| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 sEMG特征提取方法、特征选择与特征投影研究现状 | 第10-11页 |
| 1.2.2 基于sEMG的人手动作模式识别研究现状 | 第11-12页 |
| 1.2.3 基于sEMG的手指抓取力信息获取技术的研究现状 | 第12-13页 |
| 1.2.4 基于sEMG的假肢手肌电控制研究现状 | 第13-14页 |
| 1.3 课题来源及主要研究内容 | 第14-15页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 主要研究内容 | 第14-15页 |
| 1.4 本文结构安排 | 第15-17页 |
| 第2章 假肢手肌电控制系统组成 | 第17-24页 |
| 2.1 控制系统的整体结构 | 第17-19页 |
| 2.1.1 人手动作模式识别控制系统组成 | 第17-18页 |
| 2.1.2 人手抓取力预测控制系统组成 | 第18-19页 |
| 2.2 控制系统的核心组成部分 | 第19-23页 |
| 2.2.1 MYO臂环及其选择 | 第19-21页 |
| 2.2.2 系统控制平台介绍 | 第21-22页 |
| 2.2.3 假肢手本体 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于sEMG的人手动作模式识别技术 | 第24-43页 |
| 3.1 sEMG采集及实验方案设计 | 第24-27页 |
| 3.2 sMEG预处理 | 第27-31页 |
| 3.2.1 sEMG干扰分析 | 第27页 |
| 3.2.2 带通滤波器处理 | 第27-28页 |
| 3.2.3 动作起止点判断 | 第28-31页 |
| 3.3 sEMG特征分析及提取 | 第31-32页 |
| 3.4 PCA降维 | 第32-34页 |
| 3.5 人手动作模式识别算法及分类器 | 第34-40页 |
| 3.5.1 常用模式识别分类器 | 第34-35页 |
| 3.5.2 BP神经网络算法的建模 | 第35-40页 |
| 3.6 实验结果分析 | 第40-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 基于sEMG的人手抓取力预测技术 | 第43-57页 |
| 4.1 抓取力信号采集 | 第43-47页 |
| 4.1.1 采集平台及实验方案设计 | 第43-46页 |
| 4.1.2 力信号采集预处理 | 第46-47页 |
| 4.2 sEMG特征分析及特征选择 | 第47-49页 |
| 4.3 基于sEMG信号的抓取力预测模型 | 第49-52页 |
| 4.3.1 抓取力预测模型的选择 | 第49-50页 |
| 4.3.2 抓取力预测模型 | 第50-52页 |
| 4.4 实验结果分析 | 第52-56页 |
| 4.4.1 抓取力按照大小模式分类结果分析 | 第52-53页 |
| 4.4.2 抓取力预测结果分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 假肢手肌电控制系统设计 | 第57-72页 |
| 5.1 在线实现实验方案设计 | 第57页 |
| 5.2 人手动作模式分类的在线实现 | 第57-66页 |
| 5.2.1 开发环境平台 | 第57-59页 |
| 5.2.2 系统软件总体设计方案 | 第59页 |
| 5.2.3 软件系统各模块设计 | 第59-64页 |
| 5.2.4 在线识别结果分析 | 第64-66页 |
| 5.3 三指指尖力预测的在线实现 | 第66-71页 |
| 5.3.1 系统软件总体设计方案 | 第66-67页 |
| 5.3.2 系统各模块设计 | 第67-69页 |
| 5.3.3 在线实现结果分析 | 第69-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第6章 结论与展望 | 第72-74页 |
| 6.1 主要结论总结 | 第72页 |
| 6.2 展望未来工作 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录A 主要缩略词表 | 第80-81页 |
| 攻读学位期间取得的研究成果 | 第81-82页 |
| 致谢 | 第82页 |
