基于肌音信號的頭部動作模式識別

, , , ,

(華東理工大學機械與動力工程學院,上海 200237)

基于肌音信號的頭部動作模式識別

顧曉琳,吳清,夏春明,章悅,鐘豪

(華東理工大學機械與動力工程學院,上海200237)

肌音信號(MMG)是一種肌肉收縮時發(fā)出的低頻信號,通過測量分析頸部前后兩側的胸鎖乳突肌和頭夾肌的肌音信號,成功識別點頭、抬頭、左擺、右擺、左轉、右轉6個頭部動作模式。實驗中采集了4個通道的數(shù)據(jù),經濾波、歸一化的預處理后,用不等長分割法分割出動作幀。提取了動作幀的小波包系數(shù)能量及雙譜對角切片特征,經主元分析法(PCA)和Fisher線性判別分析(FLDA)降維,用支持向量機(SVM)分類。最后對小波包系數(shù)能量和雙譜對角切片特征進行FLDA降維,識別率達95.92%。

肌音; 頭部動作; 特征提取; 小波包; 雙譜

人體動作包括一系列具有豐富含義的肢體運動,如手指、手、手臂、頭、面部或身體等姿態(tài)或運動模式,是表達人的行為意圖或者完成人與環(huán)境的信息傳遞的一種方式[1]。通過傳感器獲得的肌肉活動狀態(tài)信息可以用于疾病診斷、康復、科學訓練等領域。

伴隨著傳感器技術的快速發(fā)展,出現(xiàn)越來越多的檢測肌肉活動情況的方法,其中最主要的是肌電信號(EMG)[2]方法和肌音信號(MMG)[3]方法。雖然肌電信號已被長期用作評價骨骼肌特性的可靠工具,但它還是存在一些缺點,比如肌電傳感器需要低噪聲環(huán)境和穩(wěn)定的信號分量,對外部噪聲及干擾很敏感,這極大地限制了它的檢測環(huán)境和應用范圍[4-5];另外肌電信號的采集較為麻煩,需要將皮膚表面清理干凈,并涂上特定的溶液,使皮膚阻抗維持在一定范圍內。而肌音信號是一種肌肉收縮時發(fā)出的低頻信號,使用特定的傳感器在肌肉表面記錄由內部肌纖維產生的機械振動[6],可選擇的傳感器包括壓電接觸式傳感器[7]、麥克風傳感器[8]、加速度傳感器[9]和激光測距傳感器[10]等。比起肌電信號,肌音信號具有很多優(yōu)點:首先,由于其在肌肉組織中的傳播特性,肌音傳感器的位置不需要很精確,采集方便;其次,肌音信號是機械信號,不受出汗引起皮膚阻抗變化的影響;再有,容易結合表面肌電信號等方法檢測神經肌肉的功能。因此有許多應用已用到了肌音信號,如假肢手的控制[11]、評估肌肉在體育訓練中的疲勞情況[12]、監(jiān)測神經肌肉阻滯[13]和人體動作的識別技術[14]等。

人們在截肢、高位截癱、中風導致的肢體癱瘓等情況下,往往失去了大多數(shù)的行動能力,甚至語言表達能力,因此經常只能通過一些頭部的動作來表達自己的想法和意圖,這成為了這一群體能夠和外部溝通的一種有效的表達手段。如果通過肌音信號能夠實現(xiàn)頭部動作的識別,獲得這些人的想法和意圖,將為后續(xù)實現(xiàn)對輪椅等康復輔助器具控制提供有效的控制信號源。但關于頸部肌音信號識別頭部動作的相關研究鮮有報道。目前模式識別方法主要有非張量積小波[15]、隱馬爾科夫模型(HMMs)[16]、GMM高斯混合模型、SVM分類等,本文在選取優(yōu)良特征的基礎上,運用經典模式識別算法,成功采取SVM識別頭部動作,這對康復工程、老年人的健康監(jiān)護領域具有現(xiàn)實意義。

1 實驗方案

肌音信號的完整采集過程如圖1所示。頭部動作的信號來源為頸部肌肉,在頸部的4個部位各固定一個肌音信號傳感器,這4個部位分別是左右兩側的胸鎖乳突肌(Sternocleidomastoid,SCM)和頭夾肌(Splenius capitis,SPL)[17]。傳感器的選擇需考慮其頻率響應特性和質量,由于肌音信號的頻率范圍為0～100Hz,主要信號能量在低頻段(2～50Hz),因此本研究選取了北京頤松的TD-3加速度傳感器,質量為5g[15]。采集設備為美國國家儀器公司的NI9205模擬量采集卡,32路單端輸入或16路差分輸入,采樣頻率為1000Hz,采集到的信號通過Matlab進行記錄和后續(xù)處理分析。

圖1 頸部肌音信號采集系統(tǒng)示意圖Fig.1 Mechanomyographic signal acquisition system

實驗對象為10名志愿者,其中2名女性,8名男性,年齡在23～25周歲,均身體健康,頸部及頭部無殘疾,所有受試者在測試之前都對所測試項目有具體了解,并簽署了符合《赫爾辛基宣言》主旨的知情同意書。實驗過程中,要求受試者完成點頭、抬頭、左擺頭、右擺頭、左轉頭、右轉頭共6種頭部動作,動作順序如圖2所示。要求每種動作做90次,每次動作之間間隔3～4 s。為了消除疲勞對肌肉的影響,每2種動作之間休息0.5 h左右,或看受試者情況,直至受試者休息完畢再進行下一種動作。每位受試者在此次采集前均經過訓練,所做動作基本一致。

圖2 頭部動作順序圖Fig.2 Head action sequence diagram

2 信號預處理與信號分割

信號預處理包括對原始信號進行濾波和標準化2步操作,通過用Kaiser窗設計的FIR濾波器(2～49 Hz)對原始信號進行濾波。

濾波之后還需對信號歸一化,按照式(1)進行。

(1)

其中:Mean是同一通道的電壓均值;Std是標準差。

本文采用的動作分割方法為不等長分割法,其原理是:利用信號二次包絡線的方法對信號進行分割,每個動作都有與之對應的包絡線,而包絡線的前后兩處極小值點所對應的位置即為動作的開始和結束位置。

3 特征提取與降維處理

3.1特征提取

3.1.1 小波包特征提取 每一個分割好的動作幀即對應一個頭部動作,為了識別出該動作幀對應的頭部動作類型,需要對分割好的6類動作幀信號提取特征,特征可分為時域特征、頻域特征、時頻域特征3類。本文選用的是小波包變換特征和雙譜特征2類,其中小波包變換特征屬于時頻域特征,雙譜特征屬于頻域特征。

小波變換特征有小波(包)系數(shù)最大值、小波(包)系數(shù)奇異值、小波(包)系數(shù)能量等。經過多次實驗,結果顯示在頭部動作的肌音信號識別中,小波包系數(shù)能量是較好的特征。小波包變換以二叉樹的形式將信號分解成相等頻帶寬度的子空間,即當信號分解層數(shù)為i層時,一共有2i個等頻帶寬的子空間。本文中小波包系數(shù)能量特征如下式所示:

feature={lgEi,i=1,…,2level}

(2)

(3)

為確定小波的類型和分解層數(shù),綜合比較了生物醫(yī)學信號中比較常用的sym5、db5、db4和coif4[18]4種小波,通過4種小波的分類結果對比得出 coif4更適合頭部動作肌音信號的特征提取以及模式分類。對于分解層數(shù)的確定,邱青菊等[18]和Chu等[19-20]均提出4種小波分解對于生理信號來說是比較合適的,本文多次實驗結果也表明分解成4層的效果最好。因此一個通道信號的小波包系數(shù)能量特征就有24=16維,一共有4個通道,即小波包系數(shù)能量特征為64維。

3.1.2 雙譜特征提取 除了小波包系數(shù)能量特征外,本文還提取了雙譜特征。在傳統(tǒng)的隨機信號處理中,一般假設信號是具有高斯性的平穩(wěn)信號,但是肌音信號不是高斯信號,也不是平穩(wěn)的,它的相位譜里面含有豐富的信息,因此,需要借助高階統(tǒng)計量的方法。

高階譜中的三階譜(亦稱雙譜)階數(shù)最低,處理方法也最簡單,因此本文采用雙譜分析做進一步的特征提取。高階譜是由累積量函數(shù)定義的,因而也可稱為累積量譜。設{x(n)}為零均值的k階平穩(wěn)過程,則該過程的k階累積量定義為

Ckx(τ1,τ2,…,τk-1)=

cum{x(n),x(n+τ1),…,x(n+τk-1)}

(4)

則k階累積量譜定義為k階累積量的k-1維傅里葉變換,當k=3時,即為雙譜,雙譜定義如下:

S3x(w1,w2)=

(5)

其中:|w1|≤π;|w2|≤π;|w1+w2|≤π;C3x(τ1,τ2)是隨機過程{x(n)}的三階累積量。

雙譜是二維函數(shù),如果取所有的雙譜信息作為特征還需解決二維的模板匹配問題,另外計算量也很龐大,對實時性會有影響,所以本文將取用雙譜中的一維特征,即對角切片信息,作為之后分類的特征。

3.2降維處理

3.2.1 概述 由于小波包系數(shù)能量特征維數(shù)過多,需要降維處理。線性判別分析(FLDA)和主成分分析(PCA)是針對向量模式進行特征提取和降維普遍使用的典型方法[21]。PCA能使降維后的特征空間具有良好的表現(xiàn)能力;FLDA能使降維后的特征空間具有良好的辨別能力。本文采用這2種方法降維。

3.2.2 FLDA降維 FLDA用于尋找對不同樣本類進行區(qū)分的最有效的方向。其主要思想是考慮將多維空間中的點投影到一條直線上,通過適當選擇直線的方向,有可能找到能夠最大限度地區(qū)分各類樣本數(shù)據(jù)點的投影方向。在投影后的低維空間里能夠使同類的樣本數(shù)據(jù)點離得越近越好,不同類的樣本之間的距離越遠越好。定義類內離散度矩陣如下:

(6)

類間離散度矩陣如下:

(7)

其中:NC是樣本總類數(shù);每個子類ci分別含有ni個樣本值;mi為每一個種類的樣本均值;m為整體的樣本均值。用類內離散度矩陣和類間離散度矩陣表示的Fisher判別準則函數(shù)為

(8)

Fisher判別的目的是要找到使得該準則函數(shù)J(P)最大化時的直線W。經過推導,J(P)最大化時P的列向量就是以下特征方程的特征向量:

SBPi=λiSWPi

(9)

其中,Pi表示矩陣P中的第i個列向量。

FLDA特征投影的計算公式:

y=PTx

(10)

由于SB矩陣的秩不大于NC-1,因此式(9)得出的非零特征值的個數(shù)將小于或等于NC-1,所以最后通過FLDA投影得到的低維特征向量維數(shù)為NC-1,本文中NC為6,所以經FLDA降維成5維。

3.2.3 PCA降維 PCA主成分分析的主要思想是對于原先提出的所有變量,建立盡可能少的新變量,使得這些新變量兩兩不相關。主成分分析的目的是通過特征的線性組合降低特征空間的維數(shù)。PCA是先求取原來的特征空間矩陣的協(xié)方差矩陣的特征值和特征向量,并根據(jù)從大到小的貢獻率將特征值降序排列。本文選取累積貢獻率達到90%的前幾個特征的主成分系數(shù)為投影矩陣,將原來的高維特征空間映射到低維空間[22]。

4 分類器

對信號預處理、提取特征、特征降維處理之后,即可送入分類器進行分類,本文采用的分類器是SVM支持向量機。SVM是定義在特征空間上的間隔最大的線性分類器。針對本文的非線性問題,需要通過引入映射方法,將低維空間中的非線性問題轉化為高維空間的線性問題來解決。常用的SVM分類器有4種核函數(shù),分別為線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)(RBF)、Sigmoid核函數(shù),本文采用的是RBF核函數(shù),如式(11)。

(11)

其中:xc為核函數(shù)中心;σ為函數(shù)的寬度參數(shù),控制了函數(shù)的徑向作用范圍。

5 信號處理結果

5.1動作分割結果

6種連續(xù)動作信號經不等長分割算法后得到的單步動作幀情況見圖3。由圖可見6種動作的分割情況良好,每種動作分割完整,且不同的動作之間有明顯的差異性。

圖3 6個動作肌音信號的分割情況Fig.3 Six actions segmentation of MMG signal

5.2雙譜特征提取結果

在提取頭部6個動作模式的雙譜特征時,先得出這6個動作的雙譜圖,如圖4所示。可以看出6個動作的雙譜圖各有不同,但某些動作之間又有一些相似之處,其中第3個動作左擺頭和第4個動作右擺頭的雙譜圖比較相似,二維圖上都有較多的旁瓣;第1個動作點頭和第2個動作抬頭的雙譜圖也比較相似,相對其他4個動作來說,這2個動作的二維雙譜圖都比較稀疏;最后第5個動作左轉頭和第6個動作右轉頭也較為相似,它們的二維雙譜圖比第1和第2個動作的雙譜圖密集。

圖4 6個動作模式的二維雙譜圖Fig.4 Two dimensional double spectra of 6 action modes

6個動作的雙譜圖的對角切片圖如圖5所示,它們各不相同,但某幾個動作有一定的相似處。如動作3和動作4相對于其他動作,能量比較分散,但最高能量還是集中在中間部分;動作1和動作2的切片圖的能量比較集中在中部,雖然最中間能量比較低,但最高能量處還是集中在中間周圍,兩邊稍有點小小的旁瓣,另外譜峰的數(shù)量級也一致,都是1.5×10-3;動作5和動作6的切片圖中的能量集中程度很高,集中在中間部分,幾乎沒有兩側雜波,譜峰的數(shù)量級也一致,都是4×10-3?？梢钥闯?個動作模式的雙譜圖、切片特征有很明顯的區(qū)分,在小波包系數(shù)能量特征的基礎上,加入雙譜切片特征,推測能提高識別率。

5.3特征降維結果

4個通道的小波包系數(shù)能量特征為64維,通過FLDA降維成5維,PCA降維則一般降到11～13維的特征空間。FLDA和PCA降維處理小波包系數(shù)能量特征后,分別采用特征1、特征2、特征3為坐標軸,畫出三維散點圖,圖6所示為FLDA降維后的特征散點圖,圖7所示為PCA降維后的特征散點圖?？梢钥闯鯢LDA降維后的特征分布情況更好,同類樣本更密集,不同類樣本更分散,因此識別效果更好。

圖5 6個動作模式的切片圖Fig.5 Slice graph of 6 action modes

圖6 FLDA降維后的特征值分布散點圖Fig.6 Scatter plots of characteristic value distribution after FLDA dimension reduction

圖7 PCA降維后的特征值分布散點圖Fig.7 Scatter plots of characteristic value distribution after PCA dimension reduction

5.4動作分類結果

得到降維的信號特征后,即可對6類動作分類識別。首先識別完整的四通道信號,信號只提取小波包系數(shù)能量特征,PCA降維,輸入SVM分類器中進行分類,10位受試者的識別準確率見表1。同樣用PCA降維處理小波包系數(shù)能量特征,并加上雙譜對角切片圖特征進行識別,識別結果見表2。對于同樣的小波包系數(shù)能量特征改用FLDA降維處理,并加上雙譜對角切片圖特征,SVM識別后的結果見表3。

同時本文也測試了去除兩個傳感器,只用位于左前方的胸鎖乳突肌和右后方的頭夾肌的傳感器采集信號,FLDA降維處理小波包系數(shù)能量特征,并加上雙譜對角切片圖,分析此種方法的有效性,識別結果如表4所示。

表1 四通道PCA降維小波包特征所有識別結果

表2 四通道PCA降維小波包特征和雙譜特征所有識別結果

6 討 論

6.1兩種特征比較

比較表1和表2,即同樣是PCA降維的方法,把只提取小波包系數(shù)能量特征與同時提取小波包系數(shù)能量特征與雙譜對角切片特征進行比較,可以發(fā)現(xiàn):PCA降維后的小波包系數(shù)能量特征基本上能較準確地識別出6個動作模式,但加入雙譜切片特征之后,平均識別率從91.13%提升至93.08%,提高了1.95% (運用T檢驗法分析這2種平均識別率的顯著差異性,發(fā)現(xiàn)P<0.01,有極顯著差異),可以看出屬于時頻域特征的小波包特征在肌音信號的模式識別方面有很強的區(qū)分性,另外頻域特征的雙譜特征對肌音信號的模式識別的準確率也有一定的貢獻,這與上節(jié)中提到的6個動作的二維雙譜圖和雙譜切片圖有一定的區(qū)別相吻合。因此采用小波包系數(shù)能量特征與雙譜對角切片特征相結合的肌音信號特征,對識別頭部動作更有效。

6.2PCA和FLDA降維比較

比較表2和表3,即同樣是小波包系數(shù)能量特征與雙譜對角切片圖特征,將PCA降維和FLDA降維進行比較,可以發(fā)現(xiàn):FLDA降維后的識別效果比PCA降維后的識別效果好,平均識別率從93.08%提升至95.92% (運用T檢驗法分析這2種平均識別率的顯著差異性,發(fā)現(xiàn)P<0.01,有極顯著差異),分析原因,PCA方法尋找的是用來有效表示同一類樣本共同特點的主軸方向,這對于表示同一類數(shù)據(jù)樣本的共同特征是非常有效的。但PCA不適合用于區(qū)分不同的樣本類,而FLDA可尋找最有效的對不同樣本類進行區(qū)分的方向。因此FLDA比PCA更適合用于分類降維。

6.3二通道與四通道的比較

從表4中可以看出二通道的平均識別率比四通道的識別率有明顯的下降,為90.08%,但基本還能較準確地識別出動作。

6.4動作比較分析

從表1～表4可以看出,6個動作模式中識別率最低的都是左擺頭和右擺頭動作。志愿者在測試過程中普遍反映,左擺頭和右擺頭動作不是日常生活中常有的動作,進行實驗時感覺不自然,無法保證動作的一致性,這可能是導致這兩個動作識別率較低的原因。

表3 四通道FLDA降維小波包特征和雙譜特征后所有識別結果

表4 二通道識別結果

7 結 論

本文將肌音信號用于頭部動作的模式識別,通過采集頸部左右兩側胸鎖乳突肌和頭夾肌的肌音信號,采集了4個通道的肌音信號。經過前期去噪、歸一化的預處理,不等長分割法分割動作幀后,首先提取各個動作幀的小波包系數(shù)能量特征,PCA降維后進行識別,識別率達到91.13%,說明小波包系數(shù)能量特征可基本區(qū)別6類不同的頭部動作;而在PCA降維小波包系數(shù)能量特征的基礎上,加上雙譜圖中的對角切片強化特征后,平均識別率提高至93.08%,說明雙譜特征有獨立于小波包系數(shù)能量特征的有用特征信息,可進一步提高識別準確率;再用FLDA降維小波包系數(shù)能量特征,并加上雙譜對角切片特征后,識別率又有所提高,為95.92%,說明FLDA更適用于對區(qū)分不同類型的樣本進行特征降維。所以選用FLDA對coif4小波包系數(shù)能量特征降維,結合雙譜對角切片特征送入SVM分類器進行動作識別的方法最有效,能取得最高識別率。

對位于左前方的胸鎖乳突肌和右后方的頭夾肌的這兩個傳感器采集到的二通道的數(shù)據(jù)進行模式識別,識別率也能達到90.08%,但整個系統(tǒng)簡化,成本降低。因此在考慮成本和識別率要求在90%的情況下,可以只用兩個傳感器進行采集。

[1] 張旭.基于表面肌電信號的人體動作識別與交互[D].合肥:中國科學技術大學,2010.

[2] CHO Youngjin,KIM Jungyong.The effects of load,flexion,twisting and window size on the stationarity of trunk muscle EMG signals[J].International Journal of Industrial Ergonomics,2012,42(3):287-292.

[3] SHIGEHISA K,NAOKI K,NAOTO M,etal.Mechanomyographic activity in the human lateral pterygoid muscle during mandibular movement[J].Journal of Neuroscience Methods,2012,203(1):157-162.

[4] MA Martin.MMG sensor for muscle activity detection-low cost design,implementation and experimentation[D].Auckland,New zealand:Massey University,2010.

[5] ANDERSON E,WYBO C,BARTOL S.An analysis of agreement between MMG vs.EMG systems for identification of nerve location during spinal procedures[J].The Spine Journal,2010,10(9) :93-94.

[6] JOTTA B,GARCIA M,SOUZA M.An alternative method of muscle force analysis based on the mechanomyographic signal[C]//Progress in Motor Control:VI.International Society of Motor Control.Mendes Convetion Center,Santos,S?o Paulo:ISMG,2007:65-66.

[7] TRAVIS B,HOUSH T,GLEN J,etal.Comparison of Fourier and wavelet transform procedures for examining the mechanomyographic and electromyographic frequency domain responses during fatiguing isokinetic muscle actions of the biceps brachii[J].Journal of Electromyography and Kinesiology,2005,15(2):190-199.

[8] ALVES N,FALK T H,CHAU T.A novel integrated mechanomyogram-vocalization access solution[J].Medical Engineering and Physics,2010,32(8):940-944.

[9] ZUNIGA J M,HOUSH T J,CAMIC C L,etal.The effects of accelerometer placement on mechanomyographic amplitude and mean power frequency during cycle ergometry[J].Journal of Electromyography and Kinesiology,2010,20(4):719-725.

[10] BECK T W,DILLON M A,DEFREITAS J M,etal.Cross-correlation analysis of mechan- omyographic signals detected in two axes[J].Physiological Measurement,2009,30(12):1465-1471.

[11] 曹煒.基于肌音信號的手部多動作模式識別與假肢手控制研究[D].上海:華東理工大學,2012.

[12] SHIN I,AHN S,CHOI E,etal.Fatigue analysis of the quadriceps femoris muscle based on mechanomyography[J].International Journal of Precision Engineering and Manufacturing,2016,17(4):473-478.

[13] GUILLAUME T,GUILLAUME M,STEPHANE D,etal.Comparison of phonomyography,kinemyography and mechanomyography for neuromuscular monitoring[J].Canadian Journal of Anesthesia,2006,53(2):130-135.

[14] 宋中建.基于肌音信號的指部動作模式識別研究[D].上海:華東理工大學,2013.

[15] YOU Xinge,DU Liang,CHEUANG Yiuming,etal.A Blind watermarking scheme using new nontensor product wavelet filter banks[J].IEEE Transactions on Image Processing,2010,19(12):3271-3284.

[16] ARIKI Y,ISHIKAWA N.Recognition of head gestures using hidden markov models[C]//International Conference on Pattern Recognition.Vienna,Austria:IEEE,1996:461-465.

[17] 孫子軍,吳東蘇,邵正.虛擬座艙環(huán)境頭頸部sEMG采集相關肌肉研究[J].航空計算技術,2014,44(1):115-122.

[18] 邱青菊.表面肌電信號的特征提取與模式分類研究[D].上海:上海交通大學,2009.

[19] CHU JU,MOON I,LEE Y J,etal.A supervised feature-projection-based real-time EMG pattern recognition for multifunction myoelectric hand control[J].IEEE/ASME Transactions on Mechatronics,2007,12 (3):282-290.

[20] CHU Ju,MOON I,Kim S K,etal.Control of multifunction myoelectric hand using a real-time EMG pattern recognition[C]//International Conference on Intelligent Robots and Systems.Center Edmont Alberta Canada:IEEE,2005:3511-3516

[21] 朱玉蓮.基于矩陣模式和向量子模式表示的特征提取及其分類[D].南京:南京航空航天大學,2003.

[22] 陳彥釗.基于sEMG信號的上肢自主康復訓練動作模式識別[D].濟南:山東大學,2015.

PatternRecognitionofHeadMovementBasedonMechanomyographicSignal

GUXiao-lin,WUQing,XIAChun-ming,ZHANGYue,ZHONGHao

(SchoolofMechanicalandPowerEngineering,EastChinaUniversityofScienceandTechnology,Shanghai200237,China)

Mechanomyography (MMG) is a low frequency signal when muscle is contracted.Four channel MMG signals are collected from the sternocleidomastoid (SCM) muscles and splenius capitis (SPL) muscles in the subjects’ neck when they bowed head,raised head,bent side to left,bent side to right,turned to left,and turned to right,i.e.,six action modes,which could be successfully recognized.The four channel MMG signals were then filtered,normalized,and divided using unequal length segmentation algorithm.After extracting the energy features of wavelet packet coefficients and the feature of diagonal slices of spectrum,the dimension of features were reduced by principal component analysis (PCA) or fisher linear discriminant analysis (FLDA).Finally,all the features were classified by SVM classifier.When the features of wavelet packet coefficients energy and diagonal slices of spectrum went through FLDA dimension reduction,the recognition rate were up to95.92%.

mechanomyography; head movement; feature extraction; wavelet packet; bispectrum

R496

A

1006-3080(2017)05-0704-08

10.14135/j.cnki.1006-3080.2017.05.016

2017-01-10

顧曉琳(1992-),女,碩士生,研究方向為肌音信號應用。E-mail:905399099@qq.com

夏春明,E-mail:cmxia@ecust.edu.cn;吳 清,E-mail:qwu@ecust.edu.cn