基于多源信息和粒子群优化算法的下肢运动模式识别

刘磊，杨 鹏，2，刘作军，2

（1.河北工业大学 控制科学与工程学院，天津300130；

2.智能康复装置与检测技术教育部工程研究中心，天津300130）

近年来，由于意外伤害和疾病导致的截肢患者日益增多，已成为亟需关注的特殊社会群体［1-2］.智能人体运动辅助系统可以替代所失去肢体的部分功能，使截肢者恢复一定的生活自理和工作能力.人体下肢运动模式识别技术是智能人体运动辅助系统研究中的一个重要研究方向.

从国内外现有的研究成果来看，根据研究重点的不同，运动模式识别方法主要有3种.1）利用下肢表面肌电信号来识别下肢运动模式.表面肌电信号（surface electromyography，sEMG）是肌电信号在人体皮肤表面的募集，它能提供准确丰富的运动信息，因此，研究人员选其作为下肢运动模式的信号源.Abel等［3］经过研究提取肌电信号特征值，利用神经网络对人体动作进行模式识别.传统的BP神经网络分类容易出现局部最小值导致识别率较低.佘青山等［4］提取肌电信号特征值，采用二叉树组合策略构造基于多核学习的多类分类器识别水平行走时的支撑前期、支撑中期、支撑末期、摆动前期、摆动末期.吴剑锋等［5］将人体下肢动作分解为不同片段，以下肢表面肌电信号为信息源，利用简约支持向量机的方法识别了4个日常下肢动作.He等［6］利用sEMG有效地识别截肢者平地行走、上下楼梯等运动模式，Du等［7］在其基础上加入行走环境的先验信息，实现步态识别.2）在分析人体的结构和运动力学基础上，建立人体下肢运动数学模型来识别动作.人体下肢运动涉及肌肉和神经多个变量因素，各个因素之间相互影响、相互作用，这就为建立人体下肢运动数学模型带来了困难.3）利用安装在身体上的传感器间接获取运动信息来识别运动模式.Stolze等［8］在步态识别研究中利用足底压力信息，并取得一定的成果.Milica［9］利用加速度传感器计算出膝关节和大腿的角度信息，再结合脚尖和脚跟的足底压力对下肢运动步态进行识别.Lau等［10］使用加速度传感器和陀螺仪对人体行走时的步态进行分析.Oscar等［11］采用加速度信号和生命体征信号对跑步、上楼等5个动作应用多层感知器等方法进行分类.

人体下肢运动包含不同的运动模式，如行走、跑步、上楼和下楼等，是一个变化复杂的过程，需要利用多种运动力学信息才能综合表述，才可以提高下肢多运动模式识别的准确度.上述算法存在人体下肢运动特征无法准确描述的问题.为了克服上述方法的不足，本文针对平地行走、上下楼梯、上下坡等多种运动模式，通过对下肢表面肌电信号、髋关节角度、加速度等多源信息的获取和处理，结合粒子群优化算法（PSO）的全局寻优能力和误差反向传播（BP）神经网络的局部搜索优势，利用PSO-BP算法［12］对5种运动模式进行识别.

1 系统描述

为了提高人体下肢运动信息获取的全面性，建立下肢多源信息采集系统，主要包括3方面信息：下肢表面肌电信号、髋关节角度、加速度信号.

1.1 下肢表面肌电信号

sEMG 是从皮肤表面通过电极引导记录的肌肉自主收缩或电诱发收缩（M波）过程中产生的生理电变化.人体不同的动作在sEMG上的表现差别很大.研究表明，下肢肌电信号体现了患者下肢运动的预测性［13］.下肢任何一个简单的动作，都需要多块肌肉的协同作用.由于与下肢运动相关的肌肉很多，选取合适的肌肉群非常关键，比较各个肌肉在不同运动模式下肌电信号变化趋势，最终选取4块大腿肌肉的表面肌电信号作为研究对象，分别是：股直肌、股内侧肌、半腱肌、长收肌.这4块肌肉在信号区分度上有典型性［4-5］.肌肉解剖图如图1、2所示.股直肌、股内侧肌是膝关节强有力的伸肌，股直肌可以屈曲髋关节；半腱肌主要作用是伸髋屈膝，以及膝关节的外旋；长收肌为大腿肌内侧群的组成部分，主要作用是内收、外旋、微屈髋关节.

图1 股直肌、长收肌、股内侧肌示意图Fig.1 Rectus muscle，long adductor and medial vastus muscle

图2 半腱肌示意图Fig.2 Semitendinosus muscle

1.2 髋关节角度信号

人行走时的髋关节角速度是描述下肢运动的物理量.人体处于运动状态时，其下肢会产生周期性的角度变化.对于平地行走，上楼梯或上斜坡等不同运动，一个周期内大腿的摆动角度往往存在差异.因此，本课题利用陀螺仪传感器测出步态周期内髋关节角速度的变化，对其进行积分可得髋关节角度，进一步分析可以判断下肢运动模式.

1.3 髋关节加速度信号

加速度信号是描述下肢运动状态的重要信息.不同的步速、路况会对应不同的加速度，加速度的大小也反映了加速力的大小，该信息直观可靠、物理意义明确.利用加速度传感器对运动信息进行采集，提取加速度信号的关键特征，从而判断运动模式.

2 特征提取与融合

为了准确地识别人体下肢运动模式，特征提取和融合是模式识别的关键，特征提取和融合的好坏直接影响到识别率的高低.

2.1 下肢表面肌电信号特征提取

图3 健康人和残疾人的肌电信号对比图Fig.3 EMG signal contrast of healthy people and disabled people

图3为健康人和残疾人穿戴假肢时的股直肌在相同运动模式下的肌电信号，横坐标Q表示采样点数.不难看出，两者在相同动作下肌电信号的变化趋势大体相似.但由于残疾人的肌肉有一定程度的萎缩，其肌电信号的幅值较健康人稍弱.考虑到肌电信号应用之前需要对不同人的信号进行归一化处理，这种幅值上的差异对下肢运动模式识别的影响可以忽略.单一特征描述肌电信号往往是不全面的，采用时频特征结合的方法提取下肢表面肌电信号特征值.研究表明：在短时间间隔中，肌电信号可以看成平稳信号来处理，肌电信号幅值和能量大小可以表征肌电信号的特点，但缺少细节特征的描述.表面肌电信号的时域特征偏度（η）和峭度（μ）可以很好地描绘细节变化，定义如下：

式中：χ（ti）为肌电信号序列值，N为肌电信号离散化后序列总和，为肌电信号数学期望，为肌电信号的方差.当受试者动作剧烈时，时域信号有较大偏差，为了准确识别运动模式需要借助频域特征.实验表明，同一实验者不同时间同一运动模式的功率谱也有一定区别.本研究选用肌电信号功率谱比值作为肌电信号频域特征，这种方法对提取非特定人肌电信号特征非常有意义.

式中：K为肌电信号功率谱比值，P（f）为功率谱密度函数，f0为功率谱最大值处的频率，α为积分范围.f0可通过方程dP（f）／d（f）=0求解，如有多个解，取P（f）为最大值时的f0.王喜太等［14］研究表明，当α=15 Hz时，特征值可以很好地区分.由于肌电信号绝大多数频谱集中在50～500 Hz，为了消除低频和高频干扰信号，仅对50～500 Hz频段积分.

图4 人体行走步态周期Fig.4 Human walking gait cycle

2.2 髋关节角度特征提取

一个完整的步态从脚跟着地开始到同侧脚跟再次着地截止，分为支撑期（stance phase）和摆动期（swing phase），其中支撑期占60%，摆动期占40%，如图4所示.陀螺仪可以用来测量以（°）／s为单位的角速度，对其进行积分可得髋关节角度.图5给出了健康人5种运动模式的髋关节角度信号.图6是残疾人穿戴假肢平地行走时髋关节矢状面角度比较图.其中，ψ为步态周期百分比.不难看出，健肢侧与残肢侧的髋关节在矢状面方向的角度差异不是很大，但是残肢侧的髋关节摆动幅度比健肢侧的幅度小一些.研究表明：在不同运动模式下残疾人的步态周期为1.5～2.5 s.为了更好地表征髋关节角度的特征信息，可以将支撑期细分为支撑前期、支撑中期、支撑末期；摆动期细分为摆动前期、摆动中期、摆动末期.

图5 5种运动模式髋关节角度信号Fig.5 Five kinds of locomotion mode hip angle signal

图6 残疾人髋关节健肢侧与残肢侧角度比较Fig.6 Comparison of angles of hip between sound limb and residual limb of disabled people

在提取髋关节角度特征时，首先求出在各运动模式下对应的支撑期和摆动期的角度均值θ，然后分别求出在各运动细分模式下对应角度均值θ1，最后以两者求比值作为特征值.

式中：θr为采样区间内髋关节角度值，χr为对应时期的采样点数，wr为细分运动模式下的采样点数.

2.3 髋关节加速度特征提取

人体行走和上下楼梯时髋关节的加速度不同，加速度也是表征下肢运动模式的重要信息.图7～10给出了健康人和残疾人不同运动模式下加速度信号.对每位受试者每种模式运动各100次进行分析后，定义了运动能量，表达式为

图7 健康人5种运动模式下的髋关节加速度X轴电压信号Fig.7 Voltage signals of X axis acceleration of hip of healthy people under five kinds of locomotion modes

图8 健康人5种运动模式下的髋关节加速度Y轴电压信号Fig.8 Voltage signals of Y axis acceleration of hip of healthy people under five kinds of locomotion modes

图9 残疾人5种运动模式下的髋关节加速度X轴电压信号Fig.9 Voltage signals of X axis acceleration of hip of disabled people under five kinds of locomotion modes

图10 残疾人5种运动模式下的髋关节加速度Y轴电压信号Fig.10 Voltage signals of Y axis acceleration of hip of disabled people under fire kinds of locomotion modes

式中：aχi、a yi为加速度传感器χ轴、y轴分量，gχ、g y分别为重力加速度g在传感器χ、y轴分量，L为单周期信号长度.在不同运动模式下，加速度能量峰值有较大差异，可以作为加速度特征值.加速度χ轴与y轴相关性，χ、y轴标准差为另外3个特征值.

2.4 多源信息融合

特征值过多会使分类器训练时间长，人们希望在进行定量分析的过程中涉及的特征值较少，而得到的信息量又不会减少［15］.特征值融合可以减少冗余数据.主成分分析的基本思想是用较少的变量代替原来的变量，而新变量是原来变量的某种组合［16-17］.该方法在多传感器信息融合应用广泛.设不同运动模式下d个样本共有p维特征值，融合算法如下：

1）为了消除量纲影响和特征值大小的影响，将样本变换为平均值为0，方差为1的标准化数据，得到以下标准化矩阵：

4）求第j个主成分的贡献率：

5）选取前m个主成分，使得这些主成分的贡献率满足

6）求前m个主成分作为融合后的特征值：

3 PSO-BP算法

PSO算法具有全局随机搜索最优解和梯度下降局部细致搜索的特点，并且具有较快的收敛速度［18-19］.本文采用PSO算法来优化BP神经网络的权值阈值.该算法基于群体迭代，群体在解空间中追随最优粒子进行搜索.在PSO算法中，每个个体为一个粒子，每个粒子代表一个潜在的解.在每次迭代过程中，粒子通过个体极值（pbest）和群体极值（gbest）更新自身的速度和位置，即

式中：v o为粒子的速度；χo为粒子当前位置，o表示迭代次数；c1、c2为学习因子，学习因子使粒子具有向群体中优秀个体学习的能力；r1、r2为0～1.0的独立随机数；w为惯性因子，反映粒子在运动中受惯性的影响，

其中，wmax、wmin分别为最大和最小惯性因子，ηmax为最大迭代数，η为当前迭代数.

在PSO-BP算法中，粒子群的位置χo表示BP网络的所有权值和阈值.粒子优化的适应度函数为

式中：Z为训练集数目，C为神经网络输出神经元数目，分别为第Λ个样本的第H个网络输出节点的理想输出和实际输出.

PSO-BP算法的基本流程如下：

1）初始化BP神经网络的权值和阈值；

2）设置粒子群参数，包括种群规模、迭代次数、惯性因子最大值、最小值等；

3）初始化所有粒子的速度和位置；

4）计算样本中每个粒子对应的适应度值；

5）如果该粒子的当前适应度函数值优于pbest对应的适应度值，则更新pbest；

6）如果该粒子的历史最优值优于gbest对应的适应度值，则更新gbest；

7）根据式（9）和（10）更新每个粒子的速度和位置；

8）迭代次数加1，检查是否符合结束条件，如果达到最大迭代次数或达到最小误差要求，则终止迭代，否则跳转至步骤4）；

9）用步骤8）输出的权值和阈值对BP神经网络进行训练.

4 人体下肢运动模式识别实验

4.1 实验对象、实验平台

人体下肢的动作包含多种运动模式，本研究主要包括平地行走、上坡、下坡、上楼梯和下楼梯动作.在实验过程中，为避免性别及年龄因素对传感器信号造成影响，本研究选择3位研究生（S1、S2、S3）和1位安装假肢的小腿截肢患者 （S4）作为受试者.为确保实验数据的客观性，3位研究生无任何下肢关节损伤，无肌肉骨骼病史，实验期间身体状况良好，实验前没有进行任何形式的剧烈运动，基本资料（年龄、身高、体重、步长、腿长）如表1所示.

表1 受试者基本资料Tab.1 Basic data of subjects

实验中，选用美国Delsys公司生产的Trigno无线EMG传感器，EMG传感器带有一个嵌入的两轴加速度计，采样频率为1 k Hz.该仪器可以同时采集四路表面肌电信号，采集到的肌电信号和加速度信号通过无线网络传输到电脑.陀螺仪传感器选用村田公司的压电振动陀螺仪传感器ENC-03，数据采集卡选用加拿大Quanser公司的QPID数据采集卡，通过采集卡采集到电脑，采样频率1 k Hz.为最大限度的采集肌电信号，首先对选取的下肢肌肉使用异丙醇垫擦拭皮肤表面的油质和残留，然后使用Delsys胶黏剂传感器接口将传感器放到皮肤上.受试者首先完成平地行走、上坡、下坡、上楼、下楼5个动作5次，这5次为熟悉性操作，随后每位受试者在不同运动模式分别采集200组数据，共1 000组数据.按60%、20%和20%的比例将4位受试者的实测样本数据分为训练样本、校验样本和测试样本.平地行走在跑步机上完成，设定跑步机速度为3 km／h，上下楼梯、上下坡实验在一个由6台阶、3.5 m长、坡度为15°的斜坡上完成.为避免行走速度影响实验结果，受试者上下楼梯、上下坡均以正常速度进行针对所要研究的5种运动模式，搭建上下楼梯、上下坡、平地行走实验平台，实验平台由梯梯、斜坡及平面板组成，如图11（a）所示.图11（b）为下肢多源信息采集系统.

图11 下肢运动模式识别实验平台及多源信息采集系统Fig.11 Lower limb locomotion mode identification experimental platform and multi-source information measurement system

4.2 特征提取与融合实验分析

使用Matlab工具进行仿真，每个样本按2.1～2.3节方法进行特征提取，每个样本特征值为6+4+12=22维，通过主成分分析融合算法对特征值融合.表2给出了主成分分析表，不难看出，前8个主成分的累计贡献率已达到87.998%，累计贡献率为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个主成分作为融合后的特征值.

表2 主成分的贡献率和累积贡献率Tab.2 Principal component contribution rate and cumulative contribution rate

4.3 BP网络结构设计

BP神经网络输入节点数目为8，输入层与隐含层之间采用S型函数，隐含层与输出层之间采用S型函数.待识别的运动模式一共有5种，为提高BP神经网络的训练效率，输出层的神经元节点数设置为3，分别用［0，0，1］、［0，1，0］、［1，0，0］、［1，0，1］、［0，1，1］5种不同的输出结果表示平地行走、上楼、下楼、上坡、下坡.由于神经元的激励函数选用的是S型函数，期望输出为0或1可能导致算法不收敛，本文算法中用0.1代表0，用0.9代表1.隐藏层的神经元节点数的选择根据参考公式确定.Michael［20］认为当l＞q时，隐藏层的神经元节点数取表示样本的输入节点数，q表示样本的输出节点数.本文中隐藏层节点数是.因此，BP神经网络的结构为8—5—3.

4.4 PSO优化BP神经网络

BP网络初始权值有8×5+5×3=55个，初始阈值有5+3=8个.粒子的维数是55+8=63维.粒子群参数设置如下：粒子种群数目为40；c1=c2=2；r1、r2∈ （0，1.0）；wmax=0.9，wmin=0.4.粒子在63维空间中对BP网络权值阈值寻优，然后采用BP算法训练经过粒子群寻优的权值和阈值.PSO优化BP神经网络算法用第3章的方法编程.

4.5 实验结果

利用实验数据对相同结构的PSO-BP神经网络和BP网络进行训练，设置网络训练最大迭代次数为2 000，误差目标为10-5，n为训练次数，ε为均方误差.网络训练时的收敛曲线分别如图12、13所示，比较结果见表3.PSO-BP网络收敛速度和精度优于BP网络.因此，选用PSO-BP网络对运动模式进行识别.

图12 BP网络训练误差曲线Fig.12 BP network training error curve

图13 PSO-BP网络训练误差曲线Fig.13 PSO-BP network training error curve

表3 BP和PSO-BP算法训练结果比较Tab.3 Comparison of training results between BP and PSOBP algorithms___________________________

表4 受试者下肢运动模式识别正确率Tab.4 Lower limb locomotion-mode recognition accuracy

将PSO-BP训练好的网络保存后，作为测试数据识别的工具.表4给出了下肢运动模式识别率r及每种运动模式的平均识别时间t.每种运动模式的平均识别时间小于残疾人的步态周期，表明本文提出的识别方法有较好的实时性.在测试的200×4组数据中，共有766组被正确地识别出来.实验结果表明，受试者的平地行走、上坡、下坡、上楼、下楼5种运动模式的识别率分别达到98.13%、100.00%、98.75%、95.00%及93.75%，平均识别率为95.75%.本文方法与单独利用肌电信号的步态识别［21］和单独利用腿部运动信息的步态识别［22-23］方法相比具有更高的识别率.其中，上坡、下坡、平地行走运动模式识别出错较多，原因是相似动作之间的混淆分类.实验使用的实验平台是依照建筑无障碍通道的15°坡度，斜坡坡度较低，上、下坡运动模式与平地行走模式的数据较相似，造成部分样本的误识别.

5 结 语

为了提高人体下肢动作模式识别率，利用加速度传感器、陀螺仪传感器、肌电信号传感器搭建人体下肢多源信息采集系统.提取这3种信号的特征，并将此进行多源信息融合，结合PSO算法和BP神经网络提出一种新的下肢运动模式识别方法.实验结果表明：该算法能正确地识别下肢运动模式，丰富了人体下肢运动识别的方法，为人体下肢智能辅助设备的研发提供了理论基础，但是该方法距离实用性还有一定的差距.基于PC机的多源信息采集系统比较庞大，下一步工作的重点是开发出一套小型化嵌入式信号获取系统，以便于信号的采集与识别.

（

）:

［1］杨鹏，刘作军，耿艳利，等.智能下肢假肢关键技术研究进展［J］.河北工业大学学报，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，FORSTER 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，罗志增，等.基于多核学习的下肢肌电信号动作识别［J］.浙江大学学报：工学版，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］吴剑锋，吴 群，孙守迁，等.简约支持向量机分类算法在下肢动作识别中的应用研究［J］.中国机械工程，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，汪嘉杨，郭淳.PSO算法优化BP网络的新方法及仿真实验［J］.电子学报，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，王强，张晓玉，等.基于肌电传感器的下肢残肢康复训练模式识别的研究［J］.中国康复理论与实践，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］鲍必赛，楼晓俊，李隽颖.主成分分析在震动信号目标识别算法中的应用［J］.华中科技大学学报：自然科学版，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.多传感器数据融合的主成分方法研究［J］.计算机工程与应用，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，雷璐宁，熊庆宇.基于二次特征提取与SVM的异常步态识别［J］.仪器仪表学报，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］罗勇，和小娟.基于组合特征和PSO-BP算法的数字识别［J］.信息与控制，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，刘鸿宇，黄武.基于加速度的小波能量特征及样本熵组合的步态分类算法［J］.传感技术学报，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］苟斌，刘作军，赵丽娜.基于相关性分析的下肢假肢步行模式预识别方法研究［J］.东南大学学报：自然科学版，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.