基于表面肌电信号的人手动作模式识别关键技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第13-33页 |
| 1.1 课题来源 | 第13页 |
| 1.2 研究背景及意义 | 第13-15页 |
| 1.3 肌电信号的研究背景 | 第15-19页 |
| 1.3.1 肌电信号的产生机理 | 第15-16页 |
| 1.3.2 肌电信号的检测方法 | 第16-18页 |
| 1.3.3 表面肌电信号的技术优势 | 第18-19页 |
| 1.4 肌电控制仿生手研究现状 | 第19-30页 |
| 1.4.1 国内外仿生手研究现状 | 第20-24页 |
| 1.4.2 表面肌电信号的研究现状 | 第24-28页 |
| 1.4.3 基于sEMG的动作识别研究现状 | 第28-30页 |
| 1.5 本课题的研究内容 | 第30-33页 |
| 1.5.1 基于sEMG的仿生手研究存在的问题 | 第30-31页 |
| 1.5.2 课题研究目标和主要研究内容 | 第31-33页 |
| 第2章 信号采集系统设计和采样方案优选 | 第33-51页 |
| 2.1 引言 | 第33页 |
| 2.2 肌电信号采集系统设计 | 第33-41页 |
| 2.2.1 采样电极的设计制作 | 第34-35页 |
| 2.2.2 前置放大高通滤波电路设计 | 第35-38页 |
| 2.2.3 次级放大低通滤波电路 | 第38页 |
| 2.2.4 陷波电路设计 | 第38-39页 |
| 2.2.5 电压抬升电路设计 | 第39-40页 |
| 2.2.6 A/D转换及数据处理板 | 第40-41页 |
| 2.3 肌电信号采样方案优选 | 第41-49页 |
| 2.3.1 前臂肌群与手指动作的关系 | 第41-43页 |
| 2.3.2 待识别手部动作模式 | 第43-44页 |
| 2.3.3 采样电极配置方案筛选 | 第44-49页 |
| 2.4 本章小结 | 第49-51页 |
| 第3章 表面肌电信号的预处理 | 第51-65页 |
| 3.1 引言 | 第51页 |
| 3.2 原始sEMG信号采样数据性能分析 | 第51-53页 |
| 3.3 表面肌电信号的数据分割 | 第53-58页 |
| 3.3.1 窗口法数据分割 | 第53-54页 |
| 3.3.2 窗口宽度W与滑动增量Wt的选择 | 第54-58页 |
| 3.3.3 原始sEMG信号的预处理结果 | 第58页 |
| 3.4 活动段检测与教师样本标签制作 | 第58-63页 |
| 3.4.1 提取sEMG波形包络线 | 第59-61页 |
| 3.4.2 添加动作类型标签 | 第61-63页 |
| 3.5 本章小结 | 第63-65页 |
| 第4章 表面肌电信号的特征提取 | 第65-87页 |
| 4.1 引言 | 第65-66页 |
| 4.2 时域特征提取 | 第66-70页 |
| 4.2.1 常用的时域特征 | 第66-67页 |
| 4.2.2 时域特征提取 | 第67-70页 |
| 4.3 AR模型系数特征提取 | 第70-74页 |
| 4.3.1 sEMG信号的AR参数模型 | 第70-72页 |
| 4.3.2 AR模型系数特征提取 | 第72-74页 |
| 4.4 时频域特征提取 | 第74-81页 |
| 4.4.1 小波变换的原理和特性 | 第74-75页 |
| 4.4.2 小波包变换的原理及性质 | 第75-77页 |
| 4.4.3 小波包基和最佳分解层的选择 | 第77-78页 |
| 4.4.4 小波包相对能量系数特征提取 | 第78-81页 |
| 4.5 主成分分析 | 第81-85页 |
| 4.5.1 主成分分析法 | 第81-82页 |
| 4.5.2 特征空间降维效果评估 | 第82-85页 |
| 4.6 本章小结 | 第85-87页 |
| 第5章 手部动作多模式分类器设计 | 第87-111页 |
| 5.1 引言 | 第87页 |
| 5.2 模式识别方法概述 | 第87-89页 |
| 5.3 基于BP神经网络的模式分类器设计 | 第89-94页 |
| 5.3.1 BP神经网络的理论基础 | 第90-91页 |
| 5.3.2 BP神经网络的结构参数 | 第91-92页 |
| 5.3.3 BP神经网络的训练过程 | 第92-93页 |
| 5.3.4 基于sEMG的BP神经网络分类器构建 | 第93-94页 |
| 5.4 基于支持向量机的模式分类器设计 | 第94-103页 |
| 5.4.1 支持向量机理论 | 第95-99页 |
| 5.4.2 两分类支持向量机的训练及分类 | 第99-100页 |
| 5.4.3 多分类支持向量机的设计方法 | 第100-102页 |
| 5.4.4 基于sEMG多分类支持向量机的设计 | 第102-103页 |
| 5.5 改进的DT-SVM的模式分类器设计 | 第103-108页 |
| 5.5.1 常规SVM多类分类算法比较 | 第103-104页 |
| 5.5.2 DT-SVM多类分类算法 | 第104-105页 |
| 5.5.3 改进的DT-SVM多类分类算法 | 第105-108页 |
| 5.6 本章小结 | 第108-111页 |
| 第6章 分类训练实验与识别效果分析 | 第111-135页 |
| 6.1 引言 | 第111页 |
| 6.2 模式识别实验与结果分析 | 第111-133页 |
| 6.2.1 分组实验准备 | 第111-112页 |
| 6.2.2 “单指”动作分类实验 | 第112-118页 |
| 6.2.3 “抓握及手腕”动作分类实验 | 第118-123页 |
| 6.2.4 “手势”动作分类结果实验 | 第123-127页 |
| 6.2.5 “全模式”动作分类实验 | 第127-130页 |
| 6.2.6 改进的DT-SVM分类器对比实验 | 第130-132页 |
| 6.2.7 时效性分析 | 第132-133页 |
| 6.3 本章小结 | 第133-135页 |
| 第7章 总结与展望 | 第135-139页 |
| 7.1 总结 | 第135-136页 |
| 7.2 创新点 | 第136-137页 |
| 7.3 展望 | 第137-139页 |
| 附录A | 第139-149页 |
| 附录B | 第149-173页 |
| 参考文献 | 第173-181页 |
| 致谢 | 第181-183页 |
| 攻读学位期间参加的科研项目和成果 | 第183页 |
