| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第14-30页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状与分析 | 第15-27页 |
| 1.2.1 国外研究现状与分析 | 第15-22页 |
| 1.2.2 国内研究现状与分析 | 第22-26页 |
| 1.2.3 外骨骼机器人步态研究现状与分析 | 第26-27页 |
| 1.3 研究内容 | 第27页 |
| 1.4 本文的贡献 | 第27-28页 |
| 1.5 论文的组织 | 第28-29页 |
| 1.6 本章小结 | 第29-30页 |
| 第二章 外骨骼机器人及其数据采集系统 | 第30-40页 |
| 2.1 外骨骼机器人介绍 | 第30-33页 |
| 2.2 数据采集系统设计 | 第33-37页 |
| 2.3 数据采集实验设计 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 深度运动模式识别模型 | 第40-54页 |
| 3.1 步态数据的处理 | 第40-43页 |
| 3.2 深度运动模式识别模型的建立 | 第43-46页 |
| 3.3 深度运动模式识别模型的结果与分析 | 第46-53页 |
| 3.3.1 实验一：深度运动模式识别模型的建立与性能分析 | 第46-50页 |
| 3.3.2 实验二：几种常见运动模式识别模型的建立与比较 | 第50-51页 |
| 3.3.3 实验三：深度运动模式识别模型的实时性分析 | 第51-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第四章 不同角度的步态相预测与对比 | 第54-71页 |
| 4.1 数据预处理和特征选择 | 第54-57页 |
| 4.2 基于粒子群优化算法的支持向量机的建立 | 第57-65页 |
| 4.2.1 线性可分支持向量机 | 第58-59页 |
| 4.2.2 线性支持向量机 | 第59-61页 |
| 4.2.3 非线性支持向量机 | 第61-62页 |
| 4.2.4 支持向量机的结构 | 第62页 |
| 4.2.5 基于粒子群优化算法的支持向量机 | 第62-65页 |
| 4.3 非线性自回归模型的建立 | 第65-66页 |
| 4.4 两种步态相预测模型的结果与比较分析 | 第66-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 基于多模输入机器学习模型的步态规划算法 | 第71-88页 |
| 5.1 脑机接口系统 | 第71-72页 |
| 5.2 基于稳态视觉诱发的脑电信号的采集 | 第72-76页 |
| 5.2.1 稳态视觉诱发 | 第72-74页 |
| 5.2.2 脑电信号采集实验的设计 | 第74-75页 |
| 5.2.3 脑电信号预处理 | 第75-76页 |
| 5.3 典型相关分析法 | 第76-80页 |
| 5.4 基于多模态信息融合控制的外骨骼机器人步态规划 | 第80-81页 |
| 5.5 实验结果与分析 | 第81-87页 |
| 5.5.1 离线实验 | 第82-84页 |
| 5.5.2 在线实验 | 第84-87页 |
| 5.6 本章小结 | 第87-88页 |
| 第六章 结束语 | 第88-90页 |
| 6.1 本文工作总结 | 第88-89页 |
| 6.2 下一步研究方向 | 第89-90页 |
| 参考文献 | 第90-96页 |
| 致谢 | 第96-97页 |
| 作者简介 | 第97-98页 |
