多种混杂因素下鲁棒式肌电模式识别方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 肌电控制的研究现状 | 第11-22页 |
| 1.2.1 肌电控制的发展 | 第11-13页 |
| 1.2.2 基于模式识别的肌电控制 | 第13-22页 |
| 1.3 课题来源及主要研究内容 | 第22-23页 |
| 第2章 电极位置窜动下肌电特征提取方法研究 | 第23-43页 |
| 2.1 引言 | 第23页 |
| 2.2 基本特征 | 第23-24页 |
| 2.3 特征提取 | 第24-30页 |
| 2.3.1 信号预处理 | 第24-25页 |
| 2.3.2 基于粒子群算法的特征阈值优化 | 第25-26页 |
| 2.3.3 基于离散傅里叶变换的特征提取 | 第26-28页 |
| 2.3.4 基于小波变换和小波包变换的特征提取 | 第28-30页 |
| 2.4 模式分类 | 第30-32页 |
| 2.4.1 支持向量机 | 第30-31页 |
| 2.4.2 线性判别分析 | 第31-32页 |
| 2.5 实验及结果 | 第32-41页 |
| 2.5.1 实验设计 | 第32-34页 |
| 2.5.2 实验结果及分析 | 第34-41页 |
| 2.6 本章小结 | 第41-43页 |
| 第3章 不同手臂互换下的肌电模式分类研究 | 第43-57页 |
| 3.1 引言 | 第43页 |
| 3.2 分类器 | 第43-45页 |
| 3.2.1 人工神经网络 | 第43-44页 |
| 3.2.2 K最近邻算法 | 第44页 |
| 3.2.3 集成学习 | 第44-45页 |
| 3.3 支持向量机的核函数 | 第45-47页 |
| 3.3.1 单核学习 | 第45-46页 |
| 3.3.2 多核学习 | 第46-47页 |
| 3.4 实验及结果 | 第47-55页 |
| 3.4.1 实验设计 | 第47页 |
| 3.4.2 特征选择 | 第47-50页 |
| 3.4.3 实验结果及分析 | 第50-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第4章 在线无监督学习策略研究 | 第57-69页 |
| 4.1 引言 | 第57页 |
| 4.2 增量学习 | 第57-58页 |
| 4.2.1 无监督增量学习 | 第58页 |
| 4.3 基于代表性样本的在线学习 | 第58-62页 |
| 4.3.1 概念漂移 | 第58-60页 |
| 4.3.2 代表性样本的初始化与更新 | 第60-62页 |
| 4.3.3 基于代表性样本的在线学习算法 | 第62页 |
| 4.4 长期佩戴实验及结果 | 第62-67页 |
| 4.4.1 实验设计 | 第62-63页 |
| 4.4.2 实验结果及分析 | 第63-67页 |
| 4.5 本章小结 | 第67-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-78页 |
| 攻读硕士学位期间发表的论文 | 第78-80页 |
| 致谢 | 第80页 |
