| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景与研究意义 | 第10-12页 |
| 1.3 仿生手臂研究现状 | 第12-14页 |
| 1.3.1 国内外研究现状 | 第12-14页 |
| 1.3.2 目前存在主要问题 | 第14页 |
| 1.4 本文主要研究内容与结构安排 | 第14-18页 |
| 1.4.1 主要研究工作 | 第14-15页 |
| 1.4.2 本文结构安排 | 第15-18页 |
| 第2章 表面肌电信号的提取与处理 | 第18-28页 |
| 2.1 肌电信号生理学概念和产生机理 | 第18-19页 |
| 2.2 表面肌电信号应用与特点 | 第19-21页 |
| 2.3 采集表面肌电信号主要设备与方法 | 第21-26页 |
| 2.3.1 主要实验设备 | 第21-22页 |
| 2.3.2 手臂动作选择及电极放置 | 第22-25页 |
| 2.3.3 四种动作信号的采集 | 第25-26页 |
| 2.3.4 注意事项 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 表面肌电信号的特征提取 | 第28-42页 |
| 3.1 时域特征提取方法 | 第28-30页 |
| 3.2 频域特征提取方法 | 第30-32页 |
| 3.3 时频域特征提取方法 | 第32-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于表面肌电信号的动作模式分类方法 | 第42-52页 |
| 4.1 支持向量机概述 | 第42-44页 |
| 4.2 支持向量机原理 | 第44-47页 |
| 4.2.1 最优分类面 | 第44-45页 |
| 4.2.2 核函数 | 第45-47页 |
| 4.2.3 支持向量机参数选择 | 第47页 |
| 4.3 支持向量机分类方法 | 第47-49页 |
| 4.3.1 一对多方法 | 第48-49页 |
| 4.3.2 一对一方法 | 第49页 |
| 4.4 最小二乘支持向量机 | 第49-50页 |
| 4.5 BP 神经网络 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 表面肌电信号动作模式识别处理与系统设计 | 第52-66页 |
| 5.1 实验数据基础 | 第52-53页 |
| 5.2 参数的优化 | 第53-58页 |
| 5.2.1 交叉验证方法 | 第54页 |
| 5.2.2 网格搜索法寻参 | 第54-55页 |
| 5.2.3 遗传算法寻参 | 第55-56页 |
| 5.2.4 粒子群算法寻参 | 第56-58页 |
| 5.3 模式识别结果分析 | 第58-60页 |
| 5.3.1 手臂动作模式识别率 | 第58-59页 |
| 5.3.2 手臂动作模式识别训练时间 | 第59-60页 |
| 5.4 手臂动作表面肌电信号模式识别离线系统设计 | 第60-64页 |
| 5.4.1 基于 MATLAB 的 GUI 图形用户界面概述 | 第60-62页 |
| 5.4.2 离线系统制作与操作步骤 | 第62-64页 |
| 5.5 本章小结 | 第64-66页 |
| 第6章 全文总结与未来展望 | 第66-68页 |
| 6.1 全文总结 | 第66-67页 |
| 6.2 未来工作展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 作者简介 | 第74-76页 |
| 致谢 | 第76页 |