| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-11页 |
| 1.1.1 助行辅具 | 第9-10页 |
| 1.1.2 功能性电刺激 | 第10-11页 |
| 1.2 研究内容 | 第11-13页 |
| 第二章 动力辅具助行网络监测系统设计 | 第13-20页 |
| 2.1 系统硬件部分 | 第13-18页 |
| 2.1.1 辅具测力系统 | 第14-17页 |
| 2.1.2 FES 装置 | 第17-18页 |
| 2.2 系统软件部分 | 第18-20页 |
| 第三章 基于蚁群算法的监测系统多传感器信息融合 | 第20-34页 |
| 3.1 柄反作用矢量 | 第20-22页 |
| 3.1.1 HRV 的测量 | 第21页 |
| 3.1.2 冗余—优化方法 | 第21-22页 |
| 3.2 传统线性标定 | 第22-27页 |
| 3.2.1 静态标定 | 第22-24页 |
| 3.2.2 误差检验 | 第24-27页 |
| 3.3 基于蚁群算法的多传感器信息融合 | 第27-34页 |
| 3.3.1 多传感器数据融合 | 第27页 |
| 3.3.2 蚁群算法描述 | 第27-30页 |
| 3.3.3 基于蚁群系统的多传感器信息融合 | 第30-34页 |
| 第四章 动力辅具助行安全性评价机制与测试 | 第34-49页 |
| 4.1 HRV 的输出 | 第34-38页 |
| 4.2 辅具倾翻指数（WTI） | 第38-41页 |
| 4.2.1 辅具倾翻指数的定义 | 第38-40页 |
| 4.2.2 WTI 曲线示例 | 第40-41页 |
| 4.3 人体虚拟重心(VCG) | 第41-49页 |
| 4.3.1 人体虚拟重心定义 | 第41-45页 |
| 4.3.2 VCG 曲线示例 | 第45-49页 |
| 第五章 动力辅具助行安全性神经网络模型 | 第49-67页 |
| 5.1 样本数据的提取 | 第49-50页 |
| 5.2 人工神经网络 | 第50-58页 |
| 5.2.1 人工神经网络概述 | 第50-52页 |
| 5.2.2 人工神经网络模型 | 第52-53页 |
| 5.2.3 BP 网络算法 | 第53-58页 |
| 5.3 交叉验证 | 第58-59页 |
| 5.4 BP 网络在动力辅具系统安全性监测中的应用 | 第59-67页 |
| 5.4.1 电压的识别结果 | 第60-61页 |
| 5.4.2 HRV 的识别结果 | 第61页 |
| 5.4.3 融合WTI 的识别结果 | 第61-62页 |
| 5.4.4 融合VCG 的识别结果 | 第62-63页 |
| 5.4.5 识别结果比较 | 第63-67页 |
| 第六章 动力辅具助行安全性特征分析 | 第67-73页 |
| 6.1 动力辅具助行实验 | 第67-69页 |
| 6.2.1 实验对象 | 第67页 |
| 6.2.2 实验过程 | 第67-69页 |
| 6.2 安全性特征分析 | 第69-73页 |
| 第七章总结与展望 | 第73-75页 |
| 7.1 主要工作总结 | 第73-74页 |
| 7.2 今后的工作展望 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 发表论文和科研情况说明 | 第78-79页 |
| 致谢 | 第79页 |