书书书

　第４０卷　第３期Ｖｏｌ．４０　 Ｎｏ．３　　　　　

山　东　大　学　学　报　（工　学　版）ＪＯＵＲＮＡＬＯＦＳＨＡＮＤＯＮＧＵＮＩＶＥＲＳＩＴＹ（ＥＮＧＩＮＥＥＲＩＮＧＳＣＩＥＮＣＥ）

　 　　２０１０年６月　Ｊｕｎ．２０１０　

Ｒｅｃｅｉｖｅｄｄａｔｅ：２００９１２２８Ｆｏｕｎｄａｔｉｏｎｉｔｅｍ：ＴｈｉｓｒｅｓｅａｒｃｈｗａｓｓｕｐｐｏｒｔｅｄｂｙＮＳＦ，ＵＳＡＢｉｏｇｒａｐｈｙ：ＳＨＥＮＧＷｅｉｈｕａ（１９７２），ｍａｌｅ，Ｐｈ．Ｄ．，ａｓｓｉｓｔａｎｔｐｒｏｆｅｓｓｏｒ，ｈｉｓｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ，ｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇ

ａｎｄｍｏｂｉｌｅｓｅｎｓｏｒｎｅｔｗｏｒｋｓ．Ｅｍａｉｌ：ｗｅｉｈｕａ．ｓｈｅｎｇ＠ｏｋｓｔａｔｅ．ｅｄｕＺＨＵＣｈｕｎ（１９８３），ｆｅｍａｌｅ，Ｐｈ．Ｄｓｔｕｄｅｎｔ，ｈｅｒｒｅｓｅａｒｃｈｉｎｔｅｒｅｓｔｓｉｎｃｌｕｄｅｈｕｍａｎｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎａｎｄｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ．Ｅｍａｉｌ：ｃｈｕｎｚ＠ｏｋｓｔａｔｅ．ｅｄｕ

　文章编号：１６７２３９６１（２０１０）０３００３７１４

Ａｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇａｐｐｒｏａｃｈｆｏｒｈａｎｄｇｅｓｔｕｒｅａｎｄｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｉｎｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ

ＳＨＥＮＧＷｅｉｈｕａ，ＺＨＵＣｈｕｎ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＯｋｌａｈｏｍａＳｔａｔｅＵｎｉｖｅｒｓｉｔｙ，Ｓｔｉｌｌｗａｔｅｒ，ＯＫ，７４０７８，ＵＳＡ）

Ａｂｓｔｒａｃｔ：Ｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ（ＨＲＩ）ｉｓａｎｉｍｐｏｒｔａｎｔｔｏｐｉｃｉｎｒｏｂｏｔｉｃｓ，ｅｓｐｅｃｉａｌｌｙｉｎａｓｓｉｓｔｉｖｅｒｏｂｏｔｉｃｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅａｄｄｒｅｓｓｅｄｔｈｅＨＲＩｐｒｏｂｌｅｍｉｎａｓｍａｒｔａｓｓｉｓｔｅｄｌｉｖｉｎｇ（ＳＡＩＬ）ｓｙｓｔｅｍｆｏｒｅｌｄｅｒｌｙｐｅｏｐｌｅ，ｐａｔｉｅｎｔｓ，ａｎｄｔｈｅｄｉｓａｂｌｅｄ．ＴｗｏｐｒｏｂｌｅｍｓｗｅｒｅｓｌｏｖｅｄｔｈａｔａｒｅｖｅｒｙｉｍｐｏｒｔａｎｔｆｏｒｄｅｖｅｌｏｐｉｎｇｎａｔｕｒａｌＨＲＩ：ｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｎｄｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ．Ｆｏｒｔｈｅｐｒｏｂｌｅｍｏｆｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ，ａｎｉｎｅｒｔｉａｌｓｅｎｓｏｒｉｓｗｏｒｎｏｎａｆｉｎｇｅｒｏｆｔｈｅｈｕｍａｎｓｕｂｊｅｃｔｔｏｃｏｌｌｅｃｔｈａｎｄｍｏｔｉｏｎｄａｔａ．ＡｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｕｓｅｄｆｏｒｇｅｓｔｕｒｅｓｐｏｔｔｉｎｇａｎｄａｔｗｏｌａｙｅｒｈｉｅｒａｒｃｈｉｃａｌｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌ（ＨＨＭＭ）ｉｓａｐｐｌｉｅｄｔｏｉｎｔｅｇｒａｔｅｔｈｅｃｏｎｔｅｘｔｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ．Ｆｏｒｔｈｅｐｒｏｂｌｅｍｏｆｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ，ｔｗｏｉｎｅｒｔｉａｌｓｅｎｓｏｒｓａｒｅａｔｔａｃｈｅｄｔｏｏｎｅｆｏｏｔａｎｄｔｈｅｗａｉｓｔｏｆｔｈｅｓｕｂｊｅｃｔ．Ａｍｕｌｔｉｓｅｎｓｏｒｆｕｓｉｏｎｓｃｈｅｍｅｗａｓｄｅｖｅｌｏｐｅｄｆｏｒｒｅｃｏｇｎｉｔｉｏｎ．Ｆｉｒｓｔ，ｄａｔａｆｒｏｍｔｈｅｓｅｔｗｏｓｅｎｓｏｒｓａｒｅｆｕｓｅｄｆｏｒｃｏａｒｓｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｓｅｃｏｎｄ，ｔｈｅｆｉｎｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｏｄｕｌｅｂａｓｅｄｏｎｈｅｕｒｉｓｔｉｃｄｉｓｃｒｉｍｉｎａｔｉｏｎｏｒｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌｓ（ＨＭＭｓ）ａｒｅａｐｐｌｉｅｄｔｏｆｕｒｔｈｅｒｄｉｓｔｉｎｇｕｉｓｈｔｈｅａｃｔｉｖｉｔｉｅｓ．Ｅｘｐｅｒｉｍｅｎｔｓｗｅｒｅｃｏｎｄｕｃｔｅｄｕｓｉｎｇａｐｒｏｔｏｔｙｐｅｗｅａｒａｂｌｅｓｅｎｓｏｒｓｙｓｔｅｍａｎｄｔｈｅｏｂｔａｉｎｅｄｒｅｓｕｌｔｓｐｒｏｖｅｄｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄａｃｃｕｒａｃｙｏｆｏｕｒａｌｇｏｒｉｔｈｍｓ．Ｋｅｙｗｏｒｄｓ：ｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ；ｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌ；ｎｅｕｒａｌｎｅｔｗｏｒｋｓ

人机交互中基于可穿戴式计算的

手势和活动辨识

盛卫华，祝纯（俄克拉荷马州立大学电气与计算机学院，美国 俄克拉荷马州 止水市 ７４０７８ＯＫ）

摘要：人与机器人交互是机器人技术领域、尤其是生活辅助机器人领域的重要课题。本文以辅助老年人、病人和

残疾人为应用背景，提出了“智能辅助生活系统”（ＳＡＩＬＳｙｓｔｅｍ），并解决了该系统中人的手势识别和日常动作识别两个重要问题。对于手势识别问题，本文采用一个惯性传感器来采集被试验人手指部位活动的信号，运用人工

神经网络进行手势捕捉，并应用一个分层隐马尔可夫模型结合前后手势的关联信息，来提高手势识别的准确率。

对于动作识别问题，数据来源于位于被试验人一侧的脚面和腰部的两个惯性传感器，并采用多传感器融合方法识

别各种日常动作。在对两个传感器的数据进行融合的粗分类之后，细分类应用了隐马尔可夫模型和启发式方法

来进一步识别各个动作类型。该穿戴式传感器系统经过实验测试，结果证明了本识别算法的有效性和精确性。

关键词：人与机器人交互；隐马尔可夫模型；神经网络

中图分类号：ＴＰ３９１．４　　　 文献标志码：Ａ

　３８　　　 山　东　大　学　学　报　（工　学　版） 第４０卷　

１　Ｉｎｔｒｏｄｕｃｔｉｏｎ

１１　Ｍｏｔｉｖａｔｉｏｎ　Ｔｈｅｐａｓｔｄｅｃａｄｅｈａｓｓｅｅｎａｓｔｅａｄｙｇｒｏｗｔｈｏｆｅｌｄｅｒｌｙｐｏｐｕｌａｔｉｏｎ．Ｔｈｅｂａｂｙｂｏｏｍｅｒｓｃｏｍｐｒｉｓｅｎｅａｒｌｙ２０ｐｅｒｃｅｎｔｏｆｔｈｅＵ．Ｓ．ｐｏｐｕｌａｔｉｏｎ，ｗｈｉｃｈｉｓｅｑｕａｌｔｏ７６１ｍｉｌｌｉｏｎＡｍｅｒｉｃａｎｓ［１］．Ｉｎ２０１０ｍａｎｙｏｆｔｈｅｍｗｉｌｌｔｕｒｎ６５ａｎｄａｒｅｐｒｏｎｅｔｏｈｅａｌｔｈｃｏｍｐｌｉｃａｔｉｏｎｓ．Ｔｈｉｓｍａｙｃａｕｓｅａｎｉｎｃｒｅａｓｅｄｂｕｒｄｅｎｏｎｔｈｅｍｅｄｉｃａｌｉｎｄｕｓｔｒｙ．Ｃｏｍｐａｒｅｄｔｏｔｈｅｒｅｓｔｏｆｔｈｅｐｏｐｕｌａｔｉｏｎ，ｍｏｒｅｓｅｎｉｏｒｓｌｉｖｅａｌｏｎｅａｓｔｈｅｓｏｌｅｏｃｃｕｐａｎｔｓｏｆａｐｒｉｖａｔｅｄｗｅｌｌｉｎｇｔｈａｎａｎｙｏｔｈｅｒｐｏｐｕｌａｔｉｏｎｇｒｏｕｐ．Ｔｈｅｒｅｆｏｒｅ，ｅｌｄｅｒｌｙｐｅｏｐｌｅｌｉｖｉｎｇａｌｏｎｅａｒｅａｎａｔｒｉｓｋｇｒｏｕｐ．Ｈｅｌｐｉｎｇｔｈｅｍｔｏｌｉｖｅａｂｅｔｔｅｒｌｉｆｅｉｓｖｅｒｙｉｍｐｏｒｔａｎｔａｎｄｈａｓｇｒｅａｔｓｏｃｉｅｔａｌｂｅｎｅｆｉｔｓ．　Ｍａｎｙｒｅｓｅａｒｃｈｅｒｓａｒｅｗｏｒｋｉｎｇｏｎｎｅｗｔｅｃｈｎｏｌｏｇｉｅｓｓｕｃｈａｓａｓｓｉｓｔｉｖｅｒｏｂｏｔｓｔｏｈｅｌｐｅｌｄｅｒｌｙｐｅｏｐｌｅ．Ｈａｉｇｈｅｔａｌ．［２］ｐｒｏｖｉｄｅｄａｓｕｒｖｅｙｏｎａｓｓｉｓｔｉｖｅｒｏｂｏｔｓｕｓｅｄａｓｃａｒｅｇｉｖｅｒｓ．Ｔｈｅｍａｉｎｓｔｒｅａｍ ｏｆａｓｓｉｓｔｉｖｅｒｏｂｏｔｉｃｓｒｅｓｅａｒｃｈｆｏｃｕｓｅｓｏｎｍａｎｉｐｕｌａｔｉｎｇａｓｓｉｓｔａｎｃｅｄｅｖｉｃｅｓｓｕｃｈａｓｇｒｉｐｐｅｒｓｔｏｈｅｌｐｐｅｏｐｌｅｅａｔ，ｅｌｅｃｔｒｏｎｉｃｔｒａｖｅｌａｉｄｓｔｏｇｕｉｄｅｐｅｏｐｌｅｔｏｗａｌｋ，ａｎｄｉｎｔｅｌｌｉｇｅｎｔｗｈｅｅｌｃｈａｉｒｓｔｏｍｏｖｅｐｅｏｐｌｅａｒｏｕｎｄ．Ｉｎｒｅｃｅｎｔｙｅａｒｓ，ｓｅｖｅｒａｌｒｅｓｅａｒｃｈｅｒｓｈａｖｅｅｎｖｉｓｉｏｎｅｄａｃｏｍｐａｎｉｏｎｒｏｂｏｔｔｈａｔｌｉｖｅｓｗｉｔｈｐｅｏｐｌｅｌｉｋｅａｐｅｔ．Ｆｏｒｅｘａｍｐｌｅ，Ｈａａｓｃｈｅｔａｌ．［３］ ｄｅｖｅｌｏｐｅｄ ｔｈｅＢｉｅｌｅｆｅｌｄ ＲｏｂｏｔＣｏｍｐａｎｉｏｎｗｈｉｃｈｃｏｍｍｕｎｉｃａｔｅｓｗｉｔｈｎｏｎｅｘｐｅｒｔｕｓｅｒｓｉｎａｎａｔｕｒａｌａｎｄｉｎｔｕｉｔｉｖｅｗａｙ．Ｆｒｉｔｓｃｈｅｔａｌ．ｐｒｅｓｅｎｔｅｄＳＩＲＣＬＥ［４］，ａｓｙｓｔｅｍｉｎｆｒａｓｔｒｕｃｔｕｒｅｐｒｏｖｉｄｉｎｇａｓｏｆｔｗａｒｅｐｌａｔｆｏｒｍｆｏｒａｒｏｂｏｔｃｏｍｐａｎｉｏｎｗｈｉｃｈｅｘｈｉｂｉｔｓｐｏｗｅｒｆｕｌｃａｐａｂｉｌｉｔｉｅｓｉｎｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ（ＨＲＩ）［５］．　Ｗｅａｒｅｄｅｖｅｌｏｐｉｎｇａｓｍａｒｔａｓｓｉｓｔｅｄｌｉｖｉｎｇ（ＳＡＩＬ）ｓｙｓｔｅｍ［６７］ｔｏｐｒｏｖｉｄｅｓｕｐｐｏｒｔｔｏｅｌｄｅｒｌｙｐｅｏｐｌｅｉｎｔｈｅｉｒｈｏｕｓｅｓｏｒａｐａｒｔｍｅｎｔｓ．ＡｓｉｌｌｕｓｔｒａｔｅｄｉｎＦｉｇｕｒｅ１，ｔｈｅＳＡＩＬ ｓｙｓｔｅｍ ｃｏｎｓｉｓｔｓｏｆａｂｏｄｙｓｅｎｓｏｒｎｅｔｗｏｒｋ（ＢＳＮ）［８］，ａｃｏｍｐａｎｉｏｎｒｏｂｏｔ，ａｓｍａｒｔｐｈｏｎｅ，ａｎｄａｒｅｍｏｔｅｈｅａｌｔｈｐｒｏｖｉｄｅｒ．Ｔｈｅｂｏｄｙｓｅｎｓｏｒｎｅｔｗｏｒｋｃｏｌｌｅｃｔｓｍｏｔｉｏｎｄａｔａａｎｄｖｉｔａｌｓｉｇｎｓｏｆｔｈｅｈｕｍａｎｓｕｂｊｅｃｔａｎｄｓｅｎｄｓｔｈｅｍｗｉｒｅｌｅｓｓｌｙ（ｆｏｒｅｘａｍｐｌｅ，ｔｈｒｏｕｇｈＺｉｇｂｅｅ［９］）ｔｏｔｈｅｃｏｍｐａｎｉｏｎｒｏｂｏｔ，ｗｈｉｃｈｉｎｆｅｒｓｔｈｅｈｕｍａｎｉｎｔｅｎｔｉｏｎｓａｎｄｃｏｎｄｉｔｉｏｎｓｆｒｏｍｔｈｅｓｅｄａｔａａｎｄｒｅｓｐｏｎｄｓｃｏｒｒｅｓｐｏｎｄｉｎｇｌｙ．Ｔｈｅｓｍａｒｔｐｈｏｎｅｓｅｒｖｅｓａｓａｇａｔｅｗａｙｔｏａｃｃｅｓｓｔｈｅｅｘｐｅｒｔｉｓｅｏｆｒｅｍｏｔｅｈｅａｌｔｈｃａｒｅｐｒｏｖｉｄｅｒｓ，ｉｆｎｅｅｄｅｄ．Ｆｏｒｅｘａｍｐｌｅ，ｗｈｅｎｔｈｅｒｅｉｓａ

ｄｅｔｅｃｔｅｄｍｅｄｉｃａｌｅｍｅｒｇｅｎｃｙｏｒｍｉｓｈａｐｓｕｃｈａｓｆａｌｌｉｎｇｄｏｗｎｏｎｔｈｅｆｌｏｏｒ，ｔｈｅｒｅｍｏｔｅｈｅａｌｔｈｐｒｏｖｉｄｅｒｃａｎｃｏｎｔｒｏｌｔｈｅｃｏｍｐａｎｉｏｎｒｏｂｏｔｔｏｏｂｓｅｒｖｅａｎｄｈｅｌｐｔｈｅｈｕｍａｎｓｕｂｊｅｃｔｔｈｒｏｕｇｈａｗｅｂｂａｓｅｄｉｎｔｅｒｆａｃｅａｎｄａｊｏｙｓｔｉｃｋ．

Ｆｉｇ．１　Ｔｈｅｏｖｅｒｖｉｅｗｏｆｔｈｅｓｍａｒｔａｓｓｉｓｔｅｄｌｉｖｉｎｇ（ＳＡＩＬ）ｓｙｓｔｅｍ

　Ｔｈｅｂｏｄｙｓｅｎｓｏｒｎｅｔｗｏｒｋｃｏｎｓｉｓｔｓｏｆｗｅａｒａｂｌｅｓｅｎｓｏｒｎｏｄｅｓａｔｔａｃｈｅｄｔｏｔｈｅｃｈｅｓｔ，ｏｎｅｏｆｔｈｅａｎｋｌｅｓ，ｔｈｅｗａｉｓｔａｎｄｏｎｅｏｆｔｈｅｆｉｎｇｅｒｓｏｆｔｈｅｈｕｍａｎｓｕｂｊｅｃｔ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｓｕｃｈａｍｉｎｉｍａｌｓｅｔｏｆｓｅｎｓｏｒｎｏｄｅｓｒｅｄｕｃｅｓｔｈｅｏｂｔｒｕｓｉｖｅｎｅｓｓｔｏｔｈｅｍｉｎｉｍｕｍ．Ｅａｃｈｎｏｄｅｈａｓａｍｉｎｉａｔｕｒｅｍｉｃｒｏｃｏｎｔｒｏｌｌｅｒ，ａＺｉｇｂｅｅｃｏｍｍｕｎｉｃａｔｉｏｎｍｏｄｕｌｅａｓｗｅｌｌａｓａｎｉｎｅｒｔｉａｌｓｅｎｓｏｒａｎｄｔｈｅａｓｓｏｃｉａｔｅｄｓｉｇｎａｌｃｏｎｄｉｔｉｏｎｉｎｇｃｉｒｃｕｉｔｓ．Ｔｈｅｉｎｅｒｔｉａｌｓｅｎｓｏｒｃｏｎｓｉｓｔｓｏｆａ３ａｘｉｓａｃｃｅｌｅｒｏｍｅｔｅｒ，ａ３ａｘｉｓｇｙｒｏ，ａｎｄａｃｏｍｐａｓｓ．Ａｄｄｉｔｉｏｎａｌｌｙ，ｉｎｏｒｄｅｒｔｏｃｏｌｌｅｃｔｔｈｅｖｉｔａｌｓｉｇｎｓｏｆｔｈｅｈｕｍａｎｓｕｂｊｅｃｔ，ｔｈｅｃｈｅｓｔｎｏｄｅｈａｓａｍｉｃｒｏｐｈｏｎｅａｎｄａｔｅｍｐｅｒａｔｕｒｅｓｅｎｓｏｒ，ｗｈｉｌｅｔｈｅｆｉｎｇｅｒｎｏｄｅｈａｓａｂｌｏｏｄｐｒｅｓｓｕｒｅｓｅｎｓｏｒａｎｄａｐｕｌｓｅｏｘｉｍｅｔｅｒ．　Ｎａｔｕｒａｌｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎｉｓａｖｅｒｙｉｍｐｏｒｔａｎｔｉｓｓｕｅｉｎｔｈｅｄｅｓｉｇｎｏｆａｓｓｉｓｔｉｖｅｒｏｂｏｔｉｃｓ，ｅｓｐｅｃｉａｌｌｙｆｏｒｅｌｄｅｒｌｙｐｅｏｐｌｅ，ｗｈｏｕｓｕａｌｌｙｓｕｆｆｅｒｆｒｏｍ ｐｒｏｂｌｅｍｓｗｉｔｈｓｐｅｅｃｈ［１０］，ｏｒｈａｖｅｄｉｆｆｉｃｕｌｔｙｉｎｌｅａｒｎｉｎｇｎｅｗｃｏｍｐｕｔｅｒｓｋｉｌｌｓ［１１］，ｔｈｅｒｅｆｏｒｅｉｔｉｓｄｅｓｉｒａｂｌｅｔｏｍａｋｅｔｈｅｒｏｂｏｔａｂｌｅｔｏｎｏｔｏｎｌｙｕｎｄｅｒｓｔａｎｄｅｘｐｌｉｃｉｔｈｕｍａｎｉｎｔｅｎｔｉｏｎｓｆｒｏｍｇｅｓｔｕｒｅｓ，ｂｕｔａｌｓｏｒｅｃｏｇｎｉｚｅｔｈｅｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｉｅｓ，ｆｒｏｍｗｈｉｃｈｉｍｐｌｉｃｉｔｈｕｍａｎｉｎｔｅｎｔｉｏｎｓｍａｙｂｅｉｎｆｅｒｒｅｄ．Ｓｕｃｈａｒｏｂｏｔｃａｐａｂｉｌｉｔｙｉｓｃａｌｌｅｄｃｏｎｓｉｄｅｒａｔｅｉｎｔｅｌｌｉｇｅｎｃｅ［６７］．Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅ

　第３期 ＳＨＥＮＧＷｅｉｈｕａ，ｅｔａｌ：Ａｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇａｐｐｒｏａｃｈｆｏｒｈａｎｄｇｅｓｔｕｒｅａｎｄｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｉｎｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ ３９　　　 　

ｆｏｃｕｓｏｎｓｏｌｖｉｎｇｔｗｏｐｒｏｂｌｅｍｓｃｅｎｔｒａｌｔｏｎａｔｕｒａｌＨＲＩ：ｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｎｄｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ．Ｃｏｍｐａｒｅｄｔｏｔｈｅｅｘｉｓｔｉｎｇｗｏｒｋ，ｗｅｍａｄｅｔｗｏｍａｉｎｃｏｎｔｒｉｂｕｔｉｏｎｓ：（ｉ）ｗｅｄｅｖｅｌｏｐｅｄａｌｉｇｈｔｗｅｉｇｈｔａｎｄｒｅｓｏｕｒｃｅａｗａｒｅｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｔｈａｔｃｏｎｓｉｄｅｒｓｔｈｅｃｏｎｔｅｘｔｉｎｆｏｒｍａｔｉｏｎｒｅｐｒｅｓｅｎｔｅｄｂｙｔｈｅｓｅｑｕｅｎｔｉａｌｃｏｎｓｔｒａｉｎｔｓｂｅｔｗｅｅｎｄｉｆｆｅｒｅｎｔｃｏｍｍａｎｄｓ；（ｉｉ）ｗｅｄｅｖｅｌｏｐｅｄａｍｕｌｔｉｓｅｎｓｏｒｆｕｓｉｏｎｓｃｈｅｍｅｆｏｒａｃｃｕｒａｔｅｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ．　Ｔｈｉｓｐａｐｅｒｉｓｏｒｇａｎｉｚｅｄａｓｆｏｌｌｏｗｓ．Ｔｈｅｒｅｓｔｏｆｔｈｉｓｓｅｃｔｉｏｎｉｎｔｒｏｄｕｃｅｓｓｏｍｅｒｅｌａｔｅｄｗｏｒｋｉｎｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｎｄｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ．ＳｅｃｔｉｏｎＩＩｄｅｖｅｌｏｐｓｔｈｅａｌｇｏｒｉｔｈｍｆｏｒｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ．ＳｅｃｔｉｏｎＩＩＩｄｅｓｃｒｉｂｅｓｔｈｅａｌｇｏｒｉｔｈｍｆｏｒｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｔｅｓｔｓａｎｄｒｅｓｕｌｔｓａｒｅｐｒｅｓｅｎｔｅｄｉｎＳｅｃｔｉｏｎＩＶ．ＣｏｎｃｌｕｓｉｏｎｓａｒｅｇｉｖｅｎｉｎＳｅｃｔｉｏｎＶ．１．２　Ｒｅｌａｔｅｄｗｏｒｋ　Ｒｅｓｅａｒｃｈｅｒｓｈａｖｅｍａｄｅｓｉｇｎｉｆｉｃａｎｔｐｒｏｇｒｅｓｓｉｎｔｈｅａｒｅａｏｆｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎｉｎｒｅｃｅｎｔｙｅａｒｓ．ＡｃｏｍｐｒｅｈｅｎｓｉｖｅｓｕｒｖｅｙｏｆｔｈｉｓａｒｅａｉｓｐｒｏｖｉｄｅｄｂｙＹａｎｃｏｅｔａｌ．［５，１２］．ＴｈｅｙｃａｔｅｇｏｒｉｚｅｄｔｈｅｅｘｉｓｔｉｎｇＨＲＩｒｅｓｅａｒｃｈｂａｓｅｄｏｎｃｒｉｔｅｒｉａｓｕｃｈａｓａｕｔｏｎｏｍｙ，ｉｎｔｅｒｖｅｎｔｉｏｎ，ｈｕｍａｎｒｏｂｏｔｒａｔｉｏ，ａｎｄｉｎｔｅｒａｃｔｉｏｎ．ＡｓｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｎｄｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎａｒｅｅｓｓｅｎｔｉａｌｔｏｎａｔｕｒａｌＨＲＩ，ｗｅａｒｅｇｏｉｎｇｔｏｒｅｖｉｅｗｓｏｍｅｒｅｌａｔｅｄｗｏｒｋｉｎｂｏｔｈａｒｅａｓ．１２１　Ｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ　Ｔｒａｄｉｔｉｏｎａｌｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｉｓｂａｓｅｄｏｎｖｉｓｕａｌｉｎｆｏｒｍａｔｉｏｎ．Ａｔｙｐｉｃａｌａｐｐｒｏａｃｈｆｏｒｖｉｓｉｏｎｂａｓｅｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｈａｓｔｗｏｓｔｅｐｓ：ｆｉｒｓｔ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｕｓｉｎｇｃｏｌｏｒｄｅｔｅｃｔｉｏｎ，ｅｄｇｅｄｅｔｅｃｔｉｏｎ，ａｎｄｂａｃｋｇｒｏｕｎｄｒｅｍｏｖｉｎｇｔｅｃｈｎｉｑｕｅｓ，ｅｔｃ；ｓｅｃｏｎｄ，ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓ，ｓｕｃｈａｓｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌｓ（ＨＭＭｓ）［１３］ａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｓ［１４］．Ｍｏｒｅｗｏｒｋｓｉｎｔｈｉｓａｒｅａｃａｎｂｅｆｏｕｎｄｉｎ［１５］．　Ｒｅｃｅｎｔｌｙ，ｄｕｅｔｏｔｈｅａｄｖａｎｃｅｍｅｎｔｉｎＭＥＭｓａｎｄＶＬＳＩｔｅｃｈｎｏｌｏｇｉｅｓ，ｗｅａｒａｂｌｅｓｅｎｓｏｒｂａｓｅｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｈａｓｂｅｅｎｇａｉｎｉｎｇａｔｔｅｎｔｉｏｎ．Ｃｏｍｐａｒｅｄｔｏｖｉｓｉｏｎｂａｓｅｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ，ｗｅａｒａｂｌｅｓｅｎｓｏｒｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎｈａｓｔｗｏａｄｖａｎｔａｇｅｓ．Ｆｉｒｓｔ，ｆｏｒｖｉｓｉｏｎｂａｓｅｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ，ｃａｍｅｒａｓｎｅｅｄｔｏｂｅｉｎｓｔａｌｌｅｄｐｒｉｏｒｔｏｔｈｅｅｘｐｅｒｉｍｅｎｔｓａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｃｏｎｄｉｔｉｏｎｓ（ｂｒｉｇｈｔｎｅｓｓ，ｃｏｎｔｒａｓｔａｎｄｏｂｓｔａｃｌｅｓ，ｅｔｃ）ｈａｖｅｓｉｇｎｉｆｉｃａｎｔｉｍｐａｃｔｓｏｎｔｈｅｉｍａｇｅｄａｔａ．Ｏｎｔｈｅ

ｃｏｎｔｒａｒｙ，ｗｅａｒａｂｌｅｓｅｎｓｏｒｓｗｉｌｌｎｏｔｂｅａｆｆｅｃｔｅｄｂｙｔｈｅｉｒｓｕｒｒｏｕｎｄｉｎｇｓ．Ｓｅｃｏｎｄ，ｗｅａｒａｂｌｅｓｅｎｓｏｒｂａｓｅｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｒｅｑｕｉｒｅｓｌｅｓｓｄａｔａｃｏｍｐａｒｅｄｔｏｖｉｓｉｏｎｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎ．Ｔｙｐｉｃａｌｗｅａｒａｂｌｅｓｅｎｓｏｒｓｉｎｃｌｕｄｅｉｎｅｒｔｉａｌｓｅｎｓｏｒｓａｎｄｇｌｏｖｅｓｅｎｓｏｒｓ［１６１７］．Ｏｔｈｅｒｗｅａｒａｂｌｅｓｅｎｓｏｒｓｓｕｃｈａｓｍｉｃｒｏｐｈｏｎｅｓ，ｂａｒｏｍｅｔｅｒｓ，ａｎｄｔｈｅｒｍｏｍｅｔｅｒｓｃａｎｐｒｏｖｉｄｅｃｏｍｐｌｅｍｅｎｔａｒｙｉｎｆｏｒｍａｔｉｏｎｉｎｗｅａｒａｂｌｅｓｅｎｓｏｒｓｙｓｔｅｍｓ［１８］．　Ｔｈｅｒｅｉｓｓｏｍｅｅｘｉｓｔｉｎｇｗｏｒｋｏｎｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍｖｉｄｅｏｄａｔａｓｏｕｒｃｅｓ．Ｈｏｗｅｖｅｒ，ｔｈｅｒｅｉｓｎｏｔｍｕｃｈｗｏｒｋｏｎｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｗｅａｒａｂｌｅｓｅｎｓｏｒａｓａｄａｔａｓｏｕｒｃｅ．Ａｎｉｍｐｏｒｔａｎｔｐｒｏｂｌｅｍｉｎｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｉｓｔｏｓｅｇｍｅｎｔｇｅｓｔｕｒｅｓｆｒｏｍｎｏｎｇｅｓｔｕｒｅｓｍｏｖｅｍｅｎｔｓ，ｗｈｉｃｈｉｓｃａｌｌｅｄｔｈｅｇｅｓｔｕｒｅｓｐｏｔｔｉｎｇｐｒｏｂｌｅｍ［１９］．Ｔｈｅｒｅａｒｅｔｗｏｍａｉｎｍｅｔｈｏｄｓ：ｒｕｌｅｂａｓｅｄｍｅｔｈｏｄｓａｎｄＨＭＭｂａｓｅｄｍｅｔｈｏｄｓ．Ｒｕｌｅｂａｓｅｄｍｅｔｈｏｄｓａｒｅｗｉｄｅｌｙｕｓｅｄｉｎｖｉｓｉｏｎｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎ．Ｓｏｍｅｒｅｓｅａｒｃｈｅｒｓｕｓｅａｓｐｅｃｉａｌｐｏｓｉｔｉｏｎｔｏｍａｒｋｔｈｅｓｔａｒｔｏｒｅｎｄｐｏｉｎｔｏｆａｇｅｓｔｕｒｅ［２０］，ｗｈｉｌｅｏｔｈｅｒｓｄｅｆｉｎｅｒｕｌｅｓｆｏｒｔｈｅｂｅｈａｖｉｏｒｂｅｆｏｒｅｏｒａｆｔｅｒａｇｅｓｔｕｒｅ［２１］，ｓｕｃｈａｓｓｔａｙｉｎｇｓｔｉｌｌｆｏｒｓｅｖｅｒａｌｓｅｃｏｎｄｓ．Ｒａｍａｍｏｏｒｔｈｙｅｔａｌ．［２０］ｉｍｐｌｅｍｅｎｔｅｄａｍｅｔｈｏｄｔｈａｔｍｏｖｅｄｔｈｅｈａｎｄｉｎａｎｄｏｕｔｏｆｔｈｅｓｉｇｈｔｏｆａｃａｍｅｒａｔｏｒｅｐｒｅｓｅｎｔｔｈｅｓｔａｒｔａｎｄｅｎｄｐｏｉｎｔｏｆａｇｅｓｔｕｒｅ．Ｌｅｎｍａｎｅｔａｌ．［２１］

ｄｅｆｉｎｅｄｇｅｓｔｕｒｅｓｗｈｉｃｈｃｏｎｓｉｓｔｏｆａｓｔａｒｔｐｏｓｅ，ａｔｒａｊｅｃｔｏｒｙ，ａｎｄａｓｅｌｅｃｔｉｏｎｐｏｓｅ．ＨＭＭｂａｓｅｄｍｅｔｈｏｄｓｍａｘｉｍｉｚｅｔｈｅｌｉｋｅｌｉｈｏｏｄｉｎｔｉｍｅｓｅｒｉｅｓｓｉｇｎａｌｓｕｓｉｎｇｄｉｆｆｅｒｅｎｔｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌｓｔｈａｔｒｅｐｒｅｓｅｎｔｄｉｆｆｅｒｅｎｔｃｌａｓｓｅｓｏｆｄａｔａ［２２２３］．Ｌｅｅｅｔａｌ．［２２］ｉｎｔｒｏｄｕｃｅｄａｔｈｒｅｓｈｏｌｄｍｏｄｅｌｔｈａｔｃａｌｃｕｌａｔｅｓｔｈｅｌｉｋｅｌｉｈｏｏｄｔｈｒｅｓｈｏｌｄｏｆａｎｉｎｐｕｔｐａｔｔｅｒｎａｎｄｐｒｏｖｉｄｅｓａｃｏｎｆｉｒｍａｔｉｏｎｍｅｃｈａｎｉｓｍｆｏｒｔｈｅｐｒｏｖｉｓｉｏｎａｌｌｙｍａｔｃｈｅｄｇｅｓｔｕｒｅｐａｔｔｅｒｎｓ．Ｏｖｅｒａｌｌ，ｔｈｅｒｕｌｅｂａｓｅｄｍｅｔｈｏｄｓａｒｅｅａｓｙｔｏｉｍｐｌｅｍｅｎｔｂｕｔａｒｅｎｏｔｃｏｎｖｅｎｉｅｎｔｆｏｒｅｌｄｅｒｌｙｐｅｏｐｌｅｔｏｕｓｅ．ＴｈｅＨＭＭｂａｓｅｄｍｅｔｈｏｄｓｄｏｎｏｔｈａｖｅｓｕｃｈｒｅｑｕｉｒｅｍｅｎｔｆｏｒｔｈｅｈｕｍａｎｓｕｂｊｅｃｔ．Ｈｏｗｅｖｅｒ，ｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｃｏｓｔｉｓｈｉｇｈｄｕｅｔｏｔｈｅｕｓｅｏｆＨＭＭｓ．１２２　Ｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ　Ｍａｎｙｓｏｌｕｔｉｏｎｓｈａｖｅｂｅｅｎｄｅｖｅｌｏｐｅｄｆｏｒｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｏｖｅｒｔｈｅｙｅａｒｓ，ｉｎｃｌｕｄｉｎｇｔｈｅｈｅｕｒｉｓｔｉｃａｎａｌｙｓｉｓｍｅｔｈｏｄｓ［２４２５］，ｔｈｅｄｉｓｃｒｉｍｉｎａｔｉｖｅｍｅｔｈｏｄｓ［２６２７］，ｔｈｅｇｅｎｅｒａｔｉｖｅｍｅｔｈｏｄｓ［１３］，ａｎｄｓｏｍｅｃｏｍｂｉｎａｔｉｏｎｓｏｆｔｈｅｓｅｍｅｔｈｏｄｓ［２８］．　Ｈｅｕｒｉｓｔｉｃａｎａｌｙｓｉｓｍｅｔｈｏｄｓａｒｅｂａｓｅｄｏｎｔｈｅｄｉｒｅｃｔｃｈａｒａｃｔｅｒｉｓｔｉｃａｎａｌｙｓｉｓａｎｄｔｈｅｄｅｓｃｒｉｐｔｉｏｎｏｆｔｈｅｄａｔａ

　４０　　　 山　东　大　学　学　报　（工　学　版） 第４０卷　

ｆｒｏｍｓｅｎｓｏｒｓ．Ｆｏｒｅｘａｍｐｌｅ，Ａｍｉｎｉａｎｅｔａｌ．［２４］ｄｅｖｅｌｏｐｅｄａｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅａｖｅｒａｇｅａｎｄｔｈｅｄｅｖｉａｔｉｏｎｏｆｔｈｅａｃｃｅｌｅｒａｔｉｏｎｓｉｇｎａｌｔｏｃｌａｓｓｉｆｙｔｈｅａｃｔｉｖｉｔｉｅｓｉｎｔｏｆｏｕｒｃａｔｅｇｏｒｉｅｓ：ｌｙｉｎｇ，ｓｉｔｔｉｎｇ，ｓｔａｎｄｉｎｇａｎｄｌｏｃｏｍｏｔｉｏｎ．Ｄｉｓｃｒｉｍｉｎａｔｉｖｅｍｅｔｈｏｄｓａｎａｌｙｚｅｆｅａｔｕｒｅｓｅｘｔｒａｃｔｅｄｆｒｏｍ ｓｅｎｓｏｒｄａｔａｓｅｇｍｅｎｔａｔｉｏｎｓｗｉｔｈｏｕｔｃｏｎｓｉｄｅｒｉｎｇｓｅｑｕｅｎｔｉａｌｃｏｎｎｅｃｔｉｏｎｓｉｎｔｈｅｄａｔａ．Ｆｏｒｅｘａｍｐｌｅ，ｉｎ［２９］，ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ（ＰＣＡ）［３０］ａｎｄｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＩＣＡ）［３１］ ａｒｅｕｓｅｄｉｎｔｈｅｆｅａｔｕｒｅｇｅｎｅｒａｔｉｏｎｐｒｏｃｅｓｓｗｉｔｈｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ ｏｆｔｈｅｓｅｎｓｏｒｄａｔａ．Ｇｅｎｅｒａｔｉｖｅｍｅｔｈｏｄｓｕｓｅｇｅｎｅｒａｔｉｖｅｍｏｄｅｌｓｆｏｒｔｈｅｐｒｏｂａｂｉｌｉｔｙｂａｓｅｄｏｂｓｅｒｖａｔｉｏｎｓｗｉｔｈｈｉｄｄｅｎｐａｒａｍｅｔｅｒｓ．Ｉｔｓｐｅｃｉｆｉｅｓａｊｏｉｎｔｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｖｅｒｏｂｓｅｒｖａｔｉｏｎａｎｄｌａｂｅｌｓｅｑｕｅｎｃｅｓ．Ｆｏｒｅｘａｍｐｌｅ，ＤｅＶａｕｌｅｔａｌ．［３２］ｄｅｖｅｌｏｐｅｄａｔｗｏｌａｙｅｒｍｏｄｅｌｔｈａｔｃｏｍｂｉｎｅｓａｍｕｌｔｉｃｏｍｐｏｎｅｎｔＧａｕｓｓｉａｎｍｉｘｔｕｒｅｍｏｄｅｌ［３３］

ｗｉｔｈＭａｒｋｏｖｍｏｄｅｌｓｔｏａｃｃｕｒａｔｅｌｙｃｌａｓｓｉｆｙａｒａｎｇｅｏｆｕｓｅｒａｃｔｉｖｉｔｙｓｔａｔｅｓ，ｉｎｃｌｕｄｉｎｇｓｉｔｔｉｎｇ，ｗａｌｋｉｎｇ，ａｎｄｂｉｋｉｎｇ．Ｂｙｃｏｍｂｉｎｉｎｇｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓ，ｔｈｅａｄｖａｎｔａｇｅｓｏｆｅａｃｈｍｅｔｈｏｄｃａｎｂｅｂｅｔｔｅｒｕｔｉｌｉｚｅｄｔｏｓｏｌｖｅｃｏｍｐｌｉｃａｔｅｄｐｒｏｂｌｅｍｓ．Ｌｅｓｔｅｒｅｔａｌ．［２８］ ｐｒｅｓｅｎｔｅｄａｈｙｂｒｉｄａｐｐｒｏａｃｈｔｏｒｅｃｏｇｎｉｚｅｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｉｅｓ，ｗｈｉｃｈｃｏｍｂｉｎｅｓｂｏｏｓｔｉｎｇ［３４］ａｎｄＨＭＭ．Ｂｏｏｓｔｉｎｇｉｓｕｓｅｄｔｏｄｉｓｃｒｉｍｉｎａｔｉｖｅｌｙｓｅｌｅｃｔｕｓｅｆｕｌｆｅａｔｕｒｅｓ，ａｎｄｔｈｅＨＭＭｉｓｕｓｅｄｔｏｒｅｃｏｇｎｉｚｅｄｉｆｆｅｒｅｎｔａｃｔｉｖｉｔｉｅｓ．　Ｔｏｓｕｍｍａｒｉｚｅ，ｈｅｕｒｉｓｔｉｃａｎａｌｙｓｉｓｍｅｔｈｏｄｓｒｅｑｕｉｒｅｉｎｔｕｉｔｉｖｅａｎａｌｙｓｉｓｏｎｔｈｅｒａｗｓｅｎｓｏｒｄａｔａｏｒｔｈｅｆｅａｔｕｒｅｓｆｒｏｍ ｄａｔａ，ａｎｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｍａｙｄｉｆｆｅｒｆｒｏｍｅａｃｈｉｎｄｉｖｉｄｕａｌ．Ｔｈｅｒｅｆｏｒｅ，ｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｆｉｎｄａｕｂｉｑｕｉｔｏｕｓｗａｙｆｏｒｏｂｓｅｒｖａｔｉｏｎ．Ｏｎｔｈｅｃｏｎｔｒａｒｙ，ｓｉｎｃｅｄｉｓｃｒｉｍｉｎａｔｉｖｅｍｅｔｈｏｄｓａｎｄｇｅｎｅｒａｔｉｖｅｍｅｔｈｏｄｓ

ａｒｅｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓ，ｔｈｅｐａｒａｍｅｔｅｒｓｃａｎｂｅｔｒａｉｎｅｄｕｓｉｎｇｄａｔａｆｒｏｍｄｉｆｆｅｒｅｎｔｉｎｄｉｖｉｄｕａｌｓ．Ｈｏｗｅｖｅｒ，ｔｈｅｉｒｄｉｓａｄｖａｎｔａｇｅｉｓｔｈｅｈｉｇｈｃｏｍｐｕｔａｔｉｏｎａｌｃｏｓｔ．Ｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓｃａｎａｃｈｉｅｖｅｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｔｈａｎａｎｙｓｉｎｇｌｅｍｅｔｈｏｄ．

２　Ｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ

　ＩｎｏｕｒＳＡＩＬｓｙｓｔｅｍ，ｄｉｆｆｅｒｅｎｔｈａｎｄｍｏｖｅｍｅｎｔｐａｔｔｅｒｎｓａｒｅｕｓｅｄｔｏｃｏｍｍａｎｄｔｈｅｃｏｍｐａｎｉｏｎｒｏｂｏｔ，ｍｕｃｈｌｉｋｅｔｈｅｗａｙｐｅｏｐｌｅｃｏｍｍａｎｄａｄｏｇ．Ｆｉｖｅｂａｓｉｃｈａｎｄｇｅｓｔｕｒｅｓａｒｅａｓｓｉｇｎｅｄｔｏｆｉｖｅｃｏｍｍａｎｄｓｗｈｉｃｈｍｅａｎ“ｃｏｍｅ”，“ｇｏｆｅｔｃｈｉｎｇ”，“ｇｏａｗａｙ”，“ｓｉｔｄｏｗｎ”，ａｎｄ“ｓｔａｎｄｕｐ”，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｉｎｔｈｉｓｓｅｃｔｉｏｎ，ｗｅｗｉｌｌｄｉｓｃｕｓｓｏｕｒａｌｇｏｒｉｔｈｍｆｏｒｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ，ｗｈｉｃｈｃｏｍｂｉｎｅｓｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｇｅｓｔｕｒｅｓｐｏｔｔｉｎｇａｎｄｔｈｅｈｉｅｒａｒｃｈｉｃａｌｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌ（ＨＨＭＭ）ｂａｓｅｄｇｅｓｔｕｒｅｃｌａｓｓｉｆｉｃａｔｉｏｎ．　Ｓｉｎｃｅｍｏｓｔｅｍｂｅｄｄｅｄｃｏｍｐｕｔｉｎｇｓｙｓｔｅｍｓｈａｖｅｌｉｍｉｔｅｄｂａｔｔｅｒｉｅｓａｎｄｃｏｍｐｕｔａｔｉｏｎｐｏｗｅｒ，ｉｔｉｓｉｍｐｏｒｔａｎｔｔｏｄｅｓｉｇｎｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｓｔｈａｔａｒｅｒｅｓｏｕｒｃｅａｗａｒｅａｎｄｌｉｇｈｔｗｅｉｇｈｔ．ＡｓｓｈｏｗｎｉｎＦｉｇｕｒｅ２，ｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｃｏｎｓｉｓｔｓｏｆｔｗｏｍｏｄｕｌｅｓ：（１）ｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｍｏｄｕｌｅｗｈｉｃｈｕｓｅｓａｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｒｅａｌｉｚｅｇｅｓｔｕｒｅｓｐｏｔｔｉｎｇ，ａｎｄ（２）ｔｈｅｒｅｃｏｇｎｉｔｉｏｎｍｏｄｕｌｅｗｈｉｃｈｕｓｅｓａｎＨＨＭＭ ｔｏｃｌａｓｓｉｆｙｇｅｓｔｕｒｅｓ．ＳｉｎｃｅｔｈｅＨＨＭＭ ｉｓａｐｒｏｂａｂｉｌｉｓｔｉｃｍｏｄｅｌｗｉｔｈｈｉｇｈｃｏｍｐｕｔａｔｉｏｎａｌｃｏｓｔ，ｔｈｅＮＮｂａｓｅｄｓｅｇｍｅｎｔａｔｉｏｎｍｏｄｕｌｅｉｓｕｓｅｄａｓａｓｗｉｔｃｈｔｏｃｏｎｔｒｏｌｔｈｅｄａｔａｆｌｏｗｉｎｏｒｄｅｒｔｏｓａｖｅｔｈｅｃｏｍｐｕｔａｔｉｏｎｔｉｍｅａｎｄｉｎｃｒｅａｓｅｔｈｅｅｆｆｉｃｉｅｎｃｙ．

Ｆｉｇ．２　Ｔｈｅｆｌｏｗｃｈａｒｔｏｆｔｈｅｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍ

　Ａｎｅｕｒａｌｎｅｔｗｏｒｋｉｓａｐｐｌｉｅｄｉｎｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｍｏｄｕｌｅ ｔｏ ｄｉｓｃｒｉｍｉｎａｔｅ ｇｅｓｔｕｒｅｓｆｒｏｍ ｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓ．Ｗｅｆｉｎｄｔｈａｔｓｉｍｐｌｙｕｓｉｎｇａｓｉｎｇｌｅｔｈｒｅｓｈｏｌｄｏｎｔｈｅｓｅｎｓｏｒｄａｔａｃａｎｎｏｔｃｌａｓｓｉｆｙｇｅｓｔｕｒｅｓ

ａｎｄｎｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓａｃｃｕｒａｔｅｌｙ．Ｏｎｔｈｅｃｏｎｔｒａｒｙ，ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｉｓａｃｏｍｂｉｎａｔｉｏｎｏｆｍｕｌｔｉｐｌｅｔｈｒｅｓｈｏｌｄｓｆｏｒｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓ．Ｔｈｒｏｕｇｈｔｈｅｔｒａｉｎｉｎｇｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋ，ｔｈｅｗｅｉｇｈｔｓａｎｄｂｉａｓｅｓｃａｎｂｅ

　第３期 ＳＨＥＮＧＷｅｉｈｕａ，ｅｔａｌ：Ａｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇａｐｐｒｏａｃｈｆｏｒｈａｎｄｇｅｓｔｕｒｅａｎｄｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｉｎｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ ４１　　　 　

ｏｐｔｉｍｉｚｅｄｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｉｓａｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈｃａｎｏｂｔａｉｎｈｉｄｄｅｎｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｔｈｅｔｒａｉｎｉｎｇｄａｔａａｎｄｍａｋｅａｇｏｏｄｃｏｍｂｉｎａｔｉｏｎｏｆｆｅａｔｕｒｅｓｔｏｐｅｒｆｏｒｍｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｇｅｓｔｕｒｅｓａｎｄ ｎｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓ．　Ｉｎｏｕｒｅｘｐｅｒｉｍｅｎｔｓ，ｔｈｅｒａｗｓｅｎｓｏｒｄａｔａａｒｅｓａｍｐｌｅｄａｔ１５０Ｈｚ，ａｎｄａｗｉｎｄｏｗｏｆ２０ｐｏｉｎｔｓ（１３３ｍｓ）ｉｓａｐｐｌｉｅｄｏｎｉｔｔｏｅｘｔｒａｃｔｆｅａｔｕｒｅｖｅｃｔｏｒｓ，ｗｈｉｃｈａｒｅｆｅｄｉｎｔｏｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｄｉｓｔｉｎｇｕｉｓｈｇｅｓｔｕｒｅｓａｎｄｎｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓ．Ｔｈｅｎ，ａｈｅｕｒｉｓｔｉｃｔｈｒｅｓｈｏｌｄｆｏｒｔｈｅｔｉｍｅｄｕｒａｔｉｏｎｏｆｔｈｅｓａｍｅｏｕｔｐｕｔｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｕｓｅｄｉｎｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｍｏｄｕｌｅｔｏｄｅｔｅｃｔｔｈｅｓｔａｒｔｏｒｅｎｄｐｏｉｎｔｏｆｔｈｅｇｅｓｔｕｒｅ．ＴｈｅｏｕｔｐｕｔｏｆｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｍｏｄｕｌｅｔｒｉｇｇｅｒｓｔｈｅＨＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎｍｏｄｕｌｅｗｈｅｎａｇｅｓｔｕｒｅｉｓｓｐｏｔｔｅｄ．２．１　Ｇｅｓｔｕｒｅｓｐｏｔｔｉｎｇｕｓｉｎｇａｎｅｕｒａｌｎｅｔｗｏｒｋ　Ｗｅｉｍｐｌｅｍｅｎｔｅｄａｔｈｒｅｅｌａｙｅｒｆｅｅｄｆｏｒｗａｒｄｎｅｕｒａｌｎｅｔｗｏｒｋ［１４］ｔｏｄｉｓｔｉｎｇｕｉｓｈｇｅｓｔｕｒｅｓｆｒｏｍｄａｉｌｙｎｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓ．Ｔｈｅｉｎｐｕｔｉｓａｆｅａｔｕｒｅｖｅｃｔｏｒｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｅｒａｗｓｅｎｓｏｒｄａｔａ．Ｉｎｏｕｒｃｕｒｒｅｎｔｉｍｐｌｅｍｅｎｔａｔｉｏｎ，３Ｄａｎｇｕｌａｒｖｅｌｏｃｉｔｙ［ωｘ，ωｙ，ωｚ］

Ｔａｎｄ３Ｄａｃｃｅｌｅｒａｔｉｏｎ［ａｘ，ａｙ，ａｚ］

Ｔａｒｅｒｅｃｏｒｄｅｄａｓｔｈｅｒａｗｓｅｎｓｏｒｄａｔａ．Ｗｅｕｓｅｔｈｅｆｏｌｌｏｗｉｎｇｆｅａｔｕｒｅｓ：　· ｔｈｅ６Ｄｍｅａｎ［珚ωｘ，珚ωｙ，珚ωｚ，珔ａｘ，珔ａｙ，珔ａｚ］

Ｔ，

　· ｔｈｅ６Ｄｖａｒｉａｎｃｅ［σ２ωｘ，σ２ωｙ，σ

２ωｚ，σ

２ａｘ，σ

２ａｙ，σ

２ａｚ］

Ｔ．　Ｔｈｅｏｕｔｐｕｔｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｂｉｎａｒｙ（１ｏｒ０），ｗｈｉｃｈｓｔａｎｄｓｆｏｒｇｅｓｔｕｒｅｓｏｒｎｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｆｕｎｃｔｉｏｎｓｏｆｔｈｅｆｉｒｓｔａｎｄｔｈｅｓｅｃｏｎｄｌａｙｅｒｓａｒｅｔｈｅｌｏｇｓｉｇｍｏｉｄｆｕｎｃｔｉｏｎｓａｎｄｔｈｅｔｈｉｒｄｌａｙｅｒｈａｓｔｈｅｈａｒｄｌｉｍｉｔｆｕｎｃｔｉｏｎ［１４］．Ｔｈｅｆｉｒｓｔａｎｄｔｈｅｓｅｃｏｎｄｌａｙｅｒｓｆｏｒｍａ２ｌａｙｅｒｆｅｅｄｆｏｒｗａｒｄｎｅｔｗｏｒｋ，ａｎｄｔｈｅｏｐｔｉｍｉｚｅｄｐａｒａｍｅｔｅｒｓａｒｅｏｂｔａｉｎｅｄｔｈｒｏｕｇｈｔｒａｉｎｉｎｇ．Ｉｎｔｈｅｏｕｔｐｕｔｌａｙｅｒ，ｔｈｅｗｅｉｇｈｔｓａｎｄｂｉａｓｅｓａｒｅｆｉｘｅｄｔｏｇｅｎｅｒａｔｅｄｉｓｃｒｅｔｅｏｕｔｐｕｔｓ．　Ｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ［１４］ｉｓｕｓｅｄｔｏｔｒａｉｎｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｆｒｏｍｔｈｅｌａｂｅｌｅｄｔｒａｉｎｉｎｇｄａｔａ．Ｉｎｏｒｄｅｒｔｏａｖｏｉｄｔｈｅｔｒａｉｎｉｎｇｔｒａｐｐｅｄｉｎｔｈｅｌｏｃａｌｍｉｎｉｍｕｍ，ｗｅｒｕｎｔｈｅｔｒａｉｎｉｎｇｓｅｖｅｒａｌｔｉｍｅｓｔｏａｃｈｉｅｖｅｌｅｓｓｍｅａｎｓｑｕａｒｅｅｒｒｏｒ．Ｔｈｅｎｕｍｂｅｒｏｆｎｅｕｒｏｎｓｉｎｅａｃｈｌａｙｅｒｉｓｃａｒｅｆｕｌｌｙｓｅｌｅｃｔｅｄｆｏｒｂｅｔｔｅｒａｃｃｕｒａｃｙａｎｄａｖｏｉｄｉｎｇｏｖｅｒｆｉｔｔｉｎｇａｓｗｅｌｌ．　Ｉｎｏｕｒｃｕｒｒｅｎｔｉｍｐｌｅｍｅｎｔａｔｉｏｎ，ｗｅａｓｓｕｍｅｔｈａｔｎｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓａｒｅｓｌｏｗ ｂｅｃａｕｓｅｗｈｅｎｐｅｏｐｌｅ

ｒｅａｄ，ｗｒｉｔｅ，ｗａｌｋ，ａｎｄｅａｔ，ｔｈｅｉｒｈａｎｄｓｄｏｎｏｔｅｘｈｉｂｉｔｉｎｔｅｎｓｉｖｅｍｏｔｉｏｎｓ．Ｆｏｒｕｎｅｘｐｅｃｔｅｄｍｏｖｅｍｅｎｔｓａｎｄｒａｐｉｄｎｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓ，ｗｅｃａｎｕｓｅａｔｈｒｅｓｈｏｌｄｂａｓｅｄＨＭＭ ｌｉｋｅｌｉｈｏｏｄｄｉｓｃｒｉｍｉｎａｎｔ［２２］ｔｏｄｉｓｔｉｎｇｕｉｓｈｗｈｅｔｈｅｒｉｔｉｓａｇｅｓｔｕｒｅｏｒｎｏｔｉｎｔｈｅｆｕｔｕｒｅ．２２　ＨＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍ　Ｉｎｔｈｉｓｓｅｃｔｉｏｎ，ｗｅｗｉｌｌｆｉｒｓｔｉｎｔｒｏｄｕｃｅｔｈｅｂａｓｉｃｃｏｎｃｅｐｔｓｏｆＨＭＭｓ，ａｎｄｔｈｅｎｄｅｓｃｒｉｂｅｔｈｅＨＨＭＭｂａｓｅｄｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｔｈａｔｃｏｎｓｉｄｅｒｓｔｈｅｓｅｑｕｅｎｔｉａｌｃｏｎｓｔｒａｉｎｔｓｉｎｈａｎｄｇｅｓｔｕｒｅｓ．　Ｐｅｏｐｌｅｕｓｕａｌｌｙｄｅｍｏｎｓｔｒａｔｅｓｐｅｃｉｆｉｃｐａｔｔｅｒｎｓｗｈｅｎｔｈｅｙｉｎｔｅｒａｃｔｗｉｔｈｔｈｅｉｒｐｅｔｓ．Ｓｕｃｈｐａｔｔｅｒｎｓｒｅｆｌｅｃｔｔｈｅｓｅｑｕｅｎｔｉａｌｃｏｎｓｔｒａｉｎｔｓｉｎｔｈｅｇｅｓｔｕｒｅｓ，ｗｈｉｃｈｃａｎｂｅｕｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｈｉｅｒａｒｃｈｉｃａｌｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌ（ＨＨＭＭ）ｔｅｃｈｎｉｑｕｅｉｓｉｍｐｌｅｍｅｎｔｅｄｉｎｏｒｄｅｒｔｏｉｎｃｒｅａｓｅｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙ．ＴｈｅＨＨＭＭｉｓａｓｔａｔｉｓｔｉｃａｌｍｏｄｅｌｄｅｒｉｖｅｄｆｒｏｍｔｈｅｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌ．Ｗｅｒｅｃｏｇｎｉｚｅｇｅｓｔｕｒｅｓｔｈｒｏｕｇｈｔｗｏｓｔｅｐｓ：ｆｉｒｓｔ，ｕｓｅｔｈｅＨＭＭｓａｔｔｈｅｌｏｗｅｒｌｅｖｅｌｔｏｒｅｃｏｇｎｉｚｅｉｎｄｉｖｉｄｕａｌｈａｎｄｇｅｓｔｕｒｅｓ；ｓｅｃｏｎｄ，ｍｏｄｅｌｔｈｅｃｏｎｓｔｒａｉｎｔｓａｍｏｎｇｔｈｅｇｅｓｔｕｒｅｓｗｉｔｈｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭ ａｎｄｅｓｔｉｍａｔｅｔｈｅｍｏｓｔｌｉｋｅｌｙｓｔａｔｅｓｅｑｕｅｎｃｅｉｎｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭｔｏｃｏｒｒｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎｅｒｒｏｒｓｗｈｉｃｈａｒｅｍａｄｅｉｎｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭ．ＨｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌｓａｒｅｓｔａｔｉｓｔｉｃａｌｍｏｄｅｌｓｆｏｒｓｅｑｕｅｎｔｉａｌｄａｔａｒｅｃｏｇｎｉｔｉｏｎ．Ｉｔｈａｓｂｅｅｎｗｉｄｅｌｙｕｓｅｄｉｎｓｐｅｅｃｈｒｅｃｏｇｎｉｔｉｏｎ，ｈａｎｄｗｒｉｔｉｎｇｒｅｃｏｇｎｉｔｉｏｎ，ａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ［１３］．ＡｎＨＭＭｉｓｃｈａｒａｃｔｅｒｉｚｅｄｂｙａｓｅｔｏｆｐａｒａｍｅｔｅｒｓλ＝（Ａ，Ｂ，π），ｗｈｅｒｅＡ，Ｂ，ａｎｄπａｒｅｔｈｅｓｔａｔｅｔｒａｎｓｉｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎ，ｔｈｅｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｓｉｎｅａｃｈｓｔａｔｅ，ａｎｄｔｈｅｉｎｉｔｉａｌｓｔａｔｅｄｉｓｔｒｉｂｕｔｉｏｎ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｆｏｒｗａｒｄｂａｃｋｗａｒｄｐｒｏｃｅｄｕｒｅ［３５３６］ｉｓｕｓｅｄｉｎｏｒｄｅｒｔｏｅｓｔｉｍａｔｅｔｈｅｌｉｋｅｌｉｈｏｏｄＰ（Ｏ｜λ）ｏｆａｓｅｑｕｅｎｃｅｏｆｏｂｓｅｒｖａｔｉｏｎｓｇｉｖｅｎａｓｐｅｃｉｆｉｃＨＭＭ．ＴｈｅＶｉｔｅｒｂｉＡｌｇｏｒｉｔｈｍ［３７］ｉｓｕｓｅｄｔｏｆｉｎｄｔｈｅｓｉｎｇｌｅｂｅｓｔｓｔａｔｅｓｅｑｕｅｎｃｅＱｆｏｒｔｈｅｇｉｖｅｎｏｂｓｅｒｖａｔｉｏｎｓｅｑｕｅｎｃｅＯｉｎｔｈｅｔｅｓｔｉｎｇｍｏｄｅ．ＴｈｅＥＭ（ｅｘｐｅｃｔａｔｉｏｎｍａｘｉｍｉｚａｔｉｏｎ）ｍｅｔｈｏｄ［３８］ ｉｓｕｓｅｄｔｏｔｒａｉｎｔｈｅｐａｒａｍｅｔｅｒｓｏｆＨＭＭ．２２１　ＨＭＭｂａｓｅｄｉｎｄｉｖｉｄｕａｌｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉ

ｔｉｏｎ　ＷｅｐｒｅｐｒｏｃｅｓｓｔｈｅｒａｗｓｅｎｓｏｒｄａｔａｔｏｅｘｔｒａｃｔｔｈｅｆｅａｔｕｒｅｓｆｏｒｇｅｓｔｕｒｅｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭ，ｗｈｉｃｈｈａｓｔｗｏｐｈａｓｅｓ：ｔｈｅｔｒａｉｎｉｎｇｐｈａｓｅａｎｄ

　４２　　　 山　东　大　学　学　报　（工　学　版） 第４０卷　

ｔｈｅｒｅｃｏｇｎｉｔｉｏｎｐｈａｓｅ．Ｅａｃｈｒａｗｓｅｎｓｏｒｄａｔａｉｓａ６ｃｏｍｐｏｎｅｎｔｖｅｃｔｏｒ：

ｕ＝［ωｘ，ωｙ，ωｚ，ａｘ，ａｙ，ａｚ］Ｔ

　Ａｌｏｗｐａｓｓｆｉｌｔｅｒｉｓｕｓｅｄｔｏｒｅｍｏｖｅｈｉｇｈｆｒｅｑｕｅｎｃｙｎｏｉｓｅ．Ｔｈｅｎ，ａｓｌｉｄｉｎｇｗｉｎｄｏｗｏｆ２０ｐｏｉｎｔｓｏｆｔｈｅ３ａｘｉｓａｃｃｅｌｅｒａｔｉｏｎ（ａｂｏｕｔ１３３ｍｓｉｎｔｈｅｔｉｍｅｄｏｍａｉｎ）ｉｓｕｓｅｄｔｏｃａｌｃｕｌａｔｅｔｈｅｔｉｍｅａｖｅｒａｇｅｉｎｏｒｄｅｒｔｏｒｅｍｏｖｅｔｈｅＤＣｃｏｍｐｏｎｅｎｔｓａｎｄｇｅｎｅｒａｔｅｔｈｅｄｅｖｉａｔｉｏｎｖｅｃｔｏｒ［ｄｘ，ｄｙ，ｄｚ］

Ｔ．ＷｅａｐｐｌｙｔｈｅＦＦＴｏｎｔｈｉｓｖｅｃｔｏｒｔｏａｎａｌｙｚｅｔｈｅｐｏｗｅｒｃｏｍｐｏｎｅｎｔｓｉｎｔｈｅｆｒｅｑｕｅｎｃｙｄｏｍａｉｎａｎｄｆｉｎｄｔｈｅｆｕｎｄａｍｅｎｔａｌｆｒｅｑｕｅｎｃｙｏｆｔｈｅｇｅｓｔｕｒｅ．Ｔｈｅｒｅａｒｅｆｏｕｒｓｔｅｐｓｉｎｔｈｅｔｒａｉｎｉｎｇｐｈａｓｅ．　Ｓｔｅｐ１：Ｆｉｎｄｔｈｅｓｔｒｏｋｅｄｕｒａｔｉｏｎ．Ｉｎｔｈｅｔｒａｉｎｉｎｇｐｈａｓｅ，ｔｈｅｈｕｍａｎｓｕｂｊｅｃｔｎｅｅｄｓｔｏｒｅｐｅａｔｔｈｅｓａｍｅｇｅｓｔｕｒｅｓｅｖｅｒａｌｔｉｍｅｓｔｏｇｅｔｔｈｅｍａｔｒｉｃｅｓｆｏｒｏｎｅｓｅｔｏｆＨＭＭｐａｒａｍｅｔｅｒｓ．Ｉｎｏｒｄｅｒｔｏｆｉｎｄｔｈｅｓｔｒｏｋｅｄｕｒａｔｉｏｎｏｆｔｈｅｇｅｓｔｕｒｅ，ｔｈｅＦＦＴｉｓａｐｐｌｉｅｄｔｏｔｈｅｄｅｖｉａｔｉｏｎｖｅｃｔｏｒ［ｄｘ，ｄｙ，ｄｚ］

Ｔ．Ｔｈｅｆｒｅｑｕｅｎｃｙｗｉｔｈｔｈｅｍａｘｉｍｕｍｐｏｗｅｒａｍｏｎｇｔｈｅｘ，ｙ，ａｎｄｚｉｓｃｈｏｓｅｎａｓｔｈｅｆｒｅｑｕｅｎｃｙｏｆｔｈｅｇｅｓｔｕｒｅ，ｆｒｏｍｗｈｉｃｈｗｅｃａｎｇｅｔｔｈｅｓｔｒｏｋｅｄｕｒａｔｉｏｎｏｆｔｈｉｓｇｅｓｔｕｒｅｆｏｒｆｕｒｔｈｅｒｕｓｅ．　Ｓｔｅｐ２：Ｑｕａｎｔｉｆｙｔｈｅｖｅｃｔｏｒｓｉｎｔｏｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｓ．ＴｈｅＫｍｅａｎｓｃｌｕｓｔｅｒｉｎｇｉｓａｐｐｌｉｅｄｏｎｔｈｅ６Ｄｖｅｃｔｏｒｓｕｔｏｇｅｔｔｈｅｐａｒｔｉｔｉｏｎｖａｌｕｅｆｏｒｅａｃｈｖｅｃｔｏｒａｎｄａｌｓｏａｓｅｔｏｆｃｅｎｔｒｏｉｄｓｆｏｒｃｌｕｓｔｅｒｉｎｇｔｈｅｄａｔａｉｎｔｏｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｓｉｎｔｈｅｒｅｃｏｇｎｉｔｉｏｎｐｈａｓｅ．　Ｓｔｅｐ３：ＳｅｔｕｐｔｈｅｉｎｉｔｉａｌＨＭＭｐａｒａｍｅｔｅｒｓ．Ｓｅｔｔｈｅｎｕｍｂｅｒｏｆｓｔａｔｅｓｉｎｔｈｅｍｏｄｅｌ，ｔｈｅｎｕｍｂｅｒｏｆｄｉｓｔｉｎｃｔｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｓｐｅｒｓｔａｔｅａｎｄｔｈｅｉｎｉｔｉａｌｖａｌｕｅｏｆλ＝（Ａ，Ｂ，π）ｆｏｒｉｔｅｒａｔｉｏｎ．　Ｓｔｅｐ４：ＩｔｅｒａｔｅｆｏｒＥＭ．ＴｈｅＥ（Ｅｘｐｅｃｔａｔｉｏｎ）ｓｔｅｐｉｓｔｈｅｃａｌｃｕｌａｔｉｏｎｏｆｔｈｅａｕｘｉｌｉａｒｙｆｕｎｃｔｉｏｎＱ（λ，珔λ）［１３］，ａｎｄｔｈｅＭ（Ｍａｘｉｍｉｚａｔｉｏｎ）ｓｔｅｐｉｓｔｈｅｍａｘｉｍｉｚａｔｉｏｎｏｆｔｈｅｌｉｋｅｌｉｈｏｏｄｏｖｅｒ珔λ．Ｔｈｉｓｐｒｏｃｅｓｓｉｓｉｔｅｒａｔｅｄｕｎｔｉｌｔｈｅｌｉｋｅｌｉｈｏｏｄａｐｐｒｏａｃｈｅｓａｓｔｅａｄｙｖａｌｕｅ．　Ｆｉｇｕｒｅ３ｓｈｏｗｓｔｈｅｆｌｏｗｃｈａｒｔｆｏｒｉｎｄｉｖｉｄｕａｌｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｅｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇｉｓａｐｐｌｉｅｄｏｎｔｈｅｄａｔａｗｉｎｄｏｗａｎｄｔｈｅｃｅｎｔｒｏｉｄｓａｒｅｔｒａｉｎｅｄｔｏｑｕａｎｔｉｆｙｔｈｅｖｅｃｔｏｒｓｉｎｔｏｏｂｓｅｒｖａｂｌｅｓｙｍｂｏｌｓ．Ａｓｌｉｄｉｎｇｗｉｎｄｏｗｏｆ１ｓｅｃｏｎｄｍｏｖｅｓａｌｏｎｇｔｈｅｄａｔａｓｅｑｕｅｎｃｅａｎｄｔｈｅｌｉｋｅｌｉｈｏｏｄｕｎｄｅｒｅａｃｈｓｅｔｏｆＨＭＭｐａｒａｍｅｔｅｒｓｉｓｅｓｔｉｍａｔｅｄ．Ｗｅｃｈｏｏｓｅｔｈｅｍｏｄｅｌｗｈｉｃｈａｃｈｉｅｖｅｓｔｈｅｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｔｏｂｅｔｈｅｒｅｃｏｇｎｉｚｅｄｔｙｐｅ．Ｔｈｕｓ，ｔｈｉｓＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎｇｉｖｅｓａｓｅｒｉｅｓｏｆｄｅｃｉｓｉｏｎｓｆｏｒｔｈｅｓｅｇｍｅｎｔｅｄｇｅｓｔｕｒｅ．

Ｆｉｇ．３　ＴｈｅｆｌｏｗｃｈａｒｔｏｆｔｈｅＨＭＭｂａｓｅｄｉｎｄｉｖｉｄｕａｌｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ

　Ｎｅｘｔ，ｔｈｅｍａｊｏｒｉｔｙｖｏｔｉｎｇｉｓａｐｐｌｉｅｄｏｎｔｈｅｏｕｔｐｕｔｏｆｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭｓｆｏｒｔｈｅｓｅｇｍｅｎｔｅｄｇｅｓｔｕｒｅｔｏｐｒｏｄｕｃｅｔｈｅｄｅｃｉｓｉｏｎ，ｗｈｉｃｈｉｓａｌｓｏｔｈｅｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｖａｌｕｅｉｎｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭ．ＡｓｓｈｏｗｎｉｎＦｉｇｕｒｅ４，ｔｈｅｓｌｉｄｉｎｇｗｉｎｄｏｗｈａｓａｌｅｎｇｔｈｏｆ１５０ｄａｔａｐｏｉｎｔｓ（ｏｎｅｓｅｃｏｎｄ）ａｎｄｍｏｖｅｓｂｙａｓｔｅｐｏｆ２０ｄａｔａｐｏｉｎｔｓ．Ｆｏｒｅａｃｈｓｌｉｄｉｎｇｗｉｎｄｏｗ，ｔｈｅｍｏｄｅｌｗｉｔｈｔｈｅｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｉｓｔｈｅｒｅｓｕｌｔ．Ｔｈｅｒｅｆｏｒｅ，ｉｎｏｎｅｇｅｓｔｕｒｅｓｅｇｍｅｎｔ，ｔｈｅｍａｊｏｒｉｔｙｖｏｔｉｎｇｉｓａｐｐｌｉｅｄｏｎｔｈｅｒｅｓｕｌｔｓｏｆａｌｌｔｈｅｗｉｎｄｏｗｓｔｏｐｒｏｄｕｃｅａｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｄｅｃｉｓｉｏｎ．

Ｆｉｇ．４　Ｔｈｅｍｏｖｉｎｇｏｆｓｌｉｄｉｎｇｗｉｎｄｏｗｓｉｎｏｎｅｓｅｇｍｅｎｔｏｆａｇｅｓｔｕｒｅ

２２．２　Ｃｏｎｔｅｘｔｂａｓｅｄｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ　Ｉｎｔｈｅｐｒｅｖｉｏｕｓｐａｒｔ，ｉｎｄｉｖｉｄｕａｌｈａｎｄｇｅｓｔｕｒｅｓａｒｅｒｅｃｏｇｎｉｚｅｄｗｉｔｈｏｕｔｔｈｅｋｎｏｗｌｅｄｇｅｏｆｔｈｅｃｏｎｔｅｘｔ．Ｉｎｔｈｉｓｓｅｃｔｉｏｎ，ｗｅｕｓｅａｎＨＨＭＭ ｔｏｃｏｎｓｉｄｅｒｔｈｅｓｅｑｕｅｎｔｉａｌｃｏｎｓｔｒａｉｎｔｓａｍｏｎｇｔｈｅｇｅｓｔｕｒｅｓ．ＴｈｅＨＨＭＭｉｓａｇｅｎｅｒａｌｉｚａｔｉｏｎｏｆｔｈｅｓｅｇｍｅｎｔｍｏｄｅｌｗｈｅｒｅｅａｃｈｓｅｇｍｅｎｔｈａｓｓｕｂｓｅｇｍｅｎｔｓ．Ｆｉｇｕｒｅ５ｉｌｌｕｓｔｒａｔｅｓｔｈｅｂａｓｉｃｉｄｅａｏｆａｎＨＨＭＭ．Ａ ｔｉｍｅｓｅｒｉｅｓｉｓｈｉｅｒａｒｃｈｉｃａｌｌｙｄｉｖｉｄｅｄｉｎｔｏｓｅｇｍｅｎｔｓ，ｗｈｅｒｅＳ１ｉｒｅｐｒｅｓｅｎｔｓｔｈｅｓｔａｔｅａｔｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭａｎｄＳ２ｉｒｅｐｒｅｓｅｎｔｓｔｈｅｓｔａｔｅａｔｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭ．ＡｂｌｏｃｋｏｆＳ２ｉｉｓｔｈｅｓｔａｔｅｓｅｑｕｅｎｃｅｏｆｔｈｅｓｕｂＨＭＭｓｏｆＳ１ｉ．

　第３期 ＳＨＥＮＧＷｅｉｈｕａ，ｅｔａｌ：Ａｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇａｐｐｒｏａｃｈｆｏｒｈａｎｄｇｅｓｔｕｒｅａｎｄｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｉｎｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ ４３　　　 　

Ｆｉｇ．５　ＴｈｅａｒｃｈｉｔｅｃｔｕｒｅｏｆａｎＨＨＭＭ

　Ｗｅｄｅｆｉｎｅ“ｃｏｎｔｅｘｔ”ａｓｔｈｅｓｅｑｕｅｎｔｉａｌｃｏｎｓｔｒａｉｎｔｓａｍｏｎｇｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｇｅｓｔｕｒｅｓ．Ｆｉｇｕｒｅ６ｓｈｏｗｓｔｈｅｔｒａｎｓｉｔｉｏｎｏｆｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭ．Ｉｔｉｓａｄｉｓｃｒｅｔｅ，ｆｉｒｓｔｏｒｄｅｒＨＭＭｗｉｔｈｆｉｖｅｓｔａｔｅｓａｎｄｆｉｖｅｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｓ．ＴｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭｃａｎｂｅｄｅｓｃｒｉｂｅｄａｓａｓｅｑｕｅｎｃｅｏｆｃｏｍｍａｎｄｓａｎｄａｔａｎｙｔｉｍｅｉｔｉｓｉｎｏｎｅｏｆａｓｅｔｏｆＮ（Ｎ＝５）ｄｉｓｔｉｎｃｔｓｔａｔｅｓ：Ｓ１，Ｓ２，…，Ｓ５．Ｉｔｕｎｄｅｒｇｏｅｓａｃｈａｎｇｅｏｆｓｔａｔｅａｃｃｏｒｄｉｎｇｔｏａｓｅｔｏｆｐｒｏｂａｂｉｌｉｔｉｅｓａｓｓｏｃｉａｔｅｄｗｉｔｈｔｈｅｓｔａｔｅ．Ｆｏｒｅｘａｍｐｌｅ，ｔｈｅｓａｍｅｃｏｍｍａｎｄｉｓｌｅｓｓｌｉｋｅｌｙｔｏｂｅｓｅｎｔｔｗｉｃｅｃｏｎｓｅｃｕｔｉｖｅｌｙ，ａｎｄｗｈｅｎｔｈｅｐｒｅｖｉｏｕｓｃｏｍｍａｎｄｉｓ“ｇｏａｗａｙ”，ｔｈｅｎｅｘｔｏｎｅｈａｓａｓｍａｌｌｐｒｏｂａｂｉｌｉｔｙｏｆｂｅｉｎｇ“ｇｏｆｅｔｃｈｉｎｇ”．Ｗｅｄｅｎｏｔｅｔｈｅｔｉｍｅｉｎｓｔａｎｔｓａｓｓｏｃｉａｔｅｄｗｉｔｈｔｈｅｓｔａｔｅｃｈａｎｇｅａｓｋ＝１，２，…，Ｎａｎｄｔｈｅｋｔｈａｃｔｕａｌｓｔａｔｅａｓｑｋ．Ｔｈｅｆｏｌｌｏｗｉｎｇｐｒｏｂａｂｉｌｉｓｔｉｃｄｅｓｃｒｉｐｔｉｏｎｌｉｎｋｓｔｈｅｃｕｒｒｅｎｔａｎｄｔｈｅｐｒｅｃｅｄｉｎｇｓｔａｔｅｓ［６］：ａｉｊ＝Ｐ［ｑｋ＝Ｓｊ｜ｑｋ－１＝Ｓｉ］，ｆｏｒ１≤ｉ，ｊ≤Ｎ，ａｎｄ∑

ｊａｉｊ＝１，

　ｗｈｅｒｅＮｉｓｔｈｅｎｕｍｂｅｒｏｆｄｉｓｔｉｎｃｔｓｔａｔｅｓ．

Ｆｉｇ．６　ＴｈｅｔｒａｎｓｉｔｉｏｎｏｆｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭｔｈａｔｃｏｎｓｉｄｅｒｓｔｈｅｃｏｎｔｅｘｔｉｎｆｏｒｍａｔｉｏｎ

　Ｔｈｅｉｎｉｔｉａｌｓｔａｔｅｄｉｓｔｒｉｂｕｔｉｏｎｒｅｐｒｅｓｅｎｔｓｔｈｅｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｆｉｒｓｔｃｏｍｍａｎｄ，ｗｈｉｃｈｉｓｄｅｆｉｎｅｄａｓ：π＝Ｐ［ｑ１＝Ｓｉ，（ｉ＝１，２，…，Ｎ）］．ＡｎｏｔｈｅｒｅｌｅｍｅｎｔｏｆｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭ ｉｓｔｈｅｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｐｒｏｂａｂｉｌｉｔｙ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ ｓｔａｔｅ Ｓｊ： ｂｊ（ｋ） ＝Ｐ［Ｏｋ｜ｑｔ＝Ｓｊ］．ｂｊｓｈｏｗｓｈｏｗｌｉｋｅｌｙｔｈｉｓｃｏｍｍａｎｄｗｉｌｌｂｅｒｅｃｏｇｎｉｚｅｄａｓｔｈｅｄｉｆｆｅｒｅｎｔｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｓ，ｗｈｅｒｅＯｋｒｅｐｒｅｓｅｎｔｓｔｈｅｄｅｃｉｓｉｏｎｍａｄｅｂｙｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭ．

　ＦｏｒａｇｉｖｅｎｏｂｓｅｒｖａｔｉｏｎｓｅｑｕｅｎｃｅｗｉｔｈａｌｅｎｇｔｈｏｆＴ，ｔｈｅＶｉｔｅｒｂｉａｌｇｏｒｉｔｈｍ ｉｓｕｓｅｄａｔｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭｔｏｆｉｎｄｔｈｅｓｉｎｇｌｅｂｅｓｔｓｔａｔｅｓｅｑｕｅｎｃｅＱ＝｛ｑ１ｑ２…ｑＴ｝，ｗｈｉｃｈｒｅｐｒｅｓｅｎｔｓｔｈｅｍｏｓｔｌｉｋｅｌｙｕｎｄｅｒｌｙｉｎｇｃｏｍｍａｎｄｓｅｑｕｅｎｃｅ，ｆｏｒｔｈｅｇｉｖｅｎｏｂｓｅｒｖａｔｉｏｎｓｅｑｕｅｎｃｅＯ＝｛Ｏ１Ｏ２…ＯＴ｝．Ｉｎｔｈｉｓｗａｙ，ｓｏｍｅｅｒｒｏｒｓｉｎｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭｃａｎｂｅｃｏｒｒｅｃｔｅｄｂｙｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭ．

３　Ｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ

　Ｉｎｔｈｉｓｓｅｃｔｉｏｎ，ｗｅｗｉｌｌｄｉｓｃｕｓｓｔｈｅｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｔｈｒｏｕｇｈｍｕｌｔｉｓｅｎｓｏｒｆｕｓｉｏｎ．Ｔｗｏｉｎｅｒｔｉａｌｓｅｎｓｏｒｓａｒｅａｔｔａｃｈｅｄｔｏｏｎｅｆｏｏｔａｎｄｔｈｅｗａｉｓｔｏｆｔｈｅｈｕｍａｎｓｕｂｊｅｃｔ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｒｅａｒｅｔｗｏｓｔｅｐｓｉｎｔｈｅｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎｔｈｅｆｉｒｓｔｓｔｅｐ，ｔｈｅｆｕｓｉｏｎｏｆｔｈｅｄａｔａｆｒｏｍ ｔｈｅｔｗｏｗｅａｒａｂｌｅｓｅｎｓｏｒｓｇｅｎｅｒａｔｅｓｃｏａｒｓｅｇｒａｉｎｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒｔｈｒｅｅｔｙｐｅｓｏｆｈｕｍａｎａｃｔｉｖｉｔｉｅｓ：ｚｅｒｏｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ，ｔｒａｎｓｉｔｉｏｎａｌａｃｔｉｖｉｔｉｅｓ，ａｎｄｓｔｒｏｎｇｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ．Ｉｎｔｈｅｓｅｃｏｎｄｓｔｅｐ，ｅｉｔｈｅｒａｈｅｕｒｉｓｔｉｃｄｉｓｃｒｉｍｉｎａｔｉｏｎｍｏｄｕｌｅｉｓｕｓｅｄｆｏｒｆｉｎｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｚｅｒｏｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓａｎｄｔｒａｎｓｉｔｉｏｎａｌａｃｔｉｖｉｔｉｅｓ，ｏｒａｎＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｆｏｒｔｈｅｆｉｎｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｔｒｏｎｇｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ．Ｉｎｔｈｉｓｗａｙ，ｔｈｅｃｏａｒｓｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｃｏｎｔｒｏｌｓｔｈｅｄｉｒｅｃｔｉｏｎｏｆｔｈｅｄａｔａｆｌｏｗｔｏｔｒｉｇｇｅｒｅｉｔｈｅｒｔｈｅｈｅｕｒｉｓｔｉｃｄｉｓｃｒｉｍｉｎａｔｉｏｎｍｏｄｕｌｅｏｒｔｈｅＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎｍｏｄｕｌｅ．Ｔｈｉｓｍｅｃｈａｎｉｓｍｃａｎｓａｖｅｔｈｅｃｏｍｐｕｔａｔｉｏｎｔｉｍｅａｎｄｅｎｈａｎｃｅｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍ．　ＡｓｓｈｏｗｎｉｎＦｉｇｕｒｅ７，ｒａｗｓｅｎｓｏｒｄａｔａ（ａｃｃｅｌｅｒａｔｉｏｎａｎｄａｎｇｕｌａｒｖｅｌｏｃｉｔｙ）ａｒｅｐｒｏｃｅｓｓｅｄｔｏｏｂｔａｉｎｔｈｅｆｅａｔｕｒｅｓ（ｍｅａｎ，ｖａｒｉａｎｃｅａｎｄｃｏｖａｒｉａｎｃｅｏｆｔｈｅ３Ｄａｎｇｕｌａｒｖｅｌｏｃｉｔｙａｎｄ３Ｄａｃｃｅｌｅｒａｔｉｏｎ），ｗｈｉｃｈａｒｅｆｅｄｉｎｔｏｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓＮＮｆａｎｄＮＮｗ ｆｏｒｆｏｏｔａｎｄｗａｉｓｔ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｍｕｌｔｉｓｅｎｓｏｒｆｕｓｉｏｎｂａｓｅｄｃｏａｒｓｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｏｄｕｌｅｄｅｔｅｒｍｉｎｅｓｔｈｅｎｅｘｔｓｔｅｐ，ｔｈｅｈｅｕｒｉｓｔｉｃｄｉｓｃｒｉｍｉｎａｔｉｖｅｍｏｄｕｌｅｏｒｔｈｅＨＭＭｍｏｄｕｌｅ，ｔｏｂｅａｐｐｌｉｅｄｉｎｔｈｅｆｉｎｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｏｄｕｌｅ．３１　Ｃｏａｒｓｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ｔｈｅｆｏｌｌｏｗｉｎｇａｃｔｉｖｉｔｉｅｓａｒｅｃｏｎｓｉｄｅｒｅｄｆｏｒｔｈｅｏｕｔｐｕｔｏｆｔｈｅｓｅｎｓｏｒｆｕｓｉｏｎ：（１）ＡＺ＝ｚｅｒｏｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ：ｓｔａｎｄｉｎｇ，ｓｉｔｔｉｎｇ，ａｎｄｓｌｅｅｐｉｎｇ；（２）ＡＴ＝

　４４　　　 山　东　大　学　学　报　（工　学　版） 第４０卷　

ｔｒａｎｓｉｔｉｏｎａｌａｃｔｉｖｉｔｉｅｓ：ｓｉｔｔｉｎｇｔｏｓｔａｎｄｉｎｇ，ｓｔａｎｄｉｎｇｔｏｓｉｔｔｉｎｇ，ｌｅｖｅｌｗａｌｋｉｎｇｔｏｓｔａｉｒｗａｌｋｉｎｇ，ｓｔａｉｒｗａｌｋｉｎｇｔｏｌｅｖｅｌｗａｌｋｉｎｇ，ｌｙｉｎｇｔｏｓｉｔｔｉｎｇ，ａｎｄｓｉｔｔｉｎｇｔｏｌｙｉｎｇ；（３）ＡＳ＝ｓｔｒｏｎｇｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ：ｗａｌｋｉｎｇｌｅｖｅｌ，ｗａｌｋｉｎｇｕｐｓｔａｉｒｓ，ｗａｌｋｉｎｇｄｏｗｎｓｔａｉｒｓ，ａｎｄｒｕｎｎｉｎｇ．Ｍｏｒｅａｃｔｉｖｉｔｉｅｓｃａｎｂｅｒｅｃｏｇｎｉｚｅｄｗｉｔｈａｄｄｉｔｉｏｎａｌｓｅｎｓｏｒｓ．Ｆｏｒｅｘａｍｐｌｅ，ｃｏｏｋｉｎｇａｎｄｗａｔｃｈｉｎｇＴＶｃａｎｂｅｒｅｃｏｇｎｉｚｅｄｗｈｅｎｔｈｅｅｎｖｉｒｏｎｍｅｎｔａｌａｕｄｉｏｉｎｆｏｒｍａｔｉｏｎｉｓｒｅｃｏｒｄｅｄ．ＴｗｏｎｅｕｒａｌｎｅｔｗｏｒｋｓＮＮｆａｎｄＮＮｗａｒｅｄｅｓｉｇｎｅｄｆｏｒｔｈｅｄａｔａｆｒｏｍｔｈｅｆｏｏｔａｎｄｔｈｅｗａｉｓｔ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓｃａｔｅｇｏｒｉｚｅｔｈｅｄａｔａｉｎｔｏｔｈｒｅｅｔｙｐｅｓ：（１）ｓｔａｔｉｏｎａｒｙ，（２）ｔｒａｎｓｉｔｉｏｎａｌ，ａｎｄ（３）ｃｙｃｌｉｃ．Ｔｈｅｏｕｔｐｕｔｓｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓａｒｅｆｅｄｉｎｔｏｔｈｅｆｕｓｉｏｎｍｏｄｕｌｅ．

Ｆｉｇ．７　Ｔｈｅｏｖｅｒｖｉｅｗｏｆｔｈｅｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍ．

　ＴｈｅｆｕｓｉｏｎｍｏｄｕｌｅｉｎｔｅｇｒａｔｅｓｔｈｅｉｎｄｉｖｉｄｕａｌｔｙｐｅｓｏｆｆｏｏｔａｎｄｗａｉｓｔａｃｔｉｖｉｔｉｅｓａｎｄｃａｔｅｇｏｒｉｚｅｓｔｈｅｈｕｍａｎａｃｔｉｖｉｔｉｅｓａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｕｌｅｓｉｎＴａｂｌｅ１：（１）ｚｅｒｏｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ：Ａ∈ＡＺｉｆｆＡｗ＝ｓｔａｔｉｏｎａｒｙ；（２）ｔｒａｎｓｉｔｉｏｎａｌ：Ａ∈ＡＴｉｆｆ（Ａｆ＝ｔｒａｎｓｉｔｉｏｎａｌａｎｄＡｗ＝ｔｒａｎｓｉｔｉｏｎａｌ）ｏｒ（Ａｆ＝ｓｔａｔｉｏｎａｒｙａｎｄＡｗ＝ｔｒａｎｓｉｔｉｏｎａｌ）；（３）ｓｔｒｏｎｇｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ：Ａ∈ＡＳｉｆｆＡｆ＝ｃｙｃｌｉｃａｎｄＡｗ＝ｃｙｃｌｉｃ．Ａｌｌｏｔｈｅｒｃｏｍｂｉｎａｔｉｏｎｓｏｆｆｏｏｔａｎｄｗａｉｓｔａｃｔｉｖｉｔｉｅｓａｒｅｃｏｎｓｉｄｅｒｅｄａｓｒａｒｅａｃｔｉｖｉｔｉｅｓａｎｄｗｅｄｏｎｏｔｃｏｎｓｉｄｅｒｔｈｅｍｉｎｔｈｉｓｐａｐｅｒ．

Ｔａｂｌｅ１　Ｓｅｎｓｏｒｆｕｓｉｏｎｒｕｌｅｓ

Ｆｕｓｉｏｎ ＲｕｌｅｓＦｏｏｔｓｅｎｓｏｒＡｆ

ＳｔａｔｉｏｎａｒｙＴｒａｎｓｉｔｉｏｎａｌ ＣｙｃｌｉｃＷａｉｓｔ Ｓｔａｔｉｏｎａｒｙ ＡＺ ＡＺ ＡＺｓｅｎｓｏｒ Ｔｒａｎｓｉｔｉｏｎａｌ ＡＴ ＡＴ —

Ａｗ Ｃｙｃｌｉｃ — — ＡＳ

３２　Ｆｉｎｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ｔｏｆｕｒｔｈｅｒｄｉｓｔｉｎｇｕｉｓｈｔｈｅｓｔａｔｉｏｎａｒｙａｃｔｉｖｉｔｉｅｓ（ｓｕｃｈ

ａｓｓｉｔｔｉｎｇａｎｄｓｔａｎｄｉｎｇ）ａｎｄｔｈｅｔｒａｎｓｉｔｉｏｎａｌａｃｔｉｖｉｔｉｅｓ（ｓｕｃｈａｓｓｉｔｔｉｎｇｔｏｓｔａｎｄｉｎｇａｎｄｓｔａｎｄｉｎｇｔｏｓｉｔｔｉｎｇ），ａｈｅｕｒｉｓｔｉｃｄｉｓｃｒｉｍｉｎａｔｉｏｎｍｏｄｕｌｅｗｉｌｌｂｅａｐｐｌｉｅｄｔｏｃｏｎｓｉｄｅｒｔｈｅｐｒｅｖｉｏｕｓｓｔａｔｉｏｎａｒｙａｃｔｉｖｉｔｙａｎｄｄｅｃｉｄｅｔｈｅｔｙｐｅｏｆｔｈｅｃｕｒｒｅｎｔｔｒａｎｓｉｔｉｏｎａｌａｃｔｉｖｉｔｙ．Ｆｏｒｅｘａｍｐｌｅ，ｗｈｅｎｔｈｅｄｅｔｅｃｔｅｄｐｒｅｖｉｏｕｓａｃｔｉｖｉｔｙｉｓｓｉｔｔｉｎｇ，ａｆｔｅｒａｔｒａｎｓｉｔｉｏｎａｌａｃｔｉｖｉｔｙ，ｔｈｅｆｏｌｌｏｗｉｎｇａｃｔｉｖｉｔｙｉｓｓｔａｔｉｏｎａｒｙ．Ｔｈｅｎｗｅｕｓｅａｄｉｓｃｒｉｍｉｎａｔｉｖｅｍｏｄｅｌｔｏｔｅｓｔｗｈｅｔｈｅｒｔｈｅｄｉｒｅｃｔｉｏｎｏｆｔｈｅｔｒｕｎｋｉｓｖｅｒｔｉｃａｌｏｒｈｏｒｉｚｏｎｔａｌ：ｉｆｉｔｉｓｖｅｒｔｉｃａｌ，ｔｈｅｎｔｈｅｃｕｒｒｅｎｔａｃｔｉｖｉｔｙｉｓｓｔａｎｄｉｎｇａｎｄｔｈｅｐｒｅｖｉｏｕｓｔｒａｎｓｉｔｉｏｎａｌａｃｔｉｖｉｔｙｉｓｓｉｔｔｉｎｇｔｏｓｔａｎｄｉｎｇ；ｏｔｈｅｒｗｉｓｅ，ｔｈｅｃｕｒｒｅｎｔａｃｔｉｖｉｔｙｉｓｌｙｉｎｇａｎｄｔｈｅｐｒｅｖｉｏｕｓｔｒａｎｓｉｔｉｏｎａｌａｃｔｉｖｉｔｙｉｓｓｉｔｔｉｎｇｔｏｌｙｉｎｇ．　ＡｎＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｉｓａｐｐｌｉｅｄｔｏｆｕｒｔｈｅｒｄｅｔｅｒｍｉｎｅｔｈｅｔｙｐｅｓｏｆｔｈｅｓｔｒｏｎｇｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ，ｗｈｉｃｈｒｅｃｏｇｎｉｚｅｓｔｈｅｐａｔｔｅｒｎｓｏｆｔｈｅｃｏｎｔｉｎｕｏｕｓｔｉｍｅｓｅｒｉｅｓｏｆｄａｔａ．Ｔｈｅｄｅｔａｉｌｅｄａｌｇｏｒｉｔｈｍｉｓｓｉｍｉｌａｒｔｏｔｈｅｏｎｅｕｓｅｄｉｎｔｈｅｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ．

４　Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓ

　Ｉｎｂｏｔｈｅｘｐｅｒｉｍｅｎｔｓｆｏｒｈａｎｄｇｅｓｔｕｒｅａｎｄａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ，ｔｈｅＮＮａｎｄＨＭＭｓａｒｅｔｒａｉｎｅｄｏｆｆｌｉｎｅｂｅｆｏｒｅｔｈｅｙａｒｅｕｓｅｄｉｎｔｈｅｒｅｃｏｇｎｉｔｉｏｎｐｈａｓｅ．Ｔｈｅｏｆｆｌｉｎｅｃｏｍｐｕｔａｔｉｏｎａｌｔｉｍｅｆｏｒｏｎｅｈｕｍａｎｓｕｂｊｅｃｔｉｓａｂｏｕｔ１０ｓｅｃｏｎｄｓｆｏｒｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄ６０ｓｅｃｏｎｄｓｆｏｒｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭｂａｓｅｄｏｎａｃｏｍｐｕｔａｔｉｏｎｓｅｒｖｅｒｗｉｔｈｔｈｅＣＰＵｏｆＩｎｔｅｌＣｏｒｅ２，２１３ＧＨｚａｎｄ３ＧＢｍｅｍｏｒｙ．Ｗｅｅｘｐｅｒｉｅｎｃｅｎｏｄｅｃｉｓｉｏｎｄｅｌａｙｓｄｕｒｉｎｇｔｈｅｔｅｓｔｉｎｇｐｈａｓｅａｆｔｅｒａｌｌｔｈｅｍｏｄｅｌｓａｒｅｔｒａｉｎｅｄ．Ｈｅｒｅｗｅｓｈｏｗｔｈｅｒｅｓｕｌｔｓｆｏｒｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｎｄｈｕｍａｎａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ，ｒｅｓｐｅｃｔｉｖｅｌｙ．４１　Ｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ　Ｉｎｔｈｉｓｓｅｃｔｉｏｎ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｅｔｕｐａｎｄｐｒｏｃｅｓｓｆｏｒｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｒｅｉｎｔｒｏｄｕｃｅｄａｎｄｔｈｅｒｅｓｕｌｔｓａｒｅｄｅｓｃｒｉｂｅｄ．４１１　Ｅｘｐｅｒｉｍｅｎｔｓｅｔｕｐａｎｄｐｒｏｃｅｓｓ　Ｆｏｒｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ，ｗｅｕｓｅａｎｉｎｅｒｔｉａｌｓｅｎｓｏｒｎＩＭＵｆｒｏｍＭＥＭＳｅｎｓｅＬＬＣ［３９］，ｗｈｉｃｈｐｒｏｖｉｄｅｓ３Ｄａｃｃｅｌｅｒａｔｉｏｎ，ａｎｇｕｌａｒｖｅｌｏｃｉｔｙ，ｍａｇｎｅｔｉｃｄａｔａ，ａｎｄｔｅｍｐｅｒａｔｕｒｅｄａｔａａｔａｓａｍｐｌｉｎｇｒａｔｅｏｆ１５０ＨＺ．ＴｈｅｐｒｏｔｏｔｙｐｅｏｆｔｈｅｗｅａｒａｂｌｅｓｅｎｓｏｒｓｙｓｔｅｍｆｏｒｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｉｓｓｈｏｗｎｉｎＦｉｇｕｒｅ８．ＴｈｅｕＩＭＵｓｅｎｓｏｒｉｓｃｏｎｎｅｃｔｅｄｔｏａＰＤＡ ｔｈｒｏｕｇｈａＲＳ４２２／ＲＳ２３２ｓｅｒｉａｌｃｏｎｖｅｒｔｅｒ，ａｎｄｔｈｅＰＤＡｓｅｎｄｓｔｈｅｄａｔａ

　第３期 ＳＨＥＮＧＷｅｉｈｕａ，ｅｔａｌ：Ａｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇａｐｐｒｏａｃｈｆｏｒｈａｎｄｇｅｓｔｕｒｅａｎｄｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｉｎｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ ４５　　　 　

ｔｏａｄｅｓｋｔｏｐｃｏｍｐｕｔｅｒｔｈｒｏｕｇｈＷｉＦｉ．ＴｈｅｄａｔａｃｏｌｌｅｃｔｉｏｎｐｒｏｇｒａｍｆｏｒｔｈｅＰＤＡｉｓｗｒｉｔｔｅｎｉｎＶｉｓｕａｌＣ＋＋ａｎｄｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｗｒｉｔｔｅｎｉｎＭＡＴＬＡＢ．Ｉｎｔｈｅｅｘｐｅｒｉｍｅｎｔｓ，ｗｅｄｅｆｉｎｅｔｈｅｆｏｌｌｏｗｉｎｇｆｉｖｅｇｅｓｔｕｒｅｓａｓｓｈｏｗｎｉｎＦｉｇｕｒｅ９：　Ｔｙｐｅ１：ｗａｖｉｎｇｈａｎｄｂａｃｋｗａｒｄｆｏｒ“ｃｏｍｅｈｅｒｅ”；　Ｔｙｐｅ２：ｗａｖｉｎｇｌｅｆｔａｎｄｒｉｇｈｔｆｏｒ“ｇｏａｗａｙ”；　Ｔｙｐｅ３：ｐｏｉｎｔｉｎｇｆｏｒｗａｒｄｆｏｒ“ｇｏｆｅｔｃｈｉｎｇ”；　Ｔｙｐｅ４：ｔｕｒｎｉｎｇｃｌｏｃｋｗｉｓｅｆｏｒ“ｓｉｔｄｏｗｎ”，ａｎｄ　Ｔｙｐｅ５：ｔｕｒｎｉｎｇｃｏｕｎｔｅｒｃｌｏｃｋｗｉｓｅｆｏｒ“ｓｔａｎｄｕｐ”．

Ｆｉｇ．８　Ｔｈｅｐｒｏｔｏｔｙｐｅｏｆｔｈｅｗｅａｒａｂｌｅｓｅｎｓｏｒｓｙｓｔｅｍｆｏｒｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ

Ｆｉｇ．９　Ｔｈｅｈａｎｄｇｅｓｔｕｒｅｓｆｏｒｔｈｅｆｉｖｅｃｏｍｍａｎｄｓ

　Ｗｅｈａｖｅ３ｅｘｐｅｒｉｍｅｎｔｅｒｓａｎｄｈａｖｅｒｅｃｏｒｄｅｄ３０ｓｅｔｓｏｆｄａｔａｆｏｒｔｒａｉｎｉｎｇａｎｄ３０ｓｅｔｓｏｆｔｅｓｔｉｎｇｓｅｑｕｅｎｃｅ，ｅａｃｈｏｆｗｈｉｃｈｉｓａｓｅｑｕｅｎｃｅｃｏｎｓｉｓｔｉｎｇｏｆ２０ｇｅｓｔｕｒｅｓ．Ｉｎｔｈｅｅｘｐｅｒｉｍｅｎｔｓ，ｗｅｆｏｌｌｏｗｅｄｔｈｒｅｅｓｔｅｐｓ．　Ｓｔｅｐ１：Ｒｅｐｅａｔｅｄｌｙｐｅｒｆｏｒｍｇｅｓｔｕｒｅｔｙｐｅ１ｆｏｒ１５ｔｉｍｅｓａｎｄｔａｋｅａ５ｓｅｃｏｎｄｂｒｅａｋ．Ｃｏｎｔｉｎｕｅｐｅｒｆｏｒｍｉｎｇｔｈｅｒｅｓｔｔｙｐｅｓｆｏｌｌｏｗｉｎｇｔｈｅｓａｍｅｐａｔｔｅｒｎｕｎｔｉｌｔｙｐｅ５ｉｓｄｏｎｅ．Ｌａｂｅｌｅａｃｈｇｅｓｔｕｒｅａｎｄｒｅｃｏｒｄｄａｔａｏｎａｆｉｌｅ．　Ｓｔｅｐ２：Ｐｅｒｆｏｒｍａｓｅｑｕｅｎｃｅｏｆ２０ｇｅｓｔｕｒｅｓｗｉｔｈａｂｒｅａｋｏｆａｔｌｅａｓｔ３ｓｅｃｏｎｄｓｂｅｔｗｅｅｎｇｅｓｔｕｒｅｓ．Ｔｈｅｇｅｓｔｕｒｅｓｍｉｍｉｃａｒｅａｌｗｏｒｌｄｓｃｅｎａｒｉｏｏｆｉｎｔｅｒａｃｔｉｎｇｗｉｔｈａｒｏｂｏｔ．　Ｓｔｅｐ３：Ｐｒｏｃｅｓｓｔｈｅｔｒａｉｎｉｎｇｄａｔａａｎｄｔｅｓｔｄａｔａ．Ｆｉｒｓｔ，ｔｒａｉｎｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｄｉｓｔｉｎｇｕｉｓｈｇｅｓｔｕｒｅｓｆｒｏｍｄａｉｌｙｎｏｎｇｅｓｔｕｒｅｍｏｖｅｍｅｎｔｓ．Ｓｅｃｏｎｄ，ｕｓｅｅａｃｈｂｌｏｃｋｏｆｔｒａｉｎｉｎｇｄａｔａｔｏｔｒａｉｎｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭｓ．

Ｔｏｔｒａｄｅｏｆｆｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙｗｉｔｈｅｆｆｉｃｉｅｎｃｙａｎｄａｃｃｕｒａｃｙ，ｔｈｅｎｕｍｂｅｒｏｆｓｔａｔｅｓｉｎｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭｉｓ２０，ａｎｄｔｈｅｎｕｍｂｅｒｏｆｄｉｓｔｉｎｃｔｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｓｉｓ２０．Ｔｈｉｒｄ，ｕｓｅｔｈｅｔｒａｉｎｅｄＨＭＭｓｔｏｒｅｃｏｇｎｉｚｅｉｎｄｉｖｉｄｕａｌｃｏｍｍａｎｄｓｉｎｔｈｅｔｅｓｔｄａｔａ．Ｔｈｅｏｕｔｐｕｔｏｆｅａｃｈｔｅｓｔｉｓａｓｅｑｕｅｎｃｅｏｆｒｅｃｏｇｎｉｚｅｄｃｏｍｍａｎｄｓ．Ｆｉｎａｌｌｙ，ｔｈｅＶｉｔｅｒｂｉａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｐｒｏｄｕｃｅｔｈｅｍｏｓｔｌｉｋｅｌｙｕｎｄｅｒｌｙｉｎｇｃｏｍｍａｎｄｓｅｑｕｅｎｃｅｂａｓｅｄｏｎｔｈｅｇｉｖｅｎｕｐｐｅｒｌｅｖｅｌＨＭＭｐａｒａｍｅｔｅｒｓ．４１２　ＥｖａｌｕａｔｉｏｎｏｆｔｈｅＮＮｂａｓｅｄｓｅｇｍｅｎｔａｔｉｏｎ　ＴｈｅｆｉｒｓｔａｎｄｔｈｅｓｅｃｏｎｄｌａｙｅｒｓｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋａｒｅｔｒａｉｎｅｄｕｓｉｎｇＭＡＴＬＡＢ ＮｅｕｒａｌＮｅｔｗｏｒｋＴｏｏｌｂｏｘ［４０］．Ｔｈｅｉｎｉｔｉａｌｖａｌｕｅｓｏｆｔｈｅｗｅｉｇｈｔｓａｎｄｂｉａｓｅｓａｒｅｒａｎｄｏｍｌｙｓｅｌｅｃｔｅｄ．Ｄｉｆｆｅｒｅｎｔｉｎｉｔｉａｌｖａｌｕｅｓｌｅａｄｔｏｄｉｆｆｅｒｅｎｔｐｅｒｆｏｒｍａｎｃｅｓ．Ｉｆｔｈｅｐｅｒｆｏｒｍａｎｃｅｄｏｅｓｎｏｔｒｅａｃｈｔｈｅｇｏａｌ，ｔｈｅｔｒａｉｎｉｎｇｐｈａｓｅｈａｓｔｏｂｅｒｅｓｔａｒｔｅｄ．Ｆｉｇｕｒｅ１０ｓｈｏｗｓｇｏｏｄａｎｄｂａｄｔｒａｉｎｉｎｇｒｅｓｕｌｔｓｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｏｎｌｙｗｈｅｎｔｈｅｐｅｒｆｏｒｍａｎｃｅｒｅａｃｈｅｓｔｈｅｇｏａｌ，ａｓｓｈｏｗｎｉｎｔｈｅｌｅｆｔｈａｌｆｏｆＦｉｇｕｒｅ１０，ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋａｃｈｉｅｖｅｓａｄｅｑｕａｔｅａｃｃｕｒａｃｙ．Ｈｏｗｅｖｅｒ，ｉｆｔｈｅｔｒａｉｎｉｎｇｇｏａｌｈａｓｎｏｔｂｅｅｎｍｅｔ，ｔｈｅｒｅａｒｅｍｏｒｅｅｒｒｏｒｓｉｎｔｈｅｓｅｇｍｅｎｔａｔｉｏｎａｓｃａｎｂｅｓｅｅｎｉｎｔｈｅｒｉｇｈｔｈａｌｆｏｆＦｉｇｕｒｅ１０．４１３　Ｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔ

Ｔｈｅｐａｒａｍｅｔｅｒｓ（Ａ，Ｂ，π）ｏｆｔｈｅｕｐｐｅｒｌｅｖｅｌＨＭＭ ａｒｅｏｂｔａｉｎｅｄｂｙｏｂｓｅｒｖｉｎｇｔｈｅｈｕｍａｎｓｕｂｊｅｃｔｉｎｔｅｒａｃｔｉｎｇｗｉｔｈｔｈｅｒｏｂｏｔｆｏｒａｓｕｓｔａｉｎｅｄｐｅｒｉｏｄｏｆｔｉｍｅ．ＴｈｅｔｒａｎｓｉｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｒｉｘＡｉｓｏｂｔａｉｎｅｄｂｙｏｂｓｅｒｖｉｎｇｔｈｅｕｓｅｒ’ｓｌｏｎｇｔｅｒｍｇｅｓｔｕｒｅｓｅｑｕｅｎｃｅａｎｄｃａｌｃｕｌａｔｉｎｇｔｈｅｔｒａｎｓｉｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｂｅｔｗｅｅｎｔｗｏｇｅｓｔｕｒｅｓ，ｗｈｉｃｈｃａｎｂｅｄｉｆｆｅｒｅｎｔｆｒｏｍｐｅｒｓｏｎｔｏｐｅｒｓｏｎ．Ｆｏｒｅｘａｍｐｌｅ，ｔｈｅｔｒａｎｓｉｔｉｏｎｍａｔｒｉｘＡｆｏｒｏｎｅｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔｅｒｉｓ：Ａ＝｛ａｉｊ｝＝０．００８５ ０．４９２７ ０．０９９０ ０．３９９１ ０．０００７０．５８４９ ０．３９８２ ０．００８５ ０．００６１ ０．００２３０．４９５９ ０．４９３７ ０．００５７ ０．００３５ ０．００１２０．００２６ ０．２９７４ ０．３９８４ ０．００５０ ０．２９６６０．００７９ ０．２９６３ ０．３９４６ ０．２９８８ ０．

００２４

．

　ＴｈｅｏｂｓｅｒｖａｔｉｏｎｓｙｍｂｏｌｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｍａｔｒｉｘＢｉｓｅｑｕｉｖａｌｅｎｔｔｏｔｈｅａｃｃｕｒａｃｙｍａｔｒｉｘｏｆｓｌｉｄｉｎｇｗｉｎｄｏｗｓｏｆｅａｃｈｉｎｄｉｖｉｄｕａｌｇｅｓｔｕｒｅｂｅｆｏｒｅｖｏｔｉｎｇｉｎｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭ，ｗｈｉｃｈｃａｎｂｅｏｂｔａｉｎｅｄｆｒｏｍｔｈｅｉｎｄｉｖｉｄｕａｌｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ．Ｆｏｒｅｘａｍｐｌｅ，ｔｈｅｍａｔｒｉｘＢｆｏｒｏｎｅｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔｅｒｉｓ：

　４６　　　 山　东　大　学　学　报　（工　学　版） 第４０卷　

Ｆｉｇ．１０　ＴｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅＮＮｂａｓｅｄｇｅｓｔｕｒｅｓｐｏｔｔｉｎｇ

Ｆｉｇ．１１　ＨＭＭｔｒａｉｎｉｎｇｐｈａｓｅｌｉｋｅｌｉｈｏｏｄｖｓｉｔｅｒａｔｉｏｎｔｉｍｅｓ

Ｂ＝｛ｂｉｊ｝＝０６４３４ ０３０４７ ００１２２ ００３８４ ０００１３００１３７ ０９６１０ ０００７４ ００１２３ ０００５６０００２４ ０１０３２ ０８８４６ ０００５２ ０００４６０１４５０ ００５７５ ００４２８ ０７５４６ ００００１

００９５０ ０２４１４ ０００５５ ０００９０ ０６４９１

．

　Ｗｅｓｅｔｔｈｅｉｎｉｔｉａｌｓｔａｔｅｄｉｓｔｒｉｂｕｔｉｏｎｔｏｂｅａｕｎｉｆｏｒｍｄｉｓｔｒｉｂｕｔｉｏｎｔｏｒｅｆｌｅｃｔｔｈｅｆａｃｔｔｈａｔｎｏｐｒｅｆｅｒｅｎｃｅｗｉｌｌｂｅｇｉｖｅｎｔｏａｓｐｅｃｉｆｉｃｃｏｍｍａｎｄ．　ＩｎｔｈｅＨＭＭｔｒａｉｎｉｎｇｐｈａｓｅ，ｎｅｗｐａｒａｍｅｔｅｒｓａｒｅｒｅｃａｌｃｕｌａｔｅｄｂｙｔｈｅｒｅｅｓｔｉｍａｔｉｏｎｆｏｒｍｕｌａｅ［３８］ａｔｅａｃｈｉｔｅｒａｔｉｏｎ．Ｔｈｅｎ，ｔｈｅｌｉｋｅｌｉｈｏｏｄｏｆｔｈｅｄａｔａｉｓｃａｌｃｕｌａｔｅｄ

ｗｉｔｈｔｈｅｎｅｗｌｙｅｓｔｉｍａｔｅｄｐａｒａｍｅｔｅｒｓ．Ｆｉｇｕｒｅ１１ｓｈｏｗｓｔｈａｔｔｈｅｌｏｇｌｉｋｅｌｉｈｏｏｄｖａｌｕｅｓｏｆｔｈｅｄａｔａｏｆｄｉｆｆｅｒｅｎｔｇｅｓｔｕｒｅｓｖｓ．ｔｈｅｉｔｅｒａｔｉｏｎｎｕｍｂｅｒ．Ｗｈｅｎｔｈｅｎｕｍｂｅｒｏｆｉｔｅｒａｔｉｏｎｉｓｇｒｅａｔｅｒｔｈａｎ１５，ｔｈｅｌｉｋｅｌｉｈｏｏｄｃｏｎｖｅｒｇｅｓｔｏａｓｔａｂｌｅｖａｌｕｅ．Ｔｈｅｒｅｆｏｒｅ，ｉｎｏｕｒｅｘｐｅｒｉｍｅｎｔｓ，ｗｅｃｈｏｓｅ１５ｉｔｅｒａｔｉｏｎｓ．　Ｆｉｇｕｒｅ１２ｓｈｏｗｓｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｏｆｏｎｅｓｅｔｏｆｔｅｓｔｉｎｇｄａｔａ．Ｉｎ（ａ），ｔｈｅ３Ｄａｃｃｅｌｅｒａｔｉｏｎｆｒｏｍｔｈｅｓｅｎｓｏｒｉｎｄｉｃａｔｅｓ２０ｇｅｓｔｕｒｅｓ．Ｉｎ（ｂ），ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｈｅｌｐｓｔｏｓｐｏｔｔｈｅｇｅｓｔｕｒｅｓ．Ｉｎ（ｃ），ｗｈｅｎｔｈｅｌｏｗｅｒｌｅｖｅｌＨＭＭｓａｒｅａｐｐｌｉｅｄ，ｔｈｅｒｅａｒｅｓｏｍｅｅｒｒｏｒｓａｔｔｈｅｐｏｉｎｔｏｆａ，ｂ，ｃ，ｄ，ｅ，ａｎｄｆ．Ｉｎ（ｄ），ａｆｔｅｒｃｏｎｓｉｄｅｒｉｎｇｔｈｅｃｏｎｔｅｘｔｉｎｆｏｒｍａｔｉｏｎ，ｔｈｅｅｒｒｏｒｓａｔｔｈｅｐｏｉｎｔｏｆｂ，ｃ，ａｎｄｆａｒｅｃｏｒｒｅｃｔｅｄｂｙｔｈｅＢａｙｅｓｉａｎｆｉｌｔｅｒｉｎｇｉｎｔｈｅｕｐｐｅｒｌｅｖｅｌ．Ｆｏｒｔｈｅｖｉｄｅｏｃｌｉｐｓｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔｓ，ｐｌｅａｓｅｇｏｔｏｔｈｅｆｏｌｌｏｗｉｎｇｌｉｎｋ：　ｈｔｔｐ：／／ａｓｃｃ．ｏｋｓｔａｔｅ．ｅｄｕ／ｐｒｏｊｅｃｔｓｃｈｕｎ．ｈｔｍｌ　Ｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｒｅｃｏｇｎｉｔｉｏｎｉｓｅｖａｌｕａｔｅｄｂｙｃｏｍｐａｒｉｎｇｔｈｅｒｅｓｕｌｔｗｉｔｈｔｈｅｇｒｏｕｎｄｔｒｕｔｈ．ＴｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅＨＭＭｂａｓｅｄａｎｄＨＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎｉｓｌｉｓｔｅｄｉｎＴａｂｌｅｓ２ａｎｄ３，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｖａｌｕｅｓｉｎｂｏｌｄａｒｅｔｈｅｐｅｒｃｅｎｔａｇｅｓｏｆｔｈｅｃｏｒｒｅｃｔ

　第３期 ＳＨＥＮＧＷｅｉｈｕａ，ｅｔａｌ：Ａｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇａｐｐｒｏａｃｈｆｏｒｈａｎｄｇｅｓｔｕｒｅａｎｄｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｉｎｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ ４７　　　 　

ｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｏｒｒｅｓｐｏｎｄｉｎｇｔｏｔｈｅｓｐｅｃｉｆｉｃｇｅｓｔｕｒｅｓ．Ｏｔｈｅｒｎｕｍｂｅｒｓｉｎｄｉｃａｔｅｔｈｅｐｅｒｃｅｎｔａｇｅｓｏｆｗｒｏｎｇｃｌａｓｓｉｆｉｃａｔｉｏｎｓ．ＩｔｉｓｏｂｖｉｏｕｓｔｈａｔｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＨＨＭＭｉｓｍｕｃｈｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆｉｎｄｉｖｉｄｕａｌＨＭＭｓｏｎｌｙ．

Ｆｉｇ．１２　ＴｈｅｒｅｓｕｌｔｓｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌｓ

Ｔａｂｌｅ２　ＴｈｅａｃｃｕｒａｃｙｏｆＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎＧｒｏｕｎｄｔｒｕｔｈ

Ｄｅｃｉｓｉｏｎｔｙｐｅ１ ２ ３ ４ ５

Ａｃｃｕｒａｃｙ

１ ０．８９２９０．０３５７０．０７１４０．０００００．００００ ０．８９２９２ ０．１０３４０．８０７６０．０３４５０．０００００．０３４５ ０．８２４６３ ０．１２９００．０９６８０．７７４２０．０００００．００００ ０．７７４２４ ０．６４５２０．０３２３０．０６４５０．２５８１０．００００ ０．２５８１５ ０．０７６００．０００００．０７６００．０００００．８４６２ ０．８４６２

Ｔａｂｌｅ３　ＴｈｅａｃｃｕｒａｃｙｏｆＨＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎＧｒｏｕｎｄｔｒｕｔｈ

Ｄｅｃｉｓｉｏｎｔｙｐｅ１ ２ ３ ４ ５

Ａｃｃｕｒａｃｙ

１ ０．９２８６０．０３５７０．０３５７０．０００００．００００ ０．９２８６２ ０．０６９００．８６２１０．０００００．０３４５０．０３４５ ０．８６２１３ ０．０６０６０．０６０６０．８７８８０．０００００．００００ ０．８７８８４ ０．１６１３０．０６４５０．０３２３０．７４１９０．００００ ０．７４１９５ ０．０７６９０．０００００．０７６９０．０００００．８４６２ ０．８４６２

４２　Ｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ　Ｉｎｔｈｉｓｓｅｃｔｉｏｎ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｅｔｕｐａｎｄｐｒｏｃｅｓｓｆｏｒｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎａｒｅｉｎｔｒｏｄｕｃｅｄａｎｄｔｈｅｒｅｓｕｌｔｓａｒｅｄｅｓｃｒｉｂｅｄ．４２１　Ｅｘｐｅｒｉｍｅｎｔｓｅｔｕｐａｎｄｐｒｏｃｅｓｓ　Ｆｏｒｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ，ｗｅｕｓｅｔｗｏｉｎｅｒｔｉａｌｓｅｎｓｏｒｓ．ＴｈｅｅｘｐｅｒｉｍｅｎｔｓｅｔｕｐｉｓｓｈｏｗｎｉｎＦｉｇｕｒｅ１３．ＢｏｔｈｉｎｅｒｔｉａｌｓｅｎｓｏｒｓａｒｅｃｏｎｎｅｃｔｅｄｔｏａＰＤＡｔｈｒｏｕｇｈＲＳ４２２／ＲＳ２３２ｓｅｒｉａｌｃｏｎｖｅｒｔｅｒｓ．ＴｈｅＰＤＡｓｅｎｄｓｄａｔａｔｏａｄｅｓｋｔｏｐｃｏｍｐｕｔｅｒｔｈｒｏｕｇｈＷｉＦｉ．Ｉｎｏｕｒｅｘｐｅｒｉｍｅｎｔｓ，ｒｅｇｕｌａｒｄａｉｌｙａｃｔｉｖｉｔｉｅｓｗｅｒｅｐｅｒｆｏｒｍｅｄ：ｓｔａｎｄｉｎｇ，ｓｉｔｔｉｎｇ，ｗａｌｋｉｎｇｌｅｖｅｌ，ｗａｌｋｉｎｇｕｐｓｔａｉｒｓ，ｗａｌｋｉｎｇｄｏｗｎｓｔａｉｒｓ，ｒｕｎｎｉｎｇ，ｓｌｅｅｐｉｎｇ，ｅｔｃ．Ｗｅｒｅｃｏｒｄｅｄ２０ｓｅｔｓｏｆｄａｔａｆｏｒｔｈｅｔｒａｉｎｉｎｇｐｕｒｐｏｓｅ

ａｎｄ３０ｓｅｔｓｆｏｒｔｈｅｔｅｓｔｉｎｇｐｕｒｐｏｓｅ．

Ｆｉｇ．１３　Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｅｔｕｐｆｏｒｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ

４２２　Ｅｖａｌｕａｔｉｏｎｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｃｏａｒｓｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ

　ＴｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓＮＮｗｆｏｒｔｈｅｗａｉｓｔａｎｄＮＮｆｆｏｒｔｈｅｆｏｏｔａｒｅｔｒａｉｎｅｄｓｅｐａｒａｔｅｌｙｗｉｔｈｔｈｅｄａｔａｃｏｌｌｅｃｔｅｄｂｙｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｓｅｎｓｏｒｓ．Ｆｉｇｕｒｅ１４ｓｈｏｗｓｇｏｏｄｔｒａｉｎｉｎｇｒｅｓｕｌｔｓｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｗｈｅｎｔｈｅｐｅｒｆｏｒｍａｎｃｅｒｅａｃｈｅｓｔｈｅｇｏａｌ，ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｃａｎａｃｈｉｅｖｅａｄｅｑｕａｔｅａｃｃｕｒａｃｙａｎｄｏｎｌｙａｆｅｗｅｒｒｏｒｓａｒｅｏｂｓｅｒｖｅｄａｒｏｕｎｄｔｈｅｅｄｇｅｓｏｆｔｈｅｂｌｏｃｋｓ．４２３　Ｅｖａｌｕａｔｉｏｎｏｆｔｈｅｆｉｎｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ｂａｓｅｄｏｎｔｈｅｒｅｓｕｌｔｓｏｆｔｈｅｃｏａｒｓｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｈｅｕｒｉｓｔｉｃｄｉｓｃｒｉｍｉｎａｔｉｏｎｍｏｄｕｌｅｏｒｔｈｅＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎｍｏｄｕｌｅｗｉｌｌｂｅａｐｐｌｉｅｄｆｏｒｆｉｎｅｇｒａｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｏｕｒｔｅｓｔｓｓｈｏｗｔｈａｔｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｈｅｕｒｉｓｔｉｃｄｉｓｃｒｉｍｉｎａｔｉｏｎｍｏｄｕｌｅｉｓｖｅｒｙｈｉｇｈ（９８３％）．ＴｈｅＨＭＭ ｍｏｄｕｌｅｉｓｓｗｉｔｃｈｅｄｏｎｗｈｅｎｔｈｅｒｅｉｓａｓｔｒｏｎｇｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｙ．Ａｓｌｉｄｉｎｇｗｉｎｄｏｗｍｏｖｅｓａｌｏｎｇｔｈｅｓｅｇｍｅｎｔｅｄｄａｔａｗｉｔｈａｌｅｎｇｔｈｏｆ１ｓｅｃｏｎｄａｎｄｓｔｅｐｌｅｎｇｔｈｏｆ０２ｓｅｃｏｎｄ．Ｔｈｅｏｕｔｐｕｔｉｓａｓｅｑｕｅｎｃｅｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｄｅｃｉｓｉｏｎｓ．Ｔｈｅｎ，ａｍａｊｏｒｉｔｙｖｏｔｉｎｇｆｕｎｃｔｉｏｎｆｏｌｌｏｗｓｔｏｐｒｏｄｕｃｅａｓｉｎｇｌｅｄｅｃｉｓｉｏｎｆｏｒｅａｃｈｗｉｎｄｏｗ．　Ｆｉｇｕｒｅ１５ｓｈｏｗｓｔｈｅａｃｃｅｌｅｒａｔｉｏｎｏｆｔｈｅｗａｉｓｔｓｅｎｓｏｒ（ｔｈｅｔｏｐｆｉｇｕｒｅ），ａｎｄｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｇｒｏｕｎｄｔｒｕｔｈ（ｔｈｅｂｏｔｔｏｍｆｉｇｕｒｅ）．Ｉｎｔｈｅｔｏｐｆｉｇｕｒｅ，ｔｈｅ３Ｄａｃｃｅｌｅｒａｔｉｏｎｆｒｏｍｔｈｅｓｅｎｓｏｒｉｎｄｉｃａｔｅｓｗｈｅｎｃｙｃｌｉｃ，ｔｒａｎｓｉｔｉｏｎａｌ，ａｎｄｓｔａｔｉｏｎａｒｙａｃｔｉｖｉｔｉｅｓａｐｐｅａｒ．Ｉｎｔｈｅｂｏｔｔｏｍｆｉｇｕｒｅｔｈｅｒｅａｒｅｓｏｍｅｍｉｓｃｌａｓｓｉｆｉｃａｔｉｏｎｓｉｎｄｉｃａｔｅｄｉｎｔｈｅｃｉｒｃｌｅｄａｒｅａｓ．ＴｈｅｔｗｏｃｉｒｃｌｅｓｏｎｔｈｅｂｏｔｔｏｍｆｉｇｕｒｅｓｈｏｗｔｈａｔｔｈｅｅｒｒｏｒｓａｒｅｃａｕｓｅｄｂｙｔｈｅＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒ

　４８　　　 山　东　大　学　学　报　（工　学　版） 第４０卷　

ｔｈｅｓｔｒｏｎｇｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｉｅｓ．ＴｈｅＨＭＭｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｓｏｎｔｈｅｔｅｓｔｉｎｇｄａｔａａｆｔｅｒｔｈｅｍａｊｏｒｉ

ｔｙｖｏｔｉｎｇｆｕｎｃｔｉｏｎａｒｅｓｈｏｗｎｉｎＴａｂｌｅ４．ＴｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｓｓｈｏｗｎｉｎＴａｂｌｅ４．

Ｌｅｆｔ：ｔｈｅｐｅｒｆｏｒｍａｎｃｅｇｏａｌｏｆｔｈｅｆｏｏｔｓｅｎｓｏｒｉｓｍｅｔ，ａｃｃｕｒａｃｙ＝９８．４０％；Ｒｉｇｈｔ：ｔｈｅｐｅｒｆｏｒｍａｎｃｅｇｏａｌｏｆｔｈｅｗａｉｓｔｓｅｎｓｏｒｉｓｍｅｔ，ａｃｃｕｒａｃｙ＝９４．６１％．

Ｆｉｇ．１４　ＴｈｅｔｒａｉｎｉｎｇｒｅｓｕｌｔｓｏｆｔｈｅＮＮｂａｓｅｄｓｅｇｍｅｎｔａｔｉｏｎｆｏｒｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ

Ｆｉｇ．１５　Ｔｈｅｆｉｎａｌｒｅｓｕｌｔｓｏｆｔｈｅｄａｉｌｙａｃｔｉｖｉｔｙｃｌａｓｓｉｆｉｃａｔｉｏｎ

Ｔａｂｌｅ４　Ｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｂｔａｉｎｅｄｆｒｏｍｔｈｅｔｅｓｔｉｎｇｄａｔａ

Ａｃｔｉｖｉｔｙｔｙｐｅ

ＨＭＭｄｅｃｉｓｉｏｎｔｙｐｅ

Ｗａｌｋｉｎｇ Ｗａｌｋｉｎｇｄｏｗｎｓｔａｉｒｓ

Ｗａｌｋｉｎｇｕｐｓｔａｉｒｓ Ｒｕｎｎｉｎｇ

Ａｃｃｕｒａｃｙ

Ｗａｌｋｉｎｇ ０．９０３０ ０．０５８１ ０．０３６０ ０．００２９ ０．０９３０

Ｗａｌｋｉｎｇｄｏｗｎｓｔａｉｒｓ０．０４７８ ０．９２５０ ０．０２７０ ０．００２０ ０．９２５０

Ｗａｌｋｉｎｇｕｐｓｔａｉｒｓ ０．０７５９ ０．０２８９ ０．８９１５ ０．００３７ ０．８９１５

Ｒｕｎｎｉｎｇ ０．０９０１ ０．０１２０ ０．０２７８ ０．８７０２ ０．８７０１

　第３期 ＳＨＥＮＧＷｅｉｈｕａ，ｅｔａｌ：Ａｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇａｐｐｒｏａｃｈｆｏｒｈａｎｄｇｅｓｔｕｒｅａｎｄｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｉｎｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ ４９　　　 　

５　Ｃｏｎｃｌｕｓｉｏｎｓ

　Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅｉｎｔｒｏｄｕｃｅｄａｓｍａｒｔａｓｓｉｓｔｅｄｌｉｖｉｎｇｓｙｓｔｅｍｆｏｒｅｌｄｅｒｌｙｐｅｏｐｌｅ，ｐａｔｉｅｎｔｓ，ａｎｄｔｈｅｄｉｓａｂｌｅｄ．ＴｈｅｒｏｌｅｏｆｒｏｂｏｔｓｉｓｔｈｅｃｏｍｐｕｔａｔｉｏｎｐｌａｔｆｏｒｍａｎｄｔｈｅｓｅｒｖｉｃｅｐｒｏｖｉｄｅｒｉｎｔｈｅＳＡＩＬｓｙｓｔｅｍ．Ｔｈｅｃｏｍｐａｎｉｏｎｒｏｂｏｔｃａｎｉｎｆｅｒｔｈｅｈｕｍａｎｉｎｔｅｎｔｉｏｎｓａｎｄｃｏｎｄｉｔｉｏｎｓｆｒｏｍｔｈｅｓｅｎｓｏｒｄａｔａａｎｄｍａｋｅｃｏｒｒｅｓｐｏｎｄｉｎｇｒｅａｃｔｉｏｎｓ．ＴｏｒｅａｌｉｚｅｎａｔｕｒａｌＨＲＩｉｎｓｕｃｈａＳＡＩＬｓｙｓｔｅｍ，ｗｅｐｒｏｐｏｓｅｄ（１）ａｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｇｅｓｔｕｒｅｓｐｏｔｔｉｎｇａｎｄａｎＨＨＭＭｂａｓｅｄｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｅｌｄｅｒｌｙｐｅｏｐｌｅｗｈｏｓｕｆｆｅｒｆｒｏｍｐｒｏｂｌｅｍｓｗｉｔｈｓｐｅｅｃｈ，ａｎｄ（２）ａｍｕｌｔｉｓｅｎｓｏｒｆｕｓｉｏｎｂａｓｅｄｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍ．ＢｏｔｈｏｆｔｈｅｍａｒｅｂａｓｅｄｏｎｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｔｈｅｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌｓ．Ｃｏｍｐａｒｅｄｔｏｏｔｈｅｒｓｉｍｉｌａｒｓｏｌｕｔｉｏｎｓ，ｏｕｒａｌｇｏｒｉｔｈｍｓｃａｎｒｅａｌｉｚｅａｕｔｏｎｏｍｏｕｓｒｅｃｏｇｎｉｔｉｏｎｏｆｈａｎｄｇｅｓｔｕｒｅｓａｎｄｄａｉｌｙａｃｔｉｖｉｔｉｅｓｉｎｒｅａｌｔｉｍｅ．ＴｈｅａｌｇｏｒｉｔｈｍｓａｒｅｌｉｇｈｔｗｅｉｇｈｔａｎｄｒｅｓｏｕｒｃｅａｗａｒｅｓｉｎｃｅｔｈｅＨＭＭｍｏｄｕｌｅｓａｒｅｔｒｉｇｇｅｒｅｄｏｎｌｙｗｈｅｎｔｈｅｒｅｉｓａｇｅｓｔｕｒｅｉｎｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎｏｒｗｈｅｎｔｈｅｒｅｉｓａｓｔｒｏｎｇｄｉｓｐｌａｃｅｍｅｎｔａｃｔｉｖｉｔｙｉｎｈｕｍａｎｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｅｒｅｆｏｒｅｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｃｏｓｔｉｓｒｅｄｕｃｅｄ，ｗｈｉｃｈｉｓｉｍｐｏｒｔａｎｔｆｏｒｅｍｂｅｄｄｅｄｃｏｍｐｕｔｉｎｇｓｙｓｔｅｍｓ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｆｏｒｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ，ａｎＨＨＭＭｉｓｕｓｅｄｔｏｍｏｄｅｌｔｈｅｓｅｑｕｅｎｔｉａｌｃｏｎｓｔｒａｉｎｔｓｉｎｔｈｅｇｅｓｔｕｒｅｓ，ｗｈｉｃｈｉｎｃｒｅａｓｅｓｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙ．Ｆｏｒｄａｉｌｙａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ，ｔｈｅｍｕｌｔｉｓｅｎｓｏｒｆｕｓｉｏｎｓｃｈｅｍｅｃａｎｉｎｃｒｅａｓｅｔｈｅｔｙｐｅｓｏｆｄａｉｌｙａｃｔｉｖｉｔｉｅｓｔｏｂｅｒｅｃｏｇｎｉｚｅｄ．Ｉｎｔｈｅｆｕｔｕｒｅ，ｗｅｗｉｌｌｍｏｄｉｆｙａｎｄｉｍｐｌｅｍｅｎｔｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｓｏｎａｒｅａｌｒｏｂｏｔｉｎｒｅａｌｔｉｍｅ．

Ｒｅｆｅｒｅｎｃｅｓ：

［１］ＢａｂｙｂｏｏｍｅｒｃａｒｅｔａｋｅｒＣｏ．Ｌｔｄ．Ｂａｂｙｂｏｏｍｅｒｓａｇｉｎｇｎｅｅｄｓ［ＥＢ／ＯＬ］．［２００８１０２２］．ｗｗｗ．ｂａｂｙｂｏｏｍｅｒｃａｒｅｔａｋｅｒ．ｃｏｍ／ｂａｂｙｂｏｏｍｅｒ／ｉｎｄｅｘ．ｈｔｍｌ．

［２］ＨＡＩＧＨＫＺ，ＹＡＮＣＯＨ．Ａｕｔｏｍａｔｉｏｎａｓｃａｒｅｇｉｖｅｒ：ａｓｕｒｖｅｙｏｆｉｓｓｕｅｓａｎｄｔｅｃｈｎｏｌｏｇｉｅｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＡＡＡＩ０２ＷｏｒｋｓｈｏｐｏｎＡｕｔｏｍａｔｉｏｎａｓＣａｒｅｇｉｖｅｒ．Ｅｄｍｏｎｔｏｎ，Ｃａｎａｄａ：［ｓ．ｎ．］，２００２：３９５３．

［３］ＨＡＡＳＣＨＡ，ＨＯＨＥＮＮＥＲＳ，ＨＵＷＥＩＳ，ｅｔａｌ．Ｂｉｒｏｎｔｈｅｂｉｅｌｅｆｅｌｄｒｏｂｏｔｃｏｍｐａｎｉｏｎ［Ｃ］／／ＰｒｏｃＩｎｔＷｏｒｋｓｈｏｐｏｎＡｄｖａｎｃｅｓｉｎＳｅｒｖｉｃｅＲｏｂｏｔｓ．［Ｓ．ｌ］：［ｓ．ｎ．］，２００４：２７３２．　　

［４］ＦＲＩＴＳＣＨＪ，ＫＬＥＩＥＨＡＧＥＮＢＲＯＣＫＭ，ＨＡＡＳＣＨＡ．，ｅｔａｌ．ＡｆｌｅｘｉｂｌｅｉｎｆｒａｓｔｒｕｃｔｕｒｅｆｏｒｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆａｒｏｂｏｔｃｏｍｐａｎｉｏｎｗｉｔｈｅｘｔｅｎｓｉｂｌｅＨＲＩｃａｐａｂｉｌｉｔｉｅｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＲｏｂｏｔｉｃｓａｎｄＡｕｔｏｍａｔｉｏｎ．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ：ＩＥＥＥＰｒｅｓｓ，２００５：３４１９３４２５．

［５］ＹＡＮＣＯＨＡ，ＤＲＵＲＹＪＬ．Ｃｌａｓｓｉｆｙｉｎｇｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ：ａｎｕｐｄａｔｅｄｔａｘｏｎｏｍｙ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＳｙｓｔｅｍｓ，ＭａｎａｎｄＣｙｂｅｒｎｅｔｉｃｓ．Ｈａｇｕｅ，Ｎｅｔｈｅｒｌａｎｄｓ：ＩＥＥＥＰｒｅｓｓ，２００４：２８４１２８４６．

［６］ＺＨＵＣ，ＳＵＮＷ，ＳＨＥＮＧＷ．Ｗｅａｒａｂｌｅｓｅｎｓｏｒｓｂａｓｅｄｈｕｍａｎｉｎｔｅｎｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｉｎｓｍａｒｔａｓｓｉｓｔｅｄｌｉｖｉｎｇｓｙｓｔｅｍｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｆｏｒｍａｔｉｏｎａｎｄＡｕｔｏｍａｔｉｏｎ．Ｚｈａｎｇｊｉａｊｉｅ，Ｃｈｉｎａ：ＩＥＥＥＰｒｅｓｓ，２００８：９５４９５９．

［７］ＺＨＵＣ，ＣＨＥＮＧＱ，ＳＨＥＮＧＷ．ＨｕｍａｎｉｎｔｅｎｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｉｎｓｍａｒｔａｓｓｉｓｔｅｄｌｉｖｉｎｇｓｙｓｔｅｍｓｕｓｉｎｇａｈｉｅｒａｒｃｈｉｃａｌｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｕｔｏｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ．Ａｒｌｉｎｇｔｏｎ，ＵＳＡ：ＩＥＥＥＰｒｅｓｓ，２００８：２５３２５８．

［８］ＹＡＮＧＧＺ，ＹＡＣＯＵＢＭ．Ｂｏｄｙｓｅｎｓｏｒｎｅｔｗｏｒｋｓ［Ｍ］．Ｂｅｒｌｉｎ，Ｇｅｒｍａｎｙ：Ｓｐｒｉｎｇｅｒ，２００６．

［９］ＺｉｇｂｅｅＡｌｌｉａｎｃｅ．Ｚｉｇｂｅｅｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓｅｒｖｉｃｅｓ［ＥＢ／ＯＬ］．［２００７０８０５］．ｈｔｔｐ：／／ｗｗｗ．ｚｉｇｂｅｅ．ｏｒｇ／ｅｎ／ｉｎｄｅｘ．ａｓｐ．

［１０］ＭＯＲＲＩＳＳＥＹＷ，ＺＡＪＩＣＥＫＭ．Ｒｅｍｅｍｂｅｒｉｎｇｈｏｗｔｏｕｓｅｔｈｅｉｎｔｅｒｎｅｔ：ａｎｉｎｖｅｓｔｉｇａｔｉｏｎｉｎｔｏｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｖｏｉｃｅｈｅｌｐｆｏｒｏｌｄｅｒａｄｕｌｔｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＨＣＩＩｎｔｅｒｎａｔｉｏｎａｌ，ＮｅｗＯｒｌｅａｎｓ，ＵＳＡ：［ｓ．ｎ．］：７００７０４．

［１１］ＣＺＡＪＡＳＪ．Ａｇｉｎｇａｎｄｔｈｅａｃｑｕｉｓｉｔｉｏｎｏｆｃｏｍｐｕｔｅｒｓｋｉｌｌｓ［Ｍ］／／ＲＯＧＥＲＳＷ Ａ，ＡＲＴＨＵＲＤＦ，ＷＡＬＫＥＲＮ．Ａｇｉｎｇａｎｄｓｋｉｌｌｅｄｐｅｒｆｏｒｍａｎｃｅ：Ａｄｖａｎｃｅｓｉｎｔｈｅｏｒｙａｎｄａｐｐｌｉｃａｔｉｏｎｓ．ＮｅｗＹｏｒｋ：ＰｓｙｃｈｏｌｏｇｙＰｒｅｓｓ，１９９６：２０１２２０．

［１２］ＹＡＮＣＯＨＡ，ＤＲＵＲＹＪＬ．Ａｔａｘｏｎｏｍｙｆｏｒｈｕｍａｎｒｏｂｏｔｉｎｔｅｒａｃｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＡＡＡＩ２００２ＦａｌｌＳｙｍｐｏｓｉｕｍ ｏｎＨｕｍａｎＲｏｂｏｔＩｎｔｅｒａｃｔｉｏｎ．ＭｅｎｌｏＰａｒｋ，Ｃａｌｉｆｏｒｎｉａ：ＡＡＡＩＰｒｅｓｓ，２００２：１１１１１９．

［１３］ＲＡＢＩＮＥＲＬＲ．Ａｔｕｔｏｒｉａｌｏｎｈｉｄｄｅｎｍａｒｋｏｖｍｏｄｅｌｓａｎｄｓｅｌｅｃｔｅｄａｐｐｌｉｃａｔｉｏｎｉｎｓｐｅｅｃｈｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＰｒｏｃｏｆｔｈｅＩＥＥＥ，１９８９，７７（２）：２６７２９６．

［１４］ＨＡＧＡＮＭ Ｔ，ＤＥＭＵＴＨＨＢ，ＢＥＡＬＥＭ Ｈ．Ｎｅｕｒａｌｎｅｔｗｏｒｋｄｅｓｉｇｎ［Ｍ］．Ｃｈｉｃａｇｏ：ＰＷＳＰｕｂｌｉｓｈｉｎｇＣｏｍｐａｎｙ，１９９６．

［１５］ＭＩＴＲＡＳ，ＡＣＨＡＲＹＡＴ．Ｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ：ａｓｕｒｖｅｙ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＳｙｓｔｅｍｓ，ＭａｎａｎｄＣｙｂｅｒｎｅｔｉｃｓ：ＰａｒｔＣ，２００７，２７（２）：３１１３２４．

［１６］ＬＥＥＣ，ＸＵＹ．Ｏｎｌｉｎｅ，ｉｎｔｅｒａｃｔｉｖｅｌｅａｒｎｉｎｇｏｆｇｅｓｔｕｒｅｓｆｏｒｈｕｍａｎ／ｒｏｂｏｔｉｎｔｅｒｆａｃｅ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＲｏｂｏｔｉｃｓａｎｄＡｕｔｏｍａｔｉｏｎ，

　５０　　　 山　东　大　学　学　报　（工　学　版） 第４０卷　

ｖｏｌｕｍｅ４．Ａｌｂｕｑｕｅｒｑｕｅ，ＮＭ：ＩＥＥＥＰｒｅｓｓ，１９９６：２９８２２９８７．

［１７］ＶＲＬＯＧＩＣＬＬＣ．ＣｙｂｅｒＧｌｏｖｅ［ＥＢ／ＯＬ］．［２００８１０２０］．ｈｔｔｐ：／／ｖｒｌｏｇｉｃ．ｃｏｍ／ｈｔｍｌ／ｉｍｍｅｒｓｉｏｎ／ｃｙｂｅｒｇｌｏｖｅ．ｈｔｍｌ．

［１８］ＨＵＹＮＨＴ，ＳＣＨＩＥＬＥＢ．Ａｎａｌｙｚｉｎｇｆｅａｔｕｒｅｓｆｏｒａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２００５ＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＳｍａｒｔＯｂｊｅｃｔｓａｎｄＡｍｂｉｅｎｔＩｎｔｅｌｌｉｇｅｎｃｅ：ＩｎｎｏｖａｔｉｖｅＣｏｎｔｅｘｔａｗａｒｅＳｅｒｖｉｃｅｓ：ＵｓａｇｅｓａｎｄＴｅｃｈｎｏｌｏｇｉｅｓ．Ｇｒｅｎｏｂｌｅ，Ｆｒａｎｃｅ：ｔｈｅＡＣＭＰｒｅｓｓ，２００５：１５９１６３．

［１９］ＯＫＡＲ．Ｓｐｏｔｔｉｎｇｍｅｔｈｏｄｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｒｅａｌｗｏｒｌｄｄａｔａ［Ｊ］．ＴｈｅＣｏｍｐｕｔｅｒＪｏｕｒｎａｌ，１９９８，４１（８）：５５９５６５．

［２０］ＲＡＭＡＭＯＯＲＴＨＹＡ，ＶＡＳＷＡＮＩＮ，ＣＨＡＵＤＨＵＲＹＳ，ｅｔａｌ．Ｒｅｃｏｇｎｉｔｉｏｎｏｆｄｙｎａｍｉｃｈａｎｄｇｅｓｔｕｒｅｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２００３，３６（９）：２０６９２０８１．

［２１］ＬＥＮＭＡＮＳ，ＢＲＥＴＺＮＥＲＬ，ＴＨＵＲＥＳＳＯＮＢ．Ｃｏｍｐｕｔｅｒｖｉｓｉｏｎｂａｓｅｄｈａｎｄｇｅｓｔｕｒｅｉｎｔｅｒｆａｃｅｓｆｏｒｈｕｍａｎｃｏｍｐｕｔｅｒｉｎｔｅｒａｃｔｉｏｎ，ｔｅｃｈｎｉｃａｌｒｅｐｏｒｔＴＲＩＴＡＮＡＤ０２０９，ＣＩＤ１７２［Ｒ］．Ｓｔｏｃｋｈｏｌｍｓ，Ｓｗｅｄｅｎ：ＮＡＤＡ，ＤｅｐｔａｒｔｍｅｎｔｏｆＮｕｍｅｒｉｃａｌＡｎａｌｙｓｉｓａｎｄＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２００２．

［２２］ＬＥＥＨＫ，ＫＩＭＪＨ．Ａｎｈｍｍｂａｓｅｄｔｈｒｅｓｈｏｌｄｍｏｄｅｌａｐｐｒｏａｃｈｆｏｒｇｅｓｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，１９９９（２１）：９６１９７３．

［２３］ＫＥＨＡＧＩＡＳＡ，ＦＯＲＴＩＮＶ．Ｔｉｍｅｓｅｒｉｅｓｓｅｇｍｅｎｔａｔｉｏｎｗｉｔｈｓｈｉｆｔｉｎｇｍｅａｎｓｈｉｄｄｅｎｍａｒｋｏｖｍｏｄｅｌｓ［Ｊ］．ＮｏｎｌｉｎＰｒｏｃｅｓｓｅｓＧｅｏｐｈｙｓ，２００６（１３）：３３９３５２．

［２４］ＡＭＩＮＩＡＮＫ，ＲＯＢＥＲＴＰ，ＢＵＣＨＳＥＲＥＥ，ｅｔａｌ．Ｐｈｙｓｉｃａｌａｃｔｉｖｉｔｙｍｏｎｉｔｏｒｉｎｇｂａｓｅｄｏｎａｃｃｅｌｅｒｏｍｅｔｒｙ：ｖａｌｉｄａｔｉｏｎａｎｄｃｏｍｐａｒｉｓｏｎｗｉｔｈｖｉｄｅｏｏｂｓｅｒｖａｔｉｏｎ［Ｊ］．ＭｅｄｉｃａｌａｎｄＢｉｏｌｏｇｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＣｏｍｐｕｔｉｎｇ，１９９９（３）：３０４３０８．

［２５］ＮＡＪＡＦＩＢ，ＡＭＩＮＩＡＮＫ，ＰＡＲＡＳＣＨＩＶＩＯＮＥＳＣＵＡ，ｅｔａｌ．Ａｍｂｕｌａｔｏｒｙｓｙｓｔｅｍｆｏｒｈｕｍａｎｍｏｔｉｏｎａｎａｌｙｓｉｓｕｓｉｎｇａｋｉｎｅｍａｔｉｃｓｅｎｓｏｒ：Ｍｏｎｉｔｏｒｉｎｇｏｆｄａｉｌｙｐｈｙｓｉｃａｌａｃｔｉｖｉｔｙｉｎｔｈｅｅｌｄｅｒｌｙ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２００３，５０（６）：７１１７２３．

［２６］ＭＩＴＣＨＥＬＬＴ．Ｄｅｃｉｓｉｏｎｔｒｅｅｌｅａｒｎｉｎｇ［Ｊ］．ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，１９９７（１１）：５２７８．

［２７］ＬＯＷＤＤ，ＤＯＭＩＮＧＯＳＰ．Ｎａｉｖｅｂａｙｅｓｍｏｄｅｌｓｆｏｒｐｒｏｂａｂｉｌｉｔｙｅｓｔｉｍａｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ．Ｎｅｗ Ｙｏｒｋ，ＵＳＡ：ＡＣＭＰｒｅｓｓ，２００５．

［２８］ＬＥＳＴＥＲＪ，ＣＨＯＵＤＨＵＲＹＴ，ＫＥＲＮＮ，ｅｔａｌ．Ａｈｙｂｒｉｄｄｉｓｃｒｉｍｉｎａｔｉｖｅ／ｇｅｎｅｒａｔｉｖｅａｐｐｒｏａｃｈｆｏｒｍｏｄｅｌｉｎｇｈｕｍａｎ

ａｃｔｉｖｉｔｉｅｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ，２００５）．Ｅｄｉｎｂｕｒｇｈ，Ｓｃｏｔｌａｎｄ：ＰｒｏｆｅｓｓｉｏｎａｌＢｏｏｋＣｅｎｔｅｒ，２００５．７６６７７２．

［２９］ＭＡＮＴＹＪＡＲＶＩＪ，ＨＩＭＢＥＲＧＪ，ＳＥＰＰＡＮＥＮＴ．Ｒｅｃｏｇｎｉｚｉｎｇｈｕｍａｎｍｏｔｉｏｎｗｉｔｈｍｕｌｔｉｐｌｅａｃｃｅｌｅｒａｔｉｏｎｓｅｎｓｏｒｓ［Ｃ］／／２００１ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＳｙｓｔｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ．Ｔｕｃｓｏｎ，ＵＳＡ：ＩＥＥＥＰｒｅｓｓ，２００１：７４７７５２．

［３０］ＳＭＩＴＨＬＩ．Ａｔｕｔｏｒｉａｌｏｎｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ［ＥＢ／ＯＬ］．［２００３１０２０］．ｈｔｔｐ：／／ｋｙｂｅｌｅ．ｐｓｙｃｈ．ｃｏｒｎｅｌｌ．ｅｄｕ／ｅｄｅｌｍａｎ／Ｐｓｙｃｈ４６５Ｓｐｒｉｎｇ２００３／ＰＣＡｔｕｔｏｒｉａｌ．ｐｄｆ．

［３１］ＨＹＶＡＲＩＥＮＥＡ，ＫＡＲＨＵＮＥＮＪ，ＯＪＡＥ．Ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ［Ｍ］．ＳａｎＦｒａｎｃｉｓｃｏ，ＵＳＡ：ＪｏｈｎＷｉｌｅｙ＆Ｓｏｎｓ，２００１．

［３２］ＤＥＶＡＵＬＲＷ，ＤＵＮＮＳ．Ｒｅａｌｔｉｍｅｍｏｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｗｅａｒａｂｌｅｃｏｍｐｕｔｉｎｇａｐｐｌｉｃａｔｉｏｎｓ［Ｒ］．Ｔｅｃｈｎｉｃａｌｒｅｐｏｒｔ．ＭＩＴ，ＵＳＡ：ＭＩＴＭｅｄｉａＬａｂｏｒａｔｏｒｙ，２００１．

［３３］ＴＩＴＴＥＲＩＮＧＴＯＮＤ，ＳＭＩＴＨＡ，ＭＡＫＯＶＵ．Ｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓｏｆｆｉｎｉｔｅｍｉｘｔｕｒｅｄｉｓｔｒｉｂｕｔｉｏｎｓ［Ｍ］．ＳａｎＦｒａｎｃｉｓｃｏ，ＵＳＡ：ＪｏｈｎＷｉｌｅｙ＆Ｓｏｎｓ，１９８５．

［３４］ＦＲＥＵＮＤＹ．Ｂｏｏｓｔｉｎｇａｗｅａｋｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｂｙｍａｊｏｒｉｔｙ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＴｈｉｒｄＡｎｎｕａｌＷｏｒｋｓｈｏｐｏｎＣｏｍｐｕｔａｔｉｏｎａｌＬｅａｒｎｉｎｇ Ｔｈｅｏｒｙ．Ｒｏｃｈｅｓｔｅｒ， ＮｅｗＹｏｒｋ：ＭｏｒｇａｎＫａｕｆｍａｎｎＰｕｂｌｉｓｈｅｒｓ，１９９０：２０２２１６．

［３５］ＢＡＵＭＬＥ，ＥＧＯＮＪＡ．ＡｎｉｎｅｑｕａｌｉｔｙｗｉｔｈａｐｐｌｉｃａｔｉｏｎｓｔｏｓｔａｔｉｓｔｉｃａｌｅｓｔｉｍａｔｉｏｎｆｏｒｐｒｏｂａｂｉｌｉｓｔｉｃｆｕｎｃｔｉｏｎｓｏｆａＭａｒｋｏｖｐｒｏｃｅｓｓａｎｄｔｏａｍｏｄｅｌｆｏｒｅｃｏｌｏｇｙ［Ｊ］．ＢｕｌｌＡｍｅｒＭｅｔｅｏｒｏｌＳｏｃ，１９６７（７３）：３６０３６３．

［３６］ＢＵＡＭＬＥ，ＳＥＬＬＧＲ．Ｇｒｏｗｔｈｆｕｎｃｔｉｏｎｓｆｏｒｔｒａｎｓｆｏｒｍａｔｉｏｎｓｏｎｍａｎｉｆｏｌｄｓ［Ｊ］．ＰａｃＪＭａｔｈ，１９６８，２７（２）：２１１２２７．

［３７］ＶＩＴＥＲＢＩＡＪ．Ｅｒｒｏｒｂｏｕｎｄｓｆｏｒｃｏｎｖｏｌｕｔｉｏｎａｌｃｏｄｅｓａｎｄａｎａｓｙｍｐｔｏｔｉｃａｌｌｙｏｐｔｉｍａｌｄｅｃｏｄｉｎｇａｌｇｏｒｉｔｈｍ［Ｊ］．ＩＥＥＥＴｒａｎｓＩｎｆｏｒｍａｔＴｈｅｏｒｙ，１９６７（１３）：２６０２６９．

［３８］ＤＥＭＰＳＴＥＲＡＰ，ＬＡＩＲＤＮＭ，ＲＵＢＩＮＤＢ．Ｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｆｒｏｍ ｉｎｃｏｍｐｌｅｔｅｄａｔａｖｉａｔｈｅｅｍ ａｌｇｏｒｉｔｈｍ［Ｊ］．ＪＲｏｙＳｔａｔＳｏｃ，１９７７，３９（１）：１３８．

［３９］ＭＥＭＳｅｎｓｅＬＬＣ．Ｐｒｏｄｕｃｅｓ［ＥＢ／ＯＬ］．［２００９０５２４］．ｈｔｔｐ：／／ｗｗｗ．ｍｅｍｓｅｎｓｅ．ｃｏｍ／，２００９．

［４０］ＭＡＴＬＡＢ ＬＬＣ．Ｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｏｌｂｏｘ［ＥＢ／ＯＬ］．［２００９０２０８］．ｈｔｔｐ：／／ｗｗｗ．ｍａｔｈｗｏｒｋｓ．ｃｏｍ／ｐｒｏｄｕｃｔｓ／ｎｅｕｒａｌｎｅｔ，２００９．

（编辑：陈斌）