基于sEMG的手势识别算法及应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景与研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 手势识别方法研究现状 | 第12-14页 |
| 1.2.2 手势识别技术应用现状 | 第14-16页 |
| 1.3 论文的主要研究工作 | 第16-19页 |
| 1.3.1 论文的主要研究内容 | 第16-17页 |
| 1.3.2 论文纲要 | 第17-19页 |
| 第2章 上肢肌电信号的获取及预处理 | 第19-29页 |
| 2.1 sEMG的生理特性 | 第19页 |
| 2.2 信息采集及实验方案 | 第19-24页 |
| 2.2.1 实验设备 | 第19-20页 |
| 2.2.2 上肢手势识别实验设计 | 第20-24页 |
| 2.3 信号的预处理 | 第24-27页 |
| 2.3.1 基于FIR的去噪处理 | 第24-26页 |
| 2.3.2 活动段检测 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于sEMG的手势识别算法分析 | 第29-43页 |
| 3.1 引言 | 第29-30页 |
| 3.2 表面肌电信号的特征提取 | 第30-35页 |
| 3.2.1 时域特征提取 | 第30-32页 |
| 3.2.2 频域特征提取 | 第32-34页 |
| 3.2.3 时频域特征提取 | 第34-35页 |
| 3.3 分类器的选择 | 第35-39页 |
| 3.3.1 K近邻 | 第36-37页 |
| 3.3.2 SVM | 第37-38页 |
| 3.3.3 决策树 | 第38页 |
| 3.3.4 随机森林 | 第38-39页 |
| 3.4 实验结果分析与机器人控制 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于要素信息的手语识别 | 第43-59页 |
| 4.1 引言 | 第43页 |
| 4.2 基于要素信息的手语孤立词识别 | 第43-51页 |
| 4.2.1 高斯混合模型 | 第45-46页 |
| 4.2.2 隐马尔科夫模型 | 第46-49页 |
| 4.2.3 分类器的设计 | 第49-51页 |
| 4.3 基于AC自动机搜索的手语词匹配 | 第51-53页 |
| 4.3.1 连续手语模型 | 第51-52页 |
| 4.3.2 AC自动编码机 | 第52-53页 |
| 4.4 实验结果 | 第53-56页 |
| 4.4.1 孤立词的识别结果 | 第53-55页 |
| 4.4.2 连续语句的识别结果 | 第55-56页 |
| 4.5 基于手语识别的翻译系统 | 第56-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 不同要素下的手势识别及容错分析 | 第59-73页 |
| 5.1 引言 | 第59页 |
| 5.2 不同要素下手势识别分析 | 第59-64页 |
| 5.2.1 传感器的位置对分类的影响 | 第60-62页 |
| 5.2.2 特征选择的组合对分类的影响 | 第62页 |
| 5.2.3 不同核函数对分类器的影响 | 第62-64页 |
| 5.3 数据丢失情况下的容错分析 | 第64-68页 |
| 5.3.1 高斯过程回归模型 | 第64-66页 |
| 5.3.2 基于高斯回归模型的数据丢失容错 | 第66-68页 |
| 5.4 疲劳状态下的容错分析 | 第68-72页 |
| 5.4.1 基于肌肉激活度的疲劳检测 | 第69-70页 |
| 5.4.2 疲劳分析 | 第70-71页 |
| 5.4.3 疲劳下的手势识别容错 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 工作总结 | 第73-74页 |
| 6.2 问题与展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81页 |
