基于支持向量机的表面肌电信号模式识别方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·研究背景及意义 | 第7页 |
| ·国内外研究概况、水平和发展趋势 | 第7-9页 |
| ·国外发展概况 | 第7-8页 |
| ·国内发展概况 | 第8-9页 |
| ·主要研究内容 | 第9-11页 |
| 2 肌电信号的特征及分析方法 | 第11-21页 |
| ·肌电信号的特征 | 第11-12页 |
| ·肌电信号的产生机理 | 第11-12页 |
| ·肌电信号的特点 | 第12页 |
| ·肌电信号的数学模型 | 第12-16页 |
| ·线性系统模型 | 第13-14页 |
| ·集中参数模型 | 第14-15页 |
| ·双极型模型 | 第15页 |
| ·非平稳模型 | 第15-16页 |
| ·表面肌电信号 | 第16-17页 |
| ·肌电信号的分析方法 | 第17-21页 |
| ·平均值叠加法 | 第17页 |
| ·时域分析方法 | 第17页 |
| ·频域分析方法 | 第17-18页 |
| ·时频分析法 | 第18页 |
| ·人工神经网络 | 第18页 |
| ·混沌和分形分析 | 第18-21页 |
| 3 表面肌电信号的特征提取 | 第21-39页 |
| ·引言 | 第21-22页 |
| ·肌电信号特征提取方法综述 | 第22-25页 |
| ·肌电信号的时域分析方法 | 第22-23页 |
| ·肌电信号的频域分析方法 | 第23页 |
| ·肌电信号的时频分析方法 | 第23-25页 |
| ·表面肌电信号的时域特征提取 | 第25页 |
| ·表面肌电信号的小波特征提取 | 第25-37页 |
| ·小波分析基本理论 | 第26-27页 |
| ·常用小波函数及小波函数的选择 | 第27-31页 |
| ·多分辨分析 | 第31-32页 |
| ·矩阵奇异值分解及特征提取 | 第32-33页 |
| ·基于小波变换的特征提取 | 第33-37页 |
| ·讨论和小结 | 第37-39页 |
| 4 支持向量机的基本理论 | 第39-45页 |
| ·支持向量机理论 | 第39-41页 |
| ·最优分类面 | 第39-40页 |
| ·标准支持向量机算法 | 第40-41页 |
| ·最小二乘支持向量机原理 | 第41-43页 |
| ·最小二乘支持向量机多元分类模型 | 第43页 |
| ·本章小结 | 第43-45页 |
| 5 sEMG的模式识别 | 第45-55页 |
| ·基于SVM的多类别分类器的设计 | 第45-48页 |
| ·"一对多"(1-a-r)算法 | 第45-46页 |
| ·"一对一"(1-a-1)算法 | 第46-47页 |
| ·纠错输出编码方法(ECOC) | 第47页 |
| ·最小输出编码方法(MOC) | 第47-48页 |
| ·SVM分类器的参数优化 | 第48-49页 |
| ·支持向量机的参数选择问题 | 第48-49页 |
| ·交叉验证算法 | 第49页 |
| ·多类sEMG的分类实验 | 第49-53页 |
| ·选取不同特征时的分类试验 | 第49-50页 |
| ·选取不同参数下的分类实验 | 第50-51页 |
| ·四种方法设计的分类器的分类实验 | 第51页 |
| ·SVM与RBF神经网络分类比较实验 | 第51-52页 |
| ·不同训练样本下测试分类实验 | 第52-53页 |
| ·讨论与小结 | 第53-55页 |
| 6 总结与展望 | 第55-57页 |
| ·本文工作总结 | 第55页 |
| ·未来工作展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-60页 |
