基于多傳感器的運(yùn)動(dòng)員訓(xùn)練信息融合分析系統(tǒng)設(shè)計(jì)

王思

摘? ?要：在運(yùn)動(dòng)訓(xùn)練過程中，采集工作是關(guān)系到運(yùn)動(dòng)員訓(xùn)練水平的關(guān)鍵。將多傳感器的思想應(yīng)用到信息融合技術(shù)上，通過多個(gè)傳感器和攝像機(jī)分別對運(yùn)動(dòng)員的關(guān)鍵指標(biāo)進(jìn)行采集。前者是利用小波變換實(shí)現(xiàn)對人體表面肌電信號的特征提取，然后使用人工神經(jīng)網(wǎng)絡(luò)法對關(guān)鍵的特征的進(jìn)行識別，得到初步人體運(yùn)動(dòng)評估結(jié)果。后者是對圖像視頻經(jīng)過前景提取、特征提取、識別姿態(tài)及評估進(jìn)行處理。提高了人體疲勞評估準(zhǔn)確率，從根源上解決了傳統(tǒng)系統(tǒng)的采集準(zhǔn)確率地下的問題，經(jīng)過科學(xué)指導(dǎo)，提高運(yùn)動(dòng)員訓(xùn)練水平，對于信息融合技術(shù)具有重要的作用。

關(guān)鍵詞：傳感器;信息融合技術(shù);小波變換;神經(jīng)網(wǎng)絡(luò)模型;證據(jù)理論

中圖分類號：TP24? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A

Design of Athlete Training Information Fusion

Analysis System Based on Multi-sensor

WANG Si?

（Xi 'an? Medical University，Xi 'an，Shaanxi 710021，China）

Abstract：In the process of sports training，the collection work is the key to the training level of athletes. The idea of multi-sensor is applied to the information fusion technology. The key indicators of athletes are collected by multiple sensors and cameras. The former uses wavelet transform to extract the features of EMG signals，and then uses artificial neural network to identify the key features，and gets the preliminary results of human motion evaluation. The latter is to process the image video through foreground extraction，feature extraction，attitude recognition and evaluation. It improves the accuracy of human fatigue assessment，solves the problem of the traditional system's collection accuracy from the root，improves the training level of athletes through scientific guidance，and plays an important role in information fusion technology.

Key words：sensor;information fusion technology;wavelet transform;neural network model;evidence theory

在訓(xùn)練領(lǐng)域中，運(yùn)動(dòng)員的訓(xùn)練水平目前已經(jīng)不能通過單一指標(biāo)的傳統(tǒng)評估方式預(yù)測，沒有考慮到系統(tǒng)復(fù)雜的人體及環(huán)境因素。在運(yùn)動(dòng)訓(xùn)練過程中，人體呈現(xiàn)出隨意性、多樣性、復(fù)雜性、時(shí)變性的肢體運(yùn)動(dòng)狀態(tài)[1]，從機(jī)器的角度來看，人體是通過很多形態(tài)各異的子系統(tǒng)構(gòu)成的復(fù)雜系統(tǒng)，這些不同的子系統(tǒng)分別具有異特的功能特點(diǎn)，而且它們之間有聯(lián)系，相互協(xié)調(diào)。運(yùn)動(dòng)員的行為具有復(fù)雜性的特征。

目前不少課題研究人體運(yùn)動(dòng)訓(xùn)練模型模擬遠(yuǎn)動(dòng)員運(yùn)動(dòng)訓(xùn)練過程，一般情況下，運(yùn)動(dòng)員的訓(xùn)練數(shù)據(jù)包括步數(shù)、速度、加速度、心率等[2]，這些數(shù)據(jù)對運(yùn)動(dòng)水平具有一定的影響，但是，很少專家及學(xué)者研究肌肉活動(dòng)在人體訓(xùn)練過程中的重要的作用，而且缺少對多種采集數(shù)據(jù)進(jìn)行融合分析。因此，需要通過一定的技術(shù)對多種信息進(jìn)行融合分析[3-9]。

20世紀(jì)70年代誕生了一種技術(shù)，這種技術(shù)把多種采集到數(shù)據(jù)通過融合方法進(jìn)行有效的組合，這些融合方法包括神經(jīng)網(wǎng)絡(luò)、決策論、信息論、統(tǒng)計(jì)推理、證據(jù)理論等，能夠根據(jù)一定的準(zhǔn)則對數(shù)據(jù)進(jìn)行分析，獲得了可靠、準(zhǔn)確率更高的預(yù)測結(jié)果，這就是多源信息融合技術(shù)。

為些，提出了基于多傳感器的運(yùn)動(dòng)員訓(xùn)練信息融合分析技術(shù)，利用多傳感器設(shè)備對許多訓(xùn)練特征數(shù)據(jù)進(jìn)行采集，通過一定的融合技術(shù)進(jìn)行有效的融合分析，并結(jié)合特定的規(guī)則來進(jìn)行訓(xùn)練水平的評估，從而獲得了準(zhǔn)確率更高的評估結(jié)果。因此，針對提高運(yùn)動(dòng)員訓(xùn)練水平的問題，提出的技術(shù)方案具有重要的作用。

1? ?系統(tǒng)整體設(shè)計(jì)

將多源信息融合技術(shù)應(yīng)用到運(yùn)動(dòng)員訓(xùn)練信息系統(tǒng)中，是為了獲取人體運(yùn)動(dòng)過程的各方面參數(shù)，將這些參數(shù)進(jìn)行融合分析，以提供行之有效并且有助于運(yùn)動(dòng)員鍛煉的決策數(shù)據(jù)和技術(shù)指導(dǎo)。

特征層、特征融合層和決策層四層。從圖上可以看出，科學(xué)訓(xùn)練技術(shù)指導(dǎo)或者運(yùn)動(dòng)水平都是通過以運(yùn)動(dòng)員人體運(yùn)動(dòng)過程的信息獲取與處理為基礎(chǔ)的進(jìn)行融合分析得到的結(jié)果。因此本文的主要研究是如何獲取運(yùn)動(dòng)員訓(xùn)練過程中的多目標(biāo)多參數(shù)數(shù)據(jù)，進(jìn)行有效的融合分析。

2? ?人體運(yùn)動(dòng)信息獲取

人體運(yùn)動(dòng)過程中的信息本身是一個(gè)復(fù)雜的非線性過程的參數(shù)，它涉及到運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)、生理（肌電）學(xué)等等。不同的模型對應(yīng)的慣性參數(shù)不同，利用攝像機(jī)獲取人體運(yùn)動(dòng)學(xué)參數(shù)，利用力測試平臺獲取外力參數(shù)。

2.1? ?運(yùn)動(dòng)學(xué)信息獲取

運(yùn)動(dòng)學(xué)參數(shù)主要通過高速攝像、三維錄像等技術(shù)獲取的[10-11]。

（1）高速攝影技術(shù)

由于拍攝方式不同，其攝像的測量范圍也因此不同。在進(jìn)行信息獲取時(shí)，拍攝方式取決于運(yùn)動(dòng)員的訓(xùn)練項(xiàng)目。平面定機(jī)拍攝方式測量平面范圍小，適用于在一個(gè)平面上被測體運(yùn)動(dòng)過程中的項(xiàng)目，比如跳遠(yuǎn)、起跳等項(xiàng)目。平面跟蹤拍攝方式測量范圍小，比定機(jī)拍攝方式大，由于被測體無法一直保持勻速直線運(yùn)動(dòng)，難免出現(xiàn)與攝像機(jī)速度不同，得到有誤差的測量結(jié)果，一般適用于周期距離長、測量范圍大的運(yùn)動(dòng)項(xiàng)目。立體定機(jī)拍攝方式主要是從不同的角度同時(shí)來拍攝同一個(gè)被測體運(yùn)動(dòng)過程，攝像機(jī)臺數(shù)至少有兩臺才能進(jìn)行同時(shí)拍攝，對從不同角度的攝像機(jī)同時(shí)獲取的圖形進(jìn)行數(shù)字化，得到的運(yùn)動(dòng)參數(shù)，可適用于鉛球等運(yùn)動(dòng)項(xiàng)目。

（2）三維錄像技術(shù)

三維錄像技術(shù)是利用三維空間重構(gòu)原理進(jìn)行的，信息采集人員可以站在穩(wěn)定不變的位置所設(shè)置的兩臺以上攝像機(jī)來拍攝，通過直線線性變換算法獲得的三維空間坐標(biāo)，做一個(gè)至少6個(gè)已知坐標(biāo)點(diǎn)的高精度的標(biāo)定框架，攝像機(jī)角度差一般為90度。該拍攝方式測量空間大，結(jié)構(gòu)簡單，適用于體操、球類、田徑等運(yùn)動(dòng)項(xiàng)目。

2.2? ?動(dòng)力學(xué)信息獲取

在運(yùn)動(dòng)過程中，可通過傳感器獲得動(dòng)力學(xué)信息，對運(yùn)動(dòng)分析有重要的影響。動(dòng)力學(xué)參數(shù)一般包括人體位移、足底壓力、關(guān)節(jié)力、角度、加速度等，可通過力傳感器、位移傳感器、速度傳感器、加速度計(jì)、慣性式傳感器、測角儀獲取。目前研究院所開發(fā)了的六維力測試平臺，該平臺可分成力傳感器、信號處理模塊和計(jì)算機(jī)模塊三大模塊，測量面積大，還可以同時(shí)獲取力柜數(shù)據(jù)和三維空間數(shù)據(jù)。

2.3? ?肌電信息獲取

肌電圖是神經(jīng)及肌肉在運(yùn)動(dòng)過程中會(huì)釋放出微弱的電信號，經(jīng)過處理得到的圖形。通過肌電測量儀器根據(jù)肌電電極來獲取人體肌肉的舒張和收縮程度等數(shù)據(jù)，經(jīng)過處理過的肌電圖分析，對運(yùn)動(dòng)員進(jìn)行科學(xué)指導(dǎo)，提高訓(xùn)練水平。由于電極對象不同，可以將肌電信號分為表面肌電和針電極肌電，在運(yùn)動(dòng)訓(xùn)練期間，大多利用表面肌電檢測的形式，是因?yàn)檫@種方式對人體沒有產(chǎn)生的損害，僅僅測量人體肌膚表面上的肌電數(shù)據(jù)。

3? ?運(yùn)動(dòng)圖像的運(yùn)動(dòng)評估

利用混合的高斯模型對從攝像機(jī)獲取的運(yùn)動(dòng)圖像進(jìn)行前景圖像提取處理[13-14]，消除噪聲干擾和虛假目標(biāo)，獲得的所有被測體的移動(dòng)目標(biāo)圖像。然后跟蹤、利用視頻播放出現(xiàn)的不同幀的圖像，然后提取這些圖像的特征點(diǎn)，對這些圖像特征點(diǎn)進(jìn)行識別和分析。

3.1? ?前景圖像提取過程

利用一定的算法根據(jù)圖像上的每個(gè)像素計(jì)算每個(gè)高斯分布作為前景的概率大小，根據(jù)權(quán)重與標(biāo)準(zhǔn)差對每個(gè)高斯模型進(jìn)行排序，最后得到了前景圖像。

公式（1）為混合高斯模型公式，在時(shí)間 時(shí)間點(diǎn)處，能夠提取圖像中的像素，該像素可以為前景的概率大小。

在上式中，K為模型的個(gè)數(shù)，一般取為3，It（x，y）為t時(shí)刻的像素值，κ∑i，t為協(xié)方差矩陣，∑i，t = σ2I，σ2為方差，I為三維單位矩陣，μi，t為均值，ωi，t為t時(shí)刻第i個(gè)高斯的權(quán)重。

高斯分布的概率密度公式 如式（2）所示

將模型按式（3）的值大小進(jìn)行排序，然后將排序后的每個(gè)值與式（4）進(jìn)行匹配。

假如匹配成功，那么需要更新高斯分布的參數(shù)，如式（5）為高斯分布的更新算法，α為學(xué)習(xí)率。

假如不匹配成功，那么p為0，需要按照式（6）進(jìn)行更新。

為了消除在提取結(jié)果過程中受到復(fù)雜環(huán)境引起的影響，需要對學(xué)習(xí)率進(jìn)行更新，將幀間差分法的思想應(yīng)用到學(xué)習(xí)率，并且提出了新型的學(xué)習(xí)率更新方法，這種方法能夠提高背景模型的穩(wěn)定性。并且能夠?qū)g差分法的思想運(yùn)用到學(xué)習(xí)率。

如式（7）所示，通過幀間差分方法獲得第 幀與第i - 1幀圖像之間的像素差。

將D（x，y）與像素個(gè)數(shù)S按式（8）所示進(jìn)行比較，計(jì)算相應(yīng)的學(xué)習(xí)率。

將排序前面的高斯分布為前景的公式如下：

式（9）中，T為像素概率分布中混合背景高斯成分占的最小比例的值，本文取值為0.7。

3.2? ?特征提取

在運(yùn)動(dòng)員訓(xùn)練過程中，將攝像機(jī)獲取的視頻進(jìn)行前景提取圖像，需要通過一定的算法對被測體的每幀圖像的特征點(diǎn)進(jìn)行追蹤。本文利用Shi-tomasi算法應(yīng)用到前景圖像提取特征中，設(shè)置一個(gè)窗口，根據(jù)灰色值是否判定圖像中的角點(diǎn)是否為特征點(diǎn)。

然后構(gòu)建正方形窗口W，該窗口的長度為n×n，然后假設(shè)窗口中心的點(diǎn)坐標(biāo)為（x，y），I（x，y）為（x，y）處的圖像灰度值。設(shè)窗口向左平移長度為Δx，向上長度為Δy個(gè)，那么灰度值計(jì)算公式如（9）所示。

經(jīng)過當(dāng)前灰色值計(jì)算后，對I（x+Δx，y+Δy）進(jìn)行矩陣形式展開，如式（11）所示。

式中，ω（x，y）為特定的高斯濾波器，Ix ，Iy為圖像，x，y方向的偏導(dǎo)數(shù)。

在點(diǎn)（x，y）處，當(dāng)窗口的位置向每個(gè)方向位移之后，如果該窗口的灰色值變化不大，則圖像中的區(qū)域該為平攤區(qū)域。反之，該點(diǎn)（x，y）為特征點(diǎn)，則表示該點(diǎn)追蹤成功。

3.3? ?識別及評估結(jié)果

以跑步和走路為例，通過支持向量機(jī)對在訓(xùn)練過程中的視頻里被測體姿態(tài)進(jìn)行識別，判斷被測體是否出現(xiàn)疲勞的現(xiàn)象，最終得到人體運(yùn)動(dòng)狀態(tài)的初步評估結(jié)果。當(dāng)被測體的跑步速度緩慢時(shí)，逐漸趨于走路狀態(tài)，說明這個(gè)被測體處于疲勞狀態(tài)。

以走步為例，假設(shè)在時(shí)間t內(nèi)識別出被測體走路的次數(shù)，對人體的疲勞評估公式如下：

式中，n為走路姿態(tài)次數(shù)，F(xiàn)為非疲勞值得概率值，P為人體疲勞的概率值。

4? ?肌電信號評估

將信息融合技術(shù)應(yīng)用于肌電信號評估[15-16]， 利用小波變換法和神經(jīng)網(wǎng)絡(luò)法對目標(biāo)特征數(shù)據(jù)進(jìn)行處理并識別。如圖2所示，將從傳感器得到數(shù)據(jù)（表面肌電信號）進(jìn)行標(biāo)準(zhǔn)化，經(jīng)過算法進(jìn)行關(guān)聯(lián)特征融合，最終得到的初步評估初步結(jié)果。

評估步驟如下：

（1）利用傳感器感測人體表面肌電信號，并將得到的信號分段處理，得出樣本數(shù)據(jù)。

（2）得到樣本數(shù)據(jù)后，經(jīng)過濾波降噪處理。

（3）利用小波變換原理對得到的表面肌電信號進(jìn)行處理，在利用小波變換原理時(shí)，可采用適合的小波基實(shí)施小波變換，進(jìn)而輸出表面肌電信號的計(jì)算結(jié)果。

（4）對處理結(jié)果進(jìn)行能量篩選，對信號進(jìn)行提取小波系數(shù)，轉(zhuǎn)換成特征向量。

（5）人工神經(jīng)網(wǎng)路法對多組特征向量進(jìn)行分析并處理，得到了初步評估結(jié)果。

4.1? ?基于小波變換的特征提取

本研究借助于小波變換原理處理人體運(yùn)動(dòng)中的表面肌電信號，小波信號處理結(jié)束后，又利用人工神經(jīng)網(wǎng)絡(luò)算法，對人體運(yùn)動(dòng)中的表面肌電信號進(jìn)行再次評價(jià)。

在采集運(yùn)動(dòng)過程期間表面肌電信號時(shí)，在人體肌肉疲勞之后，有必要記錄肌電數(shù)據(jù)，當(dāng)肌肉出現(xiàn)疲勞之前，也需要記錄肌電數(shù)據(jù)，分析數(shù)據(jù)變化。以單位長度為1 min對數(shù)據(jù)進(jìn)行分段，接著再分成60個(gè)1 s的數(shù)據(jù)組成數(shù)據(jù)組。

怎樣篩選恰當(dāng)?shù)男〔ɑ鶎⒈砻婕‰娦盘枌?shí)施小波變換也是比較重要的[17-19]，小波變換公式的使用過程如下：

（1）設(shè)?（t）基小波，時(shí)域積分為0，如（13）公式所示。

（2）將?（t）基小波經(jīng)過平移和放縮處理后得到的Φ（a，τ）。

（3）將小波基替換傅里葉變換公式的基函數(shù)后，得到的公式如下：

目前有幾種小波基[20]，比如Symlets、Meyer、Dauechies、Haar、Morlet等小波，經(jīng)過基函數(shù)特征分析，小波變換的基函數(shù)選取為Dauechies小波。

在運(yùn)動(dòng)員訓(xùn)練運(yùn)功期間，需要識別運(yùn)動(dòng)員的表面肌電信號，然后對該信息進(jìn)行特征信息提取，從特征信息中提出特征向量，將這些特征向量輸入至神經(jīng)網(wǎng)絡(luò)，基于神經(jīng)網(wǎng)絡(luò)能夠生成識別出的信號。

對表面肌電信號進(jìn)行多尺度小波分解，每個(gè)尺度分解的級別有高低，表面肌電信號能量越強(qiáng)，小波分解系數(shù)的絕對值越大，影響信號重構(gòu)的程度越高。以每級小波系數(shù)的絕對值的最大值作為特征參數(shù)，最終形成特征向量。

設(shè)E為表面肌電信號的能量值，在1 s內(nèi)，對肌電信號進(jìn)行截取，在t0時(shí)刻t秒內(nèi)，能量變化公式如下：

4.2? ?基于人工神經(jīng)網(wǎng)絡(luò)的疲勞評估

如圖3所示，本文研究的人工神經(jīng)網(wǎng)絡(luò)[21]分三個(gè)層級，即輸入層與輸出層中間加一個(gè)隱含層。

將前文所述的特征向量（該向量通過小波變換法獲?。┳鳛樯窠?jīng)網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)進(jìn)行輸入。輸出層僅僅需要一個(gè)可輸出兩種工作狀態(tài)的節(jié)點(diǎn)，分別是疲勞狀態(tài)和非疲勞狀態(tài)。在上述的神經(jīng)網(wǎng)絡(luò)計(jì)算過程中，需要用到不同的神經(jīng)網(wǎng)路傳遞函數(shù)，比如tan-sigmod型和log-sigmoid型等，在本研究中，該神經(jīng)網(wǎng)路傳遞函數(shù)為tan-sigmod型，tan-sigmod型函數(shù)輸出兩種不同的狀態(tài)，即 0和1。

確定隱含層的節(jié)點(diǎn)數(shù)是人工神經(jīng)網(wǎng)絡(luò)的關(guān)鍵，對識別評估有重要的作用，可按式（15）公式確定隱含層節(jié)點(diǎn)數(shù)。

式中，n為隱含層節(jié)點(diǎn)數(shù)，m為自定義變量，n1，n2分別為輸入層、輸出層的節(jié)點(diǎn)數(shù)。

5? ?決策級的運(yùn)動(dòng)評估

利用信息融合技術(shù)將多個(gè)傳感器獲取的數(shù)據(jù)進(jìn)行融合分析。如圖4所示，首先對傳感器數(shù)據(jù)進(jìn)行處理并提取特征，得到初步評估結(jié)果，將多個(gè)初步結(jié)果進(jìn)行決策級融合處理，最終得到了決策級運(yùn)動(dòng)評估結(jié)果。

將運(yùn)動(dòng)圖像評估結(jié)果與基于傳感器的初步評估結(jié)果通過信息融合技術(shù)進(jìn)行關(guān)聯(lián)，最終得到的人體運(yùn)動(dòng)疲勞的決策級評估結(jié)果。信息融合方法有神經(jīng)網(wǎng)絡(luò)、決策論、信息論、統(tǒng)計(jì)推理、證據(jù)理論等。證據(jù)理論比較適用于事件出現(xiàn)的不確定性概率場合[22]，具有靈活性。

假設(shè)證據(jù)的基本概率賦值為運(yùn)動(dòng)圖像疲勞評估值和肌電信號疲勞評估值，組成概率分布，輸入狀態(tài)有4種，非疲勞（A）、疲勞（B）、非疲勞或疲勞（C）、空（O）。

設(shè)閾值符號為a，當(dāng)決策結(jié)果大于a，則處于初步評估結(jié)果狀態(tài)，當(dāng)決策結(jié)果小于a，則說明初步評估結(jié)果不正確。m為證據(jù)理論的基本概率賦值，m1為運(yùn)動(dòng)圖像的疲勞評估賦值，m2為表面肌電信號的疲勞評估賦值，決策結(jié)果只有非疲勞和疲勞兩種，決策結(jié)果計(jì)算公式如下：

6? ?檢測試驗(yàn)及分析

選身體健康的人員作為實(shí)驗(yàn)對象，分別對被測體運(yùn)動(dòng)之前、運(yùn)動(dòng)過程中未出現(xiàn)疲勞之前、運(yùn)動(dòng)過程中出現(xiàn)疲勞后以及運(yùn)動(dòng)結(jié)束后進(jìn)行記錄圖像視頻和傳感器數(shù)據(jù)。

對運(yùn)動(dòng)過程中實(shí)驗(yàn)對象的1分鐘視頻進(jìn)行姿態(tài)識別，獲得了801次走路姿態(tài)，經(jīng)過計(jì)算，運(yùn)動(dòng)圖像的非疲勞率為0.2，疲勞率為0.8。

選美國的delsys設(shè)備作為采集設(shè)備，電池工作時(shí)間可持續(xù)40小時(shí)數(shù)，4通道，采樣頻率512 Hz，分辨率為12 bit，這種設(shè)備能夠進(jìn)行遠(yuǎn)距離無線傳輸。

本研究選取了不同的測試點(diǎn)進(jìn)行試驗(yàn)，測試點(diǎn)為四塊肌肉，更具體為分別為大腿背面股二投肌、股直肌、股內(nèi)側(cè)肌、股外側(cè)肌。波形圖如圖5所示，該波形圖為截取1秒內(nèi)采集的四通道數(shù)據(jù)：

對四通道原始數(shù)據(jù)進(jìn)行小波變化，得到處理過的波形圖如圖6所示：

當(dāng)小波變換后的四通道數(shù)據(jù)輸入到人工神經(jīng)網(wǎng)絡(luò)識別，非疲勞率為0.06，疲勞率為0.94。

如表1所示，實(shí)驗(yàn)的決策次評估結(jié)果為疲勞。

在運(yùn)動(dòng)過程中，對實(shí)驗(yàn)對象的心率數(shù)據(jù)、運(yùn)動(dòng)圖像數(shù)據(jù)、表面肌電信號數(shù)據(jù)進(jìn)行采集，經(jīng)過多次實(shí)驗(yàn)，本研究的系統(tǒng)所得出了評估結(jié)果更為準(zhǔn)確，更加科學(xué)。

7? ?結(jié)? ?論

基于多傳感器的思想提出了運(yùn)動(dòng)員訓(xùn)練信息融合分析系統(tǒng)技術(shù)，并在傳感器采集的基礎(chǔ)上結(jié)合小波變換法、人工神經(jīng)網(wǎng)絡(luò)法和證據(jù)理論，提高信息融合后得出的人體評估結(jié)果準(zhǔn)確率，克服了傳統(tǒng)采集準(zhǔn)確率低的技術(shù)問題，經(jīng)過科學(xué)指導(dǎo)，提高了運(yùn)動(dòng)員的訓(xùn)練水平。

參考文獻(xiàn)

[1]? ? 劉凱. 功能動(dòng)作篩查在游泳運(yùn)動(dòng)員體能訓(xùn)練中的運(yùn)用[D]. 北京體育大學(xué)，2013（1）：4-52.

[2]? ? 騰珂.基于可穿戴式傳感器的多特征步態(tài)分析系統(tǒng)設(shè)計(jì)與研究[D]. 合肥工業(yè)大學(xué)，2016（3）：10-58.

[3]? ? 張?jiān)品?，盧燦舉，李超. 多源信息融合軟件的設(shè)計(jì)與實(shí)現(xiàn)[J]. 無線互聯(lián)科技，2016，（6）：54-55.

[4]? ? 董永. 基于多源信息融合的機(jī)器人控制模態(tài)設(shè)計(jì)[D]. 大連理工大學(xué)，2016.

[5]? ? 雷靜，余斌. 基于信息融合和神經(jīng)網(wǎng)絡(luò)的煤巖識別方法[J]. 工礦自動(dòng)化，2017，43（9）：102-105.

[6]? ? 劉海峰，張超，羅江，等.網(wǎng)絡(luò)信息體系中的信息融合與挖掘技術(shù)研究[J]. 指揮與控制學(xué)報(bào)，2016，2（04）：329-337.

[7]? ? 劉宗梅，李克蕾. 運(yùn)動(dòng)訓(xùn)練信息管理系統(tǒng)的研究與設(shè)計(jì)[J]. 現(xiàn)代電子技術(shù)，2017，40（09）：54-57

[8]? ? 韓義波，張政，唐丙寅. 基于三維地理信息的艦船輸電通道多源信息融合技術(shù)研究[J]. 艦船科學(xué)技術(shù)，2017，39（14）：70-72+99.

[9]? ? 李明. 多源信息融合技術(shù)發(fā)展簡述[J]. 艦船電子工程，2017，37（06）：5-9.

[10]? 胡瓊，秦磊，黃慶明.基于視覺的人體動(dòng)作識別綜述[J].計(jì)算機(jī)學(xué)報(bào)，2013，36（12）：2512-2523.

[11]? 孫宏國，李天然，蒲寶明，等. 復(fù)雜背景下人體檢測算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用. 2013，22（4）：136-139.

[12]? 張杰，吳劍章，湯嘉立，等. 基于時(shí)空圖像分割和交互區(qū)域檢測的人體動(dòng)作識別方法田[J]. 計(jì)算機(jī)應(yīng)用研究.2017，34（1）：302-305.

[13]? 魏燕欣，范秀娟.基于GMM的人體運(yùn)動(dòng)姿態(tài)的追蹤與識別[J]. 北京服裝學(xué)院學(xué)報(bào)（自然科學(xué)版），2018（2）.42-49.

[14]? 劉鑫，劉輝，強(qiáng)振平. 混合高斯模型和幀間差分相融合的自適應(yīng)背景模型[J]. 中國圖象圖形學(xué)報(bào).2008.13（4）：729-734

[15]? 孫光民，閏正祥，張俊杰，等. 基于表面肌電信號雙譜分析的動(dòng)作分類[J]. 北京工業(yè)大學(xué)學(xué)報(bào)，2017，43（7）：1045-1050.

[16]? 賈誼，薛瑞婷，魏亮. 人體快迷起跳動(dòng)作的下肢表面肌電信號特征研究[J]. 中國體育科技，2017，53（2）：64-70.

[17]? 于亞萍，孫立寧，張峰峰，等. 基于小波變換的多特征融合sEMG模式識別[J]. 傳感技術(shù)學(xué)報(bào)，2016，29（4）：512-518.

[18]? 劉海江，李敏，黃偉，等. 基于小波變換的整車駕駛性評價(jià)信號去噪[J]. 噪聲與振動(dòng)控制，2018 .38（1）：103-108

[19]? 馬天兵，王孝東，杜菲，等. 基于小波包和BP神經(jīng)網(wǎng)絡(luò)的剛性罐道故障診斷[J]. 工礦自動(dòng)化，2018，44（8）：76-80.

[20]? 郝建新. 基于小波變換與Retinex的電路板紅外圖像增強(qiáng)技術(shù)[J]. 紅外技術(shù)，2015，（12）：1036-1040.

[21]? 孫慧影，林中鵬，黃燦，等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的礦用通風(fēng)機(jī)故障診斷[J]. 工礦自動(dòng)化，2017，43（4）：37-41.

[22]? 韓立巖，周芳. 基于D-S證據(jù)理論的知識融合及其應(yīng)用[[J].北京航空航天大學(xué)學(xué)報(bào)，2006，32（1）：70-73.