基于盲源分离技术的高密度表面肌电分解
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 肌电信号形成的生理学基础 | 第12-16页 |
| 1.1.1 神经肌肉系统 | 第12页 |
| 1.1.2 运动单位 | 第12-13页 |
| 1.1.3 运动单位动作电位 | 第13-14页 |
| 1.1.4 肌电信号的形成 | 第14-16页 |
| 1.2 肌电信号分解及其研究意义 | 第16-17页 |
| 1.2.1 肌电信号分解 | 第16页 |
| 1.2.2 肌电信号分解的研究意义 | 第16-17页 |
| 1.3 肌电信号分解的研究现状 | 第17-20页 |
| 1.3.1 肌电信号分解的难点 | 第17-18页 |
| 1.3.2 插入式肌电信号分解的研究现状 | 第18-19页 |
| 1.3.3 表面肌电信号分解的研究现状 | 第19-20页 |
| 1.4 本文研究内容 | 第20-22页 |
| 第2章 盲源分离理论简介 | 第22-28页 |
| 2.1 盲源分离简介 | 第22-24页 |
| 2.1.1 盲源分离的概念 | 第22页 |
| 2.1.2 盲源分离问题的形式化描述 | 第22-23页 |
| 2.1.3 盲源分离问题的不同解法 | 第23-24页 |
| 2.2 快速独立分量分析(FastICA)简介 | 第24-26页 |
| 2.3 本章总结 | 第26-28页 |
| 第3章 基于FasICA的表面肌电分解新框架 | 第28-44页 |
| 3.1 引言 | 第28页 |
| 3.2 FastICA与表面肌电分解 | 第28-31页 |
| 3.3 逐步独立分量剥离法 | 第31-36页 |
| 3.3.1 基于卷积模型的分解 | 第31-32页 |
| 3.3.2 剥离策略 | 第32-33页 |
| 3.3.3 带时域约束的FastICA | 第33-35页 |
| 3.3.4 算法框架 | 第35-36页 |
| 3.4 算法性能测试 | 第36-43页 |
| 3.4.1 仿真信号分解测试 | 第36-41页 |
| 3.4.2 真实信号分解测试 | 第41-43页 |
| 3.5 本章总结 | 第43-44页 |
| 第4章 表面肌电分解的自动化实现 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 自动提取运动单位发放时间序列 | 第44-49页 |
| 4.2.1 克服FastICA的符号不确定性 | 第44-45页 |
| 4.2.2 自动迭代阈值设置 | 第45-46页 |
| 4.2.3 寻谷聚类法 | 第46-49页 |
| 4.3 分解可靠性的自动判断 | 第49-51页 |
| 4.3.1 参数约束 | 第49-50页 |
| 4.3.2 缓存策略 | 第50-51页 |
| 4.4 APFP分解框架 | 第51-52页 |
| 4.5 分解性能测试 | 第52-55页 |
| 4.5.1 仿真信号分解测试 | 第52-53页 |
| 4.5.2 真实信号分解测试 | 第53-55页 |
| 4.6 本章总结 | 第55-56页 |
| 第5章 表面肌电信号分解的验证 | 第56-78页 |
| 5.1 引言 | 第56页 |
| 5.2 肌电分解验证的可行性方法 | 第56-57页 |
| 5.3 双源法验证 | 第57-68页 |
| 5.3.1 实验配置和方案 | 第57-60页 |
| 5.3.2 数据分析 | 第60-62页 |
| 5.3.3 结果 | 第62-67页 |
| 5.3.4 小结 | 第67-68页 |
| 5.4 神经肌肉病变条件下的双源法验证 | 第68-73页 |
| 5.4.1 实验设想 | 第68-69页 |
| 5.4.2 数据采集和实验方案 | 第69-70页 |
| 5.4.3 结果分析 | 第70-72页 |
| 5.4.4 小节 | 第72-73页 |
| 5.5 与CKC方法对比 | 第73-76页 |
| 5.5.1 CKC方法简介 | 第73页 |
| 5.5.2 实验设想 | 第73页 |
| 5.5.3 数据采集与实验方案 | 第73-74页 |
| 5.5.4 结果分析 | 第74-75页 |
| 5.5.5 小节 | 第75-76页 |
| 5.6 本章总结 | 第76-78页 |
| 第6章 总结与展望 | 第78-82页 |
| 6.1 论文总结 | 第78-79页 |
| 6.2 研究展望 | 第79-82页 |
| 参考文献 | 第82-90页 |
| 致谢 | 第90-92页 |
| 在读期间发表的学术论文与取得的研究成果 | 第92页 |
