| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 论文研究的背景和意义 | 第10-11页 |
| 1.2 基于模式识别的肌电假肢控制方案 | 第11-12页 |
| 1.3 肌电信号假肢控制研究现状 | 第12-15页 |
| 1.3.1 肌电信号的特征提取方法 | 第13页 |
| 1.3.2 肌电信号的分类方法研究 | 第13-14页 |
| 1.3.3 提升鲁棒性方法研究 | 第14-15页 |
| 1.3.4 目前存在的主要问题 | 第15页 |
| 1.4 论文的研究内容和创新 | 第15-16页 |
| 1.5 本文的组织结构 | 第16-18页 |
| 第2章 肌电信号的产生机理和采集 | 第18-32页 |
| 2.1 肌电信号的机理 | 第18-19页 |
| 2.2 肌电信号的数学模型 | 第19-24页 |
| 2.3 肌电信号的特征 | 第24-25页 |
| 2.4 肌电信号的采集 | 第25-30页 |
| 2.4.1 表面肌电信号的采集设备 | 第25-27页 |
| 2.4.2 电极的排列方式 | 第27-29页 |
| 2.4.3 手势动作的选取 | 第29-30页 |
| 2.4.4 数据采集方式 | 第30页 |
| 2.5 应用领域 | 第30-31页 |
| 2.6 小结 | 第31-32页 |
| 第3章 肌电信号的预处理和特征提取方式的研究 | 第32-46页 |
| 3.1 表面肌电信号的预处理方法 | 第32-33页 |
| 3.2 表面肌电信号的特征提取方法 | 第33-45页 |
| 3.2.1 时域特征提取方法 | 第33-37页 |
| 3.2.2 频域特征提取方法 | 第37-40页 |
| 3.2.3 时频域特征提取方法 | 第40-43页 |
| 3.2.4 参数模型分析法 | 第43-45页 |
| 3.3 小结 | 第45-46页 |
| 第4章 基于表面肌电信号的动作模式分类方法研究 | 第46-60页 |
| 4.1 BP神经网络 | 第46-50页 |
| 4.1.1 BP神经网络的学习方法 | 第46-48页 |
| 4.1.2 BP网络模型设计 | 第48-50页 |
| 4.2 支持向量机 | 第50-53页 |
| 4.2.1 SVM基本原理 | 第50-52页 |
| 4.2.2 支持向量机的分类 | 第52-53页 |
| 4.3 线性判别分析法 | 第53-55页 |
| 4.3.1 LDA的基本原理 | 第54-55页 |
| 4.3.2 LDA算法的拓展 | 第55页 |
| 4.4 实验结果与分析 | 第55-59页 |
| 4.4.1 数据预处理和参数确定 | 第56页 |
| 4.4.2 Intra-session实验设计与分析 | 第56-58页 |
| 4.4.3 Inter-session实验设计与分析 | 第58-59页 |
| 4.5 小结 | 第59-60页 |
| 第5章 基于在线学习方法的动作分类研究 | 第60-79页 |
| 5.1 在线表面肌电信号动作分类框架 | 第61-62页 |
| 5.2 感知机算法原理 | 第62-65页 |
| 5.2.1 感知机模型 | 第62-64页 |
| 5.2.2 非线性感知机 | 第64-65页 |
| 5.3 基于感知机模型的在线学习算法 | 第65-73页 |
| 5.3.1 在线梯度下降算法 | 第66页 |
| 5.3.2 在线被动-主动算法 | 第66-68页 |
| 5.3.3 置信加权学习算法 | 第68-70页 |
| 5.3.4 权值自适应正则化算法 | 第70-72页 |
| 5.3.5 软间隔置信加权学习算法 | 第72-73页 |
| 5.4 实验结果与分析 | 第73-78页 |
| 5.4.1 参数确定 | 第74页 |
| 5.4.2 不同算法的性能对比实验 | 第74-75页 |
| 5.4.3 Intra-session实验设计与分析 | 第75-76页 |
| 5.4.4 Inter-session实验设计与分析 | 第76页 |
| 5.4.5 逐级增量实验设计与分析 | 第76-78页 |
| 5.5 小结 | 第78-79页 |
| 第6章 总结和展望 | 第79-81页 |
| 6.1 总结 | 第79页 |
| 6.2 展望 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-88页 |
| 攻读学位期间参加的科研项目和成果 | 第88页 |
