(3.237.97.64) 您好!臺灣時間:2021/03/03 01:16
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:謝志輝
研究生(外文):XIE,ZHI-HUI
論文名稱:以自動迴歸模型及圖形識別技術分析上肢肌電訊號
論文名稱(外文):Autoregressive model and pattern recognition technique to upper limb myoelectric signal analysis
指導教授:張恆雄
指導教授(外文):ZHANG,HENG-XIONG
學位類別:碩士
校院名稱:中原大學
系所名稱:醫學工程研究所
學門:工程學門
學類:綜合工程學類
論文種類:學術論文
論文出版年:1990
畢業學年度:78
語文別:中文
論文頁數:75
中文關鍵詞:肌電訊號自動迴歸圖形識別時間序列自動迴歸法數列性格狀最小平
外文關鍵詞:TIME-SERIESAUTOREGRESSIVESLLS
相關次數:
  • 被引用被引用:0
  • 點閱點閱:102
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本研究旨以時間序列(time-series) 理論中之自動迥歸法(Autoregreszive),建立肌
電訊號的模型,并藉此模型找出自動迥歸系數, 做為訊號之特徵係數, 再藉由圖形識
別技術來鑑別, 以期達到判別手指之動作。
本研究采用非侵入性表面電極取得之肌電訊號, 在最少的電極片數目下, 完成四種手
指動作的判別: 拇指彎曲、中指彎曲、手掌抓合、手掌翻轉。
在自動迴歸模形中求迥歸系數,系以數列性格狀最小平方法(Sequential Lattice L-
east Square, 簡稱SLLS) 不求得肌電訊號的特微微系數。接著再以圖形識別法(Pa-
tternrecognition) 中的腺性鑒別(Lineardiscrimi-nant) 技術得出鑒別決策面的羊
別預函數及加柱向量值,藉此羊別函數完成區別手指動作的目的。
結果顯示,四位受測者中最好的判別成功率達90.2% ,而四位測者其平均成功率達
83.7 %。
在建立肌電訊號的模型後,我們變將自動迥歸系數應用於分析肌肉疲勞現象。在受
測者最大肌肉收縮下達到疲勞現象,初步結果得知可利用動迥歸系數之平均值來監
測疲勞現象。

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔