| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 运动疲劳估计技术研究现状 | 第11-16页 |
| 1.2.1 基于主观感受的运动疲劳估计 | 第11-13页 |
| 1.2.2 基于生化指标的运动疲劳估计 | 第13-14页 |
| 1.2.3 基于生物电信号的运动疲劳估计 | 第14-16页 |
| 1.3 康复机器人反馈控制技术研究现状 | 第16-18页 |
| 1.4 本文主要研究内容 | 第18-20页 |
| 第2章 康复运动中心电和表面肌电信号的疲劳特征提取 | 第20-38页 |
| 2.1 引言 | 第20页 |
| 2.2 心电和表面肌电信号的产生机理 | 第20-23页 |
| 2.3 心电和表面肌电信号的采集与预处理 | 第23-27页 |
| 2.4 心电信号的疲劳特征提取 | 第27-34页 |
| 2.4.1 心电信号与运动疲劳的相关性分析 | 第27-28页 |
| 2.4.2 心电R波检测 | 第28-31页 |
| 2.4.3 疲劳特征提取 | 第31-34页 |
| 2.5 下肢表面肌电信号的疲劳特征提取 | 第34-37页 |
| 2.5.1 表面肌电信号与运动疲劳的相关性分析 | 第34-35页 |
| 2.5.2 疲劳特征提取 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 基于心电和表面肌电特征融合的运动疲劳估计 | 第38-48页 |
| 3.1 引言 | 第38页 |
| 3.2 基于HMM的ECG-SEMG融合分析及运动疲劳估计 | 第38-41页 |
| 3.2.1 隐马尔科夫模型基本算法 | 第38-40页 |
| 3.2.2 基于隐马尔科夫模型的运动疲劳估计模型 | 第40-41页 |
| 3.3 基于SVM的ECG-SEMG融合分析及运动疲劳估计 | 第41-45页 |
| 3.3.1 支持向量机基本算法 | 第42-44页 |
| 3.3.2 基于支持向量机的运动疲劳估计模型 | 第44-45页 |
| 3.4 基于HMM-SVM混合模型的运动疲劳估计 | 第45-46页 |
| 3.5 疲劳估计实验测试 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 下肢康复机器人模型分析及反馈控制策略 | 第48-61页 |
| 4.1 引言 | 第48页 |
| 4.2 下肢康复机器人基本结构 | 第48-49页 |
| 4.3 下肢康复机器人运动学分析 | 第49-51页 |
| 4.4 人机系统动力学分析 | 第51-54页 |
| 4.5 下肢康复机器人反馈控制策略 | 第54-60页 |
| 4.5.1 康复机器人工作原理 | 第54-56页 |
| 4.5.2 基于疲劳特征的被动训练反馈控制策略 | 第56-58页 |
| 4.5.3 基于人机交互的主动训练反馈控制策略 | 第58-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 基于疲劳估计的康复机器人运动控制实验 | 第61-72页 |
| 5.1 引言 | 第61页 |
| 5.2 康复机器人实验平台 | 第61-64页 |
| 5.3 基于HMM疲劳估计的被动训练控制实验 | 第64-67页 |
| 5.3.1 实验过程 | 第64-65页 |
| 5.3.2 实验结果及分析 | 第65-67页 |
| 5.4 基于HMM疲劳估计的主动训练控制实验 | 第67-70页 |
| 5.4.1 实验过程 | 第68页 |
| 5.4.2 实验结果及分析 | 第68-70页 |
| 5.5 本章小结 | 第70-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 作者简介 | 第79页 |
