| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 肌电信号采集与去噪 | 第11-12页 |
| 1.2.2 肌电信号特征提取与降维 | 第12-14页 |
| 1.2.3 肌电信号的模式识别 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 第二章 肌电信号的产生、采集与预处理 | 第17-28页 |
| 2.1 肌电信号的产生及特性 | 第17-19页 |
| 2.2 肌电信号的采集 | 第19-23页 |
| 2.2.1 采集仪器的软硬件部分 | 第19-21页 |
| 2.2.2 手部动作的肌肉选择 | 第21页 |
| 2.2.3 前臂肌电信号的采集实验 | 第21-23页 |
| 2.3 表面肌电信号的前处理 | 第23-27页 |
| 2.3.1 表面肌电信号的动作分割 | 第23-24页 |
| 2.3.2 表面肌电信号的去噪 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 肌电信号的特征提取与特征降维 | 第28-40页 |
| 3.1 时域分析 | 第28-30页 |
| 3.2 频域分析 | 第30-32页 |
| 3.3 小波分析 | 第32-35页 |
| 3.4 特征降维 | 第35-39页 |
| 3.4.1 PCA降维方法 | 第35-36页 |
| 3.4.2 LE降维方法 | 第36-37页 |
| 3.4.3 降维实验对比 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于VPMCD的表面肌电信号模式识别 | 第40-51页 |
| 4.1 基于多变量预测模型的算法原理 | 第40-43页 |
| 4.1.1 变量预测模型 | 第40-41页 |
| 4.1.2 基于多变量预测模型的基本思想 | 第41页 |
| 4.1.3 VPMCD模型的训练和分类过程 | 第41-43页 |
| 4.2 其它模式识别方法 | 第43-46页 |
| 4.2.1 人工神经网络 | 第43-44页 |
| 4.2.2 支持向量机 | 第44-46页 |
| 4.3 模式识别实验与对比分析 | 第46-50页 |
| 4.3.1 实验数据的准备 | 第46页 |
| 4.3.2 模型的建立及实验结果 | 第46-49页 |
| 4.3.3 方法对比分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于表面肌电信号的机械臂控制实验 | 第51-60页 |
| 5.1 肌电控制系统的总体结构 | 第51-52页 |
| 5.2 肌电控制系统的硬件部分 | 第52-53页 |
| 5.3 肌电控制系统的软件部分 | 第53-57页 |
| 5.3.1 控制系统的软件平台搭建 | 第53页 |
| 5.3.2 基于LabVIEW平台的信号分析与识别 | 第53-54页 |
| 5.3.3 基于LabVIEW的PC机与控制板的通信 | 第54-57页 |
| 5.4 机械手臂的肌电控制实验 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 结论与展望 | 第60-61页 |
| 6.1 主要结论 | 第60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读研究生期间参与的研究成果 | 第65-66页 |
| 致谢 | 第66页 |