| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-20页 |
| ·研究背景 | 第9-10页 |
| ·假肢与神经肌骨动力学简介 | 第10-17页 |
| ·假肢简介 | 第10-12页 |
| ·神经肌骨动力学模型 | 第12-14页 |
| ·肌电假肢 | 第14-16页 |
| ·研究现状 | 第16-17页 |
| ·本课题研究内容、目的及意义 | 第17-20页 |
| 第二章 EMG-KJA 信号采集平台与实验方案 | 第20-32页 |
| ·下肢关键动作模态介绍 | 第20-21页 |
| ·表面肌电检测的下肢肌群位置选择 | 第21-23页 |
| ·EMG-KJA 信号采集平台 | 第23-28页 |
| ·表面肌电采集系统 | 第23-26页 |
| ·三维运动捕捉系统 | 第26-28页 |
| ·实验准备 | 第28-30页 |
| ·受试者选取 | 第28页 |
| ·EMG 采集电极粘贴 | 第28-30页 |
| ·KJA 采集体表 marker 点粘贴 | 第30页 |
| ·实验设置 | 第30-32页 |
| 第三章 EMG 信号预处理及特征提取 | 第32-44页 |
| ·EMG 信号预处理 | 第32-33页 |
| ·EMG 信号特征提取方法介绍 | 第33-36页 |
| ·时域分析方法 | 第34页 |
| ·频域分析方法 | 第34页 |
| ·时频分析方法 | 第34-35页 |
| ·非线性动力学分析方法 | 第35-36页 |
| ·模式识别特征参数提取 | 第36-42页 |
| ·AR 模型参数 | 第36-38页 |
| ·倒谱系数 | 第38-39页 |
| ·奇异值 | 第39-40页 |
| ·功率谱熵 | 第40-42页 |
| ·运动轨迹预测特征参数提取 | 第42-44页 |
| ·均方根值（Root MeanSquared, RMS） | 第42页 |
| ·中值频率(median frequency，MF) | 第42-44页 |
| 第四章 下肢关键动作模式识别方法与结果 | 第44-77页 |
| ·模式识别基本概念 | 第44-46页 |
| ·支持向量机（Support Vector Machine， SVM） | 第46-57页 |
| ·选择理由 | 第46页 |
| ·线性支持向量机原理介绍 | 第46-49页 |
| ·非线性支持向量机 | 第49-51页 |
| ·核函数 | 第51-52页 |
| ·基于 SVM 的下肢肌电动作模式分类识别结果 | 第52-57页 |
| ·隐马尔科夫模型（HiddenMarkovModel，HMM） | 第57-64页 |
| ·选择理由 | 第57页 |
| ·隐马尔科夫模型简介 | 第57-63页 |
| ·基于 HMM 的下肢肌电动作模式分类识别结果 | 第63-64页 |
| ·人工神经网络(ArtificialNeural Network,ANN) | 第64-73页 |
| ·选择理由 | 第64页 |
| ·生物神经网络基础 | 第64-65页 |
| ·人工神经网络原理 | 第65-68页 |
| ·BP 神经网络 | 第68-71页 |
| ·本研究中 BP 神经网络设计 | 第71-72页 |
| ·基于 ANN 的下肢肌电动作模式分类识别结果 | 第72-73页 |
| ·结果对比 | 第73-77页 |
| 第五章 下肢运动轨迹预测及肌源通道优化 | 第77-99页 |
| ·利用人工神经网络（ANN）预测运动轨迹 | 第77-86页 |
| ·利用肌电均方根值（RMS）进行建模和预测 | 第77-84页 |
| ·利用中值频率（MF）进行建模和预测 | 第84-86页 |
| ·利用支持向量机（SVM）预测运动轨迹 | 第86-90页 |
| ·利用肌电均方根值（RMS）进行建模和预测 | 第86-89页 |
| ·利用中值频率（MF）进行建模和预测 | 第89-90页 |
| ·ANN 与 SVM 预测结果对比 | 第90-91页 |
| ·肌源通道优化 | 第91-99页 |
| 第六章 总结与展望 | 第99-102页 |
| ·本项研究工作总结 | 第99-100页 |
| ·展望 | 第100-102页 |
| 参考文献 | 第102-110页 |
| 发表论文和科研情况说明 | 第110-113页 |
| 致谢 | 第113页 |
