摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
目录 | 第7-10页 |
第一章 绪论 | 第10-20页 |
1.1 研究背景 | 第10-11页 |
1.2 研究意义 | 第11页 |
1.3 国内外的研究现状 | 第11-16页 |
1.3.1 下肢肌电信号在国外康复医疗领域的应用 | 第12-16页 |
1.3.2 下肢肌电信号在国内康复医疗领域的应用 | 第16页 |
1.4 下肢外骨骼康复机器人的控制机理 | 第16-18页 |
1.4.1 控制信号源的研究 | 第16-17页 |
1.4.2 肌电信号的控制原理 | 第17-18页 |
1.5 研究的主要内容 | 第18-20页 |
第二章 表面肌电信号的产生与采集 | 第20-36页 |
2.1 肌电信号的概述 | 第20-22页 |
2.1.1 表面肌电信号的产生机理 | 第20-21页 |
2.1.2 表面肌电信号的特征 | 第21-22页 |
2.2 人体下肢肌肉的功能及其步态分析 | 第22-27页 |
2.2.1 人体的运动分析 | 第22-23页 |
2.2.2 下肢肌群及其作用分析 | 第23-25页 |
2.2.3 下肢步态分析 | 第25-27页 |
2.3 表面肌电信号的采集系统 | 第27-35页 |
2.3.1 表面肌电信号采集的硬件系统 | 第27-32页 |
2.3.2 采集过程的干扰因素 | 第32-33页 |
2.3.3 表面肌电信号的采集 | 第33-35页 |
2.4 本章小结 | 第35-36页 |
第三章 表面肌电信号预处理和特征提取方法 | 第36-54页 |
3.1 表面肌电信号预处理 | 第36-41页 |
3.1.1 小波包分析的信号消噪技术 | 第37-39页 |
3.1.2 仿真分析 | 第39-41页 |
3.2 表面肌电信号特征提取方法综述 | 第41-44页 |
3.2.1 时域分析方法 | 第41-42页 |
3.2.2 频域分析方法 | 第42页 |
3.2.3 时频分析方法 | 第42-44页 |
3.3 表面肌电信号的小波特征提取 | 第44-53页 |
3.3.1 小波变换的基本理论 | 第44-45页 |
3.3.2 常用的小波函数及选择 | 第45-47页 |
3.3.3 Mallat算法 | 第47-49页 |
3.3.4 数据段分割技术 | 第49页 |
3.3.5 小波特征的提取方法 | 第49-53页 |
3.4 本章小结 | 第53-54页 |
第四章 基于遗传算法优化神经网络的下肢肌电信号处理 | 第54-66页 |
4.1 人工神经网络与模式识别概述 | 第54-57页 |
4.1.1 人工神经网络简介 | 第54-56页 |
4.1.2 模式识别概述 | 第56页 |
4.1.3 神经网络模式识别的特点 | 第56-57页 |
4.2 Elman神经网络 | 第57-59页 |
4.2.1 Elman神经网络的结构 | 第57-58页 |
4.2.2 Elman 神经网络算法 | 第58-59页 |
4.3 遗传算法的基本理论 | 第59-62页 |
4.3.1 遗传算法的基本组成 | 第59-60页 |
4.3.2 遗传算法的运算过程及关键问题 | 第60-62页 |
4.4 遗传算法优化 Elman 神经网络的实现 | 第62-65页 |
4.4.1 遗传算法优化神经网络的结构 | 第62-63页 |
4.4.2 实验结果 | 第63-65页 |
4.5 本章小结 | 第65-66页 |
第五章 基于 HMM 的下肢表面肌电信号模式识别的研究 | 第66-80页 |
5.1 HMM 的基本原理 | 第66-68页 |
5.1.1 马尔可夫模型 | 第66-67页 |
5.1.2 HMM 的基本概念 | 第67页 |
5.1.3 HMM 的结构组成 | 第67-68页 |
5.2 HMM 经典算法分析 | 第68-74页 |
5.2.1 HMM 的三个基本问题 | 第68-69页 |
5.2.2 HMM 的三个基本算法 | 第69-74页 |
5.3 HMM 的类型及算法实现中的问题 | 第74-75页 |
5.3.1 HMM 的基本类型 | 第74页 |
5.3.2 HMM 算法实现中出现的问题 | 第74-75页 |
5.4 基于 HMM 的下肢 SEMG 模式识别 | 第75-78页 |
5.4.1 特征提取 | 第75页 |
5.4.2 基于 HMM 的 SEMG 状态识别 | 第75-77页 |
5.4.3 实验结果与分析 | 第77-78页 |
5.5 本章小结 | 第78-80页 |
第六章 结论 | 第80-82页 |
参考文献 | 第82-86页 |
攻取学位期间所取得的相关科研成果 | 第86-88页 |
致谢 | 第88页 |