| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-19页 |
| 1.2 问题的提出 | 第19-20页 |
| 1.3 本文工作 | 第20-22页 |
| 2 相关研究工作综述 | 第22-36页 |
| 2.1 表面肌电信号的产生原理 | 第22-23页 |
| 2.2 基于表面肌电的手势识别 | 第23-30页 |
| 2.2.1 基于传统机器学习的肌电手势识别方法 | 第23-28页 |
| 2.2.2 基于深度学习的肌电手势识别方法 | 第28-30页 |
| 2.3 多流融合学习 | 第30-32页 |
| 2.3.1 多流融合深度学习方法 | 第31页 |
| 2.3.2 多流融合方法 | 第31-32页 |
| 2.3.3 基于多流融合学习的手势识别方法 | 第32页 |
| 2.4 多视图学习 | 第32-34页 |
| 2.5 小结 | 第34-36页 |
| 3 面向肌电手势识别的多流融合深度学习方法 | 第36-54页 |
| 3.1 概述 | 第36-38页 |
| 3.2 问题描述 | 第38-39页 |
| 3.3 面向肌电手势识别的多流融合深度学习方法框架 | 第39-46页 |
| 3.3.1 肌电图像多流表征 | 第39-45页 |
| 3.3.2 多流卷积神经网络结构 | 第45页 |
| 3.3.3 融合网络结构 | 第45-46页 |
| 3.4 性能评估与实验分析 | 第46-52页 |
| 3.4.1 数据集与实验细节 | 第46-48页 |
| 3.4.2 NinaPro DB1数据集上的评测 | 第48-49页 |
| 3.4.3 CapgMyo DB-a数据集上的评测 | 第49-50页 |
| 3.4.4 CSL-HDEMG数据集上的评测 | 第50-52页 |
| 3.5 小结 | 第52-54页 |
| 4 面向肌电手势识别的多视图深度学习方法 | 第54-72页 |
| 4.1 概述 | 第54-55页 |
| 4.2 问题描述 | 第55-56页 |
| 4.3 面向肌电手势识别的多视图深度学习方法框架 | 第56-62页 |
| 4.3.1 肌电信号的多视图构建过程 | 第56-59页 |
| 4.3.2 深度学习框架下的视图选择过程 | 第59页 |
| 4.3.3 多视图卷积神经网络结构 | 第59-62页 |
| 4.4 性能评估与实验分析 | 第62-71页 |
| 4.4.1 数据集与实验细节 | 第62-64页 |
| 4.4.2 多视图深度学习与单视图深度学习的性能对比 | 第64-66页 |
| 4.4.3 不同多视图聚合方法的性能对比 | 第66-70页 |
| 4.4.4 四个稀疏多通道数据集上与已知方法的性能对比 | 第70-71页 |
| 4.5 小结 | 第71-72页 |
| 5 会话间肌电手势识别中的多流AdaBN领域自适应方法研究 | 第72-81页 |
| 5.1 概述 | 第72-73页 |
| 5.2 问题描述 | 第73-74页 |
| 5.3 多流AdaBN领域自适应方法介绍 | 第74-75页 |
| 5.4 性能评估与实验分析 | 第75-79页 |
| 5.4.1 对多流融合深度学习方法的会话间手势识别测试 | 第75-78页 |
| 5.4.2 对多视图深度学习方法的被试间手势识别测试 | 第78-79页 |
| 5.5 小结 | 第79-81页 |
| 6 总结与展望 | 第81-83页 |
| 参考文献 | 第83-95页 |
| 发表文章目录 | 第95-96页 |
| 致谢 | 第96页 |
