基于多源信息的下肢外骨骼步态分析与平衡研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外外骨骼机器人研究现状 | 第12-14页 |
| 1.2.2 国内外骨骼机器人研究现状 | 第14页 |
| 1.3 步态分析研究现状 | 第14-16页 |
| 1.3.1 步态模式的分类 | 第15页 |
| 1.3.2 步态模型的分析 | 第15-16页 |
| 1.4 机器人平衡研究现状 | 第16-17页 |
| 1.5 论文的主要工作 | 第17-19页 |
| 1.5.1 论文主要研究内容 | 第17-18页 |
| 1.5.2 论文纲要 | 第18-19页 |
| 第2章 下肢多源信息获取及实验方法 | 第19-29页 |
| 2.1 肌电信号产生机理及特点 | 第19-20页 |
| 2.2 下肢多源信息采集平台 | 第20-23页 |
| 2.2.1 肌电数据采集相关设备 | 第20-21页 |
| 2.2.2 惯性数据采集相关设备 | 第21-22页 |
| 2.2.3 足底压力数据采集相关设备 | 第22-23页 |
| 2.3 下肢多源信息采集实验方法 | 第23-27页 |
| 2.3.1 实验设备配置方案 | 第23-24页 |
| 2.3.2 步态数据采集实验 | 第24-26页 |
| 2.3.3 平衡策略数据采集实验 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 多源信息处理及步态模式分类 | 第29-47页 |
| 3.1 实验数据的预处理 | 第29-35页 |
| 3.1.1 肌电数据滤波处理 | 第29-33页 |
| 3.1.2 足底压力数据滤波处理 | 第33-34页 |
| 3.1.3 惯性数据滤波处理 | 第34-35页 |
| 3.2 肌电活动段检测及特征提取 | 第35-39页 |
| 3.2.1 基于样本熵的活动段检测 | 第35-37页 |
| 3.2.2 时域特征提取 | 第37-38页 |
| 3.2.3 频域特征提取 | 第38-39页 |
| 3.3 足底压力及惯性数据特征提取 | 第39-41页 |
| 3.3.1 足底压力特征提取 | 第39-40页 |
| 3.3.2 惯性数据特征提取 | 第40-41页 |
| 3.4 基于MKRVM的下肢步态分类 | 第41-46页 |
| 3.4.1 MKRVM分类算法 | 第41-42页 |
| 3.4.2 核函数选择及算法流程 | 第42-43页 |
| 3.4.3 实验结果及分析 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于PSO-ELM步态模型的建立 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 基于粒子群优化极限学习机建模 | 第47-50页 |
| 4.2.1 ELM极限学习机 | 第47-49页 |
| 4.2.2 粒子群优化算法 | 第49-50页 |
| 4.3 实验数据处理及步态模型建立方法 | 第50-52页 |
| 4.3.1 肌电及惯性数据处理 | 第50-51页 |
| 4.3.2 步态模型的建立方法 | 第51-52页 |
| 4.4 关节角度及角速度步态模型的建立 | 第52-60页 |
| 4.4.1 关节角度步态模型的建立 | 第52-57页 |
| 4.4.2 关节角速度步态模型的建立 | 第57-59页 |
| 4.4.3 实验结果及分析 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 下肢平衡策略分析 | 第61-73页 |
| 5.1 引言 | 第61页 |
| 5.2 平衡策略的分析方法 | 第61-63页 |
| 5.3 踝关节平衡策略分析 | 第63-65页 |
| 5.3.1 sEMG变化分析 | 第63-64页 |
| 5.3.2 踝关节力矩计算 | 第64-65页 |
| 5.4 迈步平衡策略分析 | 第65-70页 |
| 5.4.1 sEMG变化分析 | 第65-66页 |
| 5.4.2 膝关节和髋关节力矩计算 | 第66-70页 |
| 5.5 结合sEMG的关节力矩预测 | 第70-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 工作总结 | 第73-74页 |
| 6.2 问题与展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81页 |
