行走步态相位检测基于加速度信号使用Voting-Weighted集成神经网络

文摘

人体步态识别阶段是一个重要的康复训练机器人的技术,人类疾病诊断、人工假肢,等等。步态信息的识别方法的有效设计的关键问题是当前步态阶段划分和特征值提取研究。摘要小说voting-weighted集成神经网络(VWI-DNN)检测不同步态阶段提出了从多维加速度信号。更具体地说,它首先利用步态信息收集不同IMU传感器数据采集系统固定在人的下肢。降维与四阶段划分预处理,选择关键特性和合并统一向量学习常见的时域和领域知识。接下来,多个精制款转移到设计一个多流道集成神经网络,利用mixture-granularity信息利用高维特征的代表。最后,voting-weighted发达融合不同的子函数作为一个统一的表示区分小步伐的不同阶段之间的差异。的端到端实现VWI-DNN模型优化梯度反向传播调整的损失。实验结果证明了该方法的性能优于高分类精度与其他方法相比,分类精度和macro-F1高达99.5%。提供更多的讨论表明结合其他作品的潜在应用。

1。介绍

作为最常见的人类行为,行走方式与健康状况和个体差异,可以显示不同的步态阶段(1]。检测的结果步态相位可以为疾病诊断和康复提供参考(2,3),这是病人的临床康复具有重要意义。例如,估计有110万名儿童步态障碍可能来自不同的躯体感觉疾病在美国(3]。此外,研究人员已成功地计划人形机器人使用人性化步态轨迹生成通过步态分类(4),以及持续控制可穿戴辅助设备如机械假肢(5和矫形器6]恢复下肢的流动性。例如,燕et al。4)提出,步态相位检测也可以用来促进发展人类的辅助设备,如医疗踝关节(AF)、髋关节(香港),膝盖和踝关节(KAF)整形设备,以及外骨骼和其他设备。同样,步态相位检测在运动医学中起着重要的作用7和康复医学8]。

计算方法为步态阶段识别分为两大类。第一类是由算法,基于阈值划分步态阶段选择生或处理过的数据(9]。其次,近年来出现了一些深度学习方法替代上述技术,依靠传统的分类算法。有些人深度学习算法应用于不同类型的传感器来检测步态阶段。例如,慕克吉et al。10提出一个完全自动化的额(即。,employing front and back views only) gait phase recognition approach using the depth information captured by multiple Kinect RGB-D cameras. However, the captured image information is easily disturbed by the external environment. Rosati et al. [11]提出了一种层次聚类的方法来实现人类步态识别阶段通过处理肌电图(EMG)收集的数据在步态,已改善上述问题,易受环境干扰。然而,肌电信号采集肌电图数据时容易出汗等因素。丁等。12)进一步提高上述肌电图方法的问题,提出了比例模糊算法实现步态的顺利识别阶段脚压力信息处理,但脚下的压力会影响佩戴者的体重,负载,和其他因素13),压力传感器也有高失败率。近年来,研究人员开始研究步态相位识别方法基于惯性传感器(IMU)。这主要是由于这一事实可以获得更多的信息,采用少量的惯性传感器模块和大部分的惯性传感器模块是安装在腿和脚,以避免损坏或不适佩戴者(14]。同时,IMU的信息基本上是不受人类影响体重,物品,衣服,汗,和其他因素,这是一个突出的优势相比,足底压力或肌电信号检测的方法。此外,惯性传感器非常符合成本效益(15)和加速度信号通过惯性传感器在步态周期中表现出典型的波形特征。先前的研究定位惯性传感器在脚背,大腿,小腿16- - - - - -18]。本文认为脚背的位置,小腿,大腿,因为分类器有更好的分类性能在下肢位置(19]。

识别系统,本文设计一个有效的和自适应的步态检测方法。一些研究(13]表明,大量的信息可以通过使用少量的加速度传感器,位于腿和脚来减少传感器损伤和不适的人穿着传感器。在本文中,我们描述一个系统,使用三个惯性传感器模块获得的加速度信息的人体下肢。收集到的加速度数据降低了主成分分析(PCA)算法,其重点是提取原始数据的特征信息和搜索一组正交low-wiki函数代表一组高维数据,提高识别率和识别速度20.,21]。然后,本文将人类步态划分为三个阶段,提出了一种划分方法的三个步态阶段。最后,本文提出了一个VWF-DNN步态相位检测的算法,这是灵感来自综合学习。VWF-DNN算法的核心思想是使用三个subneural网络有明显差异,输出最终的分类结果通过投票算法设计。设计精度较高的VWF-DNN将进一步评估学习和不熟练的数据来测试其适用性与加速度分类。

提出了一种检测算法模型步态阶段,使用加速度数据从脚背,小腿,大腿,准确检测两个步态阶段的事件。最后,提出VWI-DNN算法的有效性在步态相位检测验证了最终的识别结果。

2。材料和方法

2.1。数据收集

20个志愿者与体重46公斤到88公斤,身高在155厘米到190厘米范围内招募实验数据收集。个人信息的细节图所示1。受试者没有物理或神经损伤他们的腿和脚,可能影响行走步态相位检测。

与传感器制造工艺的提高,本研究选择三个IMU模块作为便携式设备获取加速度信息。惯性传感器模块放置在足背,外层的小腿,大腿的外侧。脚背上的加速度传感器的布置,小腿和大腿监视下肢运动如图2。解决三轴惯性加速度传感器模块实验中使用的是6.1e−5 g,态度测量的稳定性是0.01°,实验中的传输波特率设置为115200个基点。

在这个实验中,所有的参与者被要求配置的跑步机上走路至少120年代与速度为0.78米/秒,1.0 m / s, 1.25 m / s,分别。参与者在跑步机上走通常三次在每个速度,设置在每个状态相同。为了防止参与者由于疲劳,影响步态实验要求参与者为每个步行休息2分钟测试。此外,数据只保存直到跑步机的运行速度达到设定的速度。实验时停下来,跑步机开始慢下来,我们停止收集数据。此外,每个参与者被要求执行相同的实验在相同条件下,确保收集过程的可靠性和有效性。

2.2。数据预处理

由于每个数据样本包含多个特性从不同传感器和每个数据在同一IMU模块包括三个加速度数据X,Y,Z方向,丰富的数据与不同维度将导致过度检测模型的复杂性和容易过度拟合。为了减少数据集的维数,采用PCA方法合成三向加速度信息每个IMU的传感器到一个新维度变量Comp。PCA (22)是一个通用的工具对于维数降低及数据分析,和其实质是项目数据样本在高维空间到低维空间通过线性变换,同时保留原始数据特征尽可能多的(23]。在降维过程中,压缩Comp可以避免过多的信息丢失和调整输入维度之前通过加速度数据后续分类器。最初的计算如下: 在哪里 ,和代表的加速度X- - - - - -,Y- - - - - -,Z分别的方向。薪酬是一个一维的数据通过结合三个方向的运动,可以改善算法的响应性能,避免过度拟合在后期培训。合并后的加速度的“薪酬”脚背,小腿,大腿,一起构成了模型的输入向量,z_1,z_2,z_3表示系数三个方向的加速度。的分布z_1,z_2,z_3对应不同的身体部位在异步速度表所示1。

基于以上实验,我们可以得到的加速度曲线X,Y,Z方向和合并后的加速度,如图3。

人类行走过程是一个有节奏的运动,一个完整的步态周期定义从单方面跟再次侧跟21]。一个两阶段模型已被证明是足够控制积极矫正法的膝盖模块(9]。尽管如此,最普遍的方法依赖于一个四阶段模式24),独立编写为(1)脚跟罢工(HS),(2)加载响应阶段或平足(FF),(3)跟解除或Heel-Off (HO)和(4)初始摆动阶段(SW)。这个四阶段模型的步态粒度已用于多个机器人的驱动ankle-foot矫形器(25,26]。

确保步态分类的科学性,本文步行周期也分为HS, FF, HO和西南。在正常走路,三个方向的加速度信号的脚,大腿和小腿展览周期性。阶段的影响大约占总数的40%步态阶段,和立场阶段占大约60%的总步态阶段(27]。我们可以近似的立场在步行周期的阶段是最大的阶段。根据步态的划分阶段,阶段划分本文图所示4。

除了步态分裂阶段,特征选择还用于提取有意义的信息或从加速度噪声信号。这个处理后,关键特性有效地代表不同的步态阶段获得后续识别的时域模型。摘要标准差(SD),意思是绝对值(飞行器),最大值(Max),最小值(最小值),中等(地中海)选择处理加速度信号作为特征向量。自向量组成的单个和多个特性集将产生不同的准确率,我们合并SD,马克斯,Min,地中海,飞行器特征向量形式的输入特征向量,以提高识别精度。

2.3。Voting-Weighted集成神经网络

下一步是设计一个算法来识别计时向量与加速度信号。一般的分类器的性能(28],款是一个前馈人工神经网络由输入层、输出层和至少两个隐藏层(29日]。虽然是一款强大的分类器,有时subneural网络仍然瓦某些情况下,导致结果的错误分类(30.]。因此,投票的融合神经网络提出了解决subneural网络的不稳定,这可能是对数据的输入层由于一个单一的网络结构31日),并导致错误输出层。集成神经网络的输出是由每个集成神经网络的输出示例(下32),可以提高分类器的分类性能和泛化性能在某种程度上(33,34]。因此,启发学习演算法(35和装袋36在当前集成学习算法,本文进一步提出了一种新颖的VWI-DNN算法(整个结构如图5)通过修改传统的网络款。我们工作的目标是构建一个通用神经网络结构允许不同的投票决定在每个子模型并展示它的使用作为一个可行的方法来大规模增加模型的能力。

首先,我们选择了三个先进的深层神经网络代替感知层网络作为分类器,将其命名为SNN_1, SNN_2, SNN_3,以提高网络的分类性能。的研究主要集中在设计三个subneural网络和网络参数的优化,以及输出结果的融合方法这三个subneural网络。SNN_1、SNN_2 SNN_3有一个常见的输入层和两个隐藏层,这样他们就可以有一个共同的网络结构。此外,三个独立和不同的网络设置隐藏在第三层。这个设计可以简化网络和共享信息的重量。后者网络结构保持他们的独立性,神经元的数量,和激活函数和隐藏层的数量存在一定的差异。相关的神经网络具有非线性和训练使用贪婪的层级监督,最后学习速率是手动指定和设置为0.05。最后,三个subneural网络输出层通过将Softmax回归各自的分类结果。整个网络结构的一些参数如表所示2,HL_x代表了xth隐藏层和“辍学列”表示稀疏率,需要设置。

WWI-DNN算法的目标是识别人体的三个步态阶段,这解决了multiclassification任务。然而,神经网络的输出并不一定代表一个概率分布,所以必须转化为神经网络的输出概率分布通过将Softmax回归层,其表达式如下方程:

然后,VWI-DNN算法的重点是建立一个投票融合机制。在输出的过程中融合,建立融合算法是信息融合的核心内容37,38]。投票的概念融合因此提出从多个不可靠的数据来获得更准确的结果。经过多年的发展,已经有许多投票算法,如多数表决融合、逻辑融合投票,投票表决融合中值,加权平均融合。一个优秀的投票的投票权重融合算法不应人为地设置。它更合理的投票权重时应该大subneural网络表现良好,反之亦然。在学习演算法理论中,重量信息更新分类错误率,但重量更新问题当错误率高于50%。为了避免这个问题,考虑到良好的性能分类器应该奖励和糟糕的性能分类器的人应该受到严惩,本文提出一种加权和投票算法。的算法的权重加权求和是添加三个网络输出相同的结果,分别作为权重之和融合的结果。这也是一个简单而有效的信息融合算法。

为了解决多个分类器的重量问题,本文介绍了加权函数。本文使用了分类精度来确定每个分类器的权重系数。方程(3)展示了如何解决每个分类器的精度,我们需要设置相应的权重函数来确定权重系数的分类。权重函数的形象图6,其表达式如方程所示(5),其中的奖励函数表示方程的表达式(4)。可以看出,奖励函数的导数值(Deriv_reward)与横坐标的价值负相关,因此本文选择它作为奖励函数。这样一个函数可以使模型具有良好的性能得到更大的回报。当精度小于40%,重量应该减少,所以权重系数被认为是吗 ;同样的,当精度是超过40%,弱分类器的分类性能可以被认为是伟大的,和它的体重应该增加,所以应采取的重量吗 。与此同时,为了使新的体重在[0,1],本文进一步规范化c利用方程(6)。此外,考虑到一个无法进行了大量的分类器,本文设置一个为每个分类器的重量最小阈值为0.26。每个分类器的分类权重获得根据方程(7)。给定的初始值是33.33%,初始值的是1.0。

下一步是确定分类器的重量。每个分类器的分类结果计算通过使用方程(8)。当分类结果是相同的,这些分类器的权重应该添加和每个步态阶段获得相对应的重量。这个过程可以通过方程(表示9),表明概率输出对应于人体步态的阶段k。最终的分类结果应该由最大重量值对应于每个步态阶段,从而获得最终的综合输出问,其表达式如方程所示(10),表示样本正确分类的数量,表示样品的总数,表示输出的值我th subneural网络通过输出层和表示的重量我th神经网络步态相对应k,当k= 1,它代表了开始阶段;当k= 2,它表明摆动阶段;当k= 3,它表明了脚的阶段。

最后,VWI-DNN算法的任务是解决内部问题的参数更新和优化每个subneural网络。神经网络通常更新内部网络结构的参数优化损失函数值。当使用神经网络进行分类,常用的损失函数(函数是叉39)的特征之间的距离两个概率部分,这样叉损失函数可用于计算预测概率分布之间的距离,真正的答案的概率分布。根据熵损失函数方程(11),我们可以得到损失函数方程(12)- (14)的三个subneural网络。当我们训练网络,我们希望首先subneural网络的参数不会改变当我们另外两个神经网络训练。但现实是,当你训练的三个subneural网络,共享层的参数将会改变。因此,如果优化器优化这三个功能分别损失,共享层参数会改变相互地和理想的结果将无法实现。为了改善这种情况,本文提出了一个方法来优化全球损失通过使用一个标识符。优化器不再单独优化三个叉损失函数只有优化三个损失函数之和(loss_sum),可以确保共享层参数可以达到一个更好的结果和培训可以提高速度。loss_sum表达式所示方程(15)。 在哪里表示三个subneural网络的概率分布预测阶段的三种类型的步态和经过将Softmax层表示实际样本的分布。

为了避免过度拟合,选择70%的样本集进行训练和测试为30%。训练后的三个学习模型训练集相同的10000倍,同样的测试集是用来测试训练模型,和分类精度,曲线安德macro-F价值,面积(AUC)在测试记录。本研究的整个过程如图7。

3所示。结果与讨论

3.1。评价方法

比较不同分类器的分类性能不能确定算法的有效性由单个指标还有很多其他方法通常用于获得一个完整的人口普查。评价指标包括精度、召回、准确性、和F1-score是用来比较不同的方法。精度和召回广泛应用于信息检索和统计分类评价结果的质量,精度和召回的价值越高,方法执行越好。F1结合的结果P和R,当F1很高,它表明,精度和召回都高,这评价指标是相对有效的。然而,本文的分类器执行multiclassification任务。我们希望全面调查精度和召回在几个二进制混淆矩阵,和最直接的方法是计算macro-F1 [40]。,准确反映了比样本正确分类的分类器的总样本对于一个给定的测试数据集。根据方程(16)- (21),我们可以计算这些评价因素、TP、TN、FP, FN,分别代表真阳性,真正的负面,假阳性和假阴性。

为了更好地分析分类器的性能,介绍了接受者操作特征下AUC (ROC)算法的评价指标。Spackman是第一个采用机器学习的ROC图,他证明了ROC曲线评价的价值(41]。近年来,它已被越来越多的应用在机器学习和数据挖掘研究中,部分原因是人们意识到简单的分类精度通常不是一个好的指标度量性能(42]。的AUC算法可以计算比较,和最大的AUC的算法将有最好的诊断价值:

3.2。结果

联合混淆矩阵的三个步态识别结果在不同阶段同步速度,分别如图8- - - - - -10。数据显示8- - - - - -10,我们可以很容易地得到表3- - - - - -5,分别为每个训练函数分类性能就商品而言,FF, HO和SW阶段在三种同步速度。根据表3- - - - - -5,它可以观察到,装袋,提振,VWI-DNN macro-F1 HS和SW阶段识别的近100%。虽然从结果F1,装袋,演算法对FF和HO阶段识别不良影响。特别是,装袋的情况macro-F1 FF和HO阶段是0。它也可以清楚地看到从图的观察8装袋算法可以很容易地识别FF的阶段一样何氏阶段和何氏阶段FF阶段。装袋算法是非常可怜的在何阶段和FF阶段识别。从表可以看出5尽管装袋和演算法有可怜的FF阶段识别和何阶段,VWI-DNN本文算法仍有超过98% FF macro-F1值和HO阶段。西南的三个培训功能有更高的准确性和HS阶段识别三个步,一般达到98%以上。正如上面提到的,macro-F1可以全面测量精度和召回的两个指标。是观察macro-F1 VWI-DNN超过98%的价值在任何阶段的速度。

为了全面衡量macro-F1四步法阶段,macro-F1介绍了。根据方程(16)- (20.),可以计算相应的macro-F1和相应的表6获得了。根据表5VWI-DNN算法的识别精度高达98%或更多,而另两个训练函数精度较低。特别是,装袋算法识别精度小于77%的三个阶段。它可以清楚地看到数据11和12VWI-DNN算法更高的准确性和macro-F1比其他两种算法在任何的步伐。通过观察AUC,我们还可以看到,VWI-DNN算法可以达到1.0,这是高。图13还演示了三个算法之间的关系对应的AUC同步。从图14,它可以发现准确性,macro-F1,和AUC VWI-DNN算法不改变随着速度的增加,这是相对稳定的。

3.3。讨论

本研究证明的能力提出了基于加速度信号系统检测步态阶段。支持这一假设,本文提出了使用voting-weighted集成神经网络识别步态相比较它与其他集成学习算法来验证该算法的有效性。

3.3.1。加速度信号分析

步行活动起源于人类的身体是很重要的,这个信息可以通过使用提取加速度信号。虽然VWF-DNN算法显示特定的有效性在加速度信号的分类为步态事件检测,它在未来仍然需要进一步优化。在这项研究中,惯性传感器模块需要放置在脚背上的指定位置,每个主题的小腿和大腿。然而,由于身高、体重、性别,等等的话题,传感器不能准确地放置在指定的位置,只能安装在一个近似的指定位置,需要进一步的调查(43]。

描述加速度信号,主要有三个级联模块数据处理、特征提取和分类方法。应该注意的是,分类精度很大程度上取决于提取的特性。此外,四个结合特性比单个或两个为上肢运动功能。这显示了五个TD的网络响应特性。通过观察数据8- - - - - -10,可以看出,所有的训练函数分类显然HS和SW阶段,两者之间有非常低的分类误差。有趣的是,我们可以看到通过装袋的混淆矩阵和演误解FF阶段和何阶段,导致FF的识认精度和HO阶段。同时,通过分析的结果表3- - - - - -5,它可以表明,模型识别效果很差的FF和HO阶段。这可能是由于这一事实太相似的两个相邻相位特性。此外,数据8- - - - - -10也说明之间的相位差FF和HO阶段特征不明显,但是本文提出VWI-DNN算法可以显著改善这种情况。

关于加速度信号的有效分类,五个TD特性提供更好的步态事件和分类的平均精度VWF-DNN HS算法,FF, HO和SW阶段是99.2%。本研究相比,当时的一些以前的研究。关于步态事件,不同的行走条件由IMU位于脚使用安(显示82.2%的准确率39]。类似的结果是实现五步法阶段分类时使用艾莫斯82%的准确率(40]。此外,这是发展的重要辅助设备的小腿,当他们与步态事件(有牢固的关系41]。提出一个系统,可以应用于任何个人、泛化训练有素的VWF-DNN算法测试的加速度信号的数据。这个研究发现,该系统可以预测的步态事件成功的数据。一般来说,商品的检测、FF HO和SW阶段基于加速度信号似乎是可靠的。

回顾文献,艾莫斯被质疑的可靠性。有趣的是要注意,脚踏开关的立场和摆动阶段的百分比数据符合理论步态周期的60%完成周期的百分比是立场阶段,其余摆动阶段40% (42]。根据观察表3和4,它可以发现FF和HO阶段的识别装袋和演算法通常是低,而其他两个阶段是非常高的。此外,根据观测数据8- - - - - -10,我们还可以看到,装袋,演FF阶段分为何阶段,也将何阶段分为FF阶段。这些结果表明,我们提取的功能可能需要进一步讨论。

3.3.2。步态相位检测

本研究的目的是应用机器学习预测HS, FF, HO和SW加速度信号。支持假设上述,本研究提出了VWI-DNN算法和用它来成功地预测HS, FF, HO和SW阶段。学习的结果数据表明,加速度信号低变异性和稳定在地面上行走。相比之下,研究由Nazmi et al。1),本研究可以获得更高的识别精度,但在这项研究中使用的神经网络模型过于复杂,这可能会导致较长的训练时间。一些便携式步态事件检测应用程序需要功能电子模拟器,动态步态监视和步态生物反馈(44),但目前没有可穿戴传感器满足这些需求。

VWI-DNN算法用投票机制融合结果和使用三个subneural网络投票。三个subneural网络设置是否正确需要进一步探索。奖金罚函数的选择考虑了导数的变化和实际效果,但它仍然避免偶尔发生的奖励和惩罚不当,导致最终的分类结果不理想。然而,本文中使用的模型仍然可以实现识别准确性和macro-F1值,高于98%。从图可以看出13,VWI-DNN算法的AUC值达到最大值1。它可以从每个分类器的性能的AUC分类VWI-DNN算法获得的结果更加可靠。

在提出系统的推广方面,本研究揭示了VWI-DNN算法在步态识别阶段取得更好的性能。VWI-DNN算法基于投票权重机制检测到海关,FF, HO和SW阶段较高的识别精度,macro-F1, AUC比现有的装袋和演算法。然而,macro-F1 FF和HO阶段获得的装袋和演算法是非常低的。数据显示8- - - - - -10,这些结果表明,HS和SW阶段相当准确和FF和HO阶段应产生更多的警告。即便如此,仍然使用本文中的VWI-DNN算法获得一个好的识别影响FF和何阶段,并在某种程度上弥补了缺陷的划分两个阶段。研究还表明,提出使用向量差异区分圣和IL阶段确实有一定的效果。此外,它可以解释,VWI-DNN算法提出了领域的强劲表现步态阶段划分。

3.3.3。限制

这项研究有一些局限性。尽管VWI-DNN已经显示出它的实用性为步态事件分类加速度信号检测,需要进一步评估使用其他机器学习方法。未来的工作应该提高分类精度提高的方法提取特征,步态识别算法阶段,等等。在这项研究中,穿着三惯性传感器模块被认为是可接受的可穿戴传感器比其他可穿戴传感器。然而,传感器的穿在实践中可能有潜在影响的人的步态尚未研究。

步态阶段的检测在这个研究依赖于艾莫斯采集的数据。虽然加速度传感器具有低成本和快速动态响应,精度可能会影响传感器的电路设计和放置。不同的走路方式可能会导致错误的艾莫斯的位置。然而,随着传感器处理算法的进步和创新,这些错误是进一步降低。因此,IMU可能应用于大规模的方向步态检测在不久的将来。

4所示。结论

为了准确识别行走步态阶段,这项工作提出了一个VWI-DNN模型分析多维加速度信号和检测不同的步态事件包括海关、FF, HO和西南。它由三个主要部分、数据预处理、多流道集成神经网络,和voting-weighted功能,数据预处理采用PCA降维,四阶段划分、关键在时域特征选择。此外,多个精制款应用于设计一个多流道集成神经网络,利用mixture-granularity信息形成一个高维特征。最后,voting-weighted发达融合不同的子函数作为区分的统一表示小的差异在不同步态阶段。一般的神经网络结构允许融合不同的投票决定在每个子模型,展示了其作为可行的方法来大规模增加模型的能力。实验和讨论证明的有效性VWI-DNN精度高和macro-F1高达99.5%,这比其他投票的方法。

网络生成大量的参数,这就增加了时间模型分类。因此,模型只能训练GPU和IMU数据不能被分类在网上方便的移动设备。我们的未来的工作是一个轻量级的网络压缩模型参数和速度。我们将尝试结合方法与新工作其他步态相位检测应用程序更新,如康复训练机器人和医疗物联网。

数据可用性

加速度数据用于支持本研究的调查结果并没有因为这些数据提供有关个人隐私的每个志愿者参与实验。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究为基础研究基金资助中央大学(2015号zcq-gx-03),中国国家重点研发项目(2017号yfc1600605),中国国家自然科学基金(61673002),和北京市教育委员会(没有。KM201910011010)。

引用

1. n . Nazmi m·a·阿卜杜勒·拉赫曼siv。山本,s . a . Ahmad“行走步态事件检测使用人工神经网络基于肌电图信号,”生物医学信号处理和控制47卷,第343 - 334页,2019年。视图:出版商的网站|谷歌学术搜索
2. y大d Schoene, s . r .主,“一步训练提高反应时间、步态和平衡,降低老年人跌倒:系统回顾和荟萃分析,“英国运动医学杂志》上,51卷,不。102年,第593 - 586页,2017年。视图:出版商的网站|谷歌学术搜索
3. 田,m·李和陈x, y . Wang“应用一种改进的相关法在静电hemiparetic患者的步态识别,”传感器,19卷,不。11,2529年,页2019。视图:出版商的网站|谷歌学术搜索
4. t .严,m . Cempini c·m·奥多和联合国主席,“回顾辅助策略驱动的低的假肢矫形器和外骨骼,”机器人和自治系统卷,64年,第136 - 120页,2015年。视图:出版商的网站|谷歌学术搜索
5. h . Vu f·戈麦斯,p . Cherelle d . Lefeber A . Nowe和b . Vanderborght”ED-FNN:一个新的深度学习算法来检测动力假肢步态周期的比例,”传感器,18卷,不。7,2389年,页2018。视图:出版商的网站|谷歌学术搜索
6. 穆雷和m·戈德法布”使用的下肢外骨骼运动帮助患者神经肌肉运动赤字,”诉讼的IEEE 2012年度国际会议在医学和生物学社会工程圣地亚哥,页1912 - 1915年,美国,2012年8月。视图:出版商的网站|谷歌学术搜索
7. s . Ounpuu“走路和跑步的生物力学,”诊所在运动医学13卷,第4863 - 4843页,1994年。视图:谷歌学术搜索
8. 法拉利,r .布鲁纳,美国Faccioli et al .,“步态分析的贡献问题识别和手术计划在CP患者:一项协议研究”欧洲物理和康复医学杂志》上,51卷,不。1,39-48,2015页。视图:谷歌学术搜索
9. j . Taborri e . Scalona s罗西et al .,“实时步态检测基于隐马尔可夫模型:有可能避免培训程序?“在学报2015年IEEE国际医学研讨会上测量和应用都灵,页141 - 145年,意大利,2015年5月。视图:谷歌学术搜索
10. j·穆克吉、p .将挑战和小腿肚的,“从多个摄像头信息融合不同步态鉴定和识别,”专业图像处理,9卷,不。11日,第976 - 969页,2015年。视图:谷歌学术搜索
11. s . Rosati诉Agostini、m . Knaflitz和g .就“肌肉活动模式在步态:分层聚类分析,“生物医学信号处理和控制31卷,第8094 - 1746页,2017年。视图:出版商的网站|谷歌学术搜索
12. 丁,x欧阳、李z和h·杨”Proportion-based模糊步态相位检测使用聪明的鞋垫,”传感器和执行器:物理,284卷,2018年。视图:出版商的网站|谷歌学术搜索
13. y什安藤,t . Matsunaga et al .,“临床应用加速度传感器来检测中风步态的摆动阶段功能性电刺激,”东北实验医学杂志》上,卷207,不。3、197 - 202年,2005页。视图:出版商的网站|谷歌学术搜索
14. n .贾Bejarano e·安布罗西尼A . Pedrocchi g . Ferrigno m . Monticone和美国,“一个新颖的自适应实时算法从可穿戴传感器检测步态事件,“IEEE神经系统和康复工程,23卷,不。3、413 - 422年,2015页。视图:出版商的网站|谷歌学术搜索
15. r .卡尔达斯m . Mundt w . Potthast f . Buarque•德利马否决权和b . Markert”系统回顾基于惯性传感器的步态分析方法和自适应算法,”步态和姿势57卷,第210 - 204页,2017年。视图:出版商的网站|谷歌学术搜索
16. m·d·桑切斯Manchola m·j·平托伯纳尔·m·Munera和c a . Cifuentes”步态相位检测下肢外骨骼使用脚运动数据从一个惯性测量单元hemiparetic个人,”传感器,19卷,不。13日,2019年。视图:出版商的网站|谷歌学术搜索
17. 郭m . Yuwono s w·苏,y, b·d·默尔顿和h·t·阮”无人监督的非参数方法进行步态分析使用waist-worn惯性传感器,”应用软计算,14卷,第80 - 72页,2014年。视图:出版商的网站|谷歌学术搜索
18. y呗,x, x, t·苏j .香港和y,“复合多元时间序列自回归预测的网络,”复杂性卷,2019篇文章ID 9107167, 11页,2019年。视图:出版商的网站|谷歌学术搜索
19. j . Taborri罗西,巴勒莫e, f . Patane p .披肩,“小说嗯分布式分类器的步态检测阶段的可穿戴的惯性传感器网络,”传感器,14卷,不。9日,第16234 - 16212页,2014年。视图:出版商的网站|谷歌学术搜索
20. 王j . r . Liu, l, m .张“人脸识别研究方法基于支持向量机的组合和LDA-PCA,”第二次国际会议的程序通信,信号处理和系统施普林格,页62 - 66年,柏林,德国,2014年。视图:谷歌学术搜索
21. 徐陆x, x”,人类行为识别基于加速度和hga-bp神经网络,”计算机工程第41卷。。9日,第232 - 220页,2015年。视图:谷歌学术搜索
22. j·马和y元”,使用PCA降维的图像深度特性,”杂志的视觉传达和图像表示,63卷,2019年。视图:出版商的网站|谷歌学术搜索
23. t .想把它们做为p .爱德华多·r·斯特凡诺et al .,“步态分区方法:系统回顾。”传感器,16卷,不。1,第91 - 66页,2016。视图:谷歌学术搜索
24. j·金,黄,r·孙y . Lee和y金,“积极发展踝足矫正法预防足下垂和脚趾拖动偏瘫的患者:一项初步研究中,“应用仿生学和生物力学,8卷,不。3 - 4、377 - 384年,2011页。视图:出版商的网站|谷歌学术搜索
25. n . b .丸c . n .爱尔兰人的ot阿齐兹·伊南,和g . f . Kogler”检测ankle-foot矫正法:对患者的临床评估工具优化矫正的脚踝僵硬,“IEEE / ASME举办,22卷,不。6,2492 - 2501年,2017页。视图:出版商的网站|谷歌学术搜索
26. c . Mummolo l . Mangialardi和j·h·金”量化动态特性的人类行走步态周期,综合”生物力学工程杂志,第135卷,第91006页,2013年。视图:出版商的网站|谷歌学术搜索
27. x金:杨,x, y呗,t·苏和j .香港“基于分解集成预测机制PM2.5长期预测,“应用科学,9卷,不。21日,第4533页,2019年。视图:出版商的网站|谷歌学术搜索
28. y y。郑,J.-L。香港,X.-B。金,X.-Y。王,T.-L。苏,J.-L。王”,概率融合决策框架多个深对细粒度的视觉神经网络分类,“IEEE访问7卷,第122757 - 122740页,2019年。视图:出版商的网站|谷歌学术搜索
29. x y y郑,j·l .香港金,X.-Y。王,m .左“Cropdeep:作物视觉数据集deep-learning-based分类和检测在精准农业,”传感器,19卷,不。5,1058年,页2019。视图:出版商的网站|谷歌学术搜索
30. a . n . m . Jaya Lakshmi克里希纳和k v基肖尔,“绩效评估与其他款的机器学习技术在一个集群中使用Apache火花和MLlib,”沙特国王大学计算机与信息科学杂志》上, 2018年。视图:出版商的网站|谷歌学术搜索
31. s . j . Liu夏,w . Yu,”一个投票权的神经网络集成的增量学习方法价值调整,”信号处理,26卷,不。1,46-50,2010页。视图:谷歌学术搜索
32. n .托马索·c·伦佐·a·克劳迪奥,”一个集成人工神经network-unscented卡尔曼滤波器车辆侧滑角估计基于惯性测量单元的测量,”美国机械工程师学会学报》上,D部分:汽车工程》杂志上,卷233,不。7,1864 - 1878年,2019页。视图:出版商的网站|谷歌学术搜索
33. d·波维x张,s . Khudanpur”并行深度与自然梯度神经网络训练和参数平均,”2014年,https://arxiv.org/abs/1410.7455。视图:谷歌学术搜索
34. g .周、美国通用电气和l .杨”核电站故障诊断方法,基于神经网络和投票融合,“原子能科学技术杂志》上,44卷,不。B09, 367 - 372年,2010页。视图:谷歌学术搜索
35. j .朱答:阿伯,t . Hastie”多层次演算法”,统计及其接口,卷2,不。3、349 - 360年,2006页。视图:谷歌学术搜索
36. l . Breiman“装袋预测”,机器学习,24卷,不。2、123 - 140年,1996页。视图:出版商的网站|谷歌学术搜索
37. w·w·罗德里戈·h·s·洛佩斯,“蛋白质分类、神经网络”应用生物信息学,3卷,不。1,41-48,2004页。视图:谷歌学术搜索
38. r·h·w·ibsen Pinheiro g·d·c·卡瓦尔康蒂,r·f·科雷亚和t . i任,“一个全球排名当地的文本分类特征选择方法,”专家系统与应用程序,39卷,不。17日,第12857 - 12851页,2012年。视图:出版商的网站|谷歌学术搜索
39. H.-Y。刘,K.-Y。通,h·朱”,支持向量机分类的条件的人中风后把脚走,”人体运动科学,28卷,不。4、504 - 514年,2009页。视图:出版商的网站|谷歌学术搜索
40. d . Sanchez-Valdes a Alvarez-Alvarez, g . Trivino“步行模式分类使用细粒度的语言分析,“应用软计算33卷,第113 - 100页,2015年。视图:出版商的网站|谷歌学术搜索
41. j·l·巴特利特和r . Kram改变特定肌肉群的需求影响walk-run转变速度,”实验生物学杂志》上,卷211,不。8,1281 - 1288年,2008页。视图:出版商的网站|谷歌学术搜索
42. j . Taborri大肠巴勒莫,s·罗西,p .披肩”步态分区方法:系统回顾”,传感器卷,66年,页1 - 2016。视图:谷歌学术搜索
43. f .教务长、t·福塞特和r . Kohavi”案精度估计的比较归纳算法,”十五学报》国际会议(98年ICML),j . Shavlik Ed,页。445 - 453年,旧金山,CA,美国,1998年。视图:谷歌学术搜索
44. m . Hanlon和r·安德森,“使用可穿戴传感器实时步态事件检测,”步态和姿势,30卷,不。4、523 - 527年,2009页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Lei燕等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。