CN113040760A - 一种用于评估精细手功能的抓握指力记录分析笔 - Google Patents

Abstract

本公开提供了一种用于评估精细手功能的抓握指力记录分析笔，包括笔、触摸屏和分析模块，所述笔包括笔主体和笔尖，笔主体外侧设置有至少三块连接板，所述连接板的末端延伸至笔尖，所述连接板的上端具有抓握部，所述笔主体内部分别设置有三个六维力矩传感器，根据采集的力矩信息，通过矢量运算求取各指尖施加的合外力大小，根据笔尖的位置与力矩大小，计算实际运动轨迹相对于目标运动轨迹的最短欧氏距离偏移量，确定测试过程中的运动控制水平。本公开可以准确记录并分析抓握笔完成写字或画画过程中的指力协调性。

Description

一种用于评估精细手功能的抓握指力记录分析笔

技术领域

本公开属于训练或书写设备技术领域，涉及一种用于评估精细手功能的抓握指力记录分析笔。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

手以其极高的结构及控制自由度被认为是我们人体最灵活的器官。参与手部感知与运动的神经元在大脑皮层中分布广泛且组织严密，为精细复杂的手部运动控制提供了神经生理学基础。但在缺血性和出血性脑卒中后，大脑皮层中与手部感知运动功能相关联的区域较肢体其他部位更容易收到损伤，导致不同程度的手部功能障碍。究竟如何能测试评估手功能特别是精细运动下的手功能仍是康复医学届极其关注的问题。获得对手部精细功能的准确评估，不仅能提升对脑卒中等神经性疾病损伤程度的认识，也能更好地指导患者的康复治疗。

握笔写字或画画是日常生活中最常用的手功能之一。当手指握笔完成特定轨迹的运动时，各手指需要精确施加力量以保证笔的正确位姿，并确保笔尖的运动轨迹符合要求。当视线发现笔尖轨迹与目标轨迹不一致时，手指力量将进行调整以改变笔的姿态，使笔尖回到正确的运行轨道。因此，这个看似简单的握笔写字或画画过程是在神经系统参与下、利用实时感知运动融合机制、在反馈控制参与下完成的精细动作，其核心在于各手指握力的协调性及握力与笔尖运动轨迹的耦合性。

手指握力的协调性能有效反映神经系统的功能状态。当中枢神经系统出现退化或损伤时，均能显著影响手指力量的协调性。如脑卒中患者中长期伴有指力协调性障碍的有多达80％的比例，对这部分人群进行有针对性的指力协调性训练评估意义重大，据发明人了解，目前虽有不少专利对抓握训练中的笔进行了设计，但都缺乏对每个手指力量的单独记录，以及对各手指协调配合完成写字画画等动作时力量协调性的准确计算。

发明内容

本公开为了解决上述问题，提出了一种用于评估精细手功能的抓握指力记录分析笔，本公开可以准确记录并分析抓握笔完成写字或画画过程中的指力协调性。

根据一些实施例，本公开采用如下技术方案：

一种用于评估精细手功能的抓握指力记录分析笔，包括笔、触摸屏和分析模块，所述笔包括笔主体和笔尖，笔主体外侧设置有至少三块连接板，所述连接板的末端延伸至笔尖，所述连接板的上端具有抓握部，所述笔主体内部分别设置有三个六维力矩传感器，分别用于采集抓握部对应的拇指、食指与中指的指尖力与力矩信号；

所述触摸屏，被配置为显示目标运动轨迹，并采集笔在描绘目标运动轨迹过程中形成的实际运动轨迹的笔尖所处各位置与力矩大小；

所述分析模块，与六维力矩传感器和触摸屏连接，生成目标运动轨迹，根据力矩信息，通过矢量运算求取各指尖施加的合外力大小，根据笔尖的位置与力矩大小，计算实际运动轨迹相对于目标运动轨迹的最短欧氏距离偏移量，确定测试过程中的运动控制水平。

作为可选择的实施方式，所述六维力矩传感器通过螺纹孔镶嵌在笔主体上；所述六维力矩传感器分别设置于笔主体内部不同位置处。

作为可选择的实施方式，所述连接板包括至少三个部分，从上到下依次是接触部、过渡部和收敛部，所述接触部与相应的六维力矩传感器连接，所述过渡部具有一弯折区域，使连接板在竖直方向上向笔主体内部方向过渡，所述收敛部呈从上到下逐步缩小的形状，各收敛部外沿依次连接，收敛部的下部尖端，形成笔尖。

作为进一步限定的实施方式，所述收敛部与竖直方向具有一定的夹角。

作为可选择的实施方式，所述连接板的数量为六块，其中至少三块连接板与相应六维力矩传感器连接。

作为可选择的实施方式，三个力矩传感器相互之间各成120°的角度差，且三个力矩传感器的设置位置高度不同。

基于上述分析笔的工作方法，包括以下步骤：

生成目标运动轨迹，并在触摸屏上显示；

采集笔在描绘目标运动轨迹过程中形成的实际运动轨迹，确定实际运动轨迹中笔尖所处各位置，获取形成实际运动轨迹时各位置的力矩大小；

根据力矩信息，通过矢量运算求取各指尖施加的合外力大小，根据笔尖的位置与力矩大小，计算实际运动轨迹相对于目标运动轨迹的最短欧氏距离偏移量，确定测试过程中的运动控制水平。

作为可选择的实施方式，确定测试过程中的运动控制水平的过程包括：计算出不同运动阶段力信号，力矩信号以及轨迹信号之间的互近似熵，利用广义多元多尺度样本熵以反映各个指尖运动与笔尖运动模式的复杂程度和相似性，进而评估功能性抓握过程中运动的协调性。

作为进一步具体的实施方式，确定测试过程中的运动控制水平的过程具体包括：采集到的多元动力学信号分割为等长的片段，并表示分割的每个信号窗，所述多元动力学信号包括力、力矩和运动轨迹的偏差；

为每个多元时间序列计算复合延迟向量，并计算任意两个复合延迟向量相似的概率。

作为进一步的限定，在进行相似概率计算前，需要对力与力矩信号进行归一化处理，归一化处理的过程包括：计算每一个力矢量与所有力矩矢量之间的距离，统计距离小于阈值的力矢量的占比，对该比值取对数后平均。

作为进一步的限定，计算任意两个复合延迟向量相似的概率时，先计算两个复合延时向量之间距离小于设定阈值的向量的数量，基于该数量，计算计算两个复合延时向量之间距离小于阈值的概率，进而计算广义多元多尺度样本熵。

作为进一步的限定，将动力学信号的任意两个复合延时向量的距离定义为其最大范数，对于两个不同的复合延时向量，如果其距离小于设定的阈值，则认为这两个向量在阈值的范围内是相似的。

作为进一步的限定，所述阈值为预先选定的相似容限，且阈值应该大于噪声的幅值。

与现有技术相比，本公开的有益效果为：

本发明可以用于手部功能性抓握的协调水平评估，手功能损伤后康复效果的精确量化，儿童运动功能发育水平评估具有很重要的应用前景。通过广义多元多尺度样本熵与互近似熵来计算多路信号之间的运动模式相似性，并以此评估手部的抓握功能的协调性。

本发明在计算信号数据时，采用广义多元多尺度样本熵方法，鉴于运动时力与力矩的复杂程度越高，自身所携带的特征也就越多，因此它的自相似性也就越小，因此广义多元多尺度样本熵能够对生理信号的复杂性做出较为准确可靠的表征。且互近似熵通过维度分割之前的归一化预处理，能够表示任意两个力与力矩信号之间运动模式相似性，从而观察运动过程中动力学信号的协调变化。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本发明的笔结构示意图；

图2是本发明的笔结构分解示意图；

图3是抓握指力记录分析笔的测试过程；

图4(a)-(d)是常规路径示意图；

图5是本发明的测试过程示意图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种用于评估精细手功能的抓握指力记录分析笔，包括笔、触摸屏和分析模块。其中，抓握指力记录分析笔的结构，如图1所示。为了尽量减少笔的体积并且保证传感器的正常工作，传感器被镶嵌在内部。图2的分解视图中可以看到三个六维力矩传感器，分别为六维力矩传感器1,六维力矩传感器2,六维力矩传感器3均通过相对应的螺纹孔4镶嵌在笔的主体5上，分别采集拇指，食指与中指的指尖力与力矩信号。传感器另一侧固定在连接板上，在本实施例中，连接板包括连接板7,连接板8和连接板9，各连接板末端延伸到指尖，将捕捉到的指尖压力转换为传感器的张力。

笔尖部分的形状为三棱锥形，测试者在抓握运动过程中将三指分别放置在棱锥的三个面上。三个力矩传感器通过连接板来收集不同手指的指尖力，如图2。由于每个力矩传感器的方向都与另外两个有120°的角度差，因此我们直接采用力矩传感器内置的三维坐标系用来记录不同方向的力的分量。X轴，Y轴与Z轴坐标系的设定与传感器的设定相一致。如图2的分解视图所示，力矩传感器可以感知三个方向上的分力，分别是与接触面平行且水平方向的X轴，与接触面平行且竖直方向的Y轴以及垂直于接触面的Z轴。对于单个传感器来说，最终输出为6路信号，包括X轴，Y轴与Z轴的力量大小以及力矩大小。同时我们通过矢量的计算也可以得到受试者施加在传感器上合力大小与方向。

如图3所示，触摸屏可以在整个运动过程中实时采集笔尖的位置与力量大小。图4中不同编号代表着不同的任务路径：横线对应的测试流程是测试者被要求使用本实施例时从左往右描摹该横线；竖线对应的测试流程是测试者从上至下描摹该竖线；正方形对应的测试流程是测试者按顺时针方向描摹正方形的轮廓；圆对应的测试流程是测试者按顺时针方向描摹圆的轮廓。不同的任务路径代表了不同的协调运动难度，是分析抓握运动数据的重要条件。

测试流程图如图5所示。首先采集测试者基本信息，随后会让测试者先进行练习。练习阶段是为了对受试者详细讲解测试流程，让测试者熟悉抓握指力记录分析笔的使用以及后续的任务要求。测试分为四个部分，每个部分对应着不同难度的测试运动轨迹。

本实施例例举了几种常规运动路径图，显示在触摸板上，如图4所示。四种运动路径的完成顺序是随机决定的，不重复，不遗漏。测试正式开始时，触摸板上会呈现出本次任务的运动路径。测试者被要求使用拇指，食指，中指以自然握笔的方式拿起分析笔，并按照提示音尽可能顺时针地平稳准确地完成相应的“书写”动作。受试者会被明确告知测试过程中不对动作完成时间做出限制。最终我们会得到以下数据：

{F_TX(t),F_TY(t),F_TZ(t),T_TX(t),T_TY(t),T_TZ(t)} (1)

{F_IX(t),F_IY(t),F_IZ(t),T_IX(t),T_IY(t),T_IZ(t)} (2)

{F_MX(t),F_MY(t),F_MZ(t),T_MX(t),T_MY(t),T_MZ(t)} (3)

其中，F代表传感器采集到的力量信号；T代表采集到的力矩信号。F_X(t)，F_Y(t)，F_Z(t)为三指在x,y,z方向上的时序力量信号，T_X(t),T_Y(t),T_Z(t)为三指在x,y,z方向上的时序力矩信号。下标T，I，M分别代表信号采集自拇指，食指，中指。另外还有采集自触摸板的力量数据F_R(t)以及运动轨迹信号P(t)。由于力学信号的特征不易受噪声环境的干扰以及传感器的精度较高的原因，分析模块直接使用原始信号通过矢量运算求取指尖施加在传感器上的合外力大小。特殊的，对于运动的轨迹信号P(t),通过实时计算其相对于任务路径的最短欧氏距离偏移量E(t)来量化测试过程中的运动控制水平。

为了揭示隐藏在较高维度后面的信息，本实施例选择了广义多元多尺度样本熵-GMMSE来表征运动信号的复杂程度，描述GMMSE的过程如下。

首先将我们采集到的多元动力学信号(力，力矩，运动轨迹的偏差)分割为等长的片段。例如，对于我们采集到的力信号F，测试程序、指尖力所对应的传感器与方向都是这个多元信号的变量。我们将包含N个采样点的时间序列{F(i)}分割为等长s的不重叠的片段，如下

为保证我们分割的片段为整数，我们截取的信号采样点N为窗长s的整数倍。我们用j来表示每一个我们分割的每个信号窗，j＝1,2,3.....,N/S。k代表该时间序列所包含的变量数，因此k＝3。而μ_k,j则是代表某一路力信号在一个片段范围内的均值，计算如公式(5)。

然后为每个多元时间序列计算复合延迟向量。根据时间延迟嵌入理论，对于每个多元时间序列F^S _k,j，我们通过以下公式计算出N/s个复合延迟向量Y_m ^S(j)。

其中M＝[m1，m2，m3]表示嵌入向量，τ＝[τ1，τ2，τ3]表示时间滞后向量。在多变量的情况下，每一个变量都对应着不同的m与τ值。我们利用互信息为每个时间序列分别计算时间延迟τ，然后选择特定的参数m＝2，因为在此条件下计算出的近似熵具有更加优良的统计学特性。

接下来将动力学信号的任意两个复合延时向量Y_m ^S(j)和Y_m ^S(h)的距离定义为其最大范数，也就是如公式(7)所示。

对于两个不同的复合延时向量(j≠h)，如果d[Y_m ^S(j),Y_m ^S(h)]小于我们的相似容限r，那么我们认为这两个向量在阈值r的范围内是相似的。r是预先选定的相似容限，也就是我们判断两个复合延时向量相似性的阈值范围参数。对于GMMSE，相似容限r取0.25倍的F(i)的标准差SD(F)。

进一步的我们计算任意两个复合延迟向量相似的概率。我们将任意两个复合延时向量Y_m ^S(j)和Y_m ^S(h)之间满足相似阈值r的数值组成B_m ^S(j)。因此，对于任意两个复合延迟向量其相似的概率为

进一步我们将维度m＝2更改为m＝3,并重复以上的过程：多元动力学信号分割，计算复合延迟向量，计算不同的复合延时向量的距离，计算复合延迟向量相似的概率。需要注意的是，在计算任意两个复合延迟向量在维m+1上相似的概率时，首先，我们要计算Y_m+1 ^S(j)和Y_m+1 ^S(h)之间距离小于r的向量的数量，表示为B_m+1 ^S(j)。然后将Y_m ^S(j)和Y_m ^S(h)距离小于r的概率定义为如下：

最后我们定义广义多元多尺度样本熵-GMMSE：

相似容限r的选取对于最后的熵值结果有至关重要的影响。如果相似容限的阈值过小，则会导致阈值筛选过于严格，对于相似性的估计效果就会比较差；而如果相似容限的取值过大，则会筛选出过多的相似运动模式，从而损失时序信号的细节信息。同时，我们采集到的力与力矩信号中不可避免地会夹杂噪声，我们的理想r值应该大于噪声的幅值。而之所以将分割维度r与相似容限m做这样的求取，是因为在此条件下计算出的近似熵具有更加优良的统计学特性。

当我们求两个不同时序信号的互近似熵的时候，我们用包含N个采样点的时间序列{F(i)}与{T(i)}来表示任意的力信号与力矩信号。r是预先选定的相似容限，而对于两组信号的互近似熵，r取0.2倍{F(i)}与{T(i)}的协方差COV(F,T)。

当我们求两个不同时序信号的互近似熵的时候，需要在计算前将序列F(i)，T(j)做如下标准化：

由于我们所使用的参数包含力与力矩，他们的大小以及量纲的差异使得我们对其进行模式相似性计算时应该先进行归一化处理。还有一个原因是由于传感器放置的位置高度不同，因此不同的连接板长度会使得三个传感器接受到的力信号有不同比例的放缩。这是由于测量手段以及小型化设计所造成的差异，不包含任何有用信息，因此通过归一化计算也能够将该过程所带来的差异消除。

我们将归一化后的序列{F’(i)}按照时间顺序组合成m维矢量f(i),f(i)＝{u(i),u(i+1),.....u(i+m-1)},序列{T’(i)}按照时间顺序组合成m维矢量t(j),t(j)＝{v(j),v(j+1),.....v(j+m-1)},j的取值为[1,N-m+1]。我们依旧选择m＝2作为分割维度，原因不再赘述。

接下来需要计算力信号中每一个矢量f(i)与所有力矩中的矢量t(j)的距离如公式中(9)所写，即

d[f(i),t(j)]＝max|F'(i+k)-T'(j+k)|(k＝1,2,…,m-1) (13)

在规定好的阈值r(r＝0.2COV(F,T))的情况下,对每一个f(i)统计所有矢量距离小于r的数目及其与总距离数目(N-m+1)的比值，如公式(10)所示，记为C_i(r)。

下一步将C_i(r)取对数后，对所有i值取平均，记作Φ(r)即

将m的值改为3之后，重复上述步骤：将F(i)与T(i)按照时间序列组成3维矢量组，计算每一个力矢量与所有力矩矢量之间的距离，统计距离小于阈值r的力矢量的占比，最后对该比值取对数后平均得到Ψ(r)。

CrossApEn(r)＝Φ(r)-ψ(r) (16)

根据公式(16)计算出的互近似熵记为CrossApEn(r)。该方法通过计算出不同运动阶段力信号，力矩信号以及轨迹信号之间的互近似熵，来反应各个指尖运动与笔尖运动模式的复杂程度和相似性，并以此来评估功能性抓握过程中运动的协调性。

从GMMSE的算法可以看出，GMMSE的实质是时间序列与自身的相似性，也可以理解为当分割维度改变时目标时间序列出现新模式的概率大小。对于动力学信号来说，其运动时力与力矩的复杂程度越高，自身所携带的特征也就越多，因此它的自相似性也就越小。因此广义多元多尺度样本熵能够对生理信号的复杂性做出较为准确可靠的表征。而互近似熵通过维度分割之前的归一化预处理，能够表示任意两个力与力矩信号之间运动模式相似性，从而观察运动过程中动力学信号的协调变化。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种用于评估精细手功能的抓握指力记录分析笔，其特征是：包括笔、触摸屏和分析模块，所述笔包括笔主体和笔尖，笔主体外侧设置有至少三块连接板，所述连接板的末端延伸至笔尖，所述连接板的上端具有抓握部，所述笔主体内部分别设置有三个六维力矩传感器，分别用于采集抓握部对应的拇指、食指与中指的指尖力与力矩信号；

所述触摸屏，被配置为显示目标运动轨迹，并采集笔在描绘目标运动轨迹过程中形成的实际运动轨迹的笔尖所处各位置与力矩大小；

所述分析模块，与六维力矩传感器和触摸屏连接，生成目标运动轨迹，根据力矩信息，通过矢量运算求取各指尖施加的合外力大小，根据笔尖的位置与力矩大小，计算实际运动轨迹相对于目标运动轨迹的最短欧氏距离偏移量，确定测试过程中的运动控制水平。

2.如权利要求1所述的一种用于评估精细手功能的抓握指力记录分析笔，其特征是：所述六维力矩传感器通过螺纹孔镶嵌在笔主体上；所述六维力矩传感器分别设置于笔主体内部不同位置处；

或，力矩传感器相互之间各成120°的角度差。

3.如权利要求1所述的一种用于评估精细手功能的抓握指力记录分析笔，其特征是：所述连接板包括至少三个部分，从上到下依次是接触部、过渡部和收敛部，所述接触部与相应的六维力矩传感器连接，所述过渡部具有一弯折区域，使连接板在竖直方向上向笔主体内部方向过渡，所述收敛部呈从上到下逐步缩小的形状，各收敛部外沿依次连接，收敛部的下部尖端，形成笔尖；

或，所述连接板的数量为六块，其中至少三块连接板与相应六维力矩传感器连接。

4.如权利要求1所述的一种用于评估精细手功能的抓握指力记录分析笔，其特征是：所述收敛部与竖直方向具有一定的夹角。

5.基于权利要求1-4中任一项所述的分析笔的工作方法，其特征是：包括以下步骤：

生成目标运动轨迹，并在触摸屏上显示；

采集笔在描绘目标运动轨迹过程中形成的实际运动轨迹，确定实际运动轨迹中笔尖所处各位置，获取形成实际运动轨迹时各位置的力矩大小；

根据力矩信息，通过矢量运算求取各指尖施加的合外力大小，根据笔尖的位置与力矩大小，计算实际运动轨迹相对于目标运动轨迹的最短欧氏距离偏移量，确定测试过程中的运动控制水平。

6.如权利要求5所述的工作方法，其特征是：确定测试过程中的运动控制水平的过程包括：计算出不同运动阶段力信号，力矩信号以及轨迹信号之间的互近似熵，利用广义多元多尺度样本熵以反映各个指尖运动与笔尖运动模式的复杂程度和相似性，进而评估功能性抓握过程中运动的协调性。

7.如权利要求5或6所述的工作方法，其特征是：确定测试过程中的运动控制水平的过程具体包括：采集到的多元动力学信号分割为等长的片段，并表示分割的每个信号窗，所述多元动力学信号包括力、力矩和运动轨迹的偏差；

为每个多元时间序列计算复合延迟向量，并计算任意两个复合延迟向量相似的概率。

8.如权利要求7所述的工作方法，其特征是：在进行相似概率计算前，需要对力与力矩信号进行归一化处理，归一化处理的过程包括：计算每一个力矢量与所有力矩矢量之间的距离，统计距离小于阈值的力矢量的占比，对该比值取对数后平均。

9.如权利要求5所述的工作方法，其特征是：计算任意两个复合延迟向量相似的概率时，先计算两个复合延时向量之间距离小于设定阈值的向量的数量，基于该数量，计算计算两个复合延时向量之间距离小于阈值的概率，进而计算广义多元多尺度样本熵。

10.如权利要求5所述的工作方法，其特征是：将动力学信号的任意两个复合延时向量的距离定义为其最大范数，对于两个不同的复合延时向量，如果其距离小于设定的阈值，则认为这两个向量在阈值的范围内是相似的；

或，所述阈值为预先选定的相似容限，且阈值应该大于噪声的幅值。

Images