文摘

运动相关的人类活动识别使用可穿戴传感器可以使各种有用的日常应用。迄今为止,大多数研究把它作为一个独立的数学分类问题没有考虑人类运动的物理性质和时间信息。因此,他们受到数据依赖和遇到的诅咒维度和过度拟合问题。他们的模型是很难被直观地理解。给定一个特定的运动组,如果结构领域知识可以手动,最好可以用于识别特定的动作。在这项研究中,我们从一开始对自然物理特性的深入分析和时间反复转换人类运动的可能性,然后提出一个有用的复发性转换之前的以知识为基础的决策树(RT-PKDT)模型的人体运动识别的过程。RT-PKDT利用时间信息和层次分类方法,使传感器流数据和人类知识的补偿可能的数据不足。实验结果表明,该方法执行优于采用相关的工作,如支持向量机、BP神经网络和贝叶斯网络,获得96.68%的准确性。

1。介绍

人类运动相关的活动识别(HAR)是其中一个最有前途的研究主题为各种不同的领域,已经吸引越来越多的研究者的关注。物联网的蓬勃发展(神往),传感器已广泛应用于哈尔应用程序,由于不需要的优势提前部署,数据量小,成本低,功耗。传感器哈尔在各种技术(1- - - - - -3),已吸引巨大的关注和应用各种人们为中心的应用领域,如医疗(1),应急救援(2),而智能家居监控(3]。

然而,获得足够的信息从传感器数据序列恢复身体运动正确的参数是一个具有挑战性的任务有两个原因。第一个是人体大量的自由度配置,导致高加载计算,第二个是很大的可变性和不确定性在电动机运动用于给定的运动。

解决第一个问题,最相关的作品使用数据驱动的方法往往需要多个传感器的优势(4),如加速度计、陀螺仪、指南针传感器、湿度传感器,等等,不一而足,扩大输入数据集来实现更多的信息。多个传感器节点安装到不同的身体部位监测人体运动与多个自由度。在[5],Stiefmeier传感器研究了有界不同的身体部位,如躯干,袖子,胳膊,手,有助于识别复杂的人体运动。上述方法在某种程度上扩大数据源;然而,引入冗余数据计算不仅可能导致额外的负担能力,但也造成维数灾难问题6),相反会降低分类器的性能。数据驱动的方法几乎不考虑运动的性质和提取最重要的功能通过实证分析或工程方法(7,8]。为了解决这个问题,更要注意关注人类运动的物理性质特征为识别和过滤关键信息。Ghasemzadeh和贾法里8]介绍小说分类模型识别物理运动穿在身上惯性传感器同时协作性质和物理的组合不同的身体关节考虑。与物理信息,8保持93.3%的分类精度。

为了解决第二个问题,介绍了概率和统计方法来克服人类运动的不确定性。嗯(13)和贝叶斯网络(7)是最广泛的算法来解决这个问题。贝叶斯网络处理不确定性,错误或丢失传感器测量。尽管这些分类器假设条件的独立特性,分类器产生良好的准确性提供了大量的示例数据。隐马尔科夫模型(HMM)可能是最受欢迎的生成方法,包括时间信息。嗯是一种概率模型与一个特定的结构,可以方便地从数据中学习,一旦学会了一个模型,来解释数据和既简单又有效的实现。贝叶斯网络和摘要的基础统计时间模型;然而,每个特定的活动应该建模和模型先验概率模型训练前要准备好。然而,准确的概率是很难获得由于人类运动的复杂性和主体性,以及大量的实际数据的要求。动作同时执行不同的环境下,比如应用在医疗和紧急救援1,2,14]。

数据驱动的方法可能覆盖大多数应用程序,但他们可能不适合一些特定的场景。在[Bousquet声明15),特定的知识可以帮助提高泛化性能。相应地,知识方法更适合应用程序特定的背景,即直接的人类知识。知识活动识别是建立在观察,大多数活动,特别是发生在一个相对具体情况的时间,地点,和空间。知识活动建模和识别打算利用丰富的领域知识和启发式活动建模和模式识别(16]。基本原理是使用各种方法,特别是知识工程方法和技术,获取领域知识。与数据驱动的活动从大规模数据集建模学习模型和识别活动通过数据深加工方法,知识活动建模可以避免许多问题,包括要求大量的观测数据,时出现的不灵活性需要计算每个活动模型学习,缺乏可重用性,结果当一个人的活动模型不同于另一个的16]。

为特定的应用程序,目标运动通常是固定和结构化可以手动为更好的获得和利用领域知识识别特定的动作。完成动作或活动在一个特定的序列。这些规则可以提前获得,我们可以使用这些关系来帮助识别活动。在这些条件下,先验知识可以启发人类活动识别的基础上,数据驱动的方法。

在本文中,我们提出了一个连续的识别方法RT-PKDT(复发性转换基于先验知识的决策树)来识别人类运动相关的活动,考虑的概念模型。通过深入挖掘通常理解动作,被认为是一个概念性的运动模型。时间信息被认为是和反复变换方法提出了实现连续的人体运动识别。与应用RT-PKDT运动分类和支持向量机(SVM)的集成使用RBF核函数,它可提高分类性能,使数据本身的不足。结果表明,我们提出的方法比传统的方法,如支持向量机,英国石油(BP)和贝叶斯网络,取得了一个通用的正确分类率为96.68%。

2。建设PKDT

先验知识在整个分类过程起着很大的作用。为了解决上述问题,我们试图把更多专业知识分类器实现的目标提取和使用关键特性来提高分类性能的运动识别的过程。在本节中,我们提出一个新方法,基于先验知识的决策树(PKDT),通过探索丰富的领域知识活动分类而不是学习他们从数据中看到数据驱动的方法。

可能会有很多不同的活动在日常生活中,我们不能考虑所有,我们最常出现运动对于医疗和紧急救援场景包括站、撒谎,散步,跑步,走上楼,走下楼,电梯(电梯楼上的简称),和电梯(电梯楼下的简称)。集可以由活动情况

2.1。概念运动模型

至于活动识别问题,先验知识反映在我们对运动的理解。一般认为,人类运动可以从多个属性进行描述,如强度,方向,速度,等等。在某些方面,这些属性体现运动的特点,可以与一系列的关键特性,最突出地反映了身体活动之间的差异。这些关键功能可用于组织不同的活动分成几个子类,因为他们有各种各样的分布重叠在同一个属性。我们从而使最常识的知识探索日常人类运动的物理属性来构造概念运动模型,如图1。我们模型属性的人类运动强度,方向,速度,身体姿势,和持续时间。每个属性代表了人类运动从一个特定角度在侧视图。详细的解释和分析描述如下:(我)强度:不同的运动行为不同运动强度的性能。在日常生活中,活动,如散步、跑步、步行上楼,走下楼,包含了一系列的周期性的机械动作,同时活动,如站、撒谎,ElevatorUp elevatordown,几乎是相对静态的,周围的环境。因此,采取不同的活动之间的强度属性的不同,我们可以将活动情况下组划分为两个子类,前者处于活动状态的活动而后者其他活动。加速度的特性,比如平均值(MeanValue_acc,如图2(一个))在某种程度上与活动相关的强度属性。区分活动和其他活动可以很容易地用强度相关功能的使用。(2)取向:运动方向也是常识意义上最直观的属性。作为陆地的参考坐标系统通常被认为是默认的坐标系统,日常活动可以分为两个子类:(1)垂直运动,包括WalkingUpstairs、WalkingDownstairs ElevatorUp ElevatorDown ,和(2)水平运动,包括 。气压计传感器的压力值有直接反映它们之间的特点和差异。特征提取压力值,如差压测量值在给定的时间窗口(压力 ,如图2 (b))直观地显示压力,即高度,会随着时间而改变。(3)速度速度:速度可以清晰、有效地描述人类重复运动。考虑活动之间的明显差异与不同的运动速度,我们可以集体活动相对较高的速度运动和相对较低的速度运动,以跑步和散步为例。它也适用于WalkingUpstairs(或WalkingDownstairs)与ElevatorUp(或ElevatorDown)。功能,如加速度方差(),意思是穿越的速度加速度和陀螺仪(MCR_acc)反映了传感器数据的振动的活动。(iv)体位:人类活动可以看作是一系列的身体运动的组合,而不是由一个单一的身体部分,这意味着可能出现的区别从体位传感器安装。某些活动,换句话说,它可能有类似的传感器数据的分布从一个身体,而明显区别时将看到一些身体部位的查看数据分布在一起,可以利用的区别。例如,站和两个静态活动,而传感器躺在单一的身体几乎是不变的。很难区分彼此的数据只有一个身体。然而,如果数据从传感器安装到脚踝和肩相结合,这两个位置之间的压力差(PressureDiffer_作为)将极大地促进这两个活动的区别。(v)持续时间:每个活动持续一段时间,这很容易理解,一个合理的时间窗口更好区分活动是必要的。如果我们当然知道一个特定活动持续多久,我们可以获得更多有用的信息分析的帮助下整个活动过程。之前的研究没有统一的确定的时间窗口长度已经部分中讨论2。在这项研究中,我们采取实证窗口2秒的长度,为了避免问题的复杂性和提高分类器的泛化性能。

上面的属性构成各种活动。一个功能可以对分类过程基于一个属性但不得向另一个。本文研究的目的是使大多数的差异活动的属性来区分他们。因此我们探索丰富的常识提取关键特征构造一个基于先验知识的决策树模型分析属性的分布方法在下一节中详细。

2.2。在以知识为基础的决策树

上述提出的概念模型建立了通过作业活动和概念之间的联系信息属性和可以理解和区分不同的运动更好的视角。同时,多级分类可以在步骤完成其中一个采用一个属性为基础。通过这种方式,构造层次关系链接概念通过活动属性与传感器的观测信息。上述因素同样使决策树分类器的第一选择的优势更容易构建多层次启发式结构作为决策树的if - then规则是一组先后应用于输入数据。基于活动属性的分析,我们提出一种融合方法,以知识为基础的决策树(PKDT)之前,要实现的目标分类分层的方式,同时追求一个更好的泛化性能。

利用不同属性的特点,基于典型的启发式决策树分类模型显示在图3。在这种二叉树结构,每个内部节点被替换为一个活动属性相关的二元分类器,所以,一个multiclassification问题转换为多个二元分类问题,可以充分利用利用平衡二叉树和内部二进制subclassifiers。

支持向量机(SVM) [17)选为内部分类器和可能的置信概率(CP)每个候选的类通过决策值(17),表示为 。类的最大概率被认为是估计的结果。对支持向量机分类器分类类,它可能给每个分类器的决策价值,可以映射到置信概率的激活函数,即

作为显示在图3,我们提出PKDT 3层 的内部分类器层。在层,进一步分为输入实例子类。的分类器的层,其功能是歧视 ,给出了内部决策值分类结果。决定生成的值层可以表示为 ,而 , 。在底层,最终决定价值为候选人通过乘法运动实现 , 。为一个特定的实例在时间 ,置信概率的th人类运动(映射)。分类结果()是最大的CP和由中间结果所示 在哪里与最大置信概率的分类结果,从1到8有8个候选人人类的动作。

基于上述融合方法,分层显示的优点,一个平衡的二叉决策树构造的每个内部节点被替换为一个活动属性二进制subclassifier。值得强调的是,五个属性的运动可能会使没有相同的贡献活动分类,这样可能会有一个特定的组合方法PKDT中使用这些属性。上面提到的5个属性中,时间被看作是一个固定的参数在这项研究。强度和方向的某些指标,可以单独一个人,而频率和体位属性相对论的本质使得他们只适合当地的区分,而不是全球区分。考虑到的另一个原因,最大的属性分类性能应放置在根分类器为了得到一个更好的结果连同后者分类过程。通过实际验证,证明结构是最有效的一个。

在PKDT方法中,知识识别路径流动从根节点到叶子节点,经过活动属性相关的内部分类器。通过这种方式,可以在一定程度上避免过度拟合问题。然而,时间信息还没有考虑,在某些情况下,可以用于减少计算层之间的关系。

3所示。复发性转换模型

复杂的人类运动通常由多个原始事件发生在平行或顺序在一段时间内。理解如此复杂的运动需要认识到不仅每个事件,而且,更重要的是,捕捉他们的时间依赖关系。这是在特定的情况下检测的各个事件贫穷是因为可怜的跟踪结果,闭塞,背景杂波,等等。在本部分中,研究了各种人类运动之间的转换关系,我们提出一个层次反复变换模型对人体运动识别。

模型通过两个方面的考虑:人类运动的物理属性和时间转变人类运动之间的依赖关系。自从PKDT已经考虑物理信息,在本节中,我们主要介绍如何将时间信息包含在运动分类过程。

3.1。时间转换模型

我们现在给一个正式的描述人类运动的顺序变换。让是一个有限字母表,每个元素其中代表一个单一的运动。我们表示所有可能的字符串的集合 。人类活动的一个观察序列是一个有限的字符串用 。这些时间转换约束之间的不同的运动是通过统计嗯和贝叶斯网络方法(7,13]。

然而,在实践中这些概率并不可用,因为人类的运动通常是随机和突发性的。考虑,我们把人类知识约束以外的统计概率。在人类的常识,应该有运动之间的因果联系。例如,跑步后应该有一个“走”一段时间;然后它会“站”或者“运行”。然而,它是不合理的,“说谎”之后立即“运行”(不考虑下降,至少是一个转换过程)。没有特殊情况,可能不合理的突然改变从“躺”到“楼下。“图4根据人类意义上只是显示了可能的过渡关系,每一个箭头代表的是人类日常运动之间的转换成为可能。

这些认知约束,更精确的模式识别可以意识到,它将显示在以下研究。所有这些可能性和不可能可以如图堂4根据人类的先验知识。详细的过渡关系证明表1,“1”代表的可转移,“0”代表不可转让的。

CP是置信概率的活动分类,可以从支持向量机分类器实现(17]。 的转移矩阵表示可能之间的转换时间吗 和时间 。预期的输出与最大置信概率的分类结果。考虑到上次的识别结果 ,表中描述的约束1转移矩阵中包含 ,应该不可能仅限于0作为过渡自信是设置为0。通过这种方式,在特定的时间完成分类过程 。

此外,除了可转让性,颞动作之间的连接也应纳入分类过程。对于促进描述,我们模型运动之间的可能的可转让性与显示在表的约束1。可能的转换是根据常见的先验知识和不依赖于数据采集和统计。它可以被视为一个简化马尔可夫模型转移概率是设置为“0”或“1。”运动在给定的时间 ,昔日的运动状态被认为是。与真值表1排除一些不合理的转换,和可能的转换,如图5。这些可能的转换是由线,而不合理过渡到常识这些州之间绘制一条线。尤其是两个红线图5,这意味着一个中间状态(“站”,“躺”或“躺”“站”)分别被视为与其他运动相比,过程相对较长。

然而,可能仍然存在一些问题。在某些情况下,给定一个之前的状态 ,可能的下一个状态的估计结果是限制在一定的范围内。当前人类运动显然是与历史有关的运动在一个时间窗口。上面提到的方法合并可能的转换到人类知识分类过程;然而,时间信息没有被充分利用。更多的历史信息可以添加到分类过程。

为了这个问题,提出了一种二阶过渡模型如图5。先验知识被认为是在一定的时间 ;其当前状态直接相关的状态和未来可能的状态,也就是说,国家在时间 和 。可能二阶图中描述人类运动之间的转换5。同样的,一个二阶过渡矩阵 , , 可以导出,也可以很容易地计算出如果 维护好。他们的关系可以表示为 在哪里 。即二阶过渡矩阵是一阶矩阵的平方。不合理的判断与二阶跃迁矩阵考虑排除。值得提及的是更多的时间信息,可以得到更好的识别结果。但概念模型是相当复杂的二阶模型已经复杂。所以只有第二过渡模型采用。识别目标可以更新

3.2。复发性基于先验知识的决策树

与被统治如图顺序的过渡关系5识别可能会意识到,这些规则添加到PKDT方法。结合规则可能纠正一些错误分类的结果,当不考虑过渡信息。然后反复过渡先验知识(RT-PKDT)提出了决策树方法。这个分层规则约束方法利用运动之间的时间信息分层分类决策树,一起在图所示的模型6。

RT-PKDT综合分层分类和时间转换法的优点。人类可读,结合先验知识的分类过程,同时考虑人类运动的时间特征。如图6在特定的时间 ,分类的过程是由PKDT方法进行。分类过程可以分为以下三个步骤:在时间 :(1)首先,处理原始数据提取和选择功能。运动过渡边界显示在图4被认为是。集成的结果体现在使用时间 与一阶过渡矩阵 。这个约束,排除不合理的状态,并进一步分类是由PKDT完成。(2)与PKDT结构,置信概率矩阵。CP是选为候选人最大的目标运动的结果 。(3)以上时再次进行相同的操作 和结果是实现。然后,结果在时间与二阶跃迁矩阵更新,代表(5)。最后是被表示为分类结果 。

通过上述过程我们可以看到,在RPKDT方法,最终结果是有界的最后一次(时间吗 )的结果和下一个时间(时间 )的结果 。

3.3。特征选择

为了有更大的灵活性和更好地描述不同特性的分类能力,我们引入一个量化机制,每个subclassifier所需的最佳组合的特征提取。详细的算法将显示如下。

3.3.1。特性量化

正如上面分析的,应该有更少的一个关键特性分布重叠,所以我们引进的概念散度(9数字转换类可分性。虽然比可以反映特征的区分能力向量对经济活动和 ,散度(9可以表示为 和一个特性AverageDivergence表示为 在哪里和代表活动的概率和 。

更大的功能的AverageDivergence是,更大贡献活动特征的可分性。作为AverageDivergence直接反映了一个特征的区分能力和与分类精度的线性关系,在这项研究中,我们把它作为一个标准的过滤特性。

3.3.2。特征选择

在这项研究中,50的特性,广泛应用于相关文章(2- - - - - -7,13,15)为候选人的选择,选择喜欢的意思是,方差,四分位范围,信号幅度区域(SMA),等等。然而,功能应用的数量在一个分类器并不是最好的。特征选择可以实现从两个方面:(1)删除无用的功能和(2)删除相关的组件。为了更好的解释这个问题,我们提出一个Divergence-based特征选择算法(DFSA)的基础上浮动搜索方法(18]。DFSA详细如下。

特性集,由特性( 摘要),我们的目标是找到最好的一个功能子集 特性导致的最大平均散度,即最佳的分类性能。表示 最好的组合和其他特性 特征表示为 。我们保留所有最佳子集的低维度 分别对应 特性。重要的功能定义,一个特性的重要性。的特性 , 表示为 的功能没有 , 表示为 在选定的功能设置 ,最重要的特征被定义为特征散度最大的贡献,对吗 最重要的特性被定义为最小的特性差异的贡献,对吗 同样,在候选特征集 ,最重要的特性被定义为特征散度最大的贡献,对吗 和最重要的特性被定义为最小的特性差异的贡献,对吗

该算法的核心是在下一步中,借一个特性构建 th,关键特性子集 ;然后回头低维子集来验证是否平均散度已得到改进,添加新功能。如果是这样,用新的替换先前选定的功能。获得的最佳特征子集最大化每个分类器的分类性能,DFSA算法描述所示1。

4所示。实验和分析

本节描述详细的实验设置和结果演示RT-PKDT的典型的分类性能。详细对比RT-PKDT和几个现有的方法(SVM,英国石油(BP)和贝叶斯网络)进行验证RT-PKDT的适用性。

4.1。实验设置

我们的活动识别平台包括五个传感器单元安装到身体的不同部分中列出位置情况下设置为集体检测过渡运动中列出活动案例集。每个传感器单元有六轴传感器(MPU6050于一体的三轴加速度计和三轴陀螺仪),和一个气压计传感器(MS5611)。五个传感器单元连接到微控制器(STM32F103)通过电缆电线的抽样效率10赫兹的速度和数据实时记录到SD卡。整个系统架构是显示在图7。

实验是对数据集进行采样,上述平台10赫兹。超过30000个样本的每个活动中列出活动设置被和一个10倍交叉验证应用于确保样本集足以保证分类精度和泛化性能。我们使用了数据收集平台和执行所有处理离线工作在MATLAB与电脑(英特尔酷睿i5 - 3210 m CPU, 8 G RAM)。我们的数据集是开源https://github.com/Ethan-Xu/PKDT-dataset。

此外,一个公开的数据集9采用其他方法相比。在这个数据集,共16人,6个女性和10个男性,23岁至50年,不同的身高,体重,和宪法参与收购的测试数据集。他们都要求遵循一个计划活动的执行顺序,使我们能够覆盖所有活动(包含所有活动活动例)。测试候选人被要求执行他们的个人风格没有严格的编排。他们甚至被鼓励执行相同的活动不同,有时在执行这些活动,人类观察者可以准确识别它们。数据记录在室内和室外环境seminaturalistic条件下。测试的传感器被放置在带候选人在右边或左边的身体的一部分。

4.2。结果分析

验证RT-PKDT在哈尔的有效性问题,支持向量机,工作和贝叶斯BP神经网络算法是应用最广泛的算法研究的HAR蛮力的比较。我们使用WEKA实验者环境工具包,有或没有考虑过渡。

基于径向基(RBF)内核采用SVM使用LibSVM [17通过网格搜索技术与自动参数选择。对于BP神经的工作,我们的标准方法采用学习速率(递归地评估值12使用交叉验证)和动量。描述的方法(7应用作为一个典型的贝叶斯网络的例子。10倍交叉验证独立应用于每一个分类器,实验结果如表所示2。从表2我们可以看到四个算法显示不同数据集分类精度。

根据性能,对收集的数据集,它们可以按照以下顺序排序:RT-PKDT > BayesianNetwork > SVM > BP。此外,RT-PKDT显示全球平均分类精度最高的分类反映了高稳定性。类似的性能也提出了在公共数据集(9]。在每一个独立的活动,RT-PKDT还提供了一个更好的性能在分类精度和稳定性。支持向量机和贝叶斯网络呈现类似的效果,但它们都显示严重不同动作的识别精度的一致性。对于一些特定的人体运动,精度很低。他们不执行测试活动的一些可能有类似的功能分布导致分类的模糊边界的过程。这可能是因为训练多层感知器是相对复杂的识别问题,导致过度拟合。除此之外,英国石油公司的长期消费在训练阶段使其不适合实时应用。

为了更好的比较,表3演示了几个相关的实验结果,运用决策树的方法,神经网络、神经网络和支持向量机。在与自行设计的算法中使用的表2,更好的结果与改进的这些相关的作品,特别是在8]准确性高达93.3%。然而,我们提出RT-PKDT方法仍然是最高精度96.68%。此外,RT-PKDT使运动的物理属性的优势使得它更容易阅读和理解,同时改善了分类性能与时间信息考虑在内。

4.3。与深度学习的方法

除了上述方法外,深度学习是当前研究的热点。深度学习一般指机器学习的一个分支基于一组算法,试图模型高层抽象数据通过使用深度图和多个处理层,由多个线性和非线性变换。深度学习技术优于许多传统方法在计算机视觉和音频分类。对人体运动识别问题,一些相关的研究已经完成。例如,德和Roggen [19)提出了一个通用的深框架(DeepConvLSTM)活动识别基于卷积和LSTM复发性单位。LSTM也可以使用的时间信息是本文强调通过。DeepConvLSTM评估在两个公共活动识别数据和精度约为90%。

然而,存在的问题,深度学习方法有很强的依赖数据的大小。人类运动相关的活动识别很少能满足这种需要的大量的数据。是在收集的数据上进行对比实验本文通过DeepConvLSTM方法。只有22%的精度,与96.68%的RT-PKDT进行比较。结果表明,深度学习方法不适合人体运动识别问题由于其数据大小的依赖。

5。结论

这项工作的主要贡献是知识的建议方法识别运动相关的人类活动。在这项研究中,我们建立一个概念模型的运动相关的活动与探索共同的领域知识与时间信息考虑在内。RT-PKDT可以被视为一种识别方法与知识应用到处理数据,同时涵盖了数据驱动方法的优势。与一组分层规则先后应用于识别过程,RT-PKDT显示了更好的识别精度(平均96.68%)。与其他算法相比,我们提出HPKDT方法分类精度以及最高效率相当高。RT-PKDT的效率是由以下三个因素。第一个因素促进分类精度是不同的活动的属性的深入分析,集中功能可以更加体现了差异。提高性能的第二个因素是充分利用人类运动的时间依赖关系。除此之外,通过修复方法估计结果的反馈时间结果在时间 。复发性过渡运动之间的关系最大程度上使用时间信息。RT-PKDT提高分类性能,将知识引入分类器和引进一套分层规则先后应用于输入数据。以上原因导致RT-PKDT出色的性能。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持中国国家重点研发项目,没有。2016年yfc0901303,中国国家自然科学基金项目(国家自然科学基金委)。61671056,61302065,61304257,61402033,北京自然科学基金项目。4152036,和天津科学技术没有特殊的计划。16 zxcxsf00150。