声明
摘要
第1章 绪论
1.1 引言
1.2 人体下肢外骨骼研究介绍
1.2.1 国外人体外骨骼研究现状
1.2.2 国内人体外骨骼研究现状
1.3 人体肌电信号研究概述
1.3.1 sEMG在下肢外骨骼的应用研究
1.3.2 sEMG的特征提取方法
1.3.3 sEMG的模式分类方法
1.3.4 sEMG的模式在线学习
1.4 课题的研究意义
1.5 论文主要工作
1.5.1 论文主要研究内容
1.5.2 论文结构
第2章 下肢肌电信号及运动信息获取
2.1 sEMG的生理基础
2.1.1 sEMG产生的机理
2.1.2 sEMG的特点
2.2 实验设备
2.1.2 sEMG采集相关设备
2.1.2下肢运动信息采集相关设备
2.3 sEMG和下肢运动信息采集实验
2.3.1 sEMG电极位置选择
2.3.2 Mti传感器位置安放
2.3.3 sEMG及下肢运动信号实验过程
2.3.4 sEMG及运动信息实验结果与分析
2.4 本章小结
第3章 下肢sEMG预处理及特征提取
3.1 sEMG滤波处理
3.1.1 肌电信号采集的干扰因素
3.1.2 EMD滤波
3.1.3 小波去噪
3.1.4 EMD+小波去噪
3.2 sEMG的活动段提取技术
3.2.1 单门限多阈值活动段提取技术
3.2.2 实验结果及步频计算
3.3 sEMG特征提取技术
3.3.1 时域特征
3.3.2 频域特征
3.3.3 小波包奇异值分解
3.3.4 时序模型AR特征
3.4 sEMG特征选择技术
3.4.1 常用特征选择算法
3.4.2 相关性和冗余性指标
3.4.3 基于动态相关性和冗余性分析的前向特征选择方法
3.4.4 实验结果与讨论
3.5 本章小结
第4章 基于sEMG路况识别和疲劳检测的在线学习算法
4.1 传统分类器
4.1.1 RBF神经网络
4.1.2 BP神经网络
4.2 ELM极限学习机
4.2.1 ELM极限学习机概述
4.2.2 隐含层节点数选择
4.2.3 疲劳检测实验结果及对比分析
4.3 OS_ELM极限学习机在线增量学习算法
4.3.1 引言
4.3.2 OS_ELM在线学习原理
4.3.3 路况识别实验结果与分析
4.4 集成在线分类器
4.4.1 基于adaboost+OS_ELM增强分类器
4.4.2 实验结果与分析
4.5 本章小结
第5章 基于多路况关节角度步态规划模型的建立
5.1 引言
5.1.1 多路况关节角度步态规划模型的建立过程
5.2 关节角度特征提取
5.2.1 关节角度傅里叶级数系数提取
5.2.2 基于PCA的降维处理
5.3 基于粒子群优化的模糊神经网络建模
5.3.1 模糊神经网络原理
5.3.2 粒子群优化算法
5.3.3 实验结果与分析
5.4 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