| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第11-31页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 运动训练及上肢康复辅助机器人国内外研究现状 | 第14-21页 |
| 1.2.1 运动训练研究现状 | 第14-16页 |
| 1.2.2 上肢辅助康复机器人设备 | 第16-20页 |
| 1.2.3 应用上肢康复机器人进行的临床实验 | 第20-21页 |
| 1.3 神经可塑性及其影响因素 | 第21-24页 |
| 1.3.1 神经可塑性 | 第21-23页 |
| 1.3.2 神经可塑性的影响因素以及患者投入状态对神经可塑性的影响 | 第23-24页 |
| 1.4 结合游戏的康复训练发展现状 | 第24-26页 |
| 1.5 现存问题 | 第26-27页 |
| 1.5.1 脑卒中等神经损伤后上肢康复国内外现状总结 | 第26页 |
| 1.5.2 存在的问题 | 第26-27页 |
| 1.6 论文主要工作内容及研究方法 | 第27-31页 |
| 1.6.1 研究思路 | 第27-28页 |
| 1.6.2 研究目标 | 第28-29页 |
| 1.6.3 研究内容 | 第29页 |
| 1.6.4 技术路线 | 第29-31页 |
| 第2章 影响投入状态的因素以及投入状态的量化指标 | 第31-55页 |
| 2.1 影响投入状态的因素 | 第31-40页 |
| 2.1.1 沉浸理论 | 第31-32页 |
| 2.1.2 科技应用中的投入状态 | 第32-34页 |
| 2.1.3 社交中的投入状态 | 第34-35页 |
| 2.1.4 教育中的投入状态 | 第35-37页 |
| 2.1.5 康复训练中的投入状态 | 第37页 |
| 2.1.6 投入状态基于时间的分类 | 第37-40页 |
| 2.2 影响康复训练投入状态的因素 | 第40-41页 |
| 2.3 提高投入状态的方法 | 第41-44页 |
| 2.3.1 提供适合的训练任务 | 第41-43页 |
| 2.3.2 结合虚拟现实技术的康复训练系统 | 第43-44页 |
| 2.4 投入状态评价方法 | 第44-47页 |
| 2.5 对投入状态评价指标的初步验证 | 第47-54页 |
| 2.5.1 实验设计 | 第47-48页 |
| 2.5.2 参与度测量指标的初步验证 | 第48-51页 |
| 2.5.3 专注度测量指标的初步验证 | 第51-54页 |
| 2.6 本章小结 | 第54-55页 |
| 第3章 机器人辅助康复训练中不同模式对于训练对象参与度、专注度的影响 | 第55-71页 |
| 3.1 实验目的 | 第55页 |
| 3.2 实验假设 | 第55-56页 |
| 3.3 实验设备 | 第56-58页 |
| 3.3.1 上肢康复机器人 | 第56-57页 |
| 3.3.2 肌电采集设备 | 第57页 |
| 3.3.3 脑电采集设备 | 第57-58页 |
| 3.4 实验对象 | 第58页 |
| 3.5 实验方案 | 第58-60页 |
| 3.6 数据分析 | 第60-61页 |
| 3.6.1 肌电信号分析 | 第60-61页 |
| 3.6.2 脑电信号分析 | 第61页 |
| 3.7 实验结果 | 第61-69页 |
| 3.7.1 健康受试者不同模式下单次动作中各肌肉贡献值分析 | 第61-63页 |
| 3.7.2 健康受试者长时间训练中参与度、专注度变化 | 第63-69页 |
| 3.8 本章小结 | 第69-71页 |
| 第4章 结合游戏的康复训练难度对于脑损伤患者训练参与度、专注度的影响 | 第71-85页 |
| 4.1 实验目的 | 第71页 |
| 4.2 实验假设 | 第71-72页 |
| 4.3 实验设备 | 第72-77页 |
| 4.4 实验对象 | 第77-78页 |
| 4.5 实验方案 | 第78-79页 |
| 4.6 数据分析 | 第79页 |
| 4.7 实验结果 | 第79-83页 |
| 4.8 本章小结 | 第83-85页 |
| 第5章 基于机器学习的智能训练处方康复系统 | 第85-109页 |
| 5.1 研究目的 | 第85页 |
| 5.2 个性化康复训练研究现状综述 | 第85-88页 |
| 5.2.1 推荐系统 | 第85-86页 |
| 5.2.2 基于机器学习的分类器 | 第86-88页 |
| 5.3 基于机器学习的智能训练处方康复系统 | 第88-94页 |
| 5.3.1 系统概念 | 第88-89页 |
| 5.3.2 系统结构 | 第89-90页 |
| 5.3.3 智能学习子系统 | 第90-94页 |
| 5.4 智能学习子系统的实现 | 第94-97页 |
| 5.4.1 多层感知器神经网络 | 第94页 |
| 5.4.2 K-最邻近结点算法 | 第94-95页 |
| 5.4.3 线性判别式分析算法 | 第95-96页 |
| 5.4.4 朴素贝叶斯算法 | 第96-97页 |
| 5.5 结果及分析 | 第97-102页 |
| 5.5.1 数据采集 | 第97页 |
| 5.5.2 不同机器学习机制的分类结果 | 第97-99页 |
| 5.5.3 结果分析 | 第99-102页 |
| 5.6 计算机模拟 | 第102-107页 |
| 5.7 本章小结 | 第107-109页 |
| 第6章 结论与展望 | 第109-112页 |
| 6.1 结论 | 第109-111页 |
| 6.2 展望 | 第111-112页 |
| 参考文献 | 第112-124页 |
| 致谢 | 第124-126页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第126页 |
