仿人型假手多运动模式的肌电控制研究
| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 第1章 绪论 | 第13-31页 |
| ·引言 | 第13-14页 |
| ·新型仿人型假手发展简述 | 第14-18页 |
| ·假手肌电控制方法综述 | 第18-29页 |
| ·基于阈值决策 | 第18-19页 |
| ·基于幅值编码 | 第19页 |
| ·分层控制决策 | 第19-21页 |
| ·基于模式识别算法 | 第21-25页 |
| ·肌电模式实时识别算法 | 第25-26页 |
| ·肌电模式在线学习 | 第26-28页 |
| ·假手肌电控制小结 | 第28-29页 |
| ·课题来源及主要研究内容 | 第29-31页 |
| ·课题来源及意义 | 第29页 |
| ·学位论文的主要研究内容 | 第29-31页 |
| 第2章 假手肌电控制的总体结构 | 第31-45页 |
| ·引言 | 第31页 |
| ·肌电控制总体结构 | 第31-33页 |
| ·前臂功能性肌肉选择 | 第33-35页 |
| ·肌电电极属性及配置 | 第35-38页 |
| ·识别算法验证及嵌入 | 第38-41页 |
| ·假手虚拟现实的实现 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 第3章 预抓取模式肌电控制 | 第45-74页 |
| ·引言 | 第45页 |
| ·人手的预抓取模式 | 第45-47页 |
| ·人手预抓取模式识别算法 | 第47-56页 |
| ·预抓取发起的检测 | 第48-51页 |
| ·信号特征提取 | 第51-54页 |
| ·信号特征分类 | 第54-56页 |
| ·预抓取模式识别算法验证 | 第56-69页 |
| ·实验设置 | 第56-57页 |
| ·预抓取发起检测结果 | 第57-63页 |
| ·数据分段对识别成功率的影响 | 第63-64页 |
| ·信号特征的影响 | 第64-67页 |
| ·特征分类器的影响 | 第67-69页 |
| ·预抓取模式假手控制实验 | 第69-72页 |
| ·系统设置及流程 | 第69-70页 |
| ·抓取发起的在线检测 | 第70-71页 |
| ·识别流程的延迟 | 第71-72页 |
| ·本章小结 | 第72-74页 |
| 第4章 姿态动作模式肌电控制 | 第74-96页 |
| ·引言 | 第74-75页 |
| ·手部姿态的规划 | 第75-78页 |
| ·正常人手的自由度 | 第75-76页 |
| ·人手自由度简化及模式规划 | 第76-78页 |
| ·基于稳态肌电的人手姿态识别 | 第78-82页 |
| ·稳态肌电信号的采集 | 第78-80页 |
| ·特征及分类器设置 | 第80-81页 |
| ·人手姿态识别实验及结果 | 第81-82页 |
| ·基于双层决策的人手动作识别 | 第82-85页 |
| ·双层决策规则 | 第82-84页 |
| ·阈值选择 | 第84-85页 |
| ·人手动作识别实验及算法比较 | 第85-89页 |
| ·稳态肌电及双层决策 | 第85-88页 |
| ·波动式训练方法 | 第88-89页 |
| ·基于手部姿态识别的假手控制实验 | 第89-95页 |
| ·虚拟假手控制实验 | 第89-90页 |
| ·嵌入式假手控制实验 | 第90-93页 |
| ·截肢患者实验 | 第93-95页 |
| ·本章小结 | 第95-96页 |
| 第5章 肌电模式分类的在线学习 | 第96-118页 |
| ·引言 | 第96-97页 |
| ·基于数据描述的SVM 分类算法 | 第97-103页 |
| ·One-Class 支持向量机 | 第97-101页 |
| ·超球支撑向量机 | 第101-103页 |
| ·样本添加策略 | 第103-108页 |
| ·基于Karush-Kuhn-Tucker 条件 | 第103-105页 |
| ·剥壳算法 | 第105-108页 |
| ·快速学习算法 | 第108-110页 |
| ·基于动作序列的肌电模式在线学习 | 第110-111页 |
| ·实验及结果 | 第111-117页 |
| ·抓取模式的在线学习 | 第111-113页 |
| ·动作模式的学习 | 第113-117页 |
| ·本章小结 | 第117-118页 |
| 结论 | 第118-120页 |
| 参考文献 | 第120-133页 |
| 附录 | 第133-138页 |
| 攻读博士学位期间发表的论文及其它成果 | 第138-141页 |
| 致谢 | 第141-142页 |
| 个人简历 | 第142页 |
