文摘

为了提高识别率的下肢运动模式,本研究设计一个这样的模式识别方法,它集成了肌电图(EMG)和惯性测量单元(IMU)信号在三个姿态模式,包括走在地上,蹲,和延长坐着腿,解决困难获得高信噪比EMG和IMU信号同步。除此之外,本研究提出了一种同步分析方法对EMG和IMU双模信息正确antipower频率干扰加速度计信号。收集到的信号预处理提取特征值。并利用核主成分分析(KPCA),这些特征值的信息融合。最后,根据数据的特点,Bayesian-optimized XGBOOST算法设计。下肢运动模式与特征向量分类放入优化算法。多人实验结果表明,不同姿势的平均识别精度可以达到94.42%,平均水平 1值95.33%,平均返回值95.68%,证明了提出的模型可以用来识别人体运动意图和其泛化能力可以检测人体的个体差异。

1。介绍

1.1。概述

随着计算机技术的快速发展以及人民生活持续改善,发生了巨大的变化在人们的饮食结构和工作风格,其中越来越成为习惯久坐的工作。随着人们年龄的增长,这些生活方式可能会增加风险的疾病,如高血压、脑血管问题,和中风(1),其中大部分会引起后遗症,如运动障碍(2]。

例如,在美国,18岁的10000人中风患者,25%的患者不得不依靠轮椅协助他们散步,和60%的病人遇到大大减少肌肉耐力和步行速度降低相关疾病的发病(三个月后3]。中风、创伤性脑损伤、脊髓损伤(4),和其他后遗症给患者带来的身体痛苦和精神折磨。此外,治疗费用也一个很大的负担强加给政府和患者家属。此外,一般病人陷入困境时肌肉无力相关疾病的发病后,辅助人员需要消耗更多的体力训练过程中帮助他们。这种形式的主要测试病人的力量和耐力,这使得传统的人工康复患者难以维持的方法,从而减少训练的强度和延缓经济复苏的病人。

辅助康复机器人可以最大化患者的肢体功能,活动范围,和独立,同时最小化次要并发症(5),从而成为患者的一个重要方面进行训练和治疗和广泛认可相关领域的专家(6]。

1.2。本研究的意义

临床上,下肢康复设备广泛应用于下肢截肢患者的恢复造成的神经损伤和其他疾病或事故,同时提供安全可靠的步态康复支持患者步行功能障碍(7]。这样的治疗,患者可以完成一批大的重复生理步态训练通过机械下肢和重建正确的运动模式,这样他们可以参与日常活动和正常的人一样,从而提高他们的生活质量8]。

用于患者步行功能障碍时,下肢智能康复设备必须确定人体的运动意图准确,快速,稳定。虽然解码穿的脑电图(EEG)信息可以帮助识别人类的下肢的运动意图,存在一些问题,如在信息提取困难,频繁的干扰,和低multijoint动作识别的准确性。作为一种神经信号,肌电图的属性产生的肢体运动(9,10];因此,通过测量人体的肌电图,肌肉疲劳的程度(11可以测量)和人类的功能状态(12]。

因此,本研究利用EMG信号和IMU信号的识别来源下肢行动意图,采用多源信号同步采集技术来收集受试者的肌电图和下肢惯性信息,高性能的人体运动信息以及神经信号和惯性传感器信息的应用程序控制智能下肢康复设备。

1.3。本研究的贡献

本研究的主要贡献是陈述如下。(1)数据采集。运动目的数据收集与肌电图和IMU传感器从10对象(年龄: 岁,年龄:22 ~ 26岁;男/女:6/4;身高:170 ~ 185厘米;和体重:50 ~ 92公斤)。通过一个初步评估可用的数据质量,数据收集时间,和潜在的参与者疲劳,平均每个主题记录8或9试验(范围:8 - 10)。95年最后一个数据集由水平行走试验,85蹲试验和95 sitting-leg扩展试验。(2)数据处理和双模信号特征提取。这种方法提高了EMG信号质量通过二阶模拟-数字混合抗锯齿过滤优化电极前端采集电路和肌电图的设计。可靠的校准IMU信号获得的加速度信号。一个统一的时钟是用来控制每个采集模块保证多通道的同步信号。特征值提取后收集到的信号预处理与内核主成分分析(KPCA)实现融合这些特征值。(3)模式识别算法。提取的数据替换到Bayesian-optimized XGBOOST算法分类。多人测试发现,平均精度达到94.42%,平均召回95.68%,平均水平 1分95.33%,证明模型的泛化能力不会受到人体之间的个体差异的影响。

1.4。本文的组织

其余的部分结构如下:部分2是文献综述与肌电图和IMU传感器步态数据分析。部分3描述了原始数据的数据收集和预处理。部分4证明了优化算法的步骤。部分5介绍了实验的设计和过程。部分6提供的结论和分析并提供了一些与他人比较的实验。最后一部分总结了本研究并提出了未来的研究方向。

高性能辅助康复机器人能够帮助使病人重新融入社会,同时提高他们的生活质量。只有正确地识别病人的下肢的运动模式可以有效的控制策略开发。因此,研究下肢的运动模式的识别已成为一个热门话题领域的智能假肢(5,6]。

识别方法对传感器下肢运动模式的研究人员,因为他们的高灵敏度和自由从环境因素。在研究下肢步态识别,获得足够的人体运动信息,有必要建立一个多传感器信息采集系统。多通道肌电图和加速度信号广泛应用于人体运动模式的识别。通过使用Kinect传感器和IMU, Bijalwan et al。13)详细探讨骨盆生物力学属性,臀部、膝盖,和踝关节运动在正常行走,本研究对假肢和外骨骼设计有用得多。发现下肢运动的特点,Semwal et al。14)、耆那教等。15),和其他IMU传感器用于步态识别,和他们的结果可以用于步态参数估计、健康监测系统,自动特征提取和步态事件检测。通过将四个柔性压电传感器在膝盖和臀部,Cha et al。16)发表了步态识别的速度超过93%。黄等。17)结合足底压力信号和9-channel EMG信号分类步态的立场阶段和摆动阶段的精度超过90%,因此正确地识别步态的过渡阶段。

目前,常用的传感器信息识别的下肢运动模式主要包括EMG信号,足底压力信号,关节角信号,和IMU信号(18,19]。可以收集加速度信号的传感器价格低廉的优势,体积小,功耗低,和丰富的运动信息。收购EMG信号,传感器可以简单地固定在相应的肌肉,所以信号采集方便、灵活。IMU信号能反映人类大规模的运动信息,而EMG信号可以展示精致的肌肉活动信息(20.,21]。因此,它是合理的结合两种信号。提高识别的准确性和克服困难检测下肢的姿势变化在复杂的环境中,本研究试图确定下肢的异步模式通过收购EMG和IMU信号。

3所示。信号预处理和特征提取方法

3.1。双模信号噪声特性分析和信号分析方法

根据肌电图噪声的特点,已经采取了多种措施来提高EMG信号的信噪比。基于噪声模型的分析IMU信号,加速度计信号基于椭球拟合校准算法开发提高IMU信号的质量(22),同时分析双模信息进行探索EMG和IMU信号的特点。

3.1.1。EMG信号噪声模型和信噪比改善的方法

肌电图检测的主要干扰包括电极阻抗变化、运动的干扰,和电源频率干扰。本研究采用一系列的方法来提高EMG噪声比,如抗锯齿过滤、活跃的屏蔽,和特殊的柔性金属干电极,与具体措施见表1。(1)抗锯齿过滤器。二阶模拟-数字混合抗锯齿滤波器由一阶模拟滤波器和二阶数字滤波器。模拟滤波器的截止频率 ,数字滤波器是负责消除之间的噪声 和 。肌电图信号的采样频率是1 kHz,和过采样率 。因此,抗锯齿模拟低通滤波器的截止频率 (2)优化前端放大器电路。一个放大电路用于增强微弱电信号,指导下贴片电极获得50,和放大信号可以达到几百毫伏。为了提高抗干扰效果,通过两个电极使用差动输入;此外,电位计用于R3,增益调整方便。电路图如图1。

表1
肌电图检测的主要干扰和采取的对策研究。

图1
preoptimized放大系统进行数据采集。
3.1.2。IMU信号噪声模型和校准算法

人类运动与IMU信号采集,这可能有三个主要错误:噪声(白噪声和随机漫步噪声),比例因子误差和轴偏差。加速度计的噪声模型可以表示为 其中上标0表示正交参考坐标系统, 代表了非正交坐标系, 代表轴偏差的变换矩阵, 代表比例因子, 代表真正的价值, 代表了高斯白噪声,主要是由外部噪音从A / D转换,和 表示随机漫步噪声,它是全面受到传感器的内部结构和温度的影响。刻度误差来自于错误出现当一个数字量转换为加速度的物理量。轴向偏差会造成测量的转换从一个非正交坐标系(加速度计的实际坐标系统)一个正交(世界坐标系统)。

当一块肌肉变形和机械振动时,加速度计的信号连接到肌肉的变化,即表示为一个肌肉信号,其解决方案是直接影响加速度计的误差和校准精度。鉴于向量和顶点加速度计信号的落在一个近似椭球静止的态度,加速度计校准通常是基于最小二乘拟合(高斯牛顿算法),以适应为椭球拟合球面数据。 在哪里 代表了加速度计坐标点, 代表了椭球中心坐标, 代表的变换矩阵, 代表了椭球轴长度。和的公式 如下:

3.2。双模同步分析方法从肌电图和IMU的信息

特征融合的目的是保留有用信息的原始特征向量时尽可能消除冗余信息。当提取肌电图和IMU信号的特征值,发现他们在特征空间分布是非线性的;因此,传统的线性融合方法是不适用的。作为一个内核版本的主成分分析(PCA),核主成分分析(KPCA)可以通过预选的特征向量映射到高维特征空间的非线性映射函数,然后可以进一步采用PCA。方法计算主成分,从而不仅维护PCA的优点,而且解决问题的非线性降维。自尺度特征值提取不同的信号差异很大,需要规范化的特征值在融合之前,所示 在哪里 表示归一化特征值和 和 表示数据的均值和方差。方程(5)可以规范化数据集的特征向量平均值为0,方差为1。根据KPCA特征向量是融合方法引入了邓et al。23]。

4所示。Bayesian-Optimized XGBOOST算法

4.1。XGBOOST算法的步骤

在这项研究中,一个XGBOOST建立基于贝叶斯优化算法用于处理输入数据。作为一个非常有效的机器学习算法,XGBOOST [24)算法有一个核心原则:目标函数的二阶泰勒展开,然后使用函数的二阶导数训练树模型。此外,树模型的复杂性是纳入优化目标作为正则项改进效率的学习模式25]。

在XGBOOST算法,第一步是解决目标函数 在分裂树模型下肢的姿势。的目标函数 - - - - - -迭代可以表示为 在哪里 表明一个树, 表示数量的叶子的重量, 表明树木的复杂性, 表明叶节点的数量, 表明叶片的复杂性, 表明叶节点的规范 , 表明叶节点的数量 表示树的结构。 和 定义如下: 真正的价值在哪里 和预测价值 代表所有的训练样本分组基于叶节点。 代表领导节点包含所有样本的样本集 - - - - - -主要节点。 在哪里 代表的总和中包含的样本的一阶偏导数 - - - - - -(一个常数)和th叶节点 代表他们的二阶偏导数的总和。

类似于使用信息增益和基尼系数的随机森林,XGBOOST算法计算获得 所选的参数当试图创建一个现有的叶段: 其中下标 和 分别代表了左和右子树 显示的信息分左子树, 显示正确的, 表明分数当没有细分创建的信息。

通过方程的导数(8)有关 和设置的导数为零,可以获得分数导致节点的输出 和最小损失的姿势树结构 如下:

图2显示所涉及的步骤创建一个分裂树姿势的复杂系统。


图2
流程图posture-splitting树。
4.2。优化

在任何机器学习算法,hyperparameters之前必须初始化任何学习过程启动,因为一些算法hyperparameter-independent。此外,XGBOOST机器学习算法的预测精度是深深受到几个hyperparameters,包括数量和树的深度。因此,适当调整这些hyperparameters增强学习模型的准确性是至关重要的。然而,hyperparameter优化是一个过程,需要选择一组最优hyperparameters;因此,梯度下降算法用于优化总体参数在这一过程中不能直接应用。

Bayes-based方法,贝叶斯优化计划的搜索全局极值的函数(尤其是高维非线性函数)26]。

有两个核心步骤:贝叶斯优化之前的函数(PF)和收购(AC)。前者主要采用高斯过程回归,而后者包含多个方法,如EI、π,药。此外,利用之间的平衡和探索也可以通过交流实现。有三种类型的采集功能:上信心绑定(UCB),改进的概率(π),(EI)和预期的改进。本研究采用π(改进的概率)收购函数如下:

的hyperparameter 用于优化勘探开发之间的平衡。 表明收敛趋势 , 代表标准正态累积分布函数的和 代表当前的最大值。 是观测点,而 是所有观测点的标准差。Bayesian-optimized过程如图3。


图3
贝叶斯优化的流程图。

贝叶斯优化使用某些不断更新概率模型“套”承诺hyperparameters通过推断过去的结果。通过引用先前的估计、贝叶斯方法可以节省大量浪费努力在第二组hyperparameters。贝叶斯的组合优化和XGBOOST过度拟合和计算工作量,可以有效降低算法和模型算法的效率也可以大大提高了通过优化参数。模型能够快速、准确地识别复杂的姿势变化下肢达到预期的目的。如下所示的实验过程和验证。

5。实验和模式识别分析

5.1。系统设计与实现

这个系统包括两个硬件模块:肌电图和IMU信号采集,这是两个软件模块的计算机STM32控制程序和上层计算机PYTHON程序。这个系统中使用的控制芯片是STM8L151F3, EMG收购芯片ADS1292R,和IMU收购芯片BWT901CL,智能高整合蓝牙惯性测量单元的采样频率200赫兹。插值补IMU信号采样频率。

自由在人体下肢的运动包括大腿的弯曲和扩展、外部和内部旋转,旋转绑架和内收,小牛的弯曲和扩展,脚的弯曲和扩展,外翻和内翻足。生物力学仿真和实验研究表明,电力消耗人体的矢状面高于额平面和水平面(27所以人体三维运动可以简化为一个相对简单的平面运动。五杆模型通常采用检查行走步态的运动学和动力学的优势,它不需要考虑横向额平面步态稳定。在模型中,影响人类的头和手臂的运动过程被忽略,和人类的上半身简化为刚性杆。此外,每条腿是简化为两个刚性杆连接的铰链关节垂直于矢状面,而脚连接到小腿,在一个假设的模型只能通过小腿的两端接触地面刚性棒在散步。这个人类下肢模型图所示4。


图4
建立人类的坐标系统。

涉及的坐标系定义在支撑腿的脚跟。特别是, 平行于鞋面,从踝关节脚趾;和 鞋面是垂直的。这个系统也决定了人类的身体在平面上的位置,但不能描述人体的姿势。与此同时,其他地方坐标系统是用于确定人体的姿势。的 - - - - - -所有地方坐标系统垂直于轴线的联系,直接点的运动。两个相邻棒之间的相对角度的相对角接头,由 :具体地说, 表明支撑腿的膝关节角; 显示髋关节角支撑脚; 表明摆动腿的膝关节角度,和 显示髋关节角摆动腿的关节角。

在这项研究中,测试人员的右腿被选中为实验。经过测试和比较的腿部肌肉,股直肌和腓肠肌终于选为信号源,和肌电图的两套传感器(一组包括两个检测电极垫和参比电极垫)被安排在相应的位置。一个三轴加速计固定在测试人员的股二头肌捕获和记录的原始运动数据 , ,和 轴。设备布局图所示5。


图5
设备布局。

在运动控制测试,参考时间发送到IMU和肌电传感器通过一个统一的主机。每个仪器高度独立收集数据的时间戳根据校准统一时间,这样所有的仪器都可以同步的时间。系统的原理图如图6。


图6
系统设计和实现方法。
5.2。测试环境

在现代测控技术的重点实验室教育部,本研究实验收集人体运动数据从几个科目没有neuromusculoskeletal异常(年龄: 岁,年龄:22 ~ 26岁;男/女:6/4;身高:170 ~ 185厘米;和体重:50 ~ 92公斤)。年龄、性别比例没有显著差异,身高和体重之间的主题( ),所有人自愿参与这个测试通过签署知情同意的协议。

5.3。测试计划

之前的数据收集,减少干扰,肌肉与本研究相关的用酒精擦拭去除皮屑在皮肤表面;和测试人员需要在24小时内不要做剧烈运动。首先,他们的肌肉放松自然,然后做十套步态,十蹲的动作,十行动腿的弯曲和扩展坐的位置。试验机的IMU部分被选中来收集信号,如图7。

(一)
(一)
(b)
(b)
(c)
(c)
图7
加速度信号。

试验机的原始肌电图数据和放大处理后数据图如图所示8。

(一)
(一)
(b)
(b)
(c)
(c)
图8
肌电图信号。

平均8或9试验记录(范围8 - 10)/主题通过初步评估数据的质量,数据收集时间,和潜在的迷彩服的参与者。95年最后一个数据集由水平行走试验,85蹲试验和95坐在腿扩展试验。

5.4。模型的设计和验证

本研究的数据处理编程语言是Python 3.6。所有桌面电脑上执行计算的图形处理器GPU GTX 1650和Windows 8 GB的内存操作系统。

实验使用监督学习训练Bayes-optimized XGBOOST算法。基于数据提取上述测试,建立样本数据集训练算法。在这项研究中,训练集,验证和测试的比率是随机分为8:1:1。详细评估算法的性能,本研究检视其准确率,精确率,返回值, 1的值。 在哪里 和 分别代表“积极”和“消极”。 (假阳性)代表的负样本数量最初预测是积极的; (真阴性)代表的负样本数量最初预测为负; (真阳性)代表的正样本数量最初预测是积极的;和 (假阴性)代表积极的样本,最初预计的数量是负数。此外, 代表了最初的样本总量预测是积极的;同样的, 代表了最初预测的样本总量是负的, 代表积极样品的总金额, 代表负样本的总量。

6。结果

6.1。结果XGBOOST人类运动意图识别的算法

主体是随机选择的运动信号作为参考。XGBOOST算法共同用于IMU和肌电图测量指标见表2。

表2
指标设备识别和评估。

从表可以看出2每一个指标的分数确定单靠EMG并不高,但分数被IMU可以达到95%以上。当肌电图和IMU一起使用来识别指标,评价指标可以上升到超过98%。这证明EMG信号的方法和乌兹别克斯坦伊斯兰运动共同认识到人类的身体姿势的变化适用于这个实验。

介绍了随机森林和两个隐藏层,和MLP神经网络模型的正则化参数0.1相比XGBOOST模型。为了使实验顺利进行,Sklearn图书馆是用来运行中长期规划和决策树算法。与此同时,XGBOOST经营XGBOOST包。EMG信号和IMU集成信号输入到每个算法准确率,精确率,返回值, 1值作为性能分析指标选择最优算法。

见表3,XGBOOST指标提供最好的分数的三个算法在这个实验中。每个算法的混淆矩阵如表所示4bt意味着步态,dq意味着蹲,qs意味着坐在腿的弯曲和扩展。

表3
识别和评价指标对各种算法。
表4
各种算法的混合矩阵。

混淆矩阵的每一列代表一个预测类别,每一列表示的数量的总量数据预测属于一个特定的类别,每一列表示的数量和价值真实数据预测属于一个特定的类别。另一方面,每一行代表真正的归属类别的数据;和在每一行的数据总量代表这一类数据实例的数量。它可以看到从XGBOOST混淆矩阵,它可以准确地识别人类的步态;然而,蹲运动和坐的腿的一小部分屈伸运动是错误的预测,因为这两个动作的变化相对较相似。但识别精度明显高于随机森林和MLP神经网络模型。

建立模型的预测精度和鲁棒性是系统相比,两个比较机器学习方法在10倍交叉验证。图9显示了得分机器学习算法的精度曲线模型在10倍交叉验证,结果表明,平均XGBOOST模型的精度比其他两个算法模型,证明XGBOOST-based模型的识别性能在训练集比其他模型。


图9
Cross-matrix每个算法比较。
6.2。结果识别人类的运动意图Bayesian-Optimized XGBOOST算法

图10比较后贝叶斯优化算法的准确率不同手势的识别与实现算法。


图10
比较算法。

从上面的实验,可以看出XGBOOST算法采用本研究提供最高 1值,考虑的结果准确性和返回值,可以证明所选算法更有效。此外,所选算法分类错误率最低的混淆矩阵,表明XGBOOST算法具有最好的鲁棒性识别不同姿态的变化。XGBOOST算法也有贝叶斯hyperparameter优化后的精度最高,其识别率为不同的行为一个人达到了99%。的准确率,精确率,返回值, 1值,混淆矩阵,Bayes-optimized XGBOOST算法可以更好地应用于识别复杂的人体下肢的运动信号收集的单人EMG传感器和IMU的结合。

6.3。实验结果对所有科目

鉴于人类个体差异,个别实验无法证明所选算法和收集系统设计在本研究适用于更广泛的人群。10因此,更多的人选择不同的物理指标进行实验测试。合格的受试者的数据带入算法来预测平均指标,如图11。


图11
所有学科的比较试验。

如图11,尽管结合肌电图和IMU信号的识别精度XGBOOST算法是87.95%,这是一个显著的改善为80.96% IMU 74.51%,肌电图。然而,实现算法的准确率低于90%,它不能适应不同的个体,因此不能满足这个实验。Bayesian-optimized之后,XGBOOST算法的准确率达到94.42%,比这更大的实现算法,这是87.95%。表5展示了各种优化算法的识别和评价指标多人实验。

表5
的平均精度鉴定和评估各种优化算法的多人实验。

泛化能力是指对未知数据模型的预测能力。模型的泛化能力越高,越强的识别性能不同的实验对象和不同姿态的变化。这种能力可以全面评估的准确率,精确率,返回值, 1的值。如表所示5准确率,Bayes-XGBOOST Bayes-MLP高出13.26%和7.3%高于Bayes-random森林。的准确性,Bayes-XGBOOST Bayes-MLP高出9.81%和6.35%高于Bayes-random森林。返回值,Bayes-XGBOOST Bayes-MLP高出12.47%和8.56%高于Bayes-random森林。为 1值,Bayes-XGBOOST Bayes-MLP高出14.15%和7.94%高于Bayes-random森林。这些指标表明,Bayes-XGBOOST算法具有最好的泛化能力,可以处理个体差异带来的变化,达到预期的效果。

6.4。与其他实验结果比较

表6与其他研究显示了比较的结果。对于一个公平的比较,研究人员选择能满足两个条件:他们用EMG和IMU融合信号识别,在类似的实验条件下和他们收集的运动信号。

表6
与其他算法比较分析。

Bangaru提议ANN-based方法自动识别建筑工人的活动,显示了识别能力几个支架活动0.94加权的准确性,而在这项研究中94.42%的精度。王等人,浩等人只提供一个结果,所以比较不清楚。如表所示3,本研究提出的方法比其他方法达到更高的精度,并且这种方法的召回率和精度也高,证明本研究的方法是人类运动意图的更有能力的检测。

7所示。讨论

本研究旨在提高识别率为下肢的运动模式识别的影响,不同的传感器在分类精度和泛化。模型的分析表明,由于复杂的人体姿势,只依赖一个单一的多通道运动识别信号,如IMU或肌电图,将误判率高;特别是,肌电图在极端模棱两可。人类运动意图的识别非常有争议,因此它是一个有效的方法来识别人类运动意图通过集成多源信号。

每日人体下肢的运动是非常复杂的5,6]。在这项研究中,三个行为与康复治疗的最高频率选择实验。然而,其他下肢运动需要进一步验证。此外,为了安全,本研究的实验与健康的人完成的。获得的实验结果是否仍适用于运动能力损伤患者需要进一步实验验证。

本研究可以进一步扩展到下肢术后康复等情况下,假体的意图识别、临床人体健康监测、和人类不同步态检测。作为一个未来的研究方向,肌电图和IMU信号之间的融合识别人类的运动意图是一种经济、可靠、和可持续的解决方案。这个分析人体步态识别具有重要意义的法律,修理动作异常,诊断运动疾病,提高以人为中心的康复设备和假肢。虽然该研究提出了只有一个初步的模型,获得的结果是令人鼓舞的。

8。结论

提高识别率为人类下肢运动,本研究设计一种模式识别方法等运动通过整合EMG信号和IMU信号,而使用Bayes-optimized XGBOOST算法识别人体运动的意图。实验结果基于人体姿势的变化表明,在这项研究中提出的方法可以实现设备的测量附着在下肢和有效地识别人体姿势的变化。在多人实验中,不同的手势识别的平均精度达到94.42%,平均水平 1值达到95.33%,平均返回值达到95.68%证明模型的泛化能力不会受到人体之间的个体差异的影响。

数据可用性

繁殖所需的数据处理这些发现也不能在这个时候作为数据共享一个正在进行的研究的一部分。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由现代测控技术教育部重点实验室和北京重点实验室测量控制机电系统北京信息科技大学。与此同时,这项工作得到了高级北京市高校创新团队建设项目(没有。IDHT20180513)和北京学者计划(2015 - 025)。