表面肌电信号分析及运动模式分类研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 本课题相关内容研究现状 | 第10-14页 |
| 1.2.1 表面肌电信号采集研究现状 | 第10-11页 |
| 1.2.2 表面肌电信号预处理研究现状 | 第11-12页 |
| 1.2.3 表面肌电信号特征提取研究现状 | 第12-14页 |
| 1.2.4 表面肌电信号分类识别研究现状 | 第14页 |
| 1.3 表面肌电信号处理存在问题 | 第14-15页 |
| 1.4 主要研究内容及章节安排 | 第15-17页 |
| 第2章 表面肌电信号采集和预处理 | 第17-41页 |
| 2.1 表面肌电信号的相关特征 | 第17-22页 |
| 2.1.1 表面肌电信号的产生原理 | 第17-18页 |
| 2.1.2 肌电信号数学模型 | 第18-22页 |
| 2.1.3 表面肌电信号具有的特点 | 第22页 |
| 2.2 表面肌电信号的采集 | 第22-28页 |
| 2.2.1 实验采集系统 | 第23-25页 |
| 2.2.2 信号采集实验方案 | 第25-28页 |
| 2.3 表面肌电信号预处理 | 第28-40页 |
| 2.3.1 肌电中噪声来源 | 第28页 |
| 2.3.2 数字滤波器设计 | 第28-31页 |
| 2.3.3 小波变换去噪 | 第31-35页 |
| 2.3.4 小波结合独立分量分析去噪 | 第35-38页 |
| 2.3.5 去噪效果分析 | 第38-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第3章 表面肌电信号的建模预测 | 第41-51页 |
| 3.1 表面肌电信号建模研究 | 第41-45页 |
| 3.1.1 肌电信号物理性建模 | 第41-43页 |
| 3.1.2 基于AR参数模型建模 | 第43-44页 |
| 3.1.3 基于傅里叶级数建模 | 第44-45页 |
| 3.2 基于高斯过程的肌电信号建模 | 第45-47页 |
| 3.2.1 高斯过程理论 | 第45-46页 |
| 3.2.2 高斯过程建模 | 第46-47页 |
| 3.3 小波变换结合高斯模型 | 第47-48页 |
| 3.4 模型预测结果 | 第48-50页 |
| 3.4.1 GP模型预测结果 | 第48-49页 |
| 3.4.2 WT-GP模型预测结果 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 表面肌电信号特征提取 | 第51-65页 |
| 4.1 传统信号特征提取方法 | 第51-52页 |
| 4.1.1 时域分析特征提取方法 | 第51-52页 |
| 4.1.2 频域分析特征提取方法 | 第52页 |
| 4.2 时频域特征提取方法 | 第52-54页 |
| 4.2.1 小波分析 | 第53页 |
| 4.2.2 多分辨率小波分析 | 第53-54页 |
| 4.3 特征提取结果分析 | 第54-64页 |
| 4.3.1 时域特征提取分析 | 第54-55页 |
| 4.3.2 频域特征分析 | 第55-57页 |
| 4.3.3 小波特征分析 | 第57-63页 |
| 4.3.4 特征向量的确定 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 表面肌电信号动作识别研究 | 第65-77页 |
| 5.1 动作识别分类器 | 第65-66页 |
| 5.2 BP神经网络分类器 | 第66-70页 |
| 5.2.1 BP标准算法 | 第67-68页 |
| 5.2.2 改进BP算法 | 第68-69页 |
| 5.2.3 BP神经网络设计 | 第69-70页 |
| 5.3 支持向量机分类器 | 第70-71页 |
| 5.3.1 支持向量机原理 | 第70页 |
| 5.3.2 多类支持向量分类机 | 第70-71页 |
| 5.4 实验结果分析 | 第71-75页 |
| 5.5 本章小结 | 第75-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 工作总结 | 第77-78页 |
| 6.2 本课题研究展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第85页 |
