首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于肌音信号的头部动作模式识别及其应用的研究

摘要第5-6页
Abstract第6页
第1章 引言第10-18页
    1.1 课题背景第10-11页
    1.2 课题目的和意义第11页
    1.3 肌音信号研究现状第11-13页
        1.3.1 肌音信号概述第11-12页
        1.3.2 基于肌音信号的动作模式识别研究第12-13页
    1.4 头部动作模式识别研究第13-15页
        1.4.1 头部动作特征提取分类第13页
        1.4.2 头部动作识别方法第13-14页
        1.4.3 头部动作模式识别的相关应用第14-15页
    1.5 基于肌音信号的头部动作模式识别研究第15-16页
        1.5.1 肌音信号采集第15页
        1.5.2 信号预处理第15-16页
        1.5.3 特征提取和特征选择第16页
        1.5.4 分类器设计第16页
    1.6 本课题内容简介第16-18页
第2章 头部动作肌音信号采集与软件预处理第18-29页
    2.1 头部动作肌音信号采集第18-22页
        2.1.1 头部动作肌音信号总体采集方案第18页
        2.1.2 头部动作肌音信号的传感器选择第18-19页
        2.1.3 头部动作肌音信号的采集卡选择第19-20页
        2.1.4 头部动作肌音信号的肌肉群选择第20-21页
        2.1.5 头部动作肌音信号采集的实验设计第21-22页
    2.2 头部动作肌音信号软件滤波第22-25页
    2.3 头部动作肌音信号标准化第25-26页
    2.4 头部动作肌音信号动作分割第26-28页
    2.5 本章小结第28-29页
第3章 头部动作肌音信号的特征提取和特征选择第29-49页
    3.1 特征提取理论第29-30页
    3.2 时域特征提取方法第30-32页
        3.2.1 常用的时域特征第30-32页
    3.3 频域特征提取方法第32-40页
        3.3.1 常用的频域特征第33页
        3.3.2 高阶谱特征第33-40页
    3.4 时频域特征提取方法第40-44页
        3.4.1 基于小波变换(WT)的特征提取第40-42页
        3.4.2 基于小波包变换(WPT)的特征提取第42-44页
    3.5 FLDA特征降维第44-45页
    3.6 PCA特征降维第45-48页
    3.7 本章小结第48-49页
第4章 基于肌音信号的头部动作模式识别方法第49-68页
    4.1 线性分类器头部动作模式识别第49-50页
    4.2 基于SVM的头部动作模式识别第50-56页
        4.2.1 支持向量机SVM第50-53页
        4.2.2 LIBSVM工具箱第53页
        4.2.3 实验结果与分析第53-56页
    4.3 基于BP神经网络的头部动作模式识别第56-67页
        4.3.1 人工神经网络简介第56页
        4.3.2 BP神经网络模式分类算法第56-59页
        4.3.3 BP神经网络的学习算法第59-61页
        4.3.4 BP神经网络分类器设计第61-62页
        4.3.5 基于级联前向神经网络(CFN)的分类算法的实验结果与分析第62-67页
    4.4 本章小结第67-68页
第5章 基于肌音信号的头部动作模式识别的界面设计第68-73页
    5.1 肌音信号采集系统的GUI总界面第68页
    5.2 数据载入界面第68-69页
    5.3 信号处理界面第69-70页
    5.4 模式识别界面第70-71页
    5.5 系统操作第71页
    5.6 显示窗口第71-72页
    5.7 图像显示区第72页
    5.8 本章小结第72-73页
第6章 基于头部动作肌音信号的控制小车实验第73-83页
    6.1 基于肌音信号的控制小车整体方案设计第73-74页
    6.2 单片机及其他硬件的选型第74-76页
    6.3 小车结构设计第76-77页
    6.4 原理图及PCB设计第77-81页
        6.4.1 电源部分第77页
        6.4.2 单片机部分第77-80页
        6.4.3 电机驱动电路第80-81页
    6.5 控制小车实验结果第81页
    6.6 本章小结第81-83页
第7章 总结与展望第83-86页
    7.1 结论第83-84页
    7.2 展望第84-86页
参考文献第86-93页
致谢第93-94页
攻读硕士期间发表论文和申请专利第94页

论文共94页,点击 下载论文
上一篇:基于学习的旋转乒乓球定位与轨迹预测
下一篇:基于机器学习的地物图像分类方法研究