基于支持向量机的表面肌电信号手部动作识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题的研究背景与意义 | 第10-11页 |
| 1.3 肌电假手的综述 | 第11-12页 |
| 1.4 表面肌电信号处理的研究现状 | 第12-15页 |
| 1.4.1 表面肌电信号采集的研究现状 | 第13页 |
| 1.4.2 表面肌电信号降噪处理的研究现状 | 第13页 |
| 1.4.3 表面肌电信号特征提取的研究现状 | 第13-14页 |
| 1.4.4 表面肌电信号分类识别的研究现状 | 第14-15页 |
| 1.5 主要研究内容 | 第15-16页 |
| 第2章 表面肌电信号采集 | 第16-25页 |
| 2.1 表面肌电信号的生理特征分析 | 第16-18页 |
| 2.1.1 sEMG 信号的产生机理 | 第16-17页 |
| 2.1.2 sEMG 信号的特点分析 | 第17-18页 |
| 2.2 表面肌电信号的采集 | 第18-24页 |
| 2.2.1 表面肌电信号采集设备 | 第18-21页 |
| 2.2.2 手部的动作规划和电极位置的选取 | 第21-23页 |
| 2.2.3 表面肌电信号采集过程的注意事项 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 表面肌电信号的预处理 | 第25-41页 |
| 3.1 小波降噪 | 第25-29页 |
| 3.1.1 小波基函数对比 | 第26-27页 |
| 3.1.2 小波降噪效果判定 | 第27-29页 |
| 3.2 表面肌电信号的特征提取 | 第29-40页 |
| 3.2.1 时域特征提取方法 | 第30-32页 |
| 3.2.2 频域特征提取方法 | 第32-36页 |
| 3.2.3 时频特征提取方法 | 第36-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 表面肌电信号识别分类器 | 第41-50页 |
| 4.1 标准支持向量机的原理 | 第41-46页 |
| 4.1.1 最优分类面的构造 | 第42-44页 |
| 4.1.2 核函数的选取 | 第44-45页 |
| 4.1.3 参数的选择 | 第45-46页 |
| 4.2 支持向量机的分类方法 | 第46-48页 |
| 4.2.1 多对一分类法 | 第46-47页 |
| 4.2.2 一对一分类法 | 第47-48页 |
| 4.3 最小二乘支持向量机的原理 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于支持向量机的表面肌电信号分类识别 | 第50-59页 |
| 5.1 试验系统及实验数据 | 第50-52页 |
| 5.2 最优参数的确定 | 第52-56页 |
| 5.2.1 遗传算法 | 第52-53页 |
| 5.2.2 粒子群算法 | 第53-56页 |
| 5.3 模式识别的结果与分析 | 第56-58页 |
| 5.3.1 手部动作识别准确率 | 第56-57页 |
| 5.3.2 手部动作识别时间 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的学术论文 | 第64-65页 |
| 致谢 | 第65页 |
