| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 课题国内外研究现状及趋势 | 第12-17页 |
| 1.2.1 康复机器人的发展现状 | 第12-14页 |
| 1.2.2 表面肌电信号特征提取方法研究现状 | 第14-17页 |
| 1.3 本文主要工作 | 第17-19页 |
| 第2章 康复机器人表面肌电采集子系统 | 第19-29页 |
| 2.1 表面肌电信号产生机理 | 第19-20页 |
| 2.1.1 运动单元与运动电位 | 第19-20页 |
| 2.1.2 表面肌电形成 | 第20页 |
| 2.2 康复机器人表面肌电信号采集系统搭建 | 第20-26页 |
| 2.2.1 采集系统硬件 | 第20-22页 |
| 2.2.2 采集系统软件 | 第22-26页 |
| 2.3 表面肌电信号采集实验 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 表面肌电信号预处理方法 | 第29-43页 |
| 3.1 表面肌电信号中运动伪影噪声的滤波方法 | 第29-34页 |
| 3.1.1 采集系统的受噪声影响分析 | 第29-30页 |
| 3.1.2 数字高通滤波器设计 | 第30-33页 |
| 3.1.3 运动伪影滤波实验 | 第33-34页 |
| 3.2 表面肌电信号去随机化方法 | 第34-40页 |
| 3.2.1 表面肌电信号的现象模型 | 第35页 |
| 3.2.2 表面肌电信号方差估计 | 第35-36页 |
| 3.2.3 基于卡尔曼滤波的方差估计 | 第36-39页 |
| 3.2.4 表面肌电信号的方差估计实验 | 第39-40页 |
| 3.3 表面肌电信号活动段分割方法 | 第40-42页 |
| 3.3.1 基于线性判别器的启动判别 | 第40-41页 |
| 3.3.2 带延迟补偿的启动判别 | 第41-42页 |
| 3.4 本章小节 | 第42-43页 |
| 第4章 表面肌电信号的多特征提取方法 | 第43-52页 |
| 4.1 表面肌电信号的时域特征提取方法 | 第43-44页 |
| 4.2 基于模型参数的特征分析方法 | 第44-46页 |
| 4.3 时域特征的时间窗口长度分析 | 第46-49页 |
| 4.4 基于小波变换的表面肌电信号时频域特征提取方法 | 第49-51页 |
| 4.4.1 小波变换 | 第50页 |
| 4.4.2 基于小波能量系数的表面肌电信号特征提取 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于NMF的表面肌电信号多特征融合方法 | 第52-61页 |
| 5.1 表面肌电信号特征融合方法选取 | 第52-53页 |
| 5.2 基础NMF方法 | 第53-55页 |
| 5.2.1 NMF基本问题 | 第53页 |
| 5.2.2 NMF目标函数 | 第53-54页 |
| 5.2.3 NMF乘法迭代更新规则 | 第54-55页 |
| 5.3 交替投影梯度NMF方法 | 第55-59页 |
| 5.3.1 交替非负最小二乘问题 | 第55-56页 |
| 5.3.2 带边界约束优化问题的投影梯度解法 | 第56-57页 |
| 5.3.3 交替投影梯度NMF算法 | 第57-59页 |
| 5.4 基于PGNMF的表面肌电特征融合仿真实验 | 第59-60页 |
| 5.4.1 防畸形点测试 | 第59页 |
| 5.4.2 收敛速度实验 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 基于表面肌电特征的运动模式分类器设计与实验 | 第61-70页 |
| 6.1 基于表面肌电信号特征的运动识别分类器的建模方法 | 第61-62页 |
| 6.2 ELM算法概述 | 第62-63页 |
| 6.3 基于截断奇异值分解的ELM (TSSVD-ELM) | 第63-65页 |
| 6.4 基于表面肌电特征的上肢动作识别实验 | 第65-69页 |
| 6.4.1 表面肌电信号特征提取框架 | 第65-66页 |
| 6.4.2 识别动作设计 | 第66页 |
| 6.4.3 表面肌电信号采样点选择 | 第66-67页 |
| 6.4.4 表面肌电信号采样条件 | 第67页 |
| 6.4.5 基于表面肌电特征的运动模式分类实验 | 第67-69页 |
| 6.5 本章小节 | 第69-70页 |
| 第7章 总结与展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间发表的论文 | 第77页 |
