| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 智能轮椅及其国内外研究现状 | 第12-19页 |
| 1.2.1 智能轮椅定义 | 第12-13页 |
| 1.2.2 国内外研究现状和发展趋势 | 第13-19页 |
| 1.3 智能轮椅人机接口技术中尚未解决的主要问题 | 第19-20页 |
| 1.4 研究内容与论文结构 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 第2章 基于视觉信号的智能轮椅人机接口技术 | 第22-38页 |
| 2.1 视频头部运动序列图像预处理 | 第22页 |
| 2.2 基于Adaboost算法的头部姿态估计 | 第22-27页 |
| 2.2.1 扩展的 Haar -like矩形特征 | 第22-24页 |
| 2.2.2 Adaboost人脸及关键特征点定位 | 第24-25页 |
| 2.2.3 关键特征点组合的头部姿态估计 | 第25-27页 |
| 2.3 基于 ASM 算法的头部姿态概率估计 | 第27-35页 |
| 2.3.1 ASM 建模与人脸形状定位 | 第27-33页 |
| 2.3.2 多特征点集 ASM 拟合的头部姿态概率估计 | 第33-35页 |
| 2.4 实验结果与分析 | 第35-37页 |
| 2.4.1 Adaboost和 ASM 算法在人脸及特征点定位上的实验对比 | 第35-36页 |
| 2.4.2 头部姿态估计测试与分析 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于肌电信号的智能轮椅人机接口技术 | 第38-62页 |
| 3.1 表面肌电信号产生机理 | 第38-39页 |
| 3.2 基于增量学习的双支持向量机多类概率估计 | 第39-55页 |
| 3.2.1 肌电信号的采集与预处理 | 第39-41页 |
| 3.2.2 肌电信号的特征提取 | 第41-44页 |
| 3.2.3 多类运动模式识别与概率输出算法 | 第44-55页 |
| 3.2.3.1 双支持向量机模式分类 | 第44-46页 |
| 3.2.3.2 两类双支持向量机概率输出建模 | 第46-50页 |
| 3.2.3.3 多类双支持向量机概率输出建模 | 第50-53页 |
| 3.2.3.4 多类双支持向量机概率输出的增量学习算法 | 第53-55页 |
| 3.3 实验结果及性能分析 | 第55-61页 |
| 3.3.1 UCI 数据测试与分析 | 第55-57页 |
| 3.3.2 肌电模式分类测试与分析 | 第57-61页 |
| 3.3.2.1 肌电信号数据分段结果 | 第57-58页 |
| 3.3.2.2 肌电信号特征提取结果 | 第58-59页 |
| 3.3.2.3 肌电信号模式分类结果 | 第59-61页 |
| 3.4 本章小结 | 第61-62页 |
| 第4章 智能轮椅人机接口中视觉和肌电信息融合实现 | 第62-72页 |
| 4.1 信息融合概述 | 第62页 |
| 4.2 视觉模态下的头部运动意图判别 | 第62-67页 |
| 4.2.1 动态背景图像运动补偿 | 第63页 |
| 4.2.2 头部运动目标检测 | 第63-66页 |
| 4.2.3 头部运动意图判别 | 第66-67页 |
| 4.3 智能轮椅人机接口控制命令的信度层融合生成 | 第67-68页 |
| 4.4 实验结果及性能分析 | 第68-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第5章 双模态融合的智能轮椅接口系统设计与实现 | 第72-83页 |
| 5.1 双模态智能轮椅人机接口的系统组成及环境搭建 | 第72-73页 |
| 5.1.1 智能轮椅人机接口系统组成 | 第72页 |
| 5.1.2 智能轮椅人机接口系统硬件设计 | 第72-73页 |
| 5.1.3 智能轮椅人机接口系统软件设计 | 第73页 |
| 5.2 电动轮椅控制接口设计 | 第73-77页 |
| 5.2.1 电动轮椅控制器改造 | 第73-75页 |
| 5.2.2 单片机控制系统设计 | 第75-77页 |
| 5.3 双模态信息融合的电动轮椅控制实验与分析 | 第77-82页 |
| 5.4 本章小结 | 第82-83页 |
| 第6章 总结与展望 | 第83-85页 |
| 6.1 工作总结 | 第83-84页 |
| 6.2 研究展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-92页 |
| 附录 | 第92-93页 |
