| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 医疗康复机器人中人机交互控制方法的研究现状 | 第13-17页 |
| 1.2.1 基于电生理信号的人机交互控制 | 第14-15页 |
| 1.2.2 基于其他信号的人机交互控制 | 第15-17页 |
| 1.3 基于FMG信号运动意图识别方法 | 第17-18页 |
| 1.3.1 基于FMG信号运动意图识别的原理 | 第17-18页 |
| 1.3.2 基于FMG信号运动意图识别方法的研究现状 | 第18页 |
| 1.4 本文的研究内容及目的 | 第18-19页 |
| 1.5 论文结构 | 第19-20页 |
| 第2章 FMG信号的采集和处理 | 第20-34页 |
| 2.1 FMG信号采集系统的搭建 | 第20-24页 |
| 2.1.1 上位机 | 第20-21页 |
| 2.1.2 采集卡 | 第21页 |
| 2.1.3 信号发生电路 | 第21-22页 |
| 2.1.4 传感单元 | 第22-23页 |
| 2.1.5 组合臂环 | 第23-24页 |
| 2.2 FMG信号的采集 | 第24-25页 |
| 2.2.1 受试者的招募 | 第24页 |
| 2.2.2 实验设计 | 第24-25页 |
| 2.3 FMG信号质量改善的方法的研究 | 第25-32页 |
| 2.3.1 信号迟滞 | 第25-28页 |
| 2.3.2 传感器校准 | 第28-30页 |
| 2.3.3 数字滤波 | 第30-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 基于FMG信号的运动意图识别 | 第34-42页 |
| 3.1 基于模式识别方法的动作分类 | 第34-35页 |
| 3.1.1 基于模式识别的运动意图识别方法的研究现状 | 第34页 |
| 3.1.2 线性判别式分析 | 第34-35页 |
| 3.2 基于FMG信号的模式分类 | 第35-39页 |
| 3.2.1 数据预处理 | 第36页 |
| 3.2.2 特征的提取 | 第36-38页 |
| 3.2.3 动作分类的准确率 | 第38-39页 |
| 3.3 动作启动点的搜索方法 | 第39-41页 |
| 3.3.1 动作启动点搜索的意义 | 第39-40页 |
| 3.3.2 FMG信号中动作启动点搜索 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 探索FMG信号分类准确率的影响因素 | 第42-48页 |
| 4.1 通道对于动作分类准确率的影响 | 第42-44页 |
| 4.1.1 通道个数对于动作分类准确率的影响 | 第42-44页 |
| 4.1.2 通道组合对于动作分类准确率的影响 | 第44页 |
| 4.2 时域特征对于动作分类准确率的影响 | 第44-47页 |
| 4.2.1 特征个数对于动作分类准确率的影响 | 第44-45页 |
| 4.2.2 特征组合对于动作分类准确率的影响 | 第45-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 本文工作总结 | 第48页 |
| 5.2 未来的研究计划 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 附录1 信号发生电路设计的原理图 | 第54-55页 |
| 附录2 基于肌电模式分类的常用时域特征 | 第55-56页 |
| 致谢 | 第56-58页 |
| 作者简历 | 第58页 |
