| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题背景与意义 | 第11-12页 |
| 1.3 仿生康复手的研究现状及发展 | 第12-15页 |
| 1.4 表面肌电信号研究及发展 | 第15-17页 |
| 1.5 本课题的研究内容 | 第17-18页 |
| 1.5.1 主要研究内容 | 第17页 |
| 1.5.2 论文结构安排 | 第17-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 表面肌电信号的采集与预处理 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 表面肌电信号的采集与获取 | 第19-27页 |
| 2.2.1 肌电信号的产生机理及特点 | 第19-20页 |
| 2.2.2 手臂肌肉的分布特点与手指动作的选择 | 第20-21页 |
| 2.2.3 表面肌电信号采集设备 | 第21-25页 |
| 2.2.4 表面肌电信号采集实验 | 第25-27页 |
| 2.3 表面肌电信号的数据分割预处理 | 第27-31页 |
| 2.3.1 滑动窗口法 | 第27-28页 |
| 2.3.2 窗口宽度W与增量Wt的选定 | 第28-31页 |
| 2.3.3 原始数据样本的预处理结果 | 第31页 |
| 2.4 多通道表面肌电信号分析架构 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 表面肌电信号的特征选择与提取 | 第33-49页 |
| 3.1 引言 | 第33页 |
| 3.2 基于SEMG的时域特征提取 | 第33-36页 |
| 3.2.1 常用的时域特征 | 第33-34页 |
| 3.2.2 表面肌电信号的时域特征提取 | 第34-36页 |
| 3.3 基于AR参数模型的SEMG特征提取 | 第36-40页 |
| 3.3.1 AR参数模型的建立 | 第37页 |
| 3.3.2 AR模型参数估计与定阶 | 第37-38页 |
| 3.3.3 表面肌电信号的AR模型系数特征提取 | 第38-40页 |
| 3.4 基于小波包变换的SEMG特征提取 | 第40-45页 |
| 3.4.1 小波包变换的原理及特性 | 第41-42页 |
| 3.4.2 表面肌电信号的小波包相对能量系数特征提取 | 第42-45页 |
| 3.5 主元分析降维与特征空间优化 | 第45-47页 |
| 3.5.1 PCA主元分析法 | 第45-46页 |
| 3.5.2 sEMG的特征空间优化 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 表面肌电信号的分类器设计 | 第49-69页 |
| 4.1 引言 | 第49页 |
| 4.2 模式识别概述 | 第49-51页 |
| 4.3 BP神经网络分类器的设计 | 第51-57页 |
| 4.3.1 BP神经网络的概念及基本结构参数 | 第51-52页 |
| 4.3.2 BP神经网络的相关参数计算 | 第52-55页 |
| 4.3.3 基于sEMG的BP神经网络分类器构建 | 第55-57页 |
| 4.4 多分类支持向量机的设计 | 第57-63页 |
| 4.4.1 支持向量机的理论基础 | 第57-61页 |
| 4.4.2 基于sEMG多分类支持向量机的设计 | 第61-63页 |
| 4.5 教师样本标签的制定 | 第63-67页 |
| 4.5.1 提取sEMG特征包络线 | 第64-66页 |
| 4.5.2 制作教师样本标签 | 第66-67页 |
| 4.6 本章小结 | 第67-69页 |
| 第5章 表面肌电信号的模式识别实验与分析 | 第69-79页 |
| 5.1 引言 | 第69页 |
| 5.2 模式识别实验与结果分析 | 第69-78页 |
| 5.2.1 基于sEMG特征的BP神经网络分类实验与分析 | 第69-74页 |
| 5.2.2 基于sEMG特征的支持向量机分类实验与结果分析 | 第74-78页 |
| 5.3 本章小结 | 第78-79页 |
| 第6章 结论与展望 | 第79-81页 |
| 6.1 结论 | 第79页 |
| 6.2 创新点 | 第79-80页 |
| 6.3 展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 攻读学位期间参加的科研项目和成果 | 第89页 |
