| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 灵巧手的发展历程及研究现状 | 第13-15页 |
| 1.2.2 肌电信号的发展简述 | 第15-16页 |
| 1.2.3 灵巧手肌电控制的发展历程及研究现状 | 第16-18页 |
| 1.2.4 虚拟现实技术简述 | 第18-19页 |
| 1.3 存在的问题及解决方案 | 第19页 |
| 1.4 研究内容 | 第19-21页 |
| 第2章 肌电信号的采集及模式识别方法 | 第21-27页 |
| 2.1 肌电信号的产生机理及特点 | 第21-22页 |
| 2.1.1 肌电信号的产生机理 | 第21页 |
| 2.1.2 肌电信号的特点 | 第21-22页 |
| 2.2 肌电信号采集方式的选择 | 第22-23页 |
| 2.3 肌电控制信号的模式识别方法 | 第23-26页 |
| 2.3.1 表面肌电信号的特征提取方法及性能比较 | 第23-25页 |
| 2.3.2 基于人工神经网络的特征分类方法及性能比较 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于前臂表面肌电信号的8动作模式识别 | 第27-45页 |
| 3.1 实验系统 | 第27-28页 |
| 3.2 8 动作状态识别实验 | 第28-32页 |
| 3.2.1 实验设计流程 | 第28-29页 |
| 3.2.2 传感器数量及布局 | 第29-31页 |
| 3.2.3 样本数据的提取 | 第31-32页 |
| 3.3 特征提取 | 第32-37页 |
| 3.3.1 时域特征提取 | 第33页 |
| 3.3.2 AR特征提取 | 第33-37页 |
| 3.4 特征降维 | 第37-39页 |
| 3.5 基于概率神经网络的8动作状态特征分类 | 第39-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于MSMS的虚拟仿生灵巧手肌电控制 | 第45-59页 |
| 4.1 肌肉骨骼虚拟现实软件MSMS | 第45-46页 |
| 4.2 基于MSMS软件环境的灵巧手模型的建立 | 第46-53页 |
| 4.2.1 ShadowHand灵巧手参数分析 | 第47-49页 |
| 4.2.2 虚拟灵巧手模型的建立 | 第49-50页 |
| 4.2.3 运动仿真模块的建立 | 第50-53页 |
| 4.3 表面肌电信号控制虚拟仿生灵巧手 | 第53-58页 |
| 4.3.1 基于Stateflow的肌电控制状态机模型的建立 | 第54-55页 |
| 4.3.2 虚拟仿生灵巧手的8动作状态肌电控制 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 结论与展望 | 第59-61页 |
| 5.1 研究工作总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 附录一 虚拟仿生灵巧手各模块建模参数表 | 第66-69页 |
| 附录二 虚拟仿生灵巧手各关节建模参数表 | 第69-73页 |
| 作者攻读学位期间的科研成果 | 第73-74页 |
| 致谢 | 第74页 |