| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 虚拟现实康复技术的发展现状 | 第10-13页 |
| 1.3 基于生物反馈的虚拟康复技术研究现状 | 第13-16页 |
| 1.3.1 基于肌电反馈的虚拟康复技术研究现状 | 第13-14页 |
| 1.3.2 基于脑电反馈的虚拟康复技术研究现状 | 第14-16页 |
| 1.4 本文主要研究内容 | 第16-18页 |
| 第2章 虚拟现实康复的医学基础及系统方案设计 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 虚拟康复的医学理论基础 | 第18-19页 |
| 2.2.1 中风偏瘫的本质 | 第18页 |
| 2.2.2 中风患者的脑肌电信号特征 | 第18-19页 |
| 2.3 虚拟康复系统方案设计 | 第19-26页 |
| 2.3.1 开发环境 | 第19-20页 |
| 2.3.2 虚拟场景的构建 | 第20-23页 |
| 2.3.3 系统信息管理 | 第23-25页 |
| 2.3.4 系统方案设计 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 脑肌电信号采集及运动疲劳评价 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 脑肌电信号采集 | 第27页 |
| 3.3 脑肌电信号预处理 | 第27-34页 |
| 3.3.1 低通滤波 | 第27-28页 |
| 3.3.2 自适应 50Hz滤波 | 第28-32页 |
| 3.3.3 自适应高通滤波 | 第32-34页 |
| 3.4 基于肌电信号的活动段检测方法 | 第34-37页 |
| 3.5 基于脑肌电信号分析的运动疲劳评价 | 第37-40页 |
| 3.5.1 基于表面肌电信号分析的运动疲劳分析 | 第37页 |
| 3.5.2 基于脑电信号分析的运动疲劳分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于自排序熵的表面肌电信号运动模式识别 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 排序熵 | 第41-42页 |
| 4.3 自排序熵 | 第42-44页 |
| 4.3.1 相空间重构 | 第43页 |
| 4.3.2 排序模式概率分布计算 | 第43页 |
| 4.3.3 自排序熵计算 | 第43-44页 |
| 4.4 基于自排序熵的表面肌电信号特征提取 | 第44-48页 |
| 4.4.1 表面肌电信号采集 | 第44-45页 |
| 4.4.2 自排序熵参数选取 | 第45-46页 |
| 4.4.3 与已有方法对比分析 | 第46-47页 |
| 4.4.4 基于SVM、BP和FCM的动作模式分类 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于脑肌电特征反馈的上肢虚拟康复系统 | 第49-67页 |
| 5.1 引言 | 第49页 |
| 5.2 系统简介 | 第49-56页 |
| 5.2.1 硬件平台 | 第49页 |
| 5.2.2 软件平台 | 第49-54页 |
| 5.2.3 基于脑肌电特征反馈的虚拟康复系统 | 第54-56页 |
| 5.3 实验研究 | 第56-65页 |
| 5.3.1 实验对象 | 第57-58页 |
| 5.3.2 实验过程及数据采集 | 第58-60页 |
| 5.3.3 实验结果及分析 | 第60-63页 |
| 5.3.4 统计分析及讨论 | 第63-65页 |
| 5.5 本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 作者简介 | 第77页 |