| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景及研究现状 | 第12-18页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 运动疲劳检测技术国内外研究现状 | 第13-18页 |
| 1.2 研究内容及意义 | 第18-20页 |
| 1.2.1 研究内容 | 第18-19页 |
| 1.2.2 研究意义 | 第19-20页 |
| 1.3 论文目录安排 | 第20-22页 |
| 第二章 研究方案与关键技术 | 第22-31页 |
| 2.1 研究目标 | 第22页 |
| 2.2 方案设计 | 第22-26页 |
| 2.2.1 总体方案设计 | 第22-24页 |
| 2.2.2 心电采集模块方案设计 | 第24-25页 |
| 2.2.3 肌电采集模块方案设计 | 第25页 |
| 2.2.4 原始信号处理和疲劳特征提取方案设计 | 第25-26页 |
| 2.2.5 运动疲劳建模和判别方案设计 | 第26页 |
| 2.3 关键技术分析 | 第26-30页 |
| 2.3.1 微弱生物电信号采集技术 | 第26-28页 |
| 2.3.2 抑制运动伪迹与信号滤波 | 第28页 |
| 2.3.3 疲劳特征值提取 | 第28-29页 |
| 2.3.4 运动疲劳评估算法 | 第29-30页 |
| 2.4 本章总结 | 第30-31页 |
| 第三章 体表生物电信号特征分析与硬件电路设计 | 第31-47页 |
| 3.1 表面肌电信号的产生机理及其特征 | 第31页 |
| 3.2 心电信号的产生机理及其特征 | 第31-32页 |
| 3.3 表面生物电信号采集仪硬件电路的设计 | 第32-41页 |
| 3.3.1 表面肌电信号检测电路设计 | 第32-37页 |
| 3.3.2 心电信号调理电路设计 | 第37-38页 |
| 3.3.3 微控制器和外围电路设计 | 第38-41页 |
| 3.4 实验介绍 | 第41-46页 |
| 3.4.1 实验目的 | 第41-42页 |
| 3.4.2 运动疲劳信息获取实验设计 | 第42-44页 |
| 3.4.3 动态生物电信号采集电极选择 | 第44-46页 |
| 3.5 本章总结 | 第46-47页 |
| 第四章 动态体表生物电信号处理与特征提取 | 第47-66页 |
| 4.1 表面肌电信号滤波处理 | 第47-48页 |
| 4.2 心电基线漂移滤波处理 | 第48-50页 |
| 4.3 心电运动伪迹滤波处理 | 第50-59页 |
| 4.3.1 自适应滤波器结构设计 | 第51-52页 |
| 4.3.2 自适应滤波算法设计 | 第52-54页 |
| 4.3.3 运动伪迹滤波实现 | 第54-56页 |
| 4.3.4 心电信号运动伪迹抑制结果分析 | 第56-59页 |
| 4.4 心电信号运动疲劳特征提取 | 第59-60页 |
| 4.5 表面肌电信号运动疲劳特征提取 | 第60-65页 |
| 4.6 本章总结 | 第65-66页 |
| 第五章 运动疲劳估计分类模型设计 | 第66-87页 |
| 5.1 基于支撑向量机算法分类模型设计 | 第66-74页 |
| 5.1.1 线性可分SVM分类 | 第66-67页 |
| 5.1.2 线性不可分SVM分类 | 第67-69页 |
| 5.1.3 SVM二分类器特征分析 | 第69-70页 |
| 5.1.4 SVM多类分类器 | 第70-71页 |
| 5.1.5 基于SVM的运动疲劳估计模型 | 第71-72页 |
| 5.1.6 SVM多分类器分类实验 | 第72-74页 |
| 5.2 基于长短期记忆网络(LSTM)算法模型设计 | 第74-84页 |
| 5.2.1 RNN神经网络模型 | 第74-76页 |
| 5.2.2 LSTM神经网络模型 | 第76-79页 |
| 5.2.3 基于LSTM的运动疲劳估计 | 第79-81页 |
| 5.2.4 基于LSTM的运动疲劳分类实验 | 第81-84页 |
| 5.3 LSTM模型与SVM模型多分类结果对比分析 | 第84-86页 |
| 5.4 本章总结 | 第86-87页 |
| 第六章 总结和展望 | 第87-89页 |
| 6.1 本文总结 | 第87页 |
| 6.2 展望 | 第87-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-93页 |