摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-21页 |
1.1 课题背景及研究意义 | 第11-12页 |
1.2 国内外研究现状及应用 | 第12-19页 |
1.2.1 表面肌电信号的去噪 | 第14-15页 |
1.2.2 表面肌电信号的特征提取 | 第15-17页 |
1.2.3 表面肌电信号的模式分类 | 第17-18页 |
1.2.4 表面肌电信号的应用 | 第18-19页 |
1.3 本文研究内容 | 第19-21页 |
第2章 表面肌电信号产生机理和分析方法 | 第21-29页 |
2.1 表面肌电信号产生机理 | 第21-22页 |
2.2 表面肌电信号特征 | 第22页 |
2.3 表面肌电信号的噪声分析 | 第22-23页 |
2.4 表面肌电信号的去噪方法 | 第23-24页 |
2.5 表面肌电信号的特征提取方法 | 第24-26页 |
2.6 模式分类器的介绍 | 第26-29页 |
第3章 表面肌电信号采集系统的设计 | 第29-41页 |
3.1 表面肌电信号采集系统的设计要求 | 第29页 |
3.2 表面肌电信号系统的结构设计 | 第29-32页 |
3.2.1 FlexComp Infiniti编码器 | 第30页 |
3.2.2 TT-USB信号转换器 | 第30-31页 |
3.2.3 表面肌电传感器 | 第31-32页 |
3.2.4 电极 | 第32页 |
3.3 Biograph Infiniti软件的编辑 | 第32-37页 |
3.3.1 通道编辑 | 第32-34页 |
3.3.2 界面编辑 | 第34-35页 |
3.3.3 方案编辑 | 第35页 |
3.3.4 数据的获取 | 第35-37页 |
3.4 表面肌电信号的采集 | 第37-39页 |
3.5 本章小结 | 第39-41页 |
第4章 表面肌电信号数字陷波器的设计 | 第41-53页 |
4.1 数字滤波器的定义和基本结构 | 第41-43页 |
4.1.1 IIR数字滤波器的基本原理 | 第41页 |
4.1.2 FIR数字滤波器的基本原理 | 第41-43页 |
4.2 数字滤波器的设计步骤 | 第43-44页 |
4.3 数字滤波器的设计方法 | 第44-47页 |
4.3.1 IIR数字陷波器设计方法 | 第44-45页 |
4.3.2 FIR数字陷波器设计方法 | 第45-46页 |
4.3.3 IIR数字滤波器和FIR数字滤波器的比较 | 第46-47页 |
4.4 表面肌电信号陷波器的设计 | 第47-51页 |
4.4.1 IIR50Hz陷波器的设计 | 第47-48页 |
4.4.2 FIR50Hz陷波器设计 | 第48-51页 |
4.5 本章小结 | 第51-53页 |
第5章 表面肌电信号小波去噪方法的研究 | 第53-65页 |
5.1 小波分析的基本理论 | 第53-54页 |
5.1.1 连续小波变换 | 第53-54页 |
5.1.2 离散小波变换 | 第54页 |
5.2 小波多分辨率分析 | 第54-57页 |
5.3 小波阈值去噪的基本概念 | 第57-61页 |
5.3.1 小波去噪的基本原理 | 第57-58页 |
5.3.2 一维信号利用小波变换去噪的步骤 | 第58页 |
5.3.3 阈值函数 | 第58-59页 |
5.3.4 阈值的选取 | 第59-60页 |
5.3.5 小波基特征 | 第60-61页 |
5.3.6 小波函数的比较 | 第61页 |
5.4 基于小波变换的阈值去噪 | 第61-62页 |
5.5 基于小波变换的数字滤波器阈值去噪 | 第62-63页 |
5.6 本章小结 | 第63-65页 |
第6章 基于神经网络的表面肌电信号模式分类 | 第65-73页 |
6.1 人工神经网络 | 第65-67页 |
6.1.1 人工神经元 | 第65-66页 |
6.1.2 人工神经网络的学习方法 | 第66-67页 |
6.2 BP神经网络 | 第67-68页 |
6.2.1 BP神经网络结构 | 第67页 |
6.2.2 BP神经网络的学习算法 | 第67-68页 |
6.3 表面肌电信号的小波特征提取 | 第68-70页 |
6.4 BP神经网络分类器设计 | 第70-71页 |
6.5 表面肌电信号分类结果 | 第71-72页 |
6.6 本章小结 | 第72-73页 |
第7章 总结与展望 | 第73-75页 |
参考文献 | 第75-79页 |
致谢 | 第79-81页 |
攻读硕士学位期间的主要工作 | 第81页 |