说明:双击或选中下面任意单词,将显示该词的音标、读音、翻译等;选中中文或多个词,将显示翻译。
您的位置:首页 -> 词典 -> 人体表面肌电信号
1)  sEMG
人体表面肌电信号
1.
Uniting the means of wavelet and ANN to identify the sEMG signal;
用小波和神经网络相结合的方法识别人体表面肌电信号
2)  SEMG
表面肌电信号
1.
A Method of Decreasing the Power Frequency Noise from SEMG;
一种消除表面肌电信号中工频干扰的方法
2.
Identification of Model Parameters Basing on Matched Processing between Simulated and Recorded sEMG Signals;
基于匹配实测表面肌电信号的模型参数辨识(英文)
3.
Studies on the Non-fatigue Specificity of the Fatigue-related sEMG Signal Parameters;
疲劳相关表面肌电信号特征的非疲劳特异性研究
3)  surface EMG
表面肌电信号
1.
Classification research on surface EMG signal based on fuzzy wavelet packet and decision tree;
基于模糊小波包和决策树的表面肌电信号分类研究
2.
The Application of Independent Component Analysis for Decomposition Surface EMG;
独立分量分析在表面肌电信号分解中的应用
3.
Design of Wireless multi-channel surface EMG acquisition system
无线多通道表面肌电信号采集系统设计
4)  surface electromyography(SEMG)
表面肌电信号
1.
According to the physiological characteristics of the generation process of surface electromyography(SEMG),a method of decomposition of SEMG signals based on the technique of convolutive mixing blind source separation was proposed to detect the information about motor unit action potentials.
根据表面肌电信号(SEMG)形成的生理学特性,采用一种基于卷积混合过程的盲源分离技术来分析隐含在SEMG信号中的运动单位动作电位信息,利用仿真的SEMG信号对这种算法的分解性能进行实验研究,并与采用瞬时混合过程的独立分量分析(ICA)算法的分解性能进行比较,同时将该算法应用于真实SEMG信号的分解实验。
2.
A new pattern recognition method of surface electromyography(sEMG) is proposed, based on wavelet transform and support vector machine(SVM).
采用小波变换的方法对实验采集的原始四通道表面肌电信号(sEMG)进行了分析,并提取小波分解系数的奇异值构建特征矢量,利用“一对一”分类策略和二叉树设计的多类支持向量机(SVM)分类器,很好地实现了对前臂8种运动表面肌电信号的模式分类,8种运动模式的平均识别率为98。
3.
To identify the neuromuscular function state,a new surface electromyography(SEMG) signal identification method based on wavelet packet transformation and support vector machine(SVM) is proposed for the signal non-smooth characteristics.
为很好地识别神经和肌肉的功能状态,针对表面肌电信号的非平稳特性,提出了采用小波包变换的方法对原始肌电信号进行分解,并提取其频段系数的最大奇异值构建特征矢量。
5)  surface electromyography signal
表面肌电信号
1.
In this paper, a method to process surface electromyography signal was presented.
提出了一种以AR模型和BP网络相结合的表面肌电信号处理方法 。
2.
According to the chaotic characteristic of surface electromyography signal,a novel method that uses basic-scale entropy to extract feature from surface electromyography signal(SEMG) was proposed.
提出了一种基于基本尺度熵的表面肌电信号特征的提取方法。
6)  surface electromyography
表面肌电信号
1.
Classification of surface electromyography patterns by using HMM;
基于HMM的表面肌电信号模式分类
2.
A HMM-RBFN hybrid classifier for surface electromyography signals classification;
基于隐马尔可夫模型-径向基神经网络的表面肌电信号识别
3.
Objective Aiming at investigating the nonstationary characters of the EMG signal,time-varying AR model was employed in this study to quickly estimate muscle fatigue by analyzing short time surface electromyography.
目的本研究针对表面肌电信号的非平稳特性,采用时变参数AR模型的方法对表面肌电信号进行分析,实现对短时表面肌电信号的肌肉疲劳快速评估。
补充资料:表面超导电性(surfacesuperconductivity)
表面超导电性(surfacesuperconductivity)

表面超导电性是在稳恒磁场中大样品超导体在边界约束条件下发生在表面的广义低维宏观量子现象。对第二类超导体,表面超导相发生磁场H在Hc2<H≤Hc3,Hc2和Hc3分别是第二和第三临界磁场。对GL参量K在0.707>K>0.419的第一类超导体,在Hc<H≤Hc3时可发生稳定的表面超导相,Hc是热力学临界磁场。对K<0.419的第一类超导体,这时Hc3<Hc,则表面超导相不存在或是不稳定的。Hc3是表面刚开始出现有成核的超导相,在此又称(表面)成核(磁)场,对应的表面超导相简称成核相。在理论上,一般均用线性化的GL方程和GL边界约束条件来研究。对磁场垂直于表面的半无限空间超导体和超导平板,由于对应最低本征能量`|\alpha|=\hbar\omega//2=E_0`的本征函数(序参量)ψ自然满足边界约束条件就不显现有表面超导电性,此时表面法线方向与磁场平行。这里$\hbar$为除以2π的普朗克常数,ω是库珀电子对在磁场中作圆运动的圆频率,同样称郎道(Landau)频率。此时相应的临界磁场是Hc2,而非Hc3。磁场不垂直于上述样品表面时则可显现有表面超导电性,且在平行于表面的磁场中最为显著,Hc3最高,此时表面法线方向与磁场垂直,这是因为对应E0的本征态ψ不满足边界约束条件,而另有比E0更低的能值所对应的非本征态ψ来满足,所以存在比Hc2更高的临界场Hc3。对超导球体,表面成核超导相发生在H≈Hc3赤道两边宽约2ξ,厚约ξ的圆线条形区域,称表面超导鞘,即发生在其表面法线方向正好与磁场方向垂直之处及其邻近2ξ范围,ξ为相干长度。随着磁场由Hc3逐渐减小至Hc2(或Hc),超导鞘(准一维)向两极增宽为球带曲面(准二维)最终到达两极而样品开始转入混合态(或中间态)。两极表面法线方向与磁场方向是平行的。由此可见,表面超导相区域的变化是与这两个方向间的夹角有关的。对纵向磁场中的超导圆柱体,则表面成核相布满圆柱纵表面,对第二类超导体,一直到Hc2以下样品转入混合态后还保持着,称超导表面壳层的持续性,乃至可保持到接近Hc1。对其他形状样品在纵向场中也有这种类似情况。对横向磁场(与x-轴平行,圆柱中心柱轴为z轴)中的超导圆柱体,则表面成核相发生在极角$\varphi=\pi//2$和3π/2处的二个准线条形(准一维),随着从Hc3逐渐降低磁场,两线条各自向两边增宽为准二维柱面曲面,到接近Hc2时,两曲面在$\varphi=0$和π处靠拢弥合时样品转入混合态或中间态。徐龙道等在GL理论基础上用最概然有效约束波函数方法从理论上阐明了以上一系列实验现象和结果,并可解释任意形状大样品的成核情形。表面超导电性也是一种无能隙的超导电现象。

说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条