融合下肢多源信息的动作感知与生物动力学建模
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外外骨骼机器人研究现状 | 第12-14页 |
| 1.2.2 国内外骨骼机器人研究现状 | 第14-15页 |
| 1.3 基于sEMG的下肢行为感知现状 | 第15-16页 |
| 1.4 下肢力学建模现状 | 第16-17页 |
| 1.5 论文主要工作 | 第17-19页 |
| 1.5.1 论文主要研究内容 | 第17-18页 |
| 1.5.2 论文纲要 | 第18-19页 |
| 第2章 下肢多源信息获取及实验方法 | 第19-27页 |
| 2.1 sEMG的生理特性 | 第19-20页 |
| 2.2 下肢生理及运动信息采集平台 | 第20-23页 |
| 2.2.1 sEMG采集相关设备 | 第20-21页 |
| 2.2.2 下肢惯性数据获取相关设备 | 第21-22页 |
| 2.2.3 脚底压力获取相关设备 | 第22-23页 |
| 2.3 下肢信息采集实验方案 | 第23-26页 |
| 2.3.1 各实验设备配置方案 | 第23-24页 |
| 2.3.2 下肢多重信息采集实验过程 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 下肢运动信息处理及行为感知 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 下肢实验数据的预处理 | 第27-32页 |
| 3.2.1 基于HHT的sEMG数据滤波处理 | 第27-30页 |
| 3.2.2 足底压力信号滤波平滑处理 | 第30-31页 |
| 3.2.3 惯性数据预处理 | 第31-32页 |
| 3.3 下肢运动数据特征提取 | 第32-38页 |
| 3.3.1 sEMG特征提取技术 | 第34-36页 |
| 3.3.2 足底压力特征提取 | 第36-37页 |
| 3.3.3 惯性数据基于小波分解进行特征提取 | 第37-38页 |
| 3.4 融合多特征的下肢运动模式识别 | 第38-41页 |
| 3.4.1 信息融合及筛选 | 第38-40页 |
| 3.4.2 特征融合分类结果 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于GRNN的膝关节角度预测 | 第43-57页 |
| 4.1 引言 | 第43页 |
| 4.2 广义回归神经网络模型 | 第43-46页 |
| 4.2.1 径向基函数网络 | 第43-44页 |
| 4.2.2 GRNN理论基础及结构 | 第44-46页 |
| 4.3 GRNN参数寻优及膝关节角预测方法 | 第46-49页 |
| 4.3.1 果蝇优化算法寻优GRNN参数 | 第46-48页 |
| 4.3.2 膝关节角度预测方法 | 第48-49页 |
| 4.4 实验数据处理 | 第49-51页 |
| 4.4.1 sEMG预处理 | 第49-50页 |
| 4.4.2 足底压力合力拟合 | 第50页 |
| 4.4.3 五点三次平滑算法 | 第50-51页 |
| 4.5 实验及结果分析 | 第51-55页 |
| 4.6 本章小结 | 第55-57页 |
| 第5章 下肢生物动力学模型的建立及分析 | 第57-77页 |
| 5.1 引言 | 第57页 |
| 5.2 肌肉生物力学模型分析 | 第57-62页 |
| 5.2.1 肌肉张力-速度-长度分析 | 第58-60页 |
| 5.2.2 肌力-肌电关系分析 | 第60-61页 |
| 5.2.3 肌肉激活程度 | 第61-62页 |
| 5.3 人体下肢生物动力学建模 | 第62-68页 |
| 5.3.1 Hill模型 | 第62-65页 |
| 5.3.2 OpenSim下肢建模 | 第65-68页 |
| 5.4 模型检验 | 第68-76页 |
| 5.4.1 关节角度及受力分析 | 第68-70页 |
| 5.4.2 肌力分析验证 | 第70-72页 |
| 5.4.3 关节力矩分析 | 第72-75页 |
| 5.4.4 足底压力分析 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 工作总结 | 第77-78页 |
| 6.2 问题与展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85页 |
