浙江大学学报(工学版)

浙江大学学报(工学版), 2021, 55(1): 89-95 doi: 10.3785/j.issn.1008-973X.2021.01.011

计算机技术、自动控制技术

基于相位划分的下肢连续运动预测

段有康,, 陈小刚,, 桂剑, 马斌, 李顺芬, 宋志棠

1. 中国科学院 上海微系统与信息技术研究所，上海 200050

2. 中国科学院大学，北京 100049

3. 中国科学院 上海高等研究院，上海 200125

4. 上海中研久弋科技有限公司，上海 201200

Continuous kinematics prediction of lower limbs based on phase division

DUAN You-kang,, CHEN Xiao-gang,, GUI Jian, MA Bin, LI Shun-fen, SONG Zhi-tang

1. Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences, Shanghai 200050, China

2. University of Chinese Academy of Sciences, Beijing 100049, China

3. Shanghai Advanced Research Institute, Chinese Academy of Sciences, Shanghai 200125, China

4. China Research Institute JIU YI, Shanghai 201200, China

通讯作者: 陈小刚，男，副研究员，博士. orcid.org/0000-0003-1478-040X. E-mail： chenxg@mail.sim.ac.cn

收稿日期: 2020-05-12  

Received: 2020-05-12  

作者简介 About authors

段有康（1994—），男，硕士生，从事新型存储器应用和机器学习研究.orcid.org/0000-0001-5379-7234.E-mail：dyk@mail.sim.ac.cn , E-mail：dyk@mail.sim.ac.cn

摘要

为了实现针对特定个体的运动特点进行更精确的下肢连续运动预测和用更短的时间开展预测模型训练，采用对每个步态相位都建立预测模型的方法. 在识别出当前的步态相位后，使用当前相位的预测模型进行关节角度的预测. 使用支持向量机（SVM），对提出的方法进行验证. 实验表明，采用基于相位划分的下肢连续运动预测方法相比于对整个运动状态进行关节角度建模的预测方法，具有更高的预测精度和更短的模型训练时间. 髋、膝、踝关节的预测结果与真实值的相关系数均大于0.99，每次预测的角度与真实值的平均均方根误差均小于2°，训练时间缩短4.0~5.0倍.

关键词： 相位划分 ; 运动意图识别 ; 关节角度预测 ; 外骨骼机器人 ; 表面肌电信号

Abstract

A method of establishing a prediction model for each gait phase was adopted in order to achieve more accurate prediction of continuous movement of lower limbs for specific individual movement characteristics and use a shorter time to train the prediction model. The prediction model of the current phase was used to predict the joint angle after identifying the current gait phase. Support vector machine (SVM) was used to verify the proposed method. The experimental results show that the prediction method of continuous motion of lower limbs based on phase division has higher prediction accuracy and shorter model training time than the prediction method of joint angle modeling of the entire motion state. The correlation coefficients between the predicted results of the hip, knee, and ankle joints and the true values are all greater than 0.99. The average root mean square error of the predicted angle values and the true values is less than 2° each time, and the training time is shortened by 4.0~5.0 times.

Keywords： phase division ; motion intention recognition ; joint angle prediction ; exoskeleton robot ; surface electromyography

PDF (1561KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

段有康, 陈小刚, 桂剑, 马斌, 李顺芬, 宋志棠. 基于相位划分的下肢连续运动预测. 浙江大学学报(工学版)[J], 2021, 55(1): 89-95 doi:10.3785/j.issn.1008-973X.2021.01.011

DUAN You-kang, CHEN Xiao-gang, GUI Jian, MA Bin, LI Shun-fen, SONG Zhi-tang. Continuous kinematics prediction of lower limbs based on phase division. Journal of Zhejiang University(Engineering Science)[J], 2021, 55(1): 89-95 doi:10.3785/j.issn.1008-973X.2021.01.011

下肢外骨骼助力机器人是能够识别人体下肢运动状态并提供助力、增强人体能力的人体辅助机械装置. 若外骨骼要按照人的意愿跟随人的动作，则必须要感知和辅助人体运动，对人体的运动进行识别和预测[1-2].

目前，因为表面肌电信号（surface electro- myography，sEMG）具有便于采集、表面无创和系统精简的优势，基于表面肌电信号的下肢连续运动预测已经成为主流手段[3]. 在下肢运动的连续预测过程中，根据表面肌电信号和其他力、位置等传感器[4]采集的数据，通过神经网络或机器学习算法，开展多源数据与下肢运动的映射关系训练. 当前，在下肢的连续运动预测方面，有采用BP神经网络[5]、优化参数的支持向量机[6]、基于隐马尔可夫模型的预测[7]、相关向量机（relevance vector machine，RVM）[8]等方法，它们都是针对一整个运动状态来建立预测模型. 因为同一运动状态的不同步态相位变化规律差异较大，若整个运动状态使用同一个预测模型进行预测，则会导致预测精度不足，训练过程收敛较慢，且在进行预测模型的更新时往往需要重新训练和替换预测模型.

为了进一步提高人下肢连续运动预测的精度和减少预测模型的训练时间，本文提出基于相位划分的人下肢连续运动预测方法. 针对人下肢不同运动状态中的不同步态相位分别训练预测模型，根据特定对象当前运动状态中的各个步态相位的特征，开展连续的髋、膝、踝关节角度预测. 通过实验的方式，对提出的方法进行有效性验证.

1. 人下肢步态相位的划分

一个正常人的步态周期通常包含2个基本相：支撑相和摆动相[9]. 根据细分的依据不同，可以有多重细分方法. 参照传统的步态相位划分方法，结合下肢角度变化最明显的膝关节角度进行人下肢运动状态中的相位划分，将膝关节角度变化趋势的拐点作为不同相位的分割点. 将下肢完全直立状态的膝关节角度记为0°. 如图1所示的膝关节角度θkn曲线中，若某点两侧斜率变号，或者某点一侧的斜率绝对值小于一个接近零的阈值并且与另一侧的斜率同号，另一侧斜率绝对值大于该阈值，则该点为步态相位的分割点，确定了人下肢运动的具体步态相位划分和对应编号. 图1所示的各步态相位和编号分别为：平地慢跑状态步态相位划分为支撑前期（1）、支撑后期（2）、摆动前期（3）、摆动后期（4）；平地步行状态步态相位划分为摆动前期（5）、摆动后期（6）、支撑期（7）；上坡状态步态相位划分为支撑前期（8）、支撑后期（9）、摆动前期（10）、摆动后期（11）；连续的起立和坐下状态划分为站姿和坐姿（0）、起立过程（12）、坐下过程（13）.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   几种运动步态周期划分示意图

Fig.1   Division of several gait periods


2. 连续运动预测方法

2.1. 支持向量机原理

使用准确性和普适性较好的使用高斯核函数的支持向量机[10-11]，开展基于相位划分的下肢连续运动预测模型训练. 支持向量机是陈树等[12]提出的分类技术，用于模式识别和非线性回归. 支持向量机的主要思想是将低位向量映射到高维空间，在高维空间找出输入量与输出量之间的映射关系. SVM 的最优权值向量ω*和最优偏置b*为

$ \left. {\begin{split} & {{{{\omega }}^*} = \sum\limits_{i = 1}^M {{{\alpha }}_{{i}}^*}{{{y}}_{{i}}}{{{x}}_{{i}}}} \text{，} \\ & {{{{b}}^*} = {{{y}}_{{i}}} - \sum\limits_{i = 1}^M{{\alpha }}_{{i}}^* {{{y}}_{{i}}}\left( {{x}}_{{i}}^{\rm{T}}{{x}}_{{j}} \right) _{}} \text{.} \end{split}} \right\} $

式中： $\left( { {{x}}_{{i}},\;{{y}}_{{i}}} \right)$是样本集中的样本点，其中xi为第i个样本点的特征向量，yi为xi的类别； ${{\alpha }}_{{i}}^*$为支持向量中的第i个元素。

选择高斯核函数（RBF），RBF核函数为

$ K\left( {{{{x}}},{ z}} \right) = {\rm{exp}}\left[ { - \frac{{{{\left\| {{{{x}}} - { z}} \right\|}^2}}}{{2{\sigma ^2}}}} \right]\text{.} $

核函数将之前的分类函数映射成

$ \begin{split} f\left( {{x}} \right) = {\rm{sgn}}\left( {\left( {\sum\limits_{i = 1}^M {{\alpha }}_{{i}}^*{{{y}}_{{i}}}K\left( { {{x}},\;{{{x}}_{{i}}}} \right)} \right) + {{{b}}^*}} \right) \text{.} \end{split} $

式中： $ {{x}} $为未知的输入向量。

2.2. 基于相位划分的下肢连续运动预测方法

基于相位划分的下肢连续运动预测方法选取下肢识别领域广泛的采用的表面肌电信号和关节角度作为信号源，为了反映信号的本质特征，采用肌电积分值[13]、肌肉激活状态和髋、膝、踝关节的角度作为步态特征. 将特征值输入到SVM，进行平地行走、平地慢跑、起立和坐下、上坡过程中步态相位的分类和各步态相位下3个下肢关节角度的预测. 该方法对每个步态相位均建立了对应的髋、膝、踝关节角度预测模型，具有针对特定个体不同步态相位运动习惯特点的优势，可以缩短模型训练中拟合的收敛时间. 实验平台如下：处理器主频为3.5 GHz、内存为8 GB的PC机；软件环境为MATLAB R2016B；工具采用的是台湾大学林智仁教授等开发的libsvm3.23工具包. 基于相位划分的下肢连续运动预测方法如图2所示.

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2   基于相位划分的下肢连续运动预测算法流程图

Fig.2   Flow chart of lower limb continuous motion prediction algorithm based on phase division


基于相位划分的人下肢连续运动预测方法步骤如下.

1）采集右腿平地行走、平地慢跑、上坡、连续的起立和坐下动作每种运动状态的实验数据. 每名受试者每种运动状态采集时间均持续1 min.

2）提取特征值，每名受试者的几种运动状态数据均选取运动稳定以后的8 049帧数据. 采集到的表面肌电信号进行20~480 Hz的带通滤波后，采用移动窗口[14]的方法，移动窗口的大小设置为50帧数据，每次移动一个数据帧，计算右腿7块肌肉表面的肌电积分值，根据肌电积分值计算肌肉的激活状态. 8 049帧数据窗口每次移动一帧，窗口大小为50帧，所以每个受试者的每个运动状态可以得到8 000帧计算后的数据. 采集到的髋、膝、踝关节角度选取和表面肌电信号同时刻采集的8 000帧数据使用低通滤波滤除高频信号，使用人下肢步态相位的划分方法进行步态相位划分. 对于第i帧窗口内的表面肌电信号数据 $X_i$的肌电积分值 $ e\left(i\right) $的计算公式为

$ e\left(i\right)=\displaystyle\sum\limits _{n=1}^{N}\left|X_i\right(n\left)\right| \text{.} $

肌肉活跃状态参考语音信号端点检测算法中较简单的基于短时能量的端点检测算法[15]，设定最短肌电激活时间为10帧，将肌肉活跃状态记为“1”，未激活状态记为“0”.

3）划分训练集和测试集，每一帧数据中右腿7块肌肉的肌电积分值、右腿8块肌肉的激活状态、右腿髋、膝、踝关节的关节角度组成一组特征值. 将每个受试者每个运动状态中的4000组特征值组成训练集，另外4000组数据组成测试集.

4）将训练集数据输入到SVM分类器进行步态相位识别模型的训练，使用SVM回归的方法进行每个步态相位的3个关节角度预测模型训练.

5）步态相位识别. 测试时，采用SVM进行步态相位的分类识别.

6）根据步骤5）识别的步态相位，选用对应步态相位的髋、膝、踝关节预测模型，使用SVM进行右腿3个关节的关节角度预测.

3. 实验结果及分析

表面肌电信号和髋、膝、踝关节角度采集由NDI Optotrak运动捕捉系统完成，系统采样频率为1 000 Hz. 如图3所示为在几种不同步态时采集的腓肠肌内侧肌电信号图。图中，U为肌电信号的电压幅值。如图4所示为上坡和慢跑时的数据采集照片. NDI Optotrak运动捕捉系统可以根据采集到的粘贴于身体侧面红外发光点的三维坐标，实时导出计算得到的关节角度和由肌电电极采集的表面肌电信号. 数据采集实验由3位身体健康且身高体重差异较大的男性受试者参加，每一位受试者均进行了连续的起立与坐下实验和在跑步机上完成的上坡、步行和4、5、6 km/h 3种不同速度的慢跑实验，每位受试者每个步态类型的实验均进行了3次，每次持续1 min，每次采集前均进行充分的休息，一共得到了54组数据. 卢祖能等[16]的研究表明，趾长伸肌、腓肠肌内侧、胫骨前肌、股直肌、股外侧肌、股内侧肌和股二头肌在下肢活动中收缩较明显，因此本文采用趾长伸肌、腓肠肌内侧、胫骨前肌、股直肌、股外侧肌、股内侧肌和股二头肌这7块肌肉作为下肢肌群. 实验前，先用酒精在受试者测试肌肉处擦涂去污，以增强信号的获取能力.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3   腓肠肌内侧几种运动状态肌电信号图

Fig.3   Electromyographic signals of several motion states of medial gastrocnemius muscle


图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4   上坡和慢跑实验

Fig.4   Uphill and jogging experiments


为了验证本文算法的有效性，在使用SVM进行相位识别和关节角度预测的情况下，将本文算法与使用整段步态数据建模的下肢关节角度预测的算法进行对比实验. 以均方根误差R和相关系数C[7]评估关节角度的预测值的精确度. 髋关节、膝关节、踝关节角度的测量值分别记为α1、α2、α3，预测值记为β1、β2、β3. R、C和相位识别率Q的定义分别如下：

$ {R_j} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^N {{({\alpha _{ij}} - {\beta _{ij}})}^2}} , $

$ \begin{split} {C_j} = & \sum\limits_{i = 1}^N ({\alpha _{ij}} - \overline {{\alpha _j}} )\left( {{\beta _{ij}} - \overline {\beta _j} } \right)\Big/\\ & \sqrt { \sum\limits_{i = 1}^N {{({\alpha _{ij}} - \overline {{\alpha _j}} )}^2} \sum\limits_{i = 1}^N {{\left( {{\beta _{ij}} - \overline {\beta _j} } \right)}^2},} \end{split} $

$ Q = \frac{{\text{被正确识别的样本数量}}}{{\text{全部测试样本数量}}} \times 100{\text{%}}. $

式中：N为进行识别和预测的次数，αij为第j（j=1，2，3）个关节第i次预测的测量值，βij为第j个关节第i次预测的预测值， $\overline{{\alpha }_j}$为第j个关节所有N个关节角度的测量值平均值， $ \overline{{\beta }_{j}} $为第j个关节所有N个关节角度预测值的平均值. 待所有预测集数据预测完成后，采用与积分肌电值计算方法相同的移动窗口法进行均方根误差的计算，对每个运动状态的所有均方根误差求平均值.

在测试中，传统的使用整段运动数据进行预测模型训练的关节角度预测方法与本文提出的基于相位划分的下肢连续运动预测方法使用同样的训练集和测试集，且步态相位识别过程相同，以比较两者在关节角度预测中的区别. 经过实验验证可知，本文提出的基于相位划分的下肢连续运动预测方法比使用整段运动数据进行建模的关节角度预测方法在平地慢跑、平地步行、上坡和连续的起立和坐下状态中3个关节角度的预测值和真实值的相关系数具有明显提升，尤其是幅度较小、运动比较复杂的踝关节相关系数由0.9左右提升到0.99以上，平均均方根误差由1.5°~3.0°下降到了0.2°~1.0°.

如图5所示为一次2000组测试数据进行步态相位识别的结果. 可知，Q=97.40%. 如图6所示为这次步态相位识别后使用整段步态数据进行预测模型建模方法得到的髋、膝、踝关节预测结果. 如图7所示为使用与图6预测测试同样的测试数据进行的基于相位划分的下肢运动连续预测方法的预测结果.

图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5   步态相位识别

Fig.5   Gait phase recognition


图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6   整段数据进行预测建模的速度为6 km/h慢跑状态关节角度预测

Fig.6   Joint angle prediction of 6 km/h jogging state using whole data to training prediction model


图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7   基于相位划分的速度为6 km/h慢跑状态关节角度预测

Fig.7   Prediction of joint angle based on phase division at 6 km/h jogging state


从图6、7可以看出，在同样的步态相位识别结果下，髋、膝、踝关节的预测值与测量值的相关系数分别由0.987 87、0.986 57和0.924 21提升到了0.999 59、0.994 72和0.997 89. 3个关节的平均均方根误差分别从1.443 8°、1.617 3°和1.680 6°降低到了0.203 5°、0.921 9°和0.228 8°. 其中踝关节的预测精度提升最显著.

表1给出本文方法与其他文献方法的比较. 表中， $ \overline R $为平均均方根误差. 本文方法与文献[7，10，17]方法相比，具有更高的相关系数和更小的平均均方根误差. 从图6、7可以看出，虽然平均均方根误差明显减小，但是在相位切换处预测值出现了较明显的波动. 出现波动可能是因为分段出现的不连续，需要后续优化.

表 1   本文方法与其他方法预测精度的比较

Tab.1  Comparison of prediction accuracy between this method and other methods

方法 C $ \overline R $
本文方法 0.99 1°
文献[7]方法 0.93 5.83°
文献[10]方法 0.92 6.87°
文献[17]方法 0.96 2.37°

新窗口打开| 下载CSV


如表2所示为2种算法使用同样的训练集，在训练集特征值数量Ntr不同的情况下训练预测模型所需要的时间，使用整段运动数据进行建模的关节角度预测方法的模型训练时间记为t，基于相位划分的下肢连续运动预测方法模型训练时间记为T，速度提升倍数记为A. 每次训练均进行5次，取训练时间的平均值. 从表1可以看出，提出的基于相位划分的下肢连续运动预测方法比使用整段运动数据进行建模的模型训练时间快4.0~5.0倍.

表 2   2种算法的训练时间比较

Tab.2  Comparison of training time between two algorithms

Ntr $t/{\rm{s}}$ $T/{\rm{s}}$ A
500 0.1323 0.0358 3.70
1000 0.4130 0.0835 4.95
1500 0.8443 0.1587 5.32
2000 1.2419 0.2762 4.50
2500 2.1432 0.4579 4.68
3000 2.8276 0.6230 4.54
3500 3.6642 0.8696 4.21
4000 4.8305 1.1120 4.34

新窗口打开| 下载CSV


将训练集作基于相位的划分以后，在训练一个具有多个运动相位的步态预测模型时，分相位的所有预测模型训练时间比直接训练整个步态的预测模型短. 本文方法在提高预测精度的同时，可以大幅降低预测模型的训练时间.

4. 结　语

针对下肢连续运动中传统方法预测精度低和训练时间长的问题，本文提出基于相位划分的下肢连续运动预测方法. 使用SVM，对本文提出的方法与传统使用整段步态数据进行预测建模的方法进行对比. 通过实验证明，在进行预测模型的训练时，采用本文提出的方法，预测值与测量值的相关系数大于0.99，且预测模型的训练时间缩短4.0~5.0倍，相比于传统方法可以获得更高的关节角度预测精度和更短的训练时间. 在更新预测模型时，可以只替换某个步态相位的预测模型，而不是将整个的预测模型进行重新训练. 在相位切换的位置，由于分段的不连续性，具有一定的预测数据不连续现象，解决或减小相位切换对该方法的影响是下一步的研究方向.

参考文献

龙亿. 下肢外骨骼人体运动预测与人机协调控制技术研究[D]. 哈尔滨: 哈尔滨工业大学, 2017.

[本文引用: 1]

LONG Yi. Research on human body motion prediction and human-machine coordinated control technology of lower exoskeletonx [D]. Harbin: Harbin Institute of Technology, 2017.

[本文引用: 1]

俞毕洪. 基于表面肌电信号的穿戴式人体行为识别系统[D]. 杭州: 浙江大学, 2018.

[本文引用: 1]

YU Bi-hong. Wearable human behavior recognition system based on surface EMG signals [D]. Hangzhou: Zhejiang University, 2018.

[本文引用: 1]

丁其川, 熊安斌, 赵新刚, 等

基于表面肌电的运动意图识别方法研究及应用综述

[J]. 自动化学报, 2016, 42 (1): 13- 25

[本文引用: 1]

DING Qi-chuan, XIONG An-bin, ZHAO Xin-gang, et al

Research and application review of motion intention recognition method based on surface EMG

[J]. Journal of Automation, 2016, 42 (1): 13- 25

[本文引用: 1]

AI Q, ZHANG Y, QI W, et al

Research on lower limb motion recognition based on fusion of sEMG and accelerometer signals

[J]. Symmetry, 2017, 9 (8): 147- 166

DOI:10.3390/sym9080147      [本文引用: 1]

ZHANG F, LI P F, HOU Z G, et al

sEMG-based continuous estimation of joint angles of human legs by using BP neural network

[J]. Neurocomputing, 2011, 78 (1): 139- 148

[本文引用: 1]

隋修武, 石峰

基于改进MPSO-SVM算法的下肢连续运动预测模型

[J]. 天津工业大学学报, 2019, 38 (6): 69- 75

DOI:10.3969/j.issn.1671-024x.2019.06.012      [本文引用: 1]

SUI Xiu-wu, SHI Feng

Prediction model of lower limb continuous motion based on improved MPSO-SVM algorithm

[J]. Journal of Tianjin University of Technology, 2019, 38 (6): 69- 75

DOI:10.3969/j.issn.1671-024x.2019.06.012      [本文引用: 1]

徐俊武, 沈林勇, 章亚男, 等

利用健肢sEMG信号对康复机械腿进行映射控制

[J]. 工业控制计算机, 2019, 32 (5): 8- 10

DOI:10.3969/j.issn.1001-182X.2019.05.004      [本文引用: 4]

XU Jun-wu, SHEN Lin-yong, ZHANG Ya-nan, et al

Mapping control of rehabilitation mechanical legs using sEMG signals of healthy limbs

[J]. Industrial Control Computer, 2019, 32 (5): 8- 10

DOI:10.3969/j.issn.1001-182X.2019.05.004      [本文引用: 4]

TIPPING M E

Sparse bayesian learning and the relevance vector machine

[J]. Journal of Machine Learning Research, 2001, 1 (3): 211- 244

[本文引用: 1]

AU S K, WEBER J, HERR H

Powered ankle foot prosthesis improves walking metabolic economy

[J]. IEEE Transactions on Robotics, 2009, 25 (1): 51−66

[本文引用: 1]

张琴, 骆无意, 黄波, 等

基于肌电信号的下肢关节连续运动预测

[J]. 华中科技大学学报: 自然科学版, 2017, 45 (10): 128- 132

[本文引用: 3]

ZHANG Qin, LUO Wu-yi, HUANG Bo, et al

Prediction of continuous motion of lower limb joints based on EMG signals

[J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2017, 45 (10): 128- 132

[本文引用: 3]

CAI S, CHEN Y, HUANG S, et al

SVM-based classification of sEMG signals for upper-limb self-rehabilitation training

[J]. Front Neurorobot, 2019, 13: 31

DOI:10.3389/fnbot.2019.00031      [本文引用: 1]

陈树, 张继中

基于自适应均值粒子群算法的 SVM 参数优化方法

[J]. 测控技术, 2018, 37 (4): 6- 10

DOI:10.3969/j.issn.1000-8829.2018.04.002      [本文引用: 1]

CHEN Shu, ZHANG Ji-zhong

SVM parameter optimization method based on adaptive mean particle swarm optimization

[J]. Measurement and Control Technology, 2018, 37 (4): 6- 10

DOI:10.3969/j.issn.1000-8829.2018.04.002      [本文引用: 1]

范光辉, 葛科铎, 王璐, 等

基于下肢表面肌电信号的动作模式识别研究

[J]. 齐齐哈尔大学学报: 自然科学版, 2018, 34 (6): 44- 48

[本文引用: 1]

FAN Guang-hui, GE Ke-duo, WANG Lu, et al

Research on the action pattern recognition based on the electromyographic signal of the lower limb surface

[J]. Journal of Qiqihar University: Natural Science Edition, 2018, 34 (6): 44- 48

[本文引用: 1]

SHULTZ A H, LAWSON B E, GOLDFARB M

Variable cadence walking and ground adaptive standing with a powered ankle prosthesis

[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2016, 24 (4): 495- 505

DOI:10.1109/TNSRE.2015.2428196      [本文引用: 1]

张仁志, 崔慧娟

基于短时能量的语音端点检测算法研究

[J]. 电声技术, 2005, 7: 52- 54

DOI:10.3969/j.issn.1002-8684.2005.07.015      [本文引用: 1]

ZHANG Ren-zhi, CUI Hui-juan

Research on speech endpoint detection algorithm based on short-term energy

[J]. Electronic Acoustic Technology, 2005, 7: 52- 54

DOI:10.3969/j.issn.1002-8684.2005.07.015      [本文引用: 1]

卢祖能, 曾庆杏, 李承晏, 等. 实用肌电图学[M]. 北京: 人民卫生出版社, 2000: 424-434.

[本文引用: 1]

戴虹, 钱晋武, 张震, 等

GRNN在肌电预测踝关节运动中的应用

[J]. 仪器仪表学报, 2013, 34 (4): 845- 852

DOI:10.3969/j.issn.0254-3087.2013.04.020      [本文引用: 2]

DAI Hong, QIAN Jin-wu, ZHANG Zhen, et al

Application of GRNN in ankle movement prediction based on surface electromyography

[J]. Chinese Journal of Scientific Instrument, 2013, 34 (4): 845- 852

DOI:10.3969/j.issn.0254-3087.2013.04.020      [本文引用: 2]

/

〈 〉