一、基于神经网络的柔性结构损伤模式识别方法（论文文献综述）
尤洋[1]（2021）在《基于复数域分析的致痫区脑电信号识别算法研究》文中进行了进一步梳理癫痫是一种以具有持续性致痫倾向为特征的脑神经系统疾病。全球约1500万的癫痫患者为药物难治性癫痫,需要手术切除致痫区来控制或治愈癫痫。准确定位致痫区是手术治疗成功的关键。脑电图可以直观反映大脑电生理活动,是术前诊断致痫区的必要手段。临床医生通过视觉检查患者24小时长程脑电图来定位致痫区,但视觉检测耗时耗力且具有主观性和经验性,使得基于数字信号处理的致痫区辅助诊断技术成为当下癫痫研究领域的热点。该技术最关键的任务是依据癫痫活动时脑电的特点,设计基于信号处理和模式识别的致痫区脑电信号识别算法。一方面力求克服人工视觉诊断的弊端,极大地提高致痫区辅助定位的准确率和效率,缓解癫痫患者的痛苦;另一方面也为后续癫痫辅助诊断系统的开发奠定基础。然而癫痫样放电模式复杂多变,要实现准确且高效的致痫区脑电信号识别仍是一个艰巨的挑战。本文针对目前致痫区脑电信号识别算法准确性、算法效率和泛化性能较差的问题,结合癫痫脑电信号非线性、非平稳的特点,设计基于复数域分析的致痫区脑电信号识别算法,并探索相应算法在致痫区辅助定位中的有效性。本文的主要研究工作和创新性成果如下:（1）针对基于实数域的分析方法对脑电相位信息表征不足的问题,提出了基于柔性解析小波变换的致痫区脑电识别算法。利用柔性解析小波变换获得复数域下的复值脑电小波系数,同步保留脑电幅值和相位信息。引入复值分布熵实现对复值脑电系数的幅值-相位非线性信息的同步挖掘。将柔性解析小波变换灵活的时频表征特性、复值分布熵和对数能量熵的非线性分析能力相结合,有效且更充分地挖掘了潜在病理信息,增强了分析算法的识别性能。在伯尔尼-巴塞罗那脑电数据集3750对焦点和非焦点脑电信号的识别中获得了95.26%的识别准确率、96.35%的特异性和94.21%的敏感性,初步验证了复数域分析方法在致痫区脑电信号识别中的有效性。（2）针对传统时频分析方法对脑电节律信息挖掘能力较差的问题,提出了基于复值脑电节律特征的致痫区脑电识别算法。该算法将双树复小波变换与希尔伯特变换相结合以获得复数域下脑电节律的调幅和调相信息;然后结合标准差、奇异值和复值模糊分布熵从多角度捕捉复值脑电节律包含的病理信息,更深入地揭示焦点和非焦点脑电信号的节律特性;最后利用Logit Boost算法对决策树分类器进行集成,并增强分类器识别结果的可靠性和稳定性。实验结果表明,δ+θ节律对致痫区识别贡献率最大,特征差异度最大,在3750对焦点和非焦点脑电信号上取得了98.83%的识别准确率、0.976的马修斯相关系数和8.1ms的单样本识别时间。由此说明所提识别算法能够更充分地挖掘脑电节律信息,并且在识别性能和计算复杂度之间达到了平衡,提高了致痫区辅助定位的准确性和效率,进一步表明基于复数域分析的脑电识别算法的优越性。（3）针对传统脑电特征提取算法特征学习稳定性和泛化性差的问题,提出了基于幅-相融合矩阵和深度特征学习网络的致痫区脑电识别算法。基于前述的研究结论,直接对脑电信号进行低通滤波获得0-8Hz脑电频段。对脑电信号进行希尔伯特变换获得其解析信号,并由此得到脑电幅值矩阵和相位矩阵。引入多尺度引导滤波融合对幅值矩阵和相位矩阵进行数据层融合以获取包含深层信息的幅-相融合矩阵。利用主成分分析网络直接从幅-相融合矩阵中进行自动特征学习,解决个体差异为特征设计带来的困难,克服传统人工设计特征的经验性和局限性。利用伯尔尼-巴塞罗那和波恩两个脑电数据集对所提算法进行验证。对致痫区脑电信号的识别准确率为100%,马修斯相关系数为1;对7种不同癫痫检测任务均可获得99%以上的识别准确率和0.975的马修斯相关系数。实验结果表明所提识别算法保证了识别准确率和计算效率,并且在不同癫痫诊断任务场景下具有较好的泛化能力和鲁棒性。综上,本文以焦点和非焦点脑电信号为研究对象,围绕基于脑电信号的致痫区辅助定位技术中最关键的致痫区脑电信号识别算法构建问题展开研究。利用脑电信号的复数域表征算法实现了准确、高效的致痫区识别,对致痫区辅助定位技术的实用化进程起到了积极有效地推进作用,为下一步癫痫辅助诊断智能系统的研制奠定了理论基础。
叶琦[2]（2021）在《上肢康复机器人运动解析及交互控制方法研究》文中进行了进一步梳理早期物理康复训练对上肢功能损伤患者的治疗具有积极效果,体现患者意图的主动训练更能有效激励神经系统的运动学习能力。康复医疗领域和机器人控制领域的蓬勃发展为患者的治疗带来新的可能性,合理利用康复机器人对患肢进行辅助治疗能够缓解治疗师过大的工作负荷,确保康复训练安全有效地进行。上肢康复机器人在使用时更多采用重复性的被动训练模式,对于与患者交互性更强的主动训练研究较少,针对这一问题,本文研究以表面肌电信号（Surface Electromyography,sEMG）为基础的上肢康复机器人交互控制方法,研究内容来源于北京市自然科学基金项目“上肢外骨骼机器人的跨模态耦合机理与生物驱动策略”（项目编号:3202021）,主要工作内容如下:首先,在满足控制要求的前提下,选取肩关节、肘关节共四个自由度,建立四自由度上肢康复机器人模型;定义各关节坐标系获得D-H参数,进一步求解齐次变换矩阵,进而推导出速度雅可比,对康复机器人正逆运动学进行分析,利用MATLAB Robotic Toolbox构建上肢康复机器人的数学模型,仿真结果对比理论推导结果,实现运动学模型的可靠性分析;基于能量的原理建立上肢康复机器人拉格朗日动力学模型,并在Adams/view环境下利用虚拟样机模型进行动力学仿真分析,为康复机器人交互控制方法的研究提供力学基础。其次,为准确辨识人体运动意图,探究sEMG的形成机理和特征,分析其作为运动意图识别信号的可行性,在此基础上确定满足上肢功能的运动模式,选择运动时相关度较大的上肢肌肉作为sEMG的采集位置;搭建合适的表面肌电信号采集平台以降低传感器、电路等带来的噪声,设计合理的采集方案,降低外部条件对sEMG采集过程的影响,获取具备广泛性和可靠性的肌电信号样本数据;针对不同的噪声来源,采用陷波器和小波阈值降噪的方法去除表面肌电信号中混叠的噪声;提取处理过的sEMG时频域特征,获得小波系数最大值和平均绝对值特征矩阵。然后,针对传统的动作分类器对于样本数据集较大时分类效果不理想的问题,构建门控卷积神经网络（Gated Convolution Neural Network,G-CNN）分类器;引入门控卷积层代替普通的卷积层,控制隐藏特征在门控卷积神经网络中的流通,有效地提取有用信息和阻断噪声,设计优良的网络结构和学习算法,提高动作识别的准确率;提出正则化方法优化网络,避免网络模型对数据进行过度学习而发生过拟合问题,采用Adam实现G-CNN中权值和偏置的更新,避免模型陷入梯度弥散、局部最优等问题,加快G-CNN模型收敛速度;将样本数据作为分类器的输入,以准确率和损失值为判断指标,设计G-CNN分类器和传统分类器的对比实验,并分析不同结构G-CNN分类的性能,证明本文提出的G-CNN模型动作识别性能的优越性。最后,根据识别出的上肢动作得到代表人体运动意图的期望轨迹,采用生物信号和运动信号相结合的方式对上肢康复机器人系统进行控制;对于系统参数变化和外界扰动的问题,设计鲁棒性强的非奇异终端滑模（Nonsingular Terminal Sliding Mode,NTSM）控制器,推导其控制律完成对轨迹的精确跟踪;并利用Laypunov函数证明该控制系统的稳定性;为保证上肢主动康复训练时的柔顺性,研究非奇异终端滑模阻抗控制方法,依据人机交互力动态调整运动轨迹,确保人机之间相互作用力的大小保持在一个合适的范围内;利用MATLAB仿真平台验证控制方法的可靠性和有效性。
康彤[3]（2021）在《基于表面肌电的人体运动意图辨识》文中认为人体表面肌电信号（Surface Electromyography,s EMG）蕴含着丰富的人体运动状态信息。在柔性助力服、穿戴式外骨骼等人机交互系统中,具有广阔的应用前景。在这一类人机交互系统中,感知控制是基于人体运动意图的辨识来实现。人体运动意图的感知辨识主要分为两大类:基于关节角度、角速度、三轴加速度、足底信息的生物力学感知和基于肌电、脑电等生物电信号感知。本研究的目标是利用肌电实现人体运动意图的感知辨识,为柔性助力服的控制提供多元的输入信息。利用表面肌电完成人体运动意图模式识别,建立表面肌电与肢体运动姿态映射关系。最终的目的是实现通过s EMG估计的连续运动量可以作为参考控制信号。保证人体在穿戴柔性助力服时的安全性和人机交互过程的自然协调,实现整个控制的柔顺。本文主要工作包括以下几个部分:首先,确定下肢传感布局方案。研究人体下肢肌肉、运动、关节之间的内在关系。通过研究分析及建模等方式筛选股二头肌、股外侧肌、股内侧肌、腓肠肌、胫骨前肌为肌电信号来源,确定下肢传感布局方案。设计实验场景,采集人体平地行走、上/下楼梯,上/下坡、起蹲的下肢表面肌电信号。其次,进行表面肌电信号的预处理。表面肌电信号本身具有信号微弱、频率低、易受干扰等特性。在信号采集过程中,容易受到人体组织产生的各种生物电信号、仪器设备固有噪声等干扰。本文设计巴特沃斯和小波阈值降噪方法进行肌电信号预处理,对信号进行滤波降噪。采用这种预处理得到的肌电信号信噪比高,均方根误差小。最后,进行人体运动意图辨识。在人体运动意图模式识别方面,提取肌电特征值,利用BP神经网络进行运动意图模式识别,平均识别率为85%。采用主成分分析法对特征值进行降维处理后,一方面使网络复杂度降低,另一方面使利用BP神经网络进行识别平均识别率达到90%。人体肌电运动姿态映射方面,利用支持向量回归和高斯过程回归两种方法,对于大小腿肢体姿态进行回归映射。在算法对比过程中,支持向量回归算法在人体运动回归映射方面的效果优于高斯过程回归。对于平地行走,上/下楼梯,上/下坡五种运动映射的相关性均大于80%。
石用伍[4]（2020）在《面向心肺慢病管理的穿戴式生理参数监测感知技术研究》文中进行了进一步梳理随着社会的发展和全球人口老龄化的趋势越发严重,心肺慢病已成为威胁老龄化人群健康的头等病因,同时,心肺慢病不断呈现年轻化发病趋势。伴随医学科技的发展以及人民健康意识的提高,现代医疗模式更主张实现对“健康人”的生命体征信息动态健康监测管理,提倡“预防重于治疗”,关注治“未病”,让病人得到个体化、动态的医疗服务。心电、心率、脉搏、血氧饱和度、呼吸、体温、血压等这些人体基本的生理参数与疾病的防治密切相关。从技术手段上来说,除了医院专业的医疗设备可以实现对人体健康状态监测外,便捷、灵活的穿戴式生理参数监测系统为个性化实时的生理参数监测提供了技术支撑平台。现代医疗模式的转变,对医疗级穿戴式微型化、智能化设备提出了更高的要求,穿戴式生理参数监测采用微型化、智能化、高精度的各种传感器采集人体的生理参数,实现对人体健康生理参数无创连续的实时监测,是实现全面健康和个性化医疗较为有效的新型医疗监护模式。然而,具备微型化、低功耗、高精度的穿戴式系统感知技术的研究目前仍然是穿戴式医疗研究的难点之一。全面深入地开展穿戴式医疗感知技术的相关研究对于个性化疾病的诊断和治疗、解决健康管理、养老服务、慢病管理和看病难等问题都具有非常重要的意义。本文以“感知”为切入点,根据穿戴式生理参数监测系统感知技术环节存在的关键问题,主要针对脉搏、心率传感器感知材料制备及传感性能测试、面向心肺慢病管理的穿戴式生理参数监测系统、穿戴式心电信号的信息融合分类算法等几个方面进行了深入的研究,具体包含以下内容:（1）多金属盐酸盐/二维氧化石墨烯（polyoxometalate/two dimensional graphene nanosheets,简称POM/2D GNs）柔性穿戴式脉搏、心率传感器感知电极材料制备及传感性能研究。本文制备了POM/2D GNs复合材料,并对该材料进行X射线衍射（X-Ray Diffraction,简称XRD）、透射电镜（Transmission electron microscope,简称TEM）、X射线能谱分析（Energy dispersive X-ray spectroscopy,简称EDS）表征及电化学性能测试。构建了基于POM/2D GNs的水滴监测传感器模型,利用放置和移除水滴的方式对该传感装置的响应能力进行测试,结果表明,测量到的ΔADC值可以很好地响应水滴放置和移除POM/2D GNs传感器时的压力信号变化。为探索POM/2D GNs传感器在人体脉搏、心率监测领域的应用潜力,我们设计了一种柔性脉搏传感器装置模型,并将其固定于手腕脉搏处,进行连续15秒的脉搏监测记录。结果表明,基于POM/2D GNs的传感器对外部脉冲很敏感,监测结果与PPG技术监测到的脉搏波结果基本一致。因此,POM/2D GNs被证实可用于穿戴式医疗系统用来实现对人体脉搏、心率等生命体征参数的监测。这项工作为柔性穿戴式心电、脉搏传感器的制备开辟了新的途径。（2）2D GNs/ZnS:Mn2+/POM力致发光柔性穿戴式脉搏、心电传感器感知电极材料制备及传感性能研究。在POM/2D GNs脉搏传感器感知材料的基础上,本文进一步制备了2D GNs/ZnS:Mn2+/POM复合材料,并对该材料进行XRD、TEM、PL（光致发光）、ML（力致发光）和电化学性能表征。结果表明,该材料具有压力控制发光性能,ML强度和压力值在一定范围内呈线性关系。由于具有高导电性能的2D GNs和POM的引入,2D GNs/ZnS:Mn2+/POM电极具备对外界的刺激响应敏感和高导电特性。构建了2D GNs/ZnS:Mn2+/POM传感器装置模型,并对脉搏、心电信号进行监测,实验结果表明,该复合材料可以作为脉搏、心电传感器感知电极用于穿戴式脉搏、心率的监测。本文的研究进一步丰富了穿戴式柔性脉搏、心率传感器感知电极材料的制备方法,对柔性石墨烯基材料作为心电、脉搏传感器的新应用提供了一定的借鉴价值。（3）面向心肺慢病管理的穿戴式生理参数监测系统。本文设计的穿戴式心肺慢病生理参数监测系统充分结合了传统的心电监护设备的技术优势,以低功耗、小型化和兼顾生理信号测量的准确性为目标,选取ADS1292、AFE4400、STM32等低功耗模拟前端和芯片方案,设计了集3导联的心电信号采集和血氧饱和度监测模块为一体的穿戴式心肺慢病监测系统,经验证,该系统能有效地采集到心电和血氧饱和度信号。同时利用该系统对本文制备的石墨烯基感知材料POM/2D GNs进行了心电信号的采集验证。（4）深度卷积神经网络（Deep Convolutional Neural Network,简称DCNN）的心律失常分类算法研究。通过对前端采集到的心电信号中获取有用的信息辅助临床医生的诊断具有重要意义,也是智能穿戴设备系统的核心和关键感知技术之一。本文提出了一种基于深度卷积神经网络的心律失常分类算法,生成具有患者特异性的深层结构自动心拍分类模型,提出方法的优点包括减少了前期的心电信号噪声处理、单独的特征提取等步骤。提出模型对MIT-BIH心律失常数据库四类心拍识别的平均准确率为96.79%,平均特效度为97.85%,综合性能评价指标达95.98%。（5）卷积神经网络+长短时记忆网络+注意力机制（Convolutional Neural Network+Long Short-Term Memory+Attention,简称CLSTMA）组合神经网络模型的心律失常分类算法研究。本文在深度卷积神经网络的基础上进一步提出了CLSTMA组合神经网络模型。经过20轮次的训练和调参过程,生成具有患者特异性的深层结构自动心拍分类模型,提出方法减少了前期的心电信号噪声处理、单独的特征提取等步骤的同时,进一步增强了模型的泛化能力。提出的模型对MIT-BIH心律失常数据库四类心拍识别验证结果表明,模型的综合性能评价指标达96.86%,以室性早博为例,模型的准确率达到96.70%,特效度达到98.22%,与已有文献进行比较,该模型的整体性能优于文献报道的模型性能。综上,论文的研究成果进一步拓展和丰富了穿戴式医疗感知技术方面的研究,从感知技术层面上为心肺慢病监测系统乃至利用其他柔性穿戴技术实现对人体健康体征信息的采集、疾病的预防和诊断提供了理论基础和技术支持。
谭永峰[5]（2020）在《光纤柔性传感结构研究》文中研究表明全光纤马赫-曾德尔干涉仪（Mach-Zehnder Interferometer,MZI）是一种全光纤干涉结构,具有结构简单、器件集成性好、测量精度高和成本低等优点。柔性传感器是指用柔性材料制成的传感器,具有良好的的柔韧性、延展性,甚至可以自由弯折。本论文以单模（Single-mode fiber,SMF）-小芯径（Thin-core fiber,TCF）-单模（STS）光纤结构构成的 MZI 为基本结构,选取聚二甲基硅氧烷（PDMS）为封装材料,自行研制了一种光纤柔性传感器。通过理论与实验研究相结合的方法,对该类传感结构传感特性进行了研究。主要工作如下:1、综述了柔性传感器的国内外发展现状。对四类主要的柔性传感器的国内外发展现状以及优缺点进行了综述,着重介绍了光纤类柔性传感器的基本原理、发展情况,并分析了光纤类柔性传感器在性能与应用环境等方面的优势。2、在全光纤MZI结构传感原理分析的基础上,提出了一种基于STS纤芯失配结构的全光纤MZI传感结构,并对其应变与温度特性分别进行了理论研究。自行开发和设计了一种光纤柔性传感器,针对STS的埋放位置问题对柔性材料PDMS做了有限元仿真模拟,得到了传感器的应变分布情况与传感器的最佳埋放位置。3、光纤柔性传感器压力传感实验研究。详细分析了传感器的工作原理、结构及制作方法,并对传感器进行了压力传感实验研究。实验结果显示:传感器的干涉波长随压力的增加向长波方向移动,压力灵敏度为0.417nm/N。同时,设计并制作了基于STS错位熔接结构的柔性压力传感器并进行了压力传感实验研究,实验结果显示:该结构传感器的压力灵敏度为0.833nm/N,压力灵敏度较之前的结构提升了两倍。4、光纤柔性传感器的温度传感特性实验研究。对传感器分别进行了升温与降温的实验研究。在升温实验中,随着温度的升高,干涉波长向长波方向移动,而在降温实验中,随着温度的降低,干涉波长向短波方向移动,这与传感器的温度传感理论相一致。实验结果显示:在30℃到100℃的温度区间内,升温实验中柔性传感器的温度灵敏度为96.1pm/℃,降温实验中柔性传感器的温度灵敏度为97.4pm/℃。5、光纤柔性传感器用于物体形状识别实验研究。将传感器与MATLAB神经网络模式识别相结合进行了物体形状识别的实验研究,并制作了可以将识别结果可视化的APP。实验结果表明,在直线与圆弧的训练识别中,训练结果准确度为100%。同样,在45°与90°,45°与75°,45°与60°角的训练识别中,训练结果准确度同样为100%。制作了能够将物体形状识别结果可视化的APP,使数据的处理更加方便快捷,仅通过简单操作即可查看物体形状识别的结果与准确率。
孙冬[6]（2020）在《电力电缆中间接头故障分析与检测研究》文中提出随着我国社会经济与科学技术的发展,电力行业快速进步,在很多场景下,电力电缆渐渐代替了原先的架空线路。为了保证电力电缆运行的安全稳定性,必须要尽量减少甚至是避免由于电力电缆中间接头发生故障所导致的供电系统的瘫痪,进而减少由于供电系统瘫痪所造成的严重损失。因此,电力电缆中间接头故障分析与检测研究这一课题也变得十分重要,而对电力电缆中间接头进行故障分析并检测是确保电力电缆输电线路能够安全稳定地运行的必要前提。本文首先对国内外的电力电缆中间接头故障分析与检测的发展现状进行了分析,通过使用TRIZ理论对电力电缆中间接头进行分析总结,归纳总结了造成电力电缆中间接头故障的各类影响因素,并对其进行相应地分析,并针对不同的故障类型归纳总结相应的预防措施以及检测方法,能够有效提高电缆运行系统的可靠性。并且通过详细对比分析电力电缆中间接头各种局部放电检测方法的原理以及其各自的特点,从中寻找适合于各种检测电力电缆中间接头故障的局部放电检测方法,并提出了一种基于尖端放电的检测装置的设计方案。在此基础上,确定以电力电缆中间接头的局部放电量为检测目标来确定电力电缆中间接头是否发生故障。进行局部放电信号检测的第一步就是要抑制检测信号中混入的噪声,提出了一种将快速傅里叶变换与改进小波包变换相结合的处理方法,以此来达到去除噪声、恢复原始信号的效果,并且进行实验验证,证明了该方法的可靠性以及有效性。进行信号检测的最后一步就是信号识别,通过对检测到的局部放电信号中的特征量进行提取并识别,通过小波包变换、FCM算法、BP神经网络算法进行提取并识别,最后进行识别结果的对比分析,从而有效地实现对于电力电缆中间接头故障的检测。
黄品高[7]（2020）在《智能下肢假肢运动意图的感测与识别关键技术研究》文中研究说明下肢截肢会给患者行动造成障碍,尤其是膝关节以上部位截肢会严重影响其行动能力,给其家庭和社会带来沉重的负担。佩戴性能优异的假肢能极大地提高截肢患者的行动能力,提高患者的社会活动参与度。当前,由于被动假肢成本低,被动假肢是目前使用最广泛的假肢。但是佩戴被动假肢的患者使用时往往步态不自然、行走能量消耗大,且难以实现在不同地形下顺畅行走。智能下肢假肢通过检测外部行走环境和识别人的运动意图,能够自动适应外部行走环境,使佩戴者步态更加自然,行走更加省力,从而能更好地代偿缺失的行动能力。目前,动力（主动）下肢假肢是智能下肢假肢中的研究热点,由于它具备动力输出,能更好地代偿下肢截肢者缺失的功能。但现有的动力型下肢假肢系统通常需要截肢者通过减速、停下、按压电子开关或者做出与行走不相关的肢体动作（如夸张的臀部伸展或向前/向后摇摆假肢等）来检测截肢者的行走模式意图,实现不同步态控制策略的转换。这种非直觉的控制方式无法实现假肢在不同地形之间的稳定、顺畅和自然地行走。为了弥补这一不足,下肢假肢需要在感知外部环境的同时理解人的运动意图,控制假肢本体以合适的步态行走。这就需要解决运动意图识别这一关键问题,实现假肢与人之间的信息交互。本研究针对智能下肢假肢中的运动意图识别问题,从新型传感器、高质量便携式信号采集系统、肢体动作识别、环境和步态识别几方面开展了以下研究工作:首先,针对运动意图识别中应用最广的表面肌电信号微弱、易受干扰且缺少肌肉空间位置信息的不足,根据肌肉在运动过程中会发生形状变化的现象,本文提出了利用纳米金柔性可拉伸材料制作成可通过贴附于肌肉表面检测肌肉形状变化的肌肉形变传感器,然后开发出了相应的多通道肌肉形变信号采集系统用于肢体动作意图识别。最后对肌肉形变传感器的尺寸、放置位置、采样率对肢体运动意图识别准确率的影响进行了研究。实验结果证明,肌肉形变信号作为运动意图识别的一种新的信息源,四通信号用于肢体运动意图识别的准确率可以达到95%以上;适当选择采样率和特征,可以大大降低运动意图识别运算量。其次,针对当前运动意图识别中使用多模信号带来的系统复杂、高密度传感器放置困难的问题,本文根据肌肉在运动过程中同时产生肌肉形变和发放肌电的现象,提出了将纳米金柔性材料制作成肌电/肌肉形变复合信号传感器的方法,在传感器的同一层上实现了肌电和肌肉形变信号的同时检测。然后利用频分复用的方法,开发出了多通道肌电/肌肉形变复合信号采集系统。使用上述传感器和系统测量肌电信号,在信噪比上比目标设备高了约3dB,证明了在信号的质量上达到了和商业设备同样的水平。接着,利用肌电/肌肉形变复合信号进行了肢体动作意图识别,研究了多信号源、多通道信号的冗余优化问题。仅仅使用两对传感器获得了两通道的肌电信号和四通道的形变信号,对十一类动作的分类准确率达到了96%,验证了复合信号用于运动意图识别的可行性。接着,针对当前假肢控制中的环境识别和步态识别问题,开发了一套便携可穿戴的多模信号采集系统用于环境和步态识别。针对使用图像视频进行环境识别方法中运算量大的问题,本研究提出了利用单线激光雷达结合惯性传感器,借助下肢假肢行走时的摆动进行自动环境扫描,并研究了一种新的重建算法进行环境重建。行走环境识别验证结果表明,对五类地形转换的识别平均准确率在90%以上。针对步态识别中地面反作用力测量的问题,本研究首先利用矩阵式柔性压力传感器实现了步态周期检测,然后利用人工神经网络以足底压力为输入实现了地面反作用力的估计。该研究为智能假肢的步态识别与控制提供了实现方法。再其次,在前面研究的基础上,针对运动意图中使用无线传输在数据量大时造成数据延迟、传输不稳定以及运算量增大的问题,本研究提出了利用分布式采集和运算的方式,将主机在模式识别时的数据预处理和特征提取分散到各个采集子模块中进行处理,不但使得传输数据量降低了80%,保证了无线通信的稳定,而且减轻了对主机运算性能的要求,使得运动意图识别系统更加实用化。最后,根据智能下肢假肢控制的通用结构结合本研究完成的信号采集系统,完成了智能下肢假肢系统验证平台,并对部分性能进行了实验验证。
王妍[8]（2019）在《基于声发射技术的航空发动机冲击物智能识别方法研究》文中研究说明航空发动机作为提供飞行动力的核心部件,长时间工作在自然环境中,容易遭受外来物冲击,在遭受外来物冲击后,需要根据损伤程度不同制定维修计划。为了节约成本和提高效率,需要借助在线状态监测方法和智能识别手段对冲击物类型进行识别,根据冲击物类型采取应对措施,避免事故的产生。针对航空发动机在遭受冲击时,局部结构会出现早期损伤的特点,本文提出使用声发射监测手段进行冲击信号的实时监测。以平板冲击实验和某型真实发动机一级动叶的冲击实验为基础,结合支持向量机和神经网络等智能识别手段,开展了航空发动机冲击物识别的研究。并且针对不同样本数据的特点,对智能识别模型的参数进行优化,以提高冲击物类型的识别精度。通过实验发现,利用声发射特征参数和信号的时、频域参数可以在一定程度上识别冲击物类型。平板实验中,发现不同冲击物激发的信号特征差别较大,应用独立元分析方法优化支持向量机的输入矩阵,经过交叉验证优化参数,冲击物识别的正确率可达80%。航空发动机实验中,发现由于航空发动机结构复杂,难以提取声发射信号的独立成分,故采用粒子群算法对支持向量机的参数进行优化,冲击物识别的正确率达到64.7%。为进一步提高冲击物识别精度,提出基于径向基函数的神经网络冲击物识别方法,识别正确率可达98.1%,可作为航空发动机冲击物类型的判别依据。对比两种冲击物智能识别模型,为航空发动机冲击物的识别提供了数据支持,为智能识别方法的优化提供了新思路,为建立航空发动机在线故障诊断云平台提供了新思路。
孙鑫[9]（2019）在《穿戴式上肢柔性外骨骼系统研究》文中认为穿戴式柔性外骨骼系统作为外骨骼研究领域的全新方向,以其极高的运动自由度、较低的设备质量和良好的穿戴舒适性,正逐渐成为行军作战、康复治疗和运动助力的不二选择。本文针对脑卒中患者上肢康复训练这一应用背景,研制穿戴式上肢柔性外骨骼系统,从外骨骼系统设计、肌电信号采集与特征提取、机器人系统阻抗控制等角度展开研究。为满足脑卒中患者对上肢患肢的训练要求,本文设计的穿戴式上肢柔性外骨骼系统可以实现对患者肘关节屈曲/伸展、肩关节内旋/外旋、肩关节内展/外展的助力。外骨骼系统主要由驱动装置和柔性织衣组成,驱动装置通过Bowden线拉动固定于柔性织衣上的锚点,继而带动肢体运动。穿戴式上肢柔性外骨骼系统采用肌电信号检测人体运动意图。为建立人体运动肌电信号与运动模式之间的对应关系,本文对采集到的原始肌电信号首先进行四阶巴特沃斯带通滤波,去除信号中的高低频干扰和直流分量。随后对信号进行六阶DB小波变换,并对获得的小波系数分别计算均方根值和奇异值,构成肌电信号特征矩阵。最后利用卷积神经网络训练特征阵,获得识别模型。为控制穿戴式上肢柔性外骨骼系统对患者患肢的助力输出,系统采用阻抗控制的控制策略。系统检测患者肢体的末端位置,通过满足阻抗要求的动力学模型计算该位置下理想的输出力。随后通过内环基于力的控制器,实现反馈输出力对理想输出力的追踪。最后,搭建穿戴式上肢柔性外骨骼系统效能实验平台,通过检测人体在未获得外骨骼系统助力和获得外骨骼系统助力两种情况下的VO2（摄氧量）、VCO2（二氧化碳呼出量）消耗量,验证了穿戴式上肢柔性外骨骼系统的有效性。
邱志成,孟范孔[10]（2013）在《压电柔性梁裂缝损伤识别实验》文中研究指明针对压电柔性悬臂梁裂缝损伤检测与损伤程度识别问题,采用小波包分析和小波神经网络相结合的方法进行裂缝深度识别实验研究。利用小波包频带能量谱构造柔性悬臂梁裂缝损伤指标,即能量比相对变化量的H2范数,并建立压电柔性梁裂缝损伤实验装置。激励柔性梁的振动,记录两路压电传感器采集的振动信号,进行小波包分解并计算损伤指标。将这些损伤指标进行组合,作为小波神经网络的输入特征参数,进行裂缝深度即损伤程度的识别。实验结果表明:能量比相对变化量的H2范数对柔性梁的裂缝损伤敏感,对测试噪声不敏感;采用的小波神经网络可以精确识别柔性梁的裂缝深度。
二、基于神经网络的柔性结构损伤模式识别方法（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、基于神经网络的柔性结构损伤模式识别方法（论文提纲范文）
（1）基于复数域分析的致痫区脑电信号识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 脑电信号和癫痫脑电信号 |
| 1.1.3 致痫区诊断的临床方法 |
| 1.1.4 本文的研究意义 |
| 1.2 致痫区脑电信号识别算法研究现状 |
| 1.3 存在的问题 |
| 1.4 论文的研究内容和组织结构 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文的组织结构 |
| 第2章 致痫区脑电信号识别算法框架及数据来源 |
| 2.1 致痫区脑电信号识别算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 特征选择 |
| 2.1.4 分类识别 |
| 2.2 致痫区定位脑电数据集 |
| 2.3 脑电信号识别算法性能评价准则 |
| 2.4 本章小结 |
| 第3章 基于柔性解析小波变换的致痫区脑电识别算法 |
| 3.1 引言 |
| 3.2 小波变换和柔性解析小波变换 |
| 3.2.1 小波变换 |
| 3.2.2 柔性解析小波变换 |
| 3.3 基于柔性解析小波变换和熵特征的致痫区脑电识别算法 |
| 3.3.1 基于熵的脑电信号特征提取 |
| 3.3.2 基于Kruskal-Wallis检验的特征选择 |
| 3.3.3 基于支持向量机的分类识别 |
| 3.4 实验结果与分析 |
| 3.4.1 柔性解析小波变换的参数选择 |
| 3.4.2 复值分布熵的参数选择 |
| 3.4.3 本章脑电识别算法性能分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于复值脑电节律特征的致痫区脑电识别算法 |
| 4.1 引言 |
| 4.2 双树复小波变换 |
| 4.3 希尔伯特变换 |
| 4.4 基于双树复小波-希尔伯特变换的致痫区脑电识别算法 |
| 4.4.1 混合特征提取 |
| 4.4.2 基于集成分类器的分类识别 |
| 4.5 实验结果与分析 |
| 4.5.1 双树复小波变换滤波器组选取 |
| 4.5.2 本章脑电识别算法性能分析与讨论 |
| 4.6 本章小结 |
| 第5章 基于幅-相融合矩阵和深度学习网络的致痫区脑电识别算法 |
| 5.1 引言 |
| 5.2 多尺度引导滤波融合 |
| 5.2.1 引导滤波融合 |
| 5.2.2 多尺度引导滤波融合 |
| 5.3 主成分分析网络 |
| 5.4 基于幅-相融合矩阵和主成分分析网络的致痫区脑电识别算法 |
| 5.4.1 构造折叠信号矩阵 |
| 5.4.2 基于支持向量机的分类识别 |
| 5.5 实验结果与分析 |
| 5.5.1 主成分分析网络的超参数选择 |
| 5.5.2 本章脑电识别算法性能分析与讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的研究总结 |
| 6.2 未来的研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（2）上肢康复机器人运动解析及交互控制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 上肢康复机器人发展现状 |
| 1.3 人体运动意图辨识方法研究现状 |
| 1.3.1 sEMG特征提取方法研究现状 |
| 1.3.2 sEMG分类器模型研究现状 |
| 1.4 上肢康复机器人机交互控制方法研究现状 |
| 1.5 本文主要研究内容 |
| 第二章 上肢康复机器人运动学及动力学建模 |
| 2.1 引言 |
| 2.2 上肢康复机器人结构 |
| 2.3 上肢康复机器人运动学模型建立 |
| 2.3.1 正运动学分析 |
| 2.3.2 逆运动学分析 |
| 2.3.3 运动学仿真 |
| 2.4 上肢康复机器人动力学模型建立 |
| 2.4.1 拉格朗日动力学分析 |
| 2.4.2 动力学仿真 |
| 2.5 本章小结 |
| 第三章 基于表面肌电信号的上肢动作解码 |
| 3.1 引言 |
| 3.2 sEMG形成机理及动作模式选择 |
| 3.2.1 sEMG形成机理 |
| 3.2.2 上肢运动模式及相关肌肉选择 |
| 3.3 表面肌电信号采集与方案设计 |
| 3.3.1 表面肌电信号采集系统搭建 |
| 3.3.2 表面肌电信号采集方案设计 |
| 3.4 表面肌电信号预处理方法 |
| 3.4.1 sEMG信号噪声来源 |
| 3.4.2 sEMG信号降噪处理 |
| 3.5 表面肌电信号特征提取 |
| 3.6 本章小结 |
| 第四章 上肢动作模式识别方法研究 |
| 4.1 引言 |
| 4.2 卷积神经网络 |
| 4.2.1 卷积层 |
| 4.2.2 池化层 |
| 4.2.3 全连接层 |
| 4.3 基于门控卷积神经网络的上肢动作识别 |
| 4.3.1 门控卷积结构 |
| 4.3.2 G-CNN优化策略 |
| 4.3.3 门控卷积神经网络模型设计 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 人机交互控制方法研究 |
| 5.1 引言 |
| 5.2 上肢康复机器人控制方案 |
| 5.3 非奇异终端滑模控制器设计 |
| 5.3.1 控制律设计 |
| 5.3.2 稳定性分析 |
| 5.3.3 仿真结果与分析 |
| 5.4 上肢康复机器人滑模阻抗控制方法 |
| 5.4.1 阻抗控制模型 |
| 5.4.2 非奇异终端滑模阻抗控制器设计 |
| 5.4.3 仿真结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表学术论文目录 |
（3）基于表面肌电的人体运动意图辨识（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人机交互感知研究现状 |
| 1.2.2 基于肌电运动意图识别现状 |
| 1.3 论文研究内容与目标 |
| 1.4 论文结构安排 |
| 第二章 下肢肌电信号采集 |
| 2.1 肌电信号分析 |
| 2.1.1 表面肌电信号的产生机理 |
| 2.1.2 表面肌电信号特点 |
| 2.2 人体下肢运动关节分析 |
| 2.2.1 关节运动机理分析 |
| 2.2.2 肌肉运动分析 |
| 2.3 肌电信号采集实验安排 |
| 2.3.1 设备仪器介绍 |
| 2.3.2 实验设计方案 |
| 2.4 本章小结 |
| 第三章 下肢肌电信号预处理 |
| 3.1 滤波降噪 |
| 3.1.1 噪声干扰分析 |
| 3.1.2 巴特沃斯滤波器降噪 |
| 3.1.3 小波阈值降噪 |
| 3.2 去噪结果与分析 |
| 3.3 特征提取 |
| 3.3.1 时域特征 |
| 3.3.2 频域特征 |
| 3.4 本章小结 |
| 第四章 运动意图模式识别 |
| 4.1 BP神经网络 |
| 4.1.1 人工神经网络 |
| 4.1.2 BP神经网络结构模型 |
| 4.1.3 网络相关参数确定 |
| 4.2 主成分分析 |
| 4.3 试验结果分析 |
| 4.3.1 基于BP神经网络的运动辨识 |
| 4.3.2 主成分分析优化后的运动辨识 |
| 4.4 本章小结 |
| 第五章 运动意图回归映射 |
| 5.1 机器学习回归算法 |
| 5.1.1 支持向量回归 |
| 5.1.2 高斯过程回归 |
| 5.2 实验结论分析 |
| 5.2.1 基于大腿的运动辨识 |
| 5.2.2 基于小腿的运动辨识 |
| 5.2.3 其他运动模式回归预测 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 问题与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）面向心肺慢病管理的穿戴式生理参数监测感知技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 柔性可穿戴心率、脉搏传感器系统 |
| 1.2.1 柔性心率传感器监测机制 |
| 1.2.2 柔性传感器的结构组成 |
| 1.2.3 研究现状 |
| 1.3 面向健康生命体征监测的穿戴式系统 |
| 1.3.1 研究现状 |
| 1.3.2 穿戴式生理参数监测系统关键感知技术 |
| 1.4 存在的问题和研究方向 |
| 1.5 论文的研究内容、结构、目的及意义 |
| 1.5.1 研究内容和组织结构 |
| 1.5.2 研究的目的和意义 |
| 第二章 穿戴式心肺慢病生理参数监测的生理学基础 |
| 2.1 心脏的电生理学 |
| 2.2 心电图各波段含义及临床意义 |
| 2.3 心率、脉搏产生及临床意义 |
| 2.3.1 心率的产生及临床意义 |
| 2.3.2 脉搏的产生及临床意义 |
| 2.3.3 心率与脉搏的关系 |
| 2.4 血氧饱和度的产生及意义 |
| 2.5 心律失常类型和指标 |
| 2.6 本章小结 |
| 第三章 POM/2D GNs柔性穿戴式脉搏传感器制备及传感特性 |
| 3.1 多金属氧酸盐概述 |
| 3.2 石墨烯和氧化石墨烯概述 |
| 3.3 石墨烯基复合材料在柔性传感器中的应用 |
| 3.4 实验部分 |
| 3.4.1 2DGNs悬浮液的制备 |
| 3.4.2 POM/2D GNs柔性材料制备 |
| 3.5 仪器与材料表征方法 |
| 3.6 结果与讨论 |
| 3.6.1 样品的XRD表征 |
| 3.6.2 样品的TEM、EDS表征 |
| 3.6.3 样品电化学性能 |
| 3.7 POM/2D GNs传感器模型构建及传感特性 |
| 3.7.1 POM/2D GNs传感器工作电路 |
| 3.7.2 POM/2D GNs传感特性测试 |
| 3.8 本章小结 |
| 第四章 2D GNs/Zn S:Mn~(2+)/POM柔性心率传感器制备及传感特性 |
| 4.1 力致发光材料及其在健康监测领域的应用 |
| 4.2 实验部分 |
| 4.2.1 ZnS:Mn~(2+)纳米材料制备 |
| 4.2.2 2D GNs/Zn S:Mn~(2+)/POM复合材料制备 |
| 4.3 仪器与材料表征方法 |
| 4.4 结果与讨论 |
| 4.4.1 样品的XRD表征 |
| 4.4.2 样品的TEM表征 |
| 4.4.3 样品的电化学性能 |
| 4.4.4 样品的光致发光性能测试 |
| 4.5 2D GNs/Zn S:Mn~(2+)/POM柔性心率传感器构建及传感特性 |
| 4.5.1 样品的发光与压力关系的实验验证 |
| 4.5.2 2D GNs/Zn S:Mn~(2+)/POM柔性传感器工作电路 |
| 4.5.3 2D GNs/Zn S:Mn~(2+)/POM心率监测实验 |
| 4.6 理论分析与探讨 |
| 4.7 本章小结 |
| 第五章 心肺慢病穿戴式生理参数监测系统 |
| 5.1 心肺慢病穿戴式生理参数监测系统设计 |
| 5.1.1 系统设计核心目标 |
| 5.1.2 系统结构 |
| 5.2 心电信号采集监测模块设计 |
| 5.2.1 心电信号采集模拟前端 |
| 5.2.2 心电信号处理MCU |
| 5.2.3 心电信号采集硬件电路设计 |
| 5.3 血氧饱和度监测模块设计 |
| 5.3.1 血氧信号采集模拟前端 |
| 5.3.2 血氧信号处理MCU |
| 5.3.3 指套式血氧传感器 |
| 5.3.4 血氧饱和度信号采集硬件电路设计 |
| 5.4 电源模块设计 |
| 5.5 穿戴式心肺慢病信号采集及性能测试 |
| 5.6 穿戴式心肺慢病监测系统样机 |
| 5.7 柔性石墨烯基电极的心电信号采集实验 |
| 5.8 本章小结 |
| 第六章 基于DCNN模型的智能心律失常分类识别算法 |
| 6.1 智能心拍分类技术研究 |
| 6.2 深度卷积神经网络的心电分类原理 |
| 6.3 心律失常分类的深度卷积神经网络模型 |
| 6.3.1 心电信号数据源 |
| 6.3.2 心拍数据集生成 |
| 6.3.3 ECG深度卷积神经网络结构及参数 |
| 6.4 实验结果及分析 |
| 6.4.1 实验平台及评价指标 |
| 6.4.2 结果与分析 |
| 6.5 本章小结 |
| 第七章 基于CLSTMA组合模型的智能心律失常分类识别算法 |
| 7.1 CLSTMA组合模型心电分类基本原理 |
| 7.1.1 长短时记忆网络 |
| 7.1.2 注意力机制 |
| 7.2 ECG时序信号预测分类算法 |
| 7.3 心律失常分类的CLSTMA组合模型 |
| 7.4 实验与结果分析 |
| 7.4.1 实验平台 |
| 7.4.2 心电信号数据来源 |
| 7.4.3 CLSTMA组合神经网络模型参数及评价指标 |
| 7.4.4 结果与分析 |
| 7.5 讨论 |
| 7.6 本章小结 |
| 第八章 总结与展望 |
| 8.1 研究内容总结 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 Ⅰ 英文缩略词表 |
| 附录 Ⅱ 研究生期间取得成果 |
（5）光纤柔性传感结构研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 柔性传感器国内外发展现状 |
| 1.3 光纤柔性传感器国内外发展现状 |
| 1.4 本课题的主要研究内容 |
| 2 光纤柔性传感器结构及原理 |
| 2.1 全光纤MZI传感原理 |
| 2.2 基于STS结构的全光纤M-Z干涉仪的传感原理 |
| 2.3 光纤MZI应力传感原理 |
| 2.4 光纤MZI温度传感原理 |
| 2.5 基于STS结构光纤柔性传感器结构仿真 |
| 2.6 本章小结 |
| 3 光纤柔性传感器压力传感实验研究 |
| 3.1 光纤柔性传感器的制作 |
| 3.2 传感器封装制作 |
| 3.3 压力传感实验研究 |
| 3.4 基于单模-小芯径-单模光纤错位熔接压力传感器增敏设计 |
| 3.5 本章小结 |
| 4 光纤柔性传感器温度特性实验研究 |
| 4.1 实验装置 |
| 4.2 温度传感实验结果分析 |
| 4.3 本章小结 |
| 5 光纤柔性传感器的物体形状识别 |
| 5.1 神经网络模式识别 |
| 5.2 物体形状识别的有限元分析 |
| 5.3 神经网络的训练与识别 |
| 5.4 APP制作 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（6）电力电缆中间接头故障分析与检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题相关技术的研究现状 |
| 1.2.1 TRIZ理论 |
| 1.2.2 电缆中间接头检测技术 |
| 1.3 本文的主要研究内容 |
| 第二章 基于TRIZ理论的电缆中间接头故障分析 |
| 2.1 电缆中间接头的功能分析 |
| 2.1.1 功能分析的定义 |
| 2.1.2 功能分析的步骤 |
| 2.1.3 电缆中间接头的功能分析 |
| 2.2 电缆中间接头的因果链分析 |
| 2.2.1 因果链分析的定义 |
| 2.2.2 因果链分析的步骤及注意事项 |
| 2.2.3 电力电缆中间接头因果链分析 |
| 2.3 防范措施 |
| 2.4 本章小结 |
| 第三章 电缆中间接头故障局部放电信号检测方法 |
| 3.1 局部放电常用检测方法 |
| 3.1.1 震荡波测试法 |
| 3.1.2 脉冲电流法 |
| 3.1.3 高频电流法 |
| 3.1.4 特高频法 |
| 3.1.5 电容耦合法 |
| 3.1.6 电感耦合法 |
| 3.1.7 方向耦合法 |
| 3.1.8 差分法 |
| 3.1.9 超声波检测法 |
| 3.1.10 X射线数字成像检测法 |
| 3.2 基于尖端放电检测装置的设计方案 |
| 3.2.1 检测装置的结构设计原则 |
| 3.2.2 检测装置的结构组成 |
| 3.2.3 检测装置的检测原理 |
| 3.3 本章小结 |
| 第四章 检测信号去噪方法的改进研究 |
| 4.1 检测信号及信号中的噪声研究 |
| 4.1.1 电缆中间接头局部放电信号的产生 |
| 4.1.2 电缆中间接头局部放电信号的数学模型 |
| 4.2 周期性窄带干扰的抑制研究 |
| 4.2.1 FFT去除窄带干扰步骤 |
| 4.2.2 仿真及结果分析 |
| 4.3 小波包降噪算法的改进研究 |
| 4.3.1 小波包变换 |
| 4.3.2 小波包降噪步骤 |
| 4.3.3 阈值函数的改进 |
| 4.3.4 仿真及结果分析 |
| 4.4 实际放电信号的去噪 |
| 4.5 本章小结 |
| 第五章 检测信号的提取与识别对比 |
| 5.1 典型接头故障的模拟 |
| 5.2 基于小波包变换的信号中的特征量提取 |
| 5.3 FCM算法识别与BP神经网络算法对比 |
| 5.3.1 模式识别简介 |
| 5.3.2 基于FCM算法的局放信号识别 |
| 5.3.3 基于BP神经网络算法的局放信号识别 |
| 5.3.4 识别结果对比分析 |
| 5.4 本章小结 |
| 第六章 结论 |
| 参考文献 |
| 在读期间公开发表的论文及研究成果 |
| 致谢 |
（7）智能下肢假肢运动意图的感测与识别关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 下肢假肢研究的背景和意义 |
| 1.1.1 社会背景和意义 |
| 1.1.2 学术背景和意义 |
| 1.2 下肢假肢及其关键技术的国内外研究现状 |
| 1.2.1 下肢假肢关节及系统方面 |
| 1.2.2 下肢行走意图的识别方面 |
| 1.2.3 智能下肢假肢的仿生控制策略方面 |
| 1.3 本文的研究目的与研究内容 |
| 1.3.1 与本文研究相关项目 |
| 1.3.2 本文的研究目的和内容 |
| 1.4 本文的结构安排 |
| 1.5 本章小结 |
| 第2章 智能假肢中的人体运动意图识别 |
| 2.1 人体运动意图识别 |
| 2.2 运动意图识别的信息源及传感器 |
| 2.3 人体运动意图识别系统结构 |
| 2.4 基于多模混合信号融合的下肢运动意图识别系统 |
| 2.5 本章小结 |
| 第3章 基于肌肉形变信号的肢体动作识别方法 |
| 3.1 引言 |
| 3.2 纳米金柔性肌肉形变传感器 |
| 3.3 单体双单元肌肉形变传感器采集系统 |
| 3.3.1 单体双单元肌肉形变传感器 |
| 3.3.2 采集系统结构和工作原理 |
| 3.4 肌肉形变信号用于肢体动作识别——初步验证实验 |
| 3.5 肌肉形变信号用于肢体动作识别——肌肉形变信号的进一步研究 |
| 3.6 本章小结 |
| 第4章 基于肌电/肌肉形变复合信号的肢体动作识别 |
| 4.1 概述 |
| 4.2 基于柔性传感器的肌电和肌肉形变混合信号采集系统 |
| 4.2.1 肌电信号 |
| 4.2.2 sEMG信号传感器——纳米金柔性可拉伸电极 |
| 4.2.3 频分复用——实现同一传感器上采集两种信号 |
| 4.2.4 肌电/肌肉形变复合信号采集系统设计与实现 |
| 4.2.5 表面肌电信号采集电路 |
| 4.2.6 肌肉形变信号采集电路 |
| 4.2.7 右腿驱动电路 |
| 4.2.8 主控电路 |
| 4.3 肌电/肌肉形变复合信号采集系统性能验证 |
| 4.4 基于肌电/肌肉形变复合信号的肢体动作识别——健康受试者 |
| 4.5 基于肌电/肌肉形变复合信号的肢体动作识别——前臂截肢患者 |
| 4.6 本章小结 |
| 第5章 基于多模信号的步态周期检测与地形识别方法 |
| 5.1 概述 |
| 5.1.1 步态周期检测 |
| 5.1.2 地形识别 |
| 5.2 多模信号采集系统 |
| 5.2.1 数据整合模块 |
| 5.2.2 IMU模块 |
| 5.2.3 远距离激光雷达模块 |
| 5.2.4 近距离激光雷达模块 |
| 5.2.5 足底压力模块 |
| 5.2.6 系统总成 |
| 5.3 地形识别 |
| 5.3.1 基于激光雷达和IMU的地形重建与识别方法 |
| 5.4 步态识别 |
| 5.4.1 基于柔性矩阵足底压力传感器的步态周期识别方法 |
| 5.4.2 基于阵列式足底压力传感器的地面反作用力的估计方法 |
| 5.5 本章小结 |
| 第6章 基于分布式采集和计算的肢体动作识别方法 |
| 6.1 概述 |
| 6.2 分布式肌电与惯性信号采集系统 |
| 6.3 基于分布式运算的运动意图识别方法 |
| 6.3.1 基于分布式采集和运算的人体运动意图识别的几种结构 |
| 6.3.2 本研究的分布式信号采集与识别系统的方案 |
| 6.4 分布式信号采集与运算系统测试 |
| 6.4.1 功耗 |
| 6.4.2 带宽占用 |
| 6.4.3 对下肢动作的识别效果 |
| 6.4.4 本章小结 |
| 第7章 智能下肢假肢系统验证平台 |
| 7.1 智能假肢控制系统一般结构 |
| 7.2 基于多模信号的智能下肢假系统验证平台 |
| 7.2.1 假肢本体 |
| 7.2.2 智能仿生控制模块 |
| 7.3 平台实验验证 |
| 7.3.1 五种行走地形识别 |
| 7.3.2 膝关节控制性能验证 |
| 7.4 本章小结 |
| 第8章 总结与展望 |
| 8.1 本文主要工作 |
| 8.2 本文主要贡献 |
| 8.3 本研究中存在的不足 |
| 8.4 下一步研究方向 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）基于声发射技术的航空发动机冲击物智能识别方法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本课题来源及主要研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 主要研究内容 |
| 1.3.3 论文结构安排 |
| 第二章 基于声发射的冲击物信号检测技术研究 |
| 2.1 冲击实验所用声发射监测系统的研究 |
| 2.2 识别外来冲击物声发射分析方法研究 |
| 2.2.1 声发射信号的类型 |
| 2.2.2 声发射信号的特征参数 |
| 2.2.3 声发射波的传播 |
| 2.3 冲击产生的AE信号处理方法研究 |
| 2.3.1 冲击产生AE信号的时域分析 |
| 2.3.2 冲击产生声发射信号的频谱分析 |
| 2.4 人工智能识别方法技术基础 |
| 2.4.1 径向基函数神经网络 |
| 2.4.2 支持向量机方法 |
| 2.4.3 独立成分分析 |
| 2.5 本章小结 |
| 第三章 基于声发射的外物冲击平板识别方法研究 |
| 3.1 基于声发射监测的平板冲击实验 |
| 3.1.1 冲击物选择方案 |
| 3.1.2 传感器布置方案及参数设置 |
| 3.1.3 传感器的选择 |
| 3.2 时域分析 |
| 3.2.1 平板实验的声发射信号时域波形分析 |
| 3.2.2 平板实验的声发射特征参数分析 |
| 3.3 频谱分析 |
| 3.4 基于ICA-SVM的智能识别分析 |
| 3.4.1 基于ICA的平板冲击信号声发射特征参数提取 |
| 3.4.2 SVM样本训练及测试 |
| 3.5 本章小结 |
| 第四章 基于声发射的外物冲击航空发动机叶片识别方法研究 |
| 4.1 基于声发射监测的航空发动机冲击实验 |
| 4.1.1 冲击物选择方案 |
| 4.1.2 传感器布置方案及参数设置 |
| 4.1.3 传感器的选择 |
| 4.2 时域分析 |
| 4.2.1 航空发动机实验的声发射信号时域波形分析 |
| 4.2.2 航空发动机实验的声发射信号特征参数分析 |
| 4.3 频谱分析 |
| 4.4 基于PSO优化的ICA-SVM的冲击物识别分析 |
| 4.4.1 基于ICA的航空发动机冲击信号声发射特征参数提取 |
| 4.4.2 SVM样本训练及测试 |
| 4.5 基于RBF-NN的航空发动机冲击物识别方法研究 |
| 4.5.1 神经网络的预处理 |
| 4.5.2 RBFNN训练流程 |
| 4.6 SVM与RBFNN的对比 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 全文展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 附件 |
（9）穿戴式上肢柔性外骨骼系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 柔性外骨骼机器人系统研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外外骨骼系统存在的问题 |
| 1.3 肌电信号的研究与应用 |
| 1.3.1 肌电信号的发展历史 |
| 1.3.2 肌电信号信号处理方法 |
| 1.4 脑卒中患者传统康复治疗方法 |
| 1.5 研究目标及内容 |
| 第2章 穿戴式康复上肢柔性外骨骼系统设计 |
| 2.1 引言 |
| 2.2 系统设计指标 |
| 2.3 穿戴式康复上肢柔性外骨骼机械系统构成 |
| 2.3.1 穿戴式康复上肢柔性外骨骼机械系统工作原理 |
| 2.3.2 穿戴式康复上肢柔性外骨骼机械系统结构 |
| 2.4 穿戴式康复上肢柔性外骨骼传感器系统构成 |
| 2.4.1 上肢康复训练机器人传感器系统要求 |
| 2.4.2 拉力传感器 |
| 2.4.3 IMU惯性测量单元 |
| 2.4.4 肌电信号传感器 |
| 2.5 穿戴式康复上肢柔性外骨骼硬件系统构成 |
| 2.5.1 穿戴式康复上肢柔性外骨骼动力源选型 |
| 2.5.2 穿戴式康复上肢柔性外骨骼硬件设备 |
| 2.5.3 穿戴式康复上肢柔性外骨骼硬件系统框架 |
| 2.6 本章小结 |
| 第3章 基于表面肌电信号的信号处理及运动辨识技术 |
| 3.1 引言 |
| 3.2 人体上肢运动机理及解剖学结构 |
| 3.2.1 上肢运动机理 |
| 3.2.2 上肢解剖学结构 |
| 3.2.3 上肢运动模式及主要相关肌肉 |
| 3.3 人体上肢运动肌电信号采集 |
| 3.3.1 肌电信号采样点选取 |
| 3.3.2 肌电信号采样方法 |
| 3.4 肌电信号特征提取与机器学习 |
| 3.4.1 6阶Daubechies小波变换 |
| 3.4.2 小波系数特征值计算 |
| 3.4.3 卷积神经网络模型 |
| 3.5 本章小结 |
| 第4章 穿戴式康复上肢柔性外骨骼控制系统研究 |
| 4.1 引言 |
| 4.2 患肢训练方法 |
| 4.3 穿戴式上肢柔性外骨骼模型建立 |
| 4.3.1 外骨骼结构与人体运动的对应关系 |
| 4.3.2 上肢柔性外骨骼系统肘关节模型建立 |
| 4.3.3 上肢柔性外骨骼系统肩关节模型建立 |
| 4.4 柔性助力控制系统控制策略 |
| 4.4.1 机器人主动柔顺控制 |
| 4.4.2 穿戴式上肢柔性外骨骼系统控制策略 |
| 4.5 本章小结 |
| 第5章 穿戴式康复上肢柔性外骨骼系统实验研究 |
| 5.1 引言 |
| 5.2 实验系统介绍 |
| 5.2.1 实验设备介绍 |
| 5.2.2 实验平台介绍 |
| 5.3 基于肌电信号的运动模式识别实验 |
| 5.4 穿戴式康复上肢柔性外骨骼效能实验 |
| 5.4.1 肘关节屈曲/伸展运动效能实验 |
| 5.4.2 肩关节内展/外展运动效能实验 |
| 5.4.3 肩关节内旋/外旋运动效能实验 |
| 5.5 穿戴式康复上肢柔性外骨骼性能 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）压电柔性梁裂缝损伤识别实验（论文提纲范文）
| 引 言 |
| 1 基于小波包能量谱的损伤指标 |
| 2 小波神经网络识别方法 |
| 3 实 验 |
| 3.1 实验系统描述 |
| 3.2 实验测试和指标计算 |
| 3.3 柔性梁裂缝深度识别 |
| 4 结束语 |
四、基于神经网络的柔性结构损伤模式识别方法（论文参考文献）
- [1]基于复数域分析的致痫区脑电信号识别算法研究[D]. 尤洋. 吉林大学, 2021(01)
- [2]上肢康复机器人运动解析及交互控制方法研究[D]. 叶琦. 北京邮电大学, 2021(01)
- [3]基于表面肌电的人体运动意图辨识[D]. 康彤. 电子科技大学, 2021(01)
- [4]面向心肺慢病管理的穿戴式生理参数监测感知技术研究[D]. 石用伍. 贵州大学, 2020(01)
- [5]光纤柔性传感结构研究[D]. 谭永峰. 山东科技大学, 2020(06)
- [6]电力电缆中间接头故障分析与检测研究[D]. 孙冬. 山东理工大学, 2020(02)
- [7]智能下肢假肢运动意图的感测与识别关键技术研究[D]. 黄品高. 中国科学院大学(中国科学院深圳先进技术研究院), 2020(07)
- [8]基于声发射技术的航空发动机冲击物智能识别方法研究[D]. 王妍. 北京化工大学, 2019(06)
- [9]穿戴式上肢柔性外骨骼系统研究[D]. 孙鑫. 哈尔滨工业大学, 2019(02)
- [10]压电柔性梁裂缝损伤识别实验[J]. 邱志成,孟范孔. 振动.测试与诊断, 2013(03)