双模态特征融合的踝关节主动动作模式识别
| 中文摘要 | 第12-14页 |
| ABSTRACT | 第14-15页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 论文研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 脑电特征识别研究现状 | 第18-19页 |
| 1.2.2 肌电特征识别研究现状 | 第19-20页 |
| 1.2.3 多模态融合系统研究现状 | 第20-21页 |
| 1.3 主要研究内容及论文结构 | 第21-23页 |
| 第二章 脑电和肌电信号采集与预处理 | 第23-39页 |
| 2.1 脑电和肌电信号概述 | 第23-24页 |
| 2.1.1 脑电信号产生机理与特点 | 第23页 |
| 2.1.2 肌电信号产生机理与特点 | 第23-24页 |
| 2.2 融合系统实验范式设计 | 第24-25页 |
| 2.3 实验方法与数据采集 | 第25-31页 |
| 2.3.1 实验环境与设备 | 第25-28页 |
| 2.3.2 脑电电极和下肢肌肉的选取 | 第28-29页 |
| 2.3.3 实验方法与步骤 | 第29-30页 |
| 2.3.4 实验数据采集 | 第30-31页 |
| 2.4 脑电和肌电信号预处理 | 第31-37页 |
| 2.4.1 脑电信号预处理 | 第31-34页 |
| 2.4.2 结果与分析 | 第34-35页 |
| 2.4.3 肌电信号预处理 | 第35-36页 |
| 2.4.4 结果与分析 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 脑电信号和肌电信号特征提取 | 第39-55页 |
| 3.1 脑电信号特征提取 | 第39-40页 |
| 3.1.1 小波变换 | 第39页 |
| 3.1.2 时域能量熵 | 第39-40页 |
| 3.2 脑电特征提取结果与分析 | 第40-42页 |
| 3.3 肌电信号特征提取 | 第42-53页 |
| 3.3.1 时域特征分析 | 第42-43页 |
| 3.3.2 时域特征提取结果与分析 | 第43-44页 |
| 3.3.3 频域特征分析 | 第44-45页 |
| 3.3.4 频域特征提取结果与分析 | 第45页 |
| 3.3.5 时频域特征分析 | 第45-48页 |
| 3.3.6 时频特征提取结果与分析 | 第48-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 双模态特征融合系统与动作模式分类 | 第55-67页 |
| 4.1 支持向量机概述 | 第55-59页 |
| 4.1.1 支持向量机的基本思想 | 第55-57页 |
| 4.1.2 核函数的选择 | 第57页 |
| 4.1.3 支持向量机参数选择 | 第57-58页 |
| 4.1.4 基于支持向量机的多分类算法 | 第58-59页 |
| 4.2 基于SVM的模式分类 | 第59-62页 |
| 4.2.1 P300特征分类 | 第59-60页 |
| 4.2.2 肌电特征识别 | 第60-62页 |
| 4.3 贝叶斯概述 | 第62-63页 |
| 4.3.1 贝叶斯理论 | 第62页 |
| 4.3.2 贝叶斯网络 | 第62页 |
| 4.3.3 基于贝叶斯网络的分类器 | 第62-63页 |
| 4.4 基于贝叶斯分类器的动作模式分类 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻读学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 个人简况及联系方式 | 第77-78页 |
