新書推薦：
《
女人的胜利
》
售價：NT$
254.0
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：NT$
1214.0
《
500万次倾听：陪伤心的人聊聊
》
售價：NT$
245.0
《
英国商业500年（见证大国崛起与企业兴衰，启迪未来商业智慧。）
》
售價：NT$
367.0
《
万千心理·儿童心理治疗中的心智化：临床实践指导
》
售價：NT$
398.0
《
自我囚禁的人：完美主义的心理成因与自我松绑（破除你对完美主义的迷思，尝试打破自我评价过低与焦虑的恶性循环）
》
售價：NT$
301.0
《
周易
》
售價：NT$
203.0
《
东南亚的传统与发展
》
售價：NT$
306.0
|
| 內容簡介： |
|
表面肌电信号作为一种生物电信号，能够反映功能性肌肉收缩的电活动，具有检测方便、无创伤等特点，可以用于仿生假肢控制等功能，提升仿生设备的便捷性、经济性、可穿戴性及智能化程度。本书研究表面肌电信号采集通道与特征多目标智能优化算法，特别是还研究基于深度学习的表面肌电信号手势识别算法。为了弥补表面肌电信号的不足，本书会进一步研究肌电与超声波模态融合的残疾人手部动作意图识别等关键问题，以提升手势识别的准确度和鲁棒性。
|
| 關於作者： |
|
王铮，男，工学博士。2004年9月—2008年6月，浙江工业大学生物工程专业，获学士学位。2010年9月—2012年3月，英国东英吉利大学计算机系生物信息学专业研究生，获硕士学位。2015年9月—2020年6月，浙江工业大学计算机科学与技术学院控制科学与工程专业博士研究生，获博士学位。2017年3月—2018年3月，获国家留学基金--国家建设高水平大学公派博士研究生项目资助，赴英国朴茨茅斯大学计算机系作为联合培养研究生留学1年。所承担过的重点科研或教研项目以及在项目中所承担的工作：（1）国家自然科学基金面上项目”基于半监督生成对抗网络的最优卷积化数据驱动水库群调度方法”，项目编号：61873240，负责人；（2）国家自然科学基金面上项目”混杂多传感网协调通信层次结构建模与多级优化方法”，项目编号：61379123，负责人。获奖情况：（1）”小水电站网络化控制与优化运行关键共性技术及推广应用”， 浙江省科学技术奖一等奖，2011年，王万良排名第1。（2）”基于网络智能的实时语音交互智能客服系统研制及应用”， 吴文俊人工智能科学技术奖技术发明奖二等奖，2018年，王万良排名第一。
|
| 目錄：
|
|
第1章 绪论11.1 研究背景与意义11.2 智能假肢控制与识别研究存在的主要问题41.2.1 表面肌电信号采集通道数量与位置分布需要优化41.2.2 深层肌肉活动信号采集不足41.2.3 已有算法识别的手势数量少、鲁棒性差41.2.4 电极移位和串扰对信号采集影响较大51.3 本书主要研究内容和主要章节安排51.3.1 本书主要研究内容51.3.2 本书主要章节安排7第2章 基于肌电信号与超声波的手势识别研究进展92.1 基于表面肌电信号的手势识别研究进展92.1.1 表面肌电信号的特征提取92.1.2 基于传统识别算法的表面肌电信号识别112.1.3 基于深度学习的表面肌电信号识别122.1.4 表面肌电信号识别稳定性方法研究132.2 利用超声波探测肌肉形变及其感知解码的研究现状142.3 基于多模态融合的动作意图识别的研究现状162.3.1 肌电信号与超声波模态融合162.3.2 肌电信号与脑电信号融合172.3.3 肌电信号与惯性测量单元融合182.3.4 肌电信号与近红外融合182.3.5 肌电信号与肌动图融合192.3.6 肌电信号与铁磁共振融合192.4 基于肌电信号的假肢人机接口系统开发192.5 本章小结20第3章 表面肌电信号产生的机理分析与检测213.1 引言213.2 表面肌电信号的生理学机理213.3 表面肌电信号的特点233.4 前臂肌肉与手势的关系243.5 表面肌电信号的数据采集253.5.1 表面肌电信号采集电极的研制现状263.5.2 ELONXI肌电采集系统263.5.3 表面肌电信号电极设计273.5.4 表面肌电信号实验方案设计283.6 表面肌电信号的实验数据集293.6.1 Ninapro DB数据集293.6.2 ELONXI DB数据集323.7 表面肌电信号的数学模型333.7.1 表面肌电信号产生机理的数学抽象333.7.2 线性模型343.7.3 集中参数模型353.7.4 非稳态模型353.7.5 双极型模型363.8 本章小结37第4章 表面肌电信号的特征提取与识别方法384.1 引言384.2 表面肌电信号的窗口分析法384.3 表面肌电信号的特征提取404.3.1 时域特征404.3.2 频域特征424.3.3 时频域特征444.3.4 参数模型特征444.4 表面肌电信号的经典识别模型464.4.1 K最近邻算法464.4.2 线性判别分析464.4.3 支持向量机474.4.4 随机森林494.5 本章小结50第5章 表面肌电信号采集通道与特征智能优化算法515.1 引言515.2 基于遗传算法的表面肌电信号采集通道优化525.2.1 表面肌电信号采集通道优化的遗传算法525.2.2 基于遗传算法的采集通道优化实验结果与分析545.2.3 电极位置影响的实验结果与分析595.3 基于进化算法的表面肌电信号采集通道与特征组合优化605.3.1 表面肌电信号采集通道与特征组合优化的差分进化算法615.3.2 表面肌电信号采集通道与特征组合优化的量子进化算法655.4 基于群智能算法的表面肌电信号采集通道与特征组合优化725.4.1 表面肌电信号采集通道与特征组合优化的粒子群优化算法725.4.2 表面肌电信号采集通道与特征组合优化的量子粒子群优化算法745.4.3 表面肌电信号采集通道与特征组合优化的蚁群优化算法765.5 表面肌电信号采集通道与特征智能优化算法实验分析795.5.1 表面肌电信号采集通道与特征组合优化的单一算法实验与分析795.5.2 表面肌电信号采集通道与特征组合优化的多种智能算法对比分析835.6 本章小结86第6章 表面肌电信号采集通道与特征多目标智能优化算法886.1 引言886.2 表面肌电信号采集通道与特征多目标优化问题建模896.3 多目标优化问题差分进化求解方法906.3.1 多目标优化问题转换为一组单目标优化问题916.3.2 多目标优化问题差分进化求解方法详叙916.4 基于全局综合排序自适应角度选择的多目标优化进化算法926.5 MOEA/D-AAU-GGR算法实验分析956.6 MOEA/D、MOEA/D-AU与MOEA/D-AAU-GGR实验对比分析986.7 多目标优化算法的评价与有效性验证1036.7.1 多目标优化算法的评价1036.7.2 有效性验证1056.8 基于肌电通道与特征优化的机器人识别系统1056.8.1 系统平台与架构1056.8.2 系统软件功能与实现1066.8.3 现场实验与结果分析1136.9 本章小结114第7章 基于深度学习的表面肌电信号手势识别1167.1 引言1167.2 循环神经网络与长短期记忆神经网络1177.2.1 循环神经网络1177.2.2 长短期记忆神经网络1197.3 基于GAF的一维时间序列信号二维化1227.4 基于GAF的CNN-LSTM串并联网络结构的表面肌电信号手势识别1237.5 基于GAF的CapsNet的表面肌电信号手势识别1267.5.1 CapsNet的结构1267.5.2 基于CNN-CapsNet并联的表面肌电信号手势识别实验设计1287.5.3 采集臂套偏移鲁棒性实验及其结果分析1297.5.4 基于CapsNet的表面肌电信号手势识别的迁移性实验及其结果分析1297.6 基于CapsNet-GRU的表面肌电信号手势识别1307.6.1 CapsNet-GRU复合神经网络模型1307.6.2 优化算法与损失函数1317.6.3 离线实验设置1327.6.4 离线实验结果与分析1337.7 基于双流网络的表面肌电信号手势识别1387.7.1 基于时空特征的双流网络模型1387.7.2 CNN-LSTMs串行网络模型1407.7.3 多特征融合网络模型1407.7.4 三种模型的实验对比1417.7.5 基于时空特征的双流网络模型与传统方法的对比1437.8 基于深度学习的表面肌电信号手势识别实验研究1447.8.1 不同手势数量的实验对比与分析1457.8.2 不同训练集规模的实验对比与分析1457.8.3 不同LSMT神经网络隐藏层单元数量的实验对比与分析1467.8.4 时空特征的可视化实验对比与分析1467.9 基于双流网络模型的机械臂控制1487.10 本章小结150第8章 肌电与超声波模态融合的残疾人手部动作意图识别1528.1 引言1528.2 肌电与超声波模态融合的手势识别实验设计1538.2.1 sEMG/AUS实验数据采集1538.2.2 混合sEMG/AUS系统同步采集1558.2.3 sEMG/AUS手势识别实验设计1558.2.4 AUS信号实验数据预处理与特征提取1568.3 基于CNN-LSTM的肌电与超声波模态融合手势识别1588.3.1 基于CNN的超声波信号手势识别1588.3.2 肌电与超声波模态融合的神经网络结构1598.3.3 肌电与超声波模态融合的手势识别实验1608.3.4 CNN-LSTM与SVM的识别准确度比较1638.4 桡骨截肢患者手部动作意图识别交叉验证分析1648.4.1 比较sEMG和AUS信号性能的三种交叉验证实验1648.4.2 三种交叉验证的识别准确度分析1658.4.3 sEMG和AUS信号对每种动作意图识别的准确度分析1658.4.4 sEMG和AUS信号三种交叉验证的混淆矩阵分析1678.5 基于超声波和肌电的残疾人手势识别对比与难点分析1698.5.1 准确度和鲁棒性分析1698.5.2 基于AUS信号手势识别的难点分析1708.6 本章小结170第9章 基于sEMG的在线手势识别与抓取实验平台的开发1719.1 引言1719.2 在线手势识别与抓取实验平台1719.2.1 人机交互界面的开发1729.2.2 Baxter机器人的简介1749.3 在线手势识别与抓取实验1769.3.1 实验方案设计1769.3.2 评价指标设定1789.3.3 在线实验结果与分析1789.4 本章小结179第10章 总结与展望18010.1 总结18010.2 展望181参考文献
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
