基于肌电信号的手臂动作识别及虚拟仿真
| 中文摘要 | 第12-14页 |
| ABSTRACT | 第14-15页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 肌电信号特征提取与动作识别研究现状 | 第17-18页 |
| 1.2.2 仿生假肢与康复机器人研究进展 | 第18-19页 |
| 1.3 存在的问题 | 第19-20页 |
| 1.4 研究内容与论文结构 | 第20-22页 |
| 1.4.1 主要研究内容 | 第20页 |
| 1.4.2 论文结构 | 第20-22页 |
| 第二章 表面肌电信号采集与预处理 | 第22-30页 |
| 2.1 肌电信号产生机理与特性 | 第22-23页 |
| 2.2 表面肌电信号采集 | 第23-25页 |
| 2.3 基于小波-自适应滤波的肌电信号预处理 | 第25-29页 |
| 2.3.1 自适应滤波原理 | 第25-26页 |
| 2.3.2 小波变换原理 | 第26-27页 |
| 2.3.3 预处理结果分析 | 第27-29页 |
| 2.4 本章总结 | 第29-30页 |
| 第三章 表面肌电信号特征提取 | 第30-42页 |
| 3.1 表面肌电信号特征提取概述 | 第30页 |
| 3.2 时域、频域特征提取 | 第30-32页 |
| 3.2.1 时域特征 | 第31页 |
| 3.2.2 频域特征 | 第31-32页 |
| 3.3 时-频特征提取 | 第32页 |
| 3.4 结果与分析 | 第32-41页 |
| 3.5 本章总结 | 第41-42页 |
| 第四章 基于神经网络的动作模式识别 | 第42-52页 |
| 4.1 BP神经网络 | 第42-45页 |
| 4.1.1 人工神经网络 | 第42-43页 |
| 4.1.2 BP神经网络 | 第43页 |
| 4.1.3 BP神经网络算法 | 第43-45页 |
| 4.1.3.1 最速梯度下降法 | 第44页 |
| 4.1.3.2 最速梯度下降BP法 | 第44-45页 |
| 4.1.3.2.1 正向传播 | 第44-45页 |
| 4.1.3.2.2 误差反向传播 | 第45页 |
| 4.2 栈式自编码 | 第45-48页 |
| 4.2.1 稀疏自编码 | 第45-47页 |
| 4.2.2 稀疏自编码算法 | 第47页 |
| 4.2.3 softmax回归模型 | 第47页 |
| 4.2.4 栈式自编码特点 | 第47-48页 |
| 4.3 仿真结果与分析 | 第48-51页 |
| 4.4 本章总结 | 第51-52页 |
| 第五章 虚拟手臂模型设计与动作仿真实现 | 第52-72页 |
| 5.1 识别结果跨平台传输 | 第52-56页 |
| 5.1.1 Java编程语言 | 第52页 |
| 5.1.2 Java跨平台运行机制 | 第52-54页 |
| 5.1.3 识别结果计算机传输 | 第54-56页 |
| 5.2 虚拟手臂模型设计与运动学分析 | 第56-64页 |
| 5.2.1 运动学基础 | 第56-58页 |
| 5.2.1.1 刚体位姿的描述 | 第56-57页 |
| 5.2.1.2 点的映射 | 第57-58页 |
| 5.2.1.3 齐次坐标和齐次变换 | 第58页 |
| 5.2.2 连杆模型设计 | 第58-60页 |
| 5.2.3 运动学分析 | 第60-61页 |
| 5.2.3.1 正运动学分析 | 第60-61页 |
| 5.2.3.2 逆运动学分析 | 第61页 |
| 5.2.4 手臂3D模型设计 | 第61-64页 |
| 5.3 轨迹规划 | 第64-70页 |
| 5.3.1 轨迹规划原理 | 第64-66页 |
| 5.3.1.1 圆形轨迹规划 | 第64-65页 |
| 5.3.1.2 简谐函数轨迹和心形线轨迹规划 | 第65-66页 |
| 5.3.2 手臂喝水动作模拟 | 第66-69页 |
| 5.3.3 前臂动作轨迹与虚拟仿真 | 第69-70页 |
| 5.4 本章总结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 个人简况及联系方式 | 第80-81页 |
