基于多源神经信息解码的多功能假肢控制性能增强及优化方法
| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章绪论 | 第17-29页 |
| 1.1 课题背景及研究意义 | 第17-18页 |
| 1.2 假肢的发展现状 | 第18-27页 |
| 1.2.1 假肢控制信号源 | 第18-23页 |
| 1.2.2 假肢控制算法 | 第23-25页 |
| 1.2.3 多功能智能假肢存在的问题 | 第25-27页 |
| 1.3 研究目标 | 第27页 |
| 1.4 论文结构 | 第27-29页 |
| 第二章基于脑肌电信息融合的上肢运动识别 | 第29-48页 |
| 2.1 引言 | 第29页 |
| 2.2 运动脑肌电信号同步采集实验 | 第29-34页 |
| 2.2.1 实验对象 | 第29-30页 |
| 2.2.2 实验设备 | 第30-32页 |
| 2.2.3 实验流程 | 第32-34页 |
| 2.3 基于脑肌电信息融合的上肢运动识别方法 | 第34-41页 |
| 2.3.1 数据预处理 | 第35-36页 |
| 2.3.2 脑肌电特征提取 | 第36-37页 |
| 2.3.3 线性判别分析（LDA）算法 | 第37-39页 |
| 2.3.4 顺序前向搜索（SFS）算法 | 第39-40页 |
| 2.3.5 脑肌电融合策略 | 第40-41页 |
| 2.3.6 结果评价指标 | 第41页 |
| 2.4 实验结果与分析 | 第41-47页 |
| 2.4.1 脑肌电融合结果分析 | 第41-42页 |
| 2.4.2 电极通道优化结果分析 | 第42-46页 |
| 2.4.3 优化电极位置分析 | 第46-47页 |
| 2.5 本章小结 | 第47-48页 |
| 第三章基于特征滤波的肌电模式识别性能优化 | 第48-64页 |
| 3.1 引言 | 第48页 |
| 3.2 传统肌电模式识别方法 | 第48-49页 |
| 3.3 基于特征滤波的肌电模式识别 | 第49-52页 |
| 3.4 实验方案设计 | 第52-56页 |
| 3.4.1 实验对象 | 第52页 |
| 3.4.2 实验设备 | 第52-53页 |
| 3.4.3 数据采集 | 第53-54页 |
| 3.4.4 虚拟现实假肢控制 | 第54-56页 |
| 3.5 实验结果与分析 | 第56-63页 |
| 3.5.1 离线动作识别结果分析 | 第56-62页 |
| 3.5.2 实时虚拟假肢控制结果分析 | 第62-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第四章力度变化对假肢控制性能影响的解决策略 | 第64-83页 |
| 4.1 引言 | 第64-65页 |
| 4.2 基于共空间模式的运动识别方法 | 第65-67页 |
| 4.2.1 CSP算法介绍 | 第65-67页 |
| 4.2.2 多类别CSP | 第67页 |
| 4.3 基于平均绝对幅值的并行分类器选择策略 | 第67-69页 |
| 4.4 CSP方法实验方案设计及结果分析 | 第69-76页 |
| 4.4.1 CSP方法实验方案设计 | 第69-73页 |
| 4.4.2 评价指标 | 第73页 |
| 4.4.3 实验结果与分析 | 第73-76页 |
| 4.5 MPC方法实验方案设计及结果分析 | 第76-81页 |
| 4.5.1 实验方案设计 | 第76-79页 |
| 4.5.2 实验结果与分析 | 第79-81页 |
| 4.6 本章小结 | 第81-83页 |
| 第五章非训练动作对假肢控制性能的影响及解决策略 | 第83-95页 |
| 5.1 引言 | 第83-84页 |
| 5.2 扩大样本集训练策略 | 第84-85页 |
| 5.3 实验方案设计 | 第85-90页 |
| 5.3.1 实验对象 | 第85页 |
| 5.3.2 实验设备 | 第85-86页 |
| 5.3.3 数据采集 | 第86-87页 |
| 5.3.4 数据处理 | 第87-89页 |
| 5.3.5 统计分析 | 第89-90页 |
| 5.4 实验结果分析 | 第90-94页 |
| 5.4.1 非训练动作的影响分析 | 第90-93页 |
| 5.4.2 ESS方法实验结果及分析 | 第93-94页 |
| 5.5 本章小结 | 第94-95页 |
| 第六章总结与展望 | 第95-97页 |
| 6.1 本文工作总结 | 第95-96页 |
| 6.2 下一步研究方向 | 第96-97页 |
| 参考文献 | 第97-104页 |
| 作者简介 | 第104-105页 |
