| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第10-18页 |
| 第一节 研究背景及意义 | 第10-11页 |
| 第二节 肌电信号的产生及种类 | 第11-13页 |
| 1.2.1 肌电信号的产生及特性 | 第11页 |
| 1.2.2 肌电信号的采集方式与分类 | 第11-13页 |
| 第三节 肌电信号模式识别的研究现状 | 第13-17页 |
| 1.3.1 肌电信号模式识别的应用及其基本流程 | 第13-14页 |
| 1.3.2 肌电信号的特征提取、分类识别方法的研究现状 | 第14-16页 |
| 1.3.3 手部动作多分类识别的研究现状 | 第16页 |
| 1.3.4 肌电信号漂移问题及传统解决方法 | 第16-17页 |
| 第四节 本文的章节安排 | 第17-18页 |
| 第二章 手部动作多分类的模式识别方法设计 | 第18-36页 |
| 第一节 前臂肌肉群位置确定与手部动作选取 | 第18-20页 |
| 第二节 肌电信号特征提取方法介绍 | 第20-29页 |
| 2.2.1 时域分析方法-时域值 | 第21-22页 |
| 2.2.2 时频域分析方法-小波变换 | 第22-27页 |
| 2.2.3 非线性动力学分析方法-样本熵 | 第27-29页 |
| 第三节 手部动作分类算法设计与实现 | 第29-34页 |
| 2.3.1 基于小波神经网络的分类算法设计 | 第29-33页 |
| 2.3.2 基于支持向量机的分类算法介绍 | 第33-34页 |
| 第四节 本章小结 | 第34-36页 |
| 第三章 手部动作多分类方法的实验验证 | 第36-49页 |
| 第一节 实验基本信息介绍 | 第36-39页 |
| 3.1.1 实验环境与信号采集设备 | 第36-38页 |
| 3.1.2 受试者基本情况与实验数据采集范式 | 第38-39页 |
| 第二节 特征提取实验结果与分析 | 第39-40页 |
| 第三节 手部动作多分类实验结果与分析 | 第40-48页 |
| 3.3.1 数据标准化处理 | 第40-41页 |
| 3.3.2 不同分类算法的手部动作多分类结果对比 | 第41-46页 |
| 3.3.3 前臂截肢者应用效果分析 | 第46-47页 |
| 3.3.4 本研究结果与已有研究结果对比 | 第47-48页 |
| 第四节 本章小结 | 第48-49页 |
| 第四章 肌电信号长时间识别的方法设计与实现 | 第49-59页 |
| 第一节 概念漂移的基本介绍 | 第49-52页 |
| 4.1.1 概念漂移的定义 | 第49-50页 |
| 4.1.2 肌电信号漂移问题 | 第50-51页 |
| 4.1.3 数据驱动方法介绍 | 第51-52页 |
| 第二节 肌电信号长时间识别的解决方案 | 第52-53页 |
| 第三节 基于小波神经网络集成的增量式学习算法设计 | 第53-58页 |
| 4.3.1 基于小波神经网络的集成学习方法设计 | 第53-55页 |
| 4.3.2 基于小波神经网络集成的增量式学习方法设计 | 第55-56页 |
| 4.3.3 基于负相关学习的小波神经网络集成训练方法设计 | 第56-58页 |
| 第四节 本章小结 | 第58-59页 |
| 第五章 肌电信号长时间识别方法的实验验证 | 第59-69页 |
| 第一节 实验平台和实验流程 | 第59-62页 |
| 5.1.1 受试者基本情况 | 第59-60页 |
| 5.1.2 实验基本流程 | 第60-61页 |
| 5.1.3 实验参数配置 | 第61-62页 |
| 第二节 实验结果对比分析 | 第62-67页 |
| 5.2.1 固定模型下的结果与分析 | 第62页 |
| 5.2.2 单个小波神经网络增量式学习的结果与分析 | 第62-63页 |
| 5.2.3 小波神经网络集成的增量式学习的结果与分析 | 第63-66页 |
| 5.2.4 实验结果对比分析 | 第66-67页 |
| 第三节 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-72页 |
| 第一节 全文总结 | 第69-70页 |
| 第二节 工作展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-79页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第79-80页 |
