| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 智能假肢的研究现状 | 第11页 |
| 1.3 表面肌电信号特征提取和识别的研究现状 | 第11-13页 |
| 1.3.1 表面肌电信号特征提取方法 | 第12-13页 |
| 1.3.2 表面肌电信号模式识别方法 | 第13页 |
| 1.4 人体骨肌系统运动学与动力学分析技术的研究现状 | 第13-14页 |
| 1.5 人体骨肌系统肌肉力数值计算技术的研究现状 | 第14-15页 |
| 1.6 本论文研究目的及主要内容 | 第15-17页 |
| 第二章 表面肌电信号的采集及预处理 | 第17-26页 |
| 2.1 表面肌电信号的特点 | 第17-18页 |
| 2.2 动作表面肌电信号的采集 | 第18-21页 |
| 2.2.1 表面肌电信号采集设备 | 第18页 |
| 2.2.2 表面肌电信号采集过程 | 第18-21页 |
| 2.3 表面肌电信号预处理 | 第21-24页 |
| 2.3.1 噪声来源 | 第21-22页 |
| 2.3.2 小波去噪 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 表面肌电信号的特征提取 | 第26-43页 |
| 3.1 特征提取方式 | 第26-31页 |
| 3.1.1 时域分析 | 第26-28页 |
| 3.1.2 频域分析 | 第28-29页 |
| 3.1.3 时频分析 | 第29-31页 |
| 3.2 基于小波变换的特征提取方法 | 第31-42页 |
| 3.2.1 基于db4小波最大值肌电信号特征提取 | 第32-34页 |
| 3.2.2 基于dmey小波多尺度分解肌电信号特征提取 | 第34-35页 |
| 3.2.3 基于bior3.1小波奇异值肌电信号特征提取 | 第35-38页 |
| 3.2.4 特征值融合 | 第38-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第四章 人体下肢动作模式识别研究 | 第43-61页 |
| 4.1 人工神经网络 | 第43-44页 |
| 4.2 BP神经网络 | 第44-49页 |
| 4.2.1 正向传播 | 第45-46页 |
| 4.2.2 反向传播 | 第46-48页 |
| 4.2.3 误差函数 | 第48-49页 |
| 4.3 Elman神经网络 | 第49-51页 |
| 4.4 模式识别结果 | 第51-59页 |
| 4.4.1 Elman神经网络识别结果 | 第51-54页 |
| 4.4.2 BP神经网络识别结果 | 第54-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 基于表面肌电信号的关节力矩分析研究 | 第61-73页 |
| 5.1 表面肌电信号关节力矩研究路线 | 第61页 |
| 5.2 正动力学模型 | 第61-66页 |
| 5.2.1 肌肉收缩模型 | 第62-64页 |
| 5.2.2 肌肉生理模型 | 第64-66页 |
| 5.3 逆动力学模型 | 第66页 |
| 5.4 实验数据采集 | 第66-72页 |
| 5.4.1 实验仪器 | 第66-67页 |
| 5.4.2 数据采集过程 | 第67-68页 |
| 5.4.3 数据处理与研究结果 | 第68-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读学位期间科研成果 | 第81-82页 |
| 致谢 | 第82-83页 |
| 附录1 神经网络识别结果 | 第83-88页 |
