声明
摘要
插图
表格
1 绪论
1.1 研究背景及意义
1.2 问题的提出
1.3 本文工作
2 相关研究工作综述
2.1 表面肌电信号的产生原理
2.2 基于表面肌电的手势识别
2.2.1 基于传统机器学习的肌电手势识别方法
2.2.2 基于深度学习的肌电手势识别方法
2.3 多流融合学习
2.3.1 多流融合深度学习方法
2.3.2 多流融合方法
2.3.3 基于多流融合学习的手势识别方法
2.4 多视图学习
2.5 小结
3 面向肌电手势识别的多流融合深度学习方法
3.1 概述
3.2 问题描述
3.3 面向肌电手势识别的多流融合深度学习方法框架
3.3.1 肌电图像多流表征
3.3.2 多流卷积神经网络结构
3.3.3 融合网络结构
3.4 性能评估与实验分析
3.4.1 数据集与实验细节
3.4.2 NinaPro DB1数据集上的评测
3.4.3 CapgMyo DB-a数据集上的评测
3.4.4 CSL-HDEMG数据集上的评测
3.5 小结
4 面向肌电手势识别的多视图深度学习方法
4.1 概述
4.2 问题描述
4.3 面向肌电手势识别的多视图深度学习方法框架
4.3.1 肌电信号的多视图构建过程
4.3.2 深度学习框架下的视图选择过程
4.3.3 多视图卷积神经网络结构
4.4 性能评估与实验分析
4.4.1 数据集与实验细节
4.4.2 多视图深度学习与单视图深度学习的性能对比
4.4.3 不同多视图聚合方法的性能对比
4.4.4 四个稀疏多通道数据集上与已知方法的性能对比
4.5 小结
5 会话间肌电手势识别中的多流AdaBN领域自适应方法研究
5.1 概述
5.2 问题描述
5.3 多流AdaBN领域自适应方法介绍
5.4 性能评估与实验分析
5.4.1 对多流融合深度学习方法的会话间手势识别测试
5.4.2 对多视图深度学习方法的被试间手势识别测试
5.5 小结
6 总结与展望
参考文献
发表文章目录
致谢