎn)上的六軸傳感器都可以同時(shí)獲得三個(gè)軸向上的加速度信息（λx、λy、λz）和角速度信息（ξx、ξy、ξz）。

對(duì)于三軸方向的運(yùn)動(dòng)數(shù)據(jù)，節(jié)點(diǎn)可以測(cè)量x、y、z三個(gè)方向上的慣性信號(hào)分量，用于表達(dá)人體在不同方向上的運(yùn)動(dòng)。合加速度和合角速度用于表達(dá)肢體整體運(yùn)動(dòng)，計(jì)算公式如下：

（7）

（8）

4.3 分層算法

本設(shè)計(jì)檢測(cè)的模式對(duì)象主要針對(duì)人體日常生活中的基本運(yùn)動(dòng)模式，如站、坐、勻速走、加速跑、上下樓梯等。為了進(jìn)一步提高運(yùn)動(dòng)信號(hào)提取特征效率，我們可以提前根據(jù)信號(hào)的特征對(duì)其進(jìn)行分類。首先可以將信號(hào)分為靜態(tài)和動(dòng)態(tài)。靜態(tài)運(yùn)動(dòng)模式如坐、躺、站；動(dòng)態(tài)運(yùn)動(dòng)模式如走、跑等。在此基礎(chǔ)上，再結(jié)合角速度傳感器分析運(yùn)動(dòng)模式的姿態(tài)，就可以更快速地得到運(yùn)動(dòng)模式。運(yùn)動(dòng)狀態(tài)分類結(jié)果如圖9所示。

5 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中，節(jié)點(diǎn)采樣率為25 Hz，每次采集時(shí)間長(zhǎng)度為5 s的數(shù)據(jù)，每種模式采集60次。圖10和圖11分別為勻速步行運(yùn)動(dòng)狀態(tài)下腰部和大腿部六軸傳感器加速度和角速度數(shù)據(jù)。

6 結(jié) 語(yǔ)

本文基于IMU對(duì)日常生活中常見(jiàn)的六種行人活動(dòng)識(shí)別進(jìn)行研究，重點(diǎn)研究了IMU校準(zhǔn)、數(shù)據(jù)預(yù)處理、特征提取和分類識(shí)別算法中SVM等重要技術(shù)，并研究了IMU系統(tǒng)誤差校準(zhǔn)方法。通過(guò)對(duì)IMU的系統(tǒng)誤差成分和導(dǎo)致系統(tǒng)誤差的原因進(jìn)行分析，建立了三軸加速度系統(tǒng)誤差模型計(jì)和三軸角速度系統(tǒng)誤差模型，設(shè)計(jì)IMU系統(tǒng)誤差校準(zhǔn)算法并建立算法校準(zhǔn)流程。針對(duì)儀器噪聲、人為操作失誤等原因造成的數(shù)據(jù)異常情況，提出了與論文研究背景相關(guān)的數(shù)據(jù)預(yù)處理方法：離群點(diǎn)檢測(cè)、EEMD閾值數(shù)據(jù)降噪。

參考文獻(xiàn)

[1] LEE D，LEE S，PARK S，et al. Test and error parameter estimation for MEMS-based low cost IMU calibration [J]. International journal of precision engineering and manufacturing，2011，12：597-603.

[2] WANG A，CHEN G，WU X，et al. Towards human activity recognition：a hierarchical feature selection framework [J]. Sensors，2018，18（11）：3629.

[3] JOHANSSON G. Visual perception of biological motion and a model for its analysis [J]. Perception amp; psychophysics，1973，14：201-211.

[4] SINGH K，UPADHYAYA S. Outlier detection：applications and techniques [J]. International journal of computer science issues，2012，9（1）：307.

[5] HODGE V，AUSTIN J. A survey of outlier detection methodologies [J]. Artificial intelligence review，2004，22：85-126.

[6] CERVANTES J，GARCIA-LAMONT F，RODRíGUEZ-MAZAHUA L，et al. A comprehensive survey on support vector machine classification：applications，challenges and trends [J].Neurocomputing，2020，408：189-215.

[7] LEI Y，HE Z，ZI Y. Application of the EEMD method to rotor fault diagnosis of rotating machinery [J]. Mechanical systems and signal processing，2009，23（4）：1327-1338.

[8]薛洋. 基于單個(gè)加速度傳感器的人體運(yùn)動(dòng)模式識(shí)別[D]. 廣州：華南理工大學(xué)，2011.

[9]常虹. 基于多特征融合的人體運(yùn)動(dòng)姿態(tài)識(shí)別技術(shù)研究[D].天津：河北工業(yè)大學(xué)，2018.

[10]盧光磊，張明社.一種對(duì)車載慣導(dǎo)中平動(dòng)加速度干擾的處理方法[J].空間電子技術(shù)，2019，16（2）：83-87.

[11]劉生忠. 基于MIMU的人體運(yùn)動(dòng)模式識(shí)別方法研究[D].南京：東南大學(xué)，2019.

[12] MA H T，ZHANG X，YANG H，et al. SVM-based approach for human daily motion recognition [C]// TENCON 2015-2015 IEEE Region 10 Conference. [S.l.]：IEEE，2015：1-4.

[13]馬語(yǔ)晗，趙輝. 基于特征選擇加權(quán)支持向量機(jī)的運(yùn)動(dòng)模式識(shí)別[J]. 傳感器世界，2018，24（9）：28-33.

[14]林述琦，吳華宇，林娟.基于運(yùn)動(dòng)生物力學(xué)的優(yōu)化運(yùn)動(dòng)鞋功能設(shè)計(jì)[J].美術(shù)大觀，2013，26（4）：112.

[15] JENITTA J，RAJESWARI A. Denoising of ECG signal based on improved adaptive filter with EMD and EEMD [C]// 2013 IEEE Conference on Information amp; Communication Technologies. [S.l.]：IEEE，2013：957-962.

[16]田真. 基于插值思想的高維稀疏數(shù)據(jù)離群點(diǎn)檢測(cè)方法研究[D].蘭州：西北師范大學(xué)，2020.

[17]褚麗恒，郭曉澤，宋國(guó)杰，等. 基于聚類方法的高速公路逃費(fèi)甄別與分析[C]//第八屆中國(guó)智能交通年會(huì)論文集.北京：電子工業(yè)出版社，2013：61-68.

[18]胡春生，趙匯東. 基于腕部IMU數(shù)據(jù)采集的人體運(yùn)動(dòng)模式識(shí)別[J]. 寧夏大學(xué)學(xué)報(bào) （自然科學(xué)版），2021，42（1）：45-50.

[19]孫偉，姜偉，黃恒，等. EEMD降噪的行人活動(dòng)識(shí)別方法[J].導(dǎo)航定位學(xué)報(bào)，2021，9（3）：41-47.

[20]劉韜，徐愛(ài)功，隋心.慣性導(dǎo)航EEMD區(qū)間閾值降噪方法[J].測(cè)繪學(xué)報(bào)，2018，47（7）：907-915.

[21]姜偉. 基于MIMU的人體運(yùn)動(dòng)模式識(shí)別方法研究[D].阜新：遼寧工程技術(shù)大學(xué)，2021.

[22]施啟軍，潘峰，龍福海，等.特征選擇方法研究綜述[J].微電子學(xué)與計(jì)算機(jī)，2022，39（3）：1-8.

[23]羅紅郊，馬曉琴，孫妍，等.基于RFE特征選擇的PSO-SVM用電量預(yù)測(cè)算法[J].電子設(shè)計(jì)工程，2023，31（20）：172-176.

[24]田豆，李鳳蓮，張雪英，等.特征選擇融合深度強(qiáng)化學(xué)習(xí)分類模型的構(gòu)建及應(yīng)用[J].電子設(shè)計(jì)工程，2022，30（12）：93-97.

作者簡(jiǎn)介：張 含（1994—），女，碩士，南京理工大學(xué)紫金學(xué)院助教，研究方向?yàn)镸EMS慣性導(dǎo)航。

包祖超（2002—），男，本科，南京理工大學(xué)紫金學(xué)院，研究方向?yàn)榍度胧较到y(tǒng)、光電信息科學(xué)與工程。

朱文馨（2002—），女，本科，南京理工大學(xué)紫金學(xué)院，研究方向?yàn)閭鞲衅骷夹g(shù)、物聯(lián)網(wǎng)技術(shù)。

陳志康（2002—），男，本科，南京理工大學(xué)紫金學(xué)院，研究方向?yàn)榍度胧介_發(fā)、光電信息科學(xué)與工程。

董子涵（2003—），男，本科，南京理工大學(xué)紫金學(xué)院，研究方向?yàn)殡娮有畔⒐こ獭?/p>

收稿日期：2023-05-11 修回日期：2023-06-08

基金項(xiàng)目：2021年江蘇省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目