一、肌电控制假肢墨西哥临床应用成功（论文文献综述）
宁廷会[1]（2011）在《融合生物信息的智能仿生腿步态分析系统的研究》文中提出异构双腿行走机器人（Biped Robot with Heterogeneous Legs, BRHL）是一种将双足机器人和智能仿生腿集成研究的新型机器人模型。它作为一种高度拟人的实验平台能够研究残疾人穿戴智能假肢后的行走动态特性,同时还可用于研究人体与智能肢体之间的协调和不对称双腿的行走等问题。这些研究必将更好地促进智能假肢在实际应用中的开发。本文首先对智能假肢的研究现状和BRHL作了介绍,并阐述了脑-机接口（Brain-Computer Interface, BCI）在假肢技术上的应用发展。BRHL是假肢研究的一个理想实验平台,而基于脑电信号控制假肢的技术给假肢的研究开拓了更广阔的视角。论文的研究内容主要为BRHL步态模式的定量分析和BCI系统的设计。为了能够对BRHL或智能假肢进行反馈控制,需要了解假肢运动时一些典型的步态参数。本文利用由MTi惯性传感器采集的角速度及加速度信号来定量计算这些参数。创新性地提出了双摆及倒立双摆的步态模型,并结合小波变换算法计算得到人体行走时的髋膝关节角度和步长等步态参数。采用的算法相对简单且准确,经验证是一种有效地步态定量分析方法。基于BCI系统控制假肢就是利用脑电信号得到假肢控制命令的过程,因此问题的研究重点也就转换为对BCI系统的设计,其基本任务又包括对数据的采集与预处理、脑电特征的提取及模式分类。本文应用时域分析、频域分析、小波变换及共空域模式等多种算法提取特征向量,并采用Fisher线性判别式和支持向量机两种基于不同原理的分类器模型对提取的几种特征向量进行了分类训练。实验结果表明了BCI系统设计的合理性及有效性,可用于实现对假肢的控制。
高中美[2]（2010）在《基于信息融合的表面肌电信号模式分类研究》文中研究表明表面肌电信号是一种从人体骨骼肌表面通过电极记录下来的神经、肌肉活动时发放的生物电信号,它能在非损伤状态下实时反映神经和肌肉的功能状态。如何从表面肌电中有效的提取特征,实现动作模式的准确识别,是肌电控制假肢实用化进程中的关键问题。为了提高肌电信号动作模式识别的准确率,本文提出采用信息融合技术对肌电信号进行手部动作模式识别,较为深入研究融合过程中遇到的问题及解决方案。首先,本文对肌电信号特征提取和分类方法的研究现状进行了总结,引入信息融合在模式识别中的应用。其次,根据在假肢实时控制中,选择肌电特征参数既要有较大的类间分离度,又要有较低的计算复杂度原则,提取肌电信号的时域统计特征、AR模型参数、小波变换系数矩阵的奇异值,作为各单分类器的输入特征矢量。然后,分别用D-S证据理论和模糊积分理论对多分类器进行决策级融合。在D-S证据理论融合系统中,对于冲突证据采用平均证据修改证据源模型,再利用D-S组合规则组合,数值算例结果表明,当多数证据正确时能有效地处理冲突证据问题。在模糊积分融合系统中,比较了两种计算模糊密度的方法,给出了合理的模糊密度计算方式,解决了采用模糊积分进行肌电信号模式分类决策级融合的关键参数计算问题。最后,比较了D-S证据理论与模糊积分在决策级的融合效果,数值算例结果表明,两种方法融合后分类准确率均优于各单分类器的分类结果;证据理论实现的是“少数服从多数”效果,没有充分考虑各证据的可信性,而模糊积分理论则兼顾了各证据对各动作模式的客观估计和各证据对各动作模式的重要性,为肌电假肢控制提供了新的可行方法。
黄赟伟[3]（2010）在《基于支持向量机的表面肌电信号模式识别方法研究》文中研究表明表面肌电信号（surface electromyographic signal, sEMG）是人体自主运动时神经肌肉活动发放的生物电信号,它反映了神经、肌肉的功能状态。表面肌电信号不仅在临床医学、运动医学等领域被广泛应用,而且成为多自由度人工假肢和功能性神经电刺激的理想控制信号。国内有很多研究专注于对表面肌电信号进行模式识别,从而区分肢体不同的运动模式,实现多自由度假肢的控制。随着信号处理方法和计算机技术的发展,如何从sEMG信号中提取有效的信息并实现准确的动作识别,成为肌电控制假肢实用化进程中的重要问题。本论文研究的主要内容包括以下几个方面：表面肌电信号的特征提取、支持向量机（Support Vector Machines, SVM）的多类别分类方法研究、支持向量机在多类sEMG模式识别中的应用。（1）本文采用小波变换的方法对表面肌电信号进行了小波分析,并选用symlets小波函数对表面肌电信号进行多尺度分解,然后提取小波系数的奇异值构建特征矢量进行模式识别。（2）采用四种多类别分类方法设计多类别支持向量机分类器,将设计的多类别分类器应用到表面肌电信号的模式识别中,并与传统的神经网络分类方法进行比较,实验结果表明,采用四种多类别分类方法设计的SVM分类器对8类表面肌电信号的平均识别率在90%以上,SVM分类器的分类准确率明显优于传统的RBF神经网络分类器,设计的多类别支持向量机分类器在分类效率和分类速度上都表现出了明显的优越性。
郭欣,杨鹏,刘洪彩,陈玲玲[4]（2006）在《基于神经网络辨识的新型智能假肢控制机理研究》文中提出利用表面肌电信号作为控制源,实现下肢假肢随意、自然的控制．肌电信号采自人体平稳运动时的骨直肌, 选择了平地、斜坡和楼梯3种路况．采集到的原始信号经预处理后,利用小波包变化提取出特征值,再将此特征值作为LVQ神经网络的输入,训练目标是采集到的膝关节角度信号．根据此方法得到了较好的辨识结果,再利用以DSP 为核心的伺服控制系统根据辨识结果来驱动膝关节处的电机,实现控制要求．
陈玲玲[5]（2006）在《基于支持向量机的下肢肌电信号模式识别的研究》文中认为随着科技的发展,智能假肢逐渐代替之前的低级假肢。其主要特点是能根据外界环境变化自动调整步频、扭矩等参数。但是,它不能随意地随着步频、膝关节角度的变化而变化。本课题所提出的新型智能假肢是将肌电信号作为假肢的主要控制信息源,它能够根据人的意识和实际环境调整假肢系统的参数,灵活可靠地完成动作。表面肌电信号以其无创伤测量,易提取的优点成为假肢理想的控制源。本课题的提出,正是为了实现这个目标所做的基础性研究。 本论文在对人体下肢表面肌电信号预处理和特征向量提取的基础上,实现对平地、斜坡和楼梯三种路况的识别和对膝关节角度的逼近。本文的研究内容及创新点如下: 1.下肢表面肌电信号的特征提取 特征提取是模式识别中一个非常重要的环节。一个识别系统的识别能力与特征矢量的选取有着直接的关系。对于肌电控制假肢来说,如何寻找有效的特征来表征肌电信号是动作肌电模式识别的根本问题。针对肌电信号的特点,本文提出用小波包分解系数和能量值作为下肢假肢运动模式的特征向量,得到了简化了的特征向量。 2.利用支持向量机对提取的肌电信号特征向量进行分类 将表面肌电信号在各频带投影序列的能量作为每类动作的特征向量,采用支持向量机进行分类,使之能够识别行走的不同路况——平地、斜坡和楼梯。同时,与LVQ神经网络作为分类器时的分类结果相比较,实验表明支持向量机算法具有较好的分类效果,对于下肢肌电假肢的控制具有良好的研究前景。 3.利用支持向量机自回归模型预测膝关节角度 采用支持向量机自回归模型对膝关节角度进行辨识。针对Zebris三维步态分析仪采集到的膝关节角度曲线,对膝关节角度进行逼近,以实现假肢对健肢的最大程度地逼近。通过支持向量机算法与模糊算法的结合,改进支持向量机算法的性能。
杨晶晶[6]（2006）在《基于肌电信号的人体上肢动作辨识与轨迹预测方法研究》文中研究指明肌电（EMG）信号是人体自主运动时神经肌肉活动发放的生物电信号,它反映了神经、肌肉的功能状态。表面肌电信号（SEMG）是使用方便且无痛苦的表面电极测得的肌电信号。表面肌电信号不仅在临床医学、运动医学等领域被广泛应用,而且成为多自由度人工假肢和功能性神经电刺激的理想控制信号。国内有很多研究专注于对表面肌电信号进行模式识别,从而区分肢体不同的运动模式,实现多自由度假肢的控制。但是,在单个运动模式中,假肢的运动状态如运动速度、运动幅度和手臂位置等却无法控制。这主要是由于肌电信号产生机理的复杂性及肌电信号和人体自主运动控制体系的复杂关系,使得表面肌电信号和人手运动状态的关系难以确定。随着信号处理方法和计算机技术的发展,如何从EMG信号中有效地提取信息并实现准确的动作识别,是肌电控制假肢实用化进程中的重要问题。为此本文在EMG信号的特征提取及模式识别方法上进行了理论和实践上的探讨。所做的主要工作如下:1.利用人体上肢肌肉的肌电信号辨识人体肘关节运动状态。当人体手臂做屈伸运动时,采集肱二头肌和肱三头肌的肌电（EMG）信号和肘关节角度信号,对EMG进行处理和特征提取。提取的特征值作为一个四层的神经网络模型的输入信号,运用改进后的误差反传学习算法最优化网络各层权值,映射出人体表面肌电信号和手臂运动状态间的非线性关系,试验结果表明所建立的神经网络预测模型能较准确的将处理后的肌电信号转换为相应时刻的肘关节运动角度。2.基于人手做展拳、握拳、前臂内旋、前臂外旋等不同的动作时采集到的肌电信号,首先提取其有效的动作信号。再利用离散小波变换对其进行多尺度分解,提取一定尺度上的小波系数模最大值作为特征值。分别采用多层前馈神经网络和高阶神经网络作为分类器对人手不同动作进行分类识别,均取得了较为满意的识别结果。本课题得到了国家自然科学基金（项目号:50375108）和天津市自然科学基金（项目号:033601611）的资助。
龚文[7]（2005）在《墨西哥研制成功第二代肌电控制上肢假肢》文中认为本报讯 墨西哥国立理工学院最近发表公报说，该学院生物工程师研制的肌电控制上肢假肢在临床应用中获得成功。新产品具有重量轻、上举重量大、活动更为灵便等特点。 据该科研项目负责人鲁伊斯?阿尔曼多介绍说，新一代肌电控制上肢假肢只有６００克重，假手负重能力可达到
颜芳[8]（2003）在《电刺激诱发表面肌电信号检测分析及肌疲劳的研究》文中指出本文介绍了表面肌电的产生机理、研究意义及其检测分析方法，着重论述了表面肌电信号在肌肉疲劳研究中的意义和各种研究方法。采用可重复性好、受噪声影响小的电刺激方式诱发表面肌电信号（SEMG）。用恒流源电刺激器刺激腓总神经，得到的诱发肌电信号放大和数据采集系统采用专用生理信号测量系统来实现，有效的降低了噪声的影响。采用小波分析的方法研究肌肉疲劳过程中表面肌电信号的变化特征。在匹配滤波理论的基础上，选择与M-波形状匹配的墨西哥帽小波函数，根据其两个半波的小波变换系数模极大值与尺度的关系，分别分析两个半波在时域波形的扩展程度，定义以小波变换尺度为主要依据的肌肉疲劳指数，实现疲劳状态的定量描述。同时给出了用传统中值频率法的分析结果和Lipschitz指数的分析结果。疲劳肌电的小波分析法克服了傅里叶变换在时域中没有分辨率，信号在某一时刻变化将影响整个频谱特性的缺点，实验结果具有较好的重复性。在此基础上确定特异性和可靠性良好的表征肌肉疲劳的SEMG指标，为进一步应用这些指标评价肌肉功能状态提供理论依据。
蔡立羽,王志中,张海虹[9]（2000）在《小波变换在表面肌电信号分类中的应用》文中提出针对肌电信号的非平稳特性 ,采用小波变换方法对表面肌电信号进行分析。通过奇异值分解有效地提取信号特征进行模式识别 ,能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式。实验表明 ,基于小波变换的奇异值分解方法是一种稳定、有效的特征提取方法 ,为非平稳生理信号的分析提供了新的手段。
陈耀华,赵玉荣[10]（1993）在《生物控制论及其在医学中的应用》文中进行了进一步梳理 一、控制论的产生和发展控制论（Cybernetics）一词源于古希腊文,实际上这个名称来源于柏拉图。他把控制论理解为“掌航艺术”或“控制艺术”。作为现代科学的的控制论,是由美籍奥国数学家N·维纳（N.Wiener）和他的朋友墨西哥神经生理学家A·罗森伯鲁斯合作建立起来的。维纳在1948年发表了他的名着《控制论——关于生物有机体和机器中控制及通信的科学》。控制论在当时出现,有它的特定的历史背景。它产生于第二次世界大战的特殊的军事需要,是从击落飞机的特殊
二、肌电控制假肢墨西哥临床应用成功（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、肌电控制假肢墨西哥临床应用成功（论文提纲范文）
（1）融合生物信息的智能仿生腿步态分析系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究背景 |
| 1.2.1 智能假肢研究现状 |
| 1.2.2 异构双腿机器人的提出 |
| 1.2.3 脑-机接口在假肢技术上的应用发展 |
| 1.3 课题的研究意义 |
| 1.4 论文主要工作 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 论文结构 |
| 第2章 步态分析系统概述 |
| 2.1 引言 |
| 2.2 步态分析主要研究内容 |
| 2.3 步态数据采集装置 |
| 2.3.1 常用采集装置介绍 |
| 2.3.2 本论文所用传感器介绍 |
| 2.4 本章小结 |
| 第3章 步态定量分析 |
| 3.1 数据采集与预处理 |
| 3.2 人体运动步态事件的定位 |
| 3.2.1 小波变换的理论基础 |
| 3.2.2 基于小波变换的步态事件的定位 |
| 3.3 步态参数的定量估计 |
| 3.4 本章小结 |
| 第4章 想象运动脑电BCI的研究基础 |
| 4.1 引言 |
| 4.2 脑电信号的产生 |
| 4.3 脑电信号的分类 |
| 4.3.1 自发脑电 |
| 4.3.2 诱发脑电 |
| 4.4 脑电信号的采集 |
| 4.5 BCI系统的组成 |
| 4.6 本章小结 |
| 第5章 BCI系统设计实现 |
| 5.1 脑电数据描述 |
| 5.1.1 DG数据描述 |
| 5.1.2 DT数据描述 |
| 5.2 数据预处理 |
| 5.3 脑电信号特征提取 |
| 5.3.1 时域法 |
| 5.3.2 频域法 |
| 5.3.3 基于小波变换的特征提取 |
| 5.3.4 基于共空域模式的特征提取 |
| 5.4 分类器的设计 |
| 5.4.1 Fisher线性判别分析 |
| 5.4.2 支持向量机 |
| 5.4.3 分类结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 结论 |
| 6.2 问题与展望 |
| 参考文献 |
| 致谢 |
（2）基于信息融合的表面肌电信号模式分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 选题意义 |
| 1.3 表面肌电信号特征提取与识别的研究现状 |
| 1.3.1 肌电信号特征提取方法 |
| 1.3.2 肌电信号模式分类方法 |
| 1.4 信息融合应用于模式识别 |
| 1.5 本论文的主要研究内容 |
| 第二章 肌电信号的产生机理及其数学模型 |
| 2.1 引言 |
| 2.2 肌肉运动中的电生理过程及表面肌电的产生 |
| 2.3 肌电信号产生的数学模型 |
| 2.4 本章小结 |
| 第三章 肌电信号采集与特征参数的提取 |
| 3.1 肌电信号的采集 |
| 3.2 肌电信号的时域统计特征 |
| 3.3 肌电信号的AR参数模型分析方法 |
| 3.3.1 肌电信号的AR模型 |
| 3.3.2 模型阶数的选取 |
| 3.3.3 实验与分析 |
| 3.4 基于小波变换和奇异值分解的特征提取 |
| 3.4.1 引言 |
| 3.4.2 小波变换原理 |
| 3.4.3 基于小波变换与奇异值分解的特征提取 |
| 3.5 本章小结 |
| 第四章 信息融合基本理论 |
| 4.1 信息融合技术 |
| 4.1.1 信息融合的原理 |
| 4.1.2 信息融合的层次结构 |
| 4.1.3 信息融合的算法 |
| 4.2 Dempster-Shafer证据理论 |
| 4.2.1 D-S证据理论的基本概念 |
| 4.2.2 Dempster组合规则 |
| 4.2.3 冲突证据的合成方法 |
| 4.2.4 基于D-S证据理论的肌电信号动作模式识别 |
| 4.3 模糊积分 |
| 4.3.1 模糊测度 |
| 4.3.2 模糊积分 |
| 4.3.3 基于模糊积分的肌电信号动作模式识别 |
| 4.4 D-S证据理论与模糊积分的性能比较 |
| 4.5 本章小结 |
| 第五章 基于神经网络与信息融合的肌电模式识别 |
| 5.1 神经网络 |
| 5.2 基于BP网络与D-S证据理论的决策级融合 |
| 5.2.1 多证据源的构造 |
| 5.2.2 D-S证据理论决策级融合效果分析 |
| 5.3 基于BP网络与模糊积分的决策级融合 |
| 5.3.1 可测函数的确定 |
| 5.3.2 模糊密度的计算 |
| 5.3.3 采用不同意义的模糊密度识别结果的比较 |
| 5.3.4 模糊积分决策级融合效果分析 |
| 5.4 D-S证据理论与模糊积分的融合效果比较 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文所作的工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的论文 |
（3）基于支持向量机的表面肌电信号模式识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究概况、水平和发展趋势 |
| 1.2.1 国外发展概况 |
| 1.2.2 国内发展概况 |
| 1.3 主要研究内容 |
| 2 肌电信号的特征及分析方法 |
| 2.1 肌电信号的特征 |
| 2.1.1 肌电信号的产生机理 |
| 2.1.2 肌电信号的特点 |
| 2.2 肌电信号的数学模型 |
| 2.2.1 线性系统模型 |
| 2.2.2 集中参数模型 |
| 2.2.3 双极型模型 |
| 2.2.4 非平稳模型 |
| 2.3 表面肌电信号 |
| 2.4 肌电信号的分析方法 |
| 2.4.1 平均值叠加法 |
| 2.4.2 时域分析方法 |
| 2.4.3 频域分析方法 |
| 2.4.4 时频分析法 |
| 2.4.5 人工神经网络 |
| 2.4.6 混沌和分形分析 |
| 3 表面肌电信号的特征提取 |
| 3.1 引言 |
| 3.2 肌电信号特征提取方法综述 |
| 3.2.1 肌电信号的时域分析方法 |
| 3.2.2 肌电信号的频域分析方法 |
| 3.2.3 肌电信号的时频分析方法 |
| 3.3 表面肌电信号的时域特征提取 |
| 3.4 表面肌电信号的小波特征提取 |
| 3.4.1 小波分析基本理论 |
| 3.4.2 常用小波函数及小波函数的选择 |
| 3.4.3 多分辨分析 |
| 3.4.4 矩阵奇异值分解及特征提取 |
| 3.4.5 基于小波变换的特征提取 |
| 3.5 讨论和小结 |
| 4 支持向量机的基本理论 |
| 4.1 支持向量机理论 |
| 4.1.1 最优分类面 |
| 4.1.2 标准支持向量机算法 |
| 4.2 最小二乘支持向量机原理 |
| 4.3 最小二乘支持向量机多元分类模型 |
| 4.4 本章小结 |
| 5 sEMG的模式识别 |
| 5.1 基于SVM的多类别分类器的设计 |
| 5.1.1 "一对多"(1-a-r)算法 |
| 5.1.2 "一对一"(1-a-1)算法 |
| 5.1.3 纠错输出编码方法(ECOC) |
| 5.1.4 最小输出编码方法(MOC) |
| 5.2 SVM分类器的参数优化 |
| 5.2.1 支持向量机的参数选择问题 |
| 5.2.2 交叉验证算法 |
| 5.3 多类sEMG的分类实验 |
| 5.3.1 选取不同特征时的分类试验 |
| 5.3.2 选取不同参数下的分类实验 |
| 5.3.3 四种方法设计的分类器的分类实验 |
| 5.3.4 SVM与RBF神经网络分类比较实验 |
| 5.3.5 不同训练样本下测试分类实验 |
| 5.4 讨论与小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
（5）基于支持向量机的下肢肌电信号模式识别的研究（论文提纲范文）
| 第一章 绪论 |
| §1-1 研究背景 |
| §1-2 研究意义 |
| §1-3 本课题在国内外的研究概况、水平和发展趋势 |
| 1-3-1 国外发展概况 |
| 1-3-2 国内发展概况 |
| §1-4 本课题的主要研究内容 |
| 第二章 肌电信号与人体下肢步态特征 |
| §2-1 肌电信号的概述 |
| 2-1-1 肌电信号产生机理 |
| 2-1-2 肌电信号特点 |
| 2-1-3 表面肌电信号 |
| §2-2 人体下肢步态特征及关节力矩分析 |
| 2-2-1 人体运动特点 |
| 2-2-2 人体下肢运动学分析 |
| 2-2-3 人体下肢动力学分析 |
| §2-3 肌电信号采集系统 |
| 2-3-1 肌电采集系统总体方案设计 |
| 2-3-2 肌电信号采集系统电路的设计 |
| 2-3-3 软件系统设计方案 |
| 2-3-4 采集分析系统 |
| §2-4 肌电信号及步态信息的采集方案 |
| 2-4-1 肌电信号的采集 |
| 2-4-2 步态信息的采集 |
| 2-4-3 MVC实验 |
| 第三章 肌电信号的预处理与特征提取 |
| §3-1 肌电信号的预处理 |
| 3-1-1 整流滤波与噪声消除 |
| 3-1-2 归—化处理 |
| §3-2 时域与频域内肌电信号的特征提取 |
| 3-2-1 时域内的特征向量 |
| 3-2-2 频域内的特征向量 |
| §3-3 基于小波包分解的下肢肌电信号的特征提取 |
| 3-3-1 小波基础 |
| 3-3-2 小波包基础 |
| 3-3-2 基于小波包分解的下肢表面肌电信号特征提取 |
| §3-4 小结 |
| 第四章 基于支持向量机的路况识别 |
| §4-1 支持向量机概述 |
| 4-1-1 支持向量机及其特点 |
| 4-1-2 VC维与结构风险最小化准则 |
| 4-1-3 分类超平面 |
| 4-1-4 支持向量机的理论方法 |
| 4-1-5 支持向量机的核函数 |
| §4-2 多类别分类 |
| §4-3 基于支持向量机的表面肌电信号的模式识别 |
| 4-3-1 实验 |
| 4-3-2 基于LVQ神经网络的表面肌电信号的模式分类 |
| 4-3-3 分类效果的影响因素 |
| 4-3-4 结论 |
| 第五章 基于支持向量机自回归模型的关节角度辨识 |
| §5-1 支持向量机自回归模型概述 |
| 5-1-1 ε-支持向量机 |
| 5-1-2 支持向量机自回归建模 |
| §5-2 基于支持向量机自回归模型的关节角度辨识 |
| §5-3 基于模糊支持向量机的关节角度辨识 |
| 5-3-1 模糊支持向量机 |
| 5-3-2 F-SVR隶属度的确定 |
| 5-3-3 基于模糊支持向量机的关节角度辨识 |
| §5-4 小结 |
| 第六章 结论与展望 |
| §6-1 论文完成的主要工作与创新点 |
| §6-2 工作展望 |
| 参考文献 |
| 附录A |
| 致谢 |
| 攻读学位期间所取得的相关科研成果 |
（6）基于肌电信号的人体上肢动作辨识与轨迹预测方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 国内外研究概况 |
| 1.3 本课题研究的主要内容和意义 |
| 第二章 肌电信号的机理及采集 |
| 2.1 肌肉运动中的电生理过程及肌电信号的产生 |
| 2.2 表面肌电信号采集系统 |
| 2.2.1 数据采集硬件 |
| 2.2.2 数据采集软件 |
| 第三章 基于肌电信号的人手肘关节运动轨迹的预测 |
| 3.1 前言 |
| 3.2 神经网络的基本原理 |
| 3.2.1 人工神经网络简介 |
| 3.2.2 人工神经网络的特点及其优越性 |
| 3.2.3 神经元的数学模型 |
| 3.3 基于神经网络的肘关节运动轨迹的预测 |
| 3.3.1 肌电信号的采集 |
| 3.3.2 肌电信号的特征提取 |
| 3.3.3 神经网络辨识模型的建立及肘关节运动轨迹预测 |
| 3.4 本章小结 |
| 第四章 基于肌电信号的人手动作的识别 |
| 4.1 前言 |
| 4.2 小波变换基本原理 |
| 4.2.1 小波变换的定义及特点 |
| 4.2.2 离散小波变换及其实现算法 |
| 4.3 基于小波变换和神经网络分类的人手动作识别 |
| 4.3.1 肌电信号的采集 |
| 4.3.2 肌电信号的特征提取 |
| 4.3.3 基于肌电信号的人手动作分类 |
| 4.4 本章小结 |
| 第五章 全文总结和展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（8）电刺激诱发表面肌电信号检测分析及肌疲劳的研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 肌电信号研究的起源及发展 |
| 1.2 本文研究背景及意义 |
| 1.3 研究方法 |
| 2 电刺激诱发表面肌电信号 |
| 2.1 肌肉运动过程中肌电信号的产生机理 |
| 2.2 表面肌电信号 |
| 2.3 表面肌电信号的研究现状 |
| 2.4 表面肌电信号的分析与方法处理 |
| 2.4.1 时域分析 |
| 2.4.2 频域分析 |
| 2.4.3 时频分析 |
| 2.4.4 混沌和分形法 |
| 2.5 电刺激诱发表面肌电信号 |
| 2.5.1 电刺激器 |
| 2.5.2 诱发肌电的检测 |
| 2.5.3 诱发肌电预处理 |
| 3 信号的小波分析 |
| 3.1 小波概述 |
| 3.2 小波变换的概念 |
| 3.2.1 平方可积函数空间 |
| 3.2.2 连续小波变换 |
| 3.2.3 连续小波变换的逆变换 |
| 3.2.4 离散小波变换 |
| 3.3 小波变换模极大值同信号突变点之间的关系 |
| 3.4 小波变换模极大值与突变信号局部奇异性的关系 |
| 3.4.1 李氏指数 |
| 3.4.2 突变点的李氏指数同小波变换模极大值之间的关系 |
| 3.5 李氏指数的计算 |
| 3.5.1 利用相邻尺度下的模极大值方法 |
| 3.5.2 利用模极大值曲线相邻两点斜率的方法 |
| 3.5.3 利用最小二乘法求解极值问题的方法 |
| 3.6 小波变换模极大值的确定 |
| 4 疲劳肌电信号的小波分析 |
| 4.1 肌肉疲劳介绍 |
| 4.2 肌疲劳研究方法及进展 |
| 4.2.1 传导速率的初步估计 |
| 4.2.2 测量反映肌肉传导速度的频率参数 |
| 4.2.3 测量反映肌疲劳的一些时域参数 |
| 4.2.4 肌肉疲劳的自回归分析 |
| 4.2.5 疲劳期间肌电信号的时频分析 |
| 4.3 基于中值频率和平均频率的肌疲劳监测 |
| 4.4 疲劳肌电的小波分析 |
| 4.5 匹配滤波器 |
| 4.5.1 匹配滤波器的频域特性 |
| 4.2.2 匹配滤波器的时域特性 |
| 4.2.3 匹配滤波器的有关性质 |
| 4.6 表面肌电的匹配小波分析 |
| 4.6.1 以匹配滤波为基础的小波分析 |
| 4.6.2 小波基函数的选取 |
| 4.6.3 肌疲劳过程中表面肌电的小波分析 |
| 4.6.4 肌肉疲劳指标 |
| 4.7 实验结果 |
| 5 结论及展望 |
| 5.1 结论 |
| 5.2 展望 |
| 5.2.1 实验方法的改进 |
| 5.2.2 算法的进一步研究 |
| 致谢 |
| 参考文献 |
| 附：1.作者在攻读硕士学位期间发表的论文目录 |
| 2.作者在攻读硕士学位期间参加的科研项目及得奖情况 |
（9）小波变换在表面肌电信号分类中的应用（论文提纲范文）
| 1 引 言 |
| 2 小波变换原理及特点 |
| 3 奇异值分解 |
| 4 神经网络分类 |
| 5 实验与结论 |
四、肌电控制假肢墨西哥临床应用成功（论文参考文献）
- [1]融合生物信息的智能仿生腿步态分析系统的研究[D]. 宁廷会. 东北大学, 2011(03)
- [2]基于信息融合的表面肌电信号模式分类研究[D]. 高中美. 江苏大学, 2010(08)
- [3]基于支持向量机的表面肌电信号模式识别方法研究[D]. 黄赟伟. 西安理工大学, 2010(11)
- [4]基于神经网络辨识的新型智能假肢控制机理研究[A]. 郭欣,杨鹏,刘洪彩,陈玲玲. 2006中国控制与决策学术年会论文集, 2006
- [5]基于支持向量机的下肢肌电信号模式识别的研究[D]. 陈玲玲. 河北工业大学, 2006(08)
- [6]基于肌电信号的人体上肢动作辨识与轨迹预测方法研究[D]. 杨晶晶. 天津大学, 2006(05)
- [7]墨西哥研制成功第二代肌电控制上肢假肢[N]. 龚文. 医药经济报, 2005
- [8]电刺激诱发表面肌电信号检测分析及肌疲劳的研究[D]. 颜芳. 重庆大学, 2003(04)
- [9]小波变换在表面肌电信号分类中的应用[J]. 蔡立羽,王志中,张海虹. 生物医学工程学杂志, 2000(03)
- [10]生物控制论及其在医学中的应用[J]. 陈耀华,赵玉荣. 锦州医学院学报, 1993(04)