导读:本文包含了人体手臂论文开题报告文献综述及选题提纲参考文献，主要关键词:人体手臂,目标区域,约束,运动轨迹
人体手臂论文文献综述
熊辉,孙书会[1]（2019）在《基于目标区域约束的人体手臂运动轨迹图像分割》一文中研究指出针对传统分割方法存在分割完整性不足、分割耗时较长以及分割精度较差的问题,提出基于目标区域约束的人体手臂运动轨迹图像分割方法.采取多阈值分割方法,对目标区域约束阈值进行设定,根据阈值取值,得出图像阈值分割曲面图.通过对比巴氏距离系数描述轨迹目标区域与候选目标区域之间的相似度,根据Mean Shift检索邻域范围内密度评估的极大值,迭代上述过程,不断更新运动轨迹目标,根据图像轨迹目标跟踪结果,利用目标区域约束法实现图像分割.结果表明,利用该方法后图像分割区域较为完整,耗时较短,分割精度明显提高.(本文来源于《沈阳工业大学学报》期刊2019年04期）
陈建锋,范运洲,李鹏,黄松正[2]（2018）在《智能放射吸收法的临床应用——人体手臂骨骨密度的测量及其骨质疏松的评估》一文中研究指出目的本文介绍了一种称为智能放射吸收法的骨密度测量方法,并给出了测量结果。方法首先,在228名男女受试者的前臂上采集了数字放射(Digital Radiography,DR)图像,然后用智能放射吸收法(Intelligent Radiographic Absorptiometry,i-RA)处理这些DR图像。选取距离非优势侧前臂超远端1/3桡骨长处的桡骨区域(简称1/3区域)为我们测量骨密度的区域,并将智能放射吸收法与双能量X-射线吸收法(Dual X-ray Absorptiometry,DXA)测量所获得的骨密度值和T-值分别进行Pearson相关性、以及ROC曲线分析计算。结果与使用DXA的测量结果进行比较,该方法已被广泛应用于骨密度值(Bone Mineral Density,BMD)测量,并被定义为世界卫生组织黄金标准,临床试验结果显示相关系数:r=0.984(基于BMD值),及r=0.979(基于T-值),灵敏度为98.5%,特异度为98.2%,ROC曲线下的面积为0.998。结论这些统计分析结果显示,本文的智能RA测量法可替代传统的双能X-射线吸收法DXA的骨密度仪,来对人体前臂桡骨1/3部位处骨密度进行临床检测,及其骨质疏松症的评估。(本文来源于《中国医疗设备》期刊2018年03期）
刘震[3]（2017）在《基于MEMS传感器与Zigbee网络的人体手臂运动状态测量和识别方法研究》一文中研究指出人体运动捕捉和检测技术广泛应用于影视创作、电子游戏、动作分析、体育科研训练、康复医疗、虚拟现实、人机交互和机器人全自主控制等领域,具有十分广阔的应用前景。MEMS惯性传感器是微电子机械系统(Micro-Electro-Mechanical Systems,MEMS)传感器,具有小型化、低功耗、低成本和抗干扰能力强等优点。MEMS惯性传感器的出现和发展,促进了基于MEMS可穿戴式惯性传感器的人体运动捕捉和检测方法的发展。基于MEMS可穿戴式惯性传感器的人体运动捕捉和检测方法的基本原理是用户在身体各部位穿戴惯性测量单元,利用MEMS惯性传感器测量加速度和角速度等人体运动信息,通过解算得到人体运动的姿态角变化,进而利用模式识别方法对人体运动状态和姿态角进行识别分类,达到人体运动捕捉和检测的目的。相比于其他人体运动捕捉和检测方法,该方法具有轻便简洁、成本低廉、穿戴方便和实时性强等优点。但由于MEMS陀螺仪较大的漂移误差和运动加速度等因素的影响,姿态角估计计算精度不高,导致人体运动状态识别率低。基于此,本文开展基于MEMS可穿戴式惯性传感器的人体运动捕捉和检测方法的研究工作,以人体手臂运动状态测量和识别为目标,重点对高精度姿态角解算和模式识别的特征提取进行研究,以期实现高精度的人体运动状态检测和识别。首先,论文确定了基于Zigbee无线传输的系统结构方案,在此基础上完成了系统方案总体设计。整个系统由基于MEMS传感器的运动检测模块、Zigbee无线网络数据通信模块以及上位机运动识别算法模块组成。MEMS传感器运动检测模块负责测量手臂运动过程中的角速度、加速度和磁场信息,通过Zigbee无线网络将测量数据上传到PC机,在PC机上基于Labview平台完成姿态角解算和运动识别。姿态角的测量和解算是该方法的关键之一,论文对此进行了深入的分析和研究。阐述了惯性系统和姿态参考系统姿态角解算的优缺点;为了提高姿态角估计计算精度,论文利用卡尔曼滤波数据融合方法,把惯性系统和姿态参考系统有效地结合起来,并根据载体运动加速度的大小,适时调整卡尔曼滤波器的量测噪声方差的大小,以此减弱卡尔曼滤波过程中运动加速度对姿态角解算精度的影响,达到提高姿态角估计计算精度的目的。仿真分析和实验研究都表明,论文提出的基于预测调整观测噪声方差的卡尔曼滤波算法,比传统方法能获得更高的姿态角估计计算精度。在此基础上,论文分析了手臂运动方式,建立了手部运动轨迹解算模型,并具体对画横线、竖线、斜线和封闭线等四种典型手臂运动方式进行了分析,解算得到相应手腕处的运动轨迹。实验结果验证了该人体手臂运动状态解算模型的正确性。此外,论文还建立了轨迹计算误差模型,分析了姿态角对轨迹计算精度的影响情况。运动状态的识别是另一个要解决的关键问题。传统的典型方法是提取传感器测量信号的时域特征作为模式识别算法的输入,但时域特征容易受到人体、环境等因素影响,导致特征值之间的差异不明显,模式识别的识别率不高。论文把手部运动轨迹特征值和传感器测量信号的时域特征值相结合,使用BP神经网络和支持向量机对画横线、竖线、斜线和封闭线等四种典型手臂运动状态进行了识别研究,识别率较传统方法得到明显提高,分别达到97.14%和100%。在完成了 MEMS传感器测量单元和算法研究的基础上,建立了基于Zigbee的无线传输测试系统。设计了具有数据接收、姿态角计算、轨迹计算、特征值提取、BP神经网络识别、显示和数据保存等功能的Labview软件,对整个系统功能进行了测试。测试结果表明,Zigbee网络无线数据传输正常,上位机数据检测、处理程序运行稳定,能实现四种手臂运动状态的正确识别。(本文来源于《西南交通大学》期刊2017-05-01）
胡良军[4]（2017）在《人体手臂皮肤图像纹理特征分析及其分类》一文中研究指出随着生活水平的提高,人们越来越重视皮肤质地,进而皮肤的老化研究也引起广大医学人员重视。定量评估皮肤老化一直以来都是医疗美容界研究人员着重研究的问题。目前,在皮肤老化评估领域中,除了采用由医师或美容师主观判定的方法外,也涌现了一些现代光学技术的评价方式,如多光子显微技术,光谱等。由于目前的一些皮肤老化定量评估方法的成本高且或多或少对皮肤会造成损伤,且难以直接定量评价。本文结合图像处理与光学成像的方法对不同年龄段的人体皮肤表面纹理图像特征进行研究,实现了皮肤老化的定量分析并完成了青年、中年和老年叁组的皮肤纹理图像分类识别。在皮肤老化的定量评估分析中,本文提出结合Tamura特征法与小波变换的方法,获取皮肤图像的粗糙度、对比度和方差特征。同时,利用傅里叶变换方法提取图像的方向指数特征。将所提取的粗糙度、对比度、方差和方向指数特征作为评价皮肤老化过程的参数,并运用支持向量机实现皮肤的分类。与其他传统的纹理分析方法相比,本文特别提出方向指数的特征评价皮肤的老化过程,其结果能够有效的定量评估皮肤的老化特征,并在青年、中年和老年叁组中皆能获得较好的分类准确率。(本文来源于《福建师范大学》期刊2017-03-22）
李庆[5]（2017）在《仿人体3D运动的机械手臂运动轨迹自动生成的研究》一文中研究指出智能化是人工智能时代的机器人技术的发展目标之一,机器人技术研究的高级目标是使得机器人可以像人一样思考、做事。如果要让机器人能够做出与人相似的智能行为,这需要机器人有很强的判断能力,以及在变化的环境中学习以获得经验知识的能力。目前的技术还不能使机器人达到这方面的要求,所以针对特定的任务,使用者需要对机器人进行编程。机器人的编程工作不仅需要专业的技术知识,而且过程复杂繁琐,费时费力,这无法达到人类对机器人给予的期望。为提高完成任务的能力,让机器人在与人的交互过程中习得新技能,本课题将研究一种使机器人通过对人体手臂运动的模仿,自动生成可执行运动轨迹的方法。与传统的通过手工编程为机器人规划轨迹的方法相比,本课题的研究将大大降低编程的难度和周期,提高机器人编程的自动化水平,增强人与机器人交互方式的智能化以及机器人的易用性,为机器人在更广阔领域的应用奠定基础。首先,本文针对如何获取人体手臂运动数据的问题,对多相机测量叁维空间点坐标的原理作了介绍。通过对光学运动捕捉系统的学习和使用,实现了对运动数据的获取。其次,针对如何对机器人进行运动学建模的问题,以一种六自由度的机械臂为对象,采用D-H法建立其运动学模型,确定了机器人的D-H参数及连杆间的位姿变换矩阵,求解了正、逆运动学方程,讨论了逆解多解的取值问题,并对所求得的解进行了仿真验证。然后,针对如何描述人体手臂运动的问题,对手臂的运动进行了分析,并做相应的简化,使用少量的关节转动角度值来描述手臂的运动。在模糊逻辑理论的基础上引入了自适应神经模糊推理系统,利用神经网络的学习能力进行复杂的模糊推理,以建立复杂非线性系统的模型。最后,针对如何生成机器人可执行轨迹的问题,将获得的手臂运动数据转换为相应的机器人关节路径点,并在关节空间中,使用过关节路径点并带抛物线拟合的线性插值方法来生成机器人的运动轨迹。在相关理论算法的基础之上,编写了机器人轨迹自动生成与仿真平台,实现了对示教者运动数据的实时采集、对机器人的正确控制以及对生成轨迹的叁维仿真。(本文来源于《华侨大学》期刊2017-03-15）
朱桁序,姜文刚,林永才[6]（2016）在《用于机器人示教的人体手臂运动捕捉方法研究》一文中研究指出机器人示教是实现机器人轨迹跟踪的主要方式,其工作原理决定了机器人作业的复杂程度。而采用人体运动跟踪技术,可以简化机器人的示教程序,提高工作安全性。研究了基于MEMS的人体运动跟踪方式,选取包含加速计、陀螺仪、磁力计的九轴惯性传感器来检测人体手臂运动情况,采用传感器间的互补融合与空间关节位置迭加的方法,获得较高精度的末端位置数据,并通过固定方向直线运动与空间连续运动的实验来检测传感器对手臂运动捕捉的效果。实验结果表明,融合计算出的数据轨迹在短距离的情况下数据精度高,可以用于机器人的部分轨迹示教。(本文来源于《电子测量技术》期刊2016年07期）
于乃功,王锦[7]（2016）在《基于人体手臂关节信息的非接触式手势识别方法》一文中研究指出为了实现在复杂环境中对连续动态手势的识别,以人体固有的手臂关节之间的约束关系及特定手势在叁维空间的运动轨迹为特征,提出了一种非接触式手势识别方法.首先,通过Kinect传感器获取人体手臂关节的叁维数据;然后,对手势轨迹进行分割,并将具有叁维空间特征的手势轨迹转化为一维的手势轨迹;最后,将手势预判断过程与改进的动态时间规整(dynamic time warp,DTW)算法相结合,实现对动态手势的快速高效识别.实验结果表明:该方法对具有时空连续特征的动态手势识别率较高,在复杂背景和不同光照环境中都有较强的鲁棒性.(本文来源于《北京工业大学学报》期刊2016年03期）
李秋捷,曲峰,万祥林[8]（2016）在《限制手臂摆动对人体步行影响的生物力学研究》一文中研究指出目的:探讨手臂摆动对人体行走步态特征的影响,从而为无臂的仿人机器人以及假肢的设计提供理论支持。方法:选用10名青年男性大学生为受试者,以1.5±0.3m/s的速度完成手臂自然摆动和限制双臂摆动的行走运动,研究采用Kistler叁维测力台、Motion红外高速运动捕捉系统同步采集受试者行走时动力学和运动学数据。结果:(1)限制摆臂会显着降低步行频率;(2)限制摆臂会显着增大步行时重心的上下摆动、减少骨盆的旋转角度;(3)踝关节的生物力学参数在两种不同运动状态下表现出显着性差异,不摆臂时踝关节屈伸角度增大、屈伸力矩增大、关节做功增大;同时,不摆臂会造成膝伸力矩显着性增大,做功增多;针对髋关节,不摆臂会造成髋关节的屈伸角度增大;(4)下肢各参数在两种走路模式上表现出高度的相关性。结论:步行中手臂自然摆动可以降低腿部的能量消耗,是节省能量的一种行走模式;摆臂与不摆臂两种行走状态下肢的运动模式在不同水平上高度一致。(本文来源于《成都体育学院学报》期刊2016年01期）
王梅,卢熙昌,屠大维,于远芳,周华[9]（2015）在《基于人体动作识别的服务机器人手臂运动控制》一文中研究指出建立了一种基于人体动作识别的服务机器人控制系统,通过微软Kinect传感器对人体的关节动作和手势进行跟踪检测,获取人体手臂各关节角度和人的手掌状态,然后将手臂关节角以一定的映射准则映射到机器人各关节上,人的手掌状态对应机器人手爪的开合,最后将这些信息进行平滑滤波、编码处理,以无线局域网通信的方式传递给机器人,实现对服务机器人关节臂和手爪的控制。(本文来源于《工业控制计算机》期刊2015年09期）
周琪涵,李文彬,王林杰,陈净莲,张嘉月[10]（2015）在《便携式风力灭火机振动及其沿人体手臂传递特性研究》一文中研究指出便携式风力灭火机工作时产生的振动会对操作者的健康造成很大影响,为了对其进行优化设计并给出合理使用建议,对国产林海6MF-30和日本小松HB2302风力灭火机的振动频谱和人体手臂振动传递率进行了对比分析。结果表明:6MF-30与HB2302风力灭火机的振动基频分别为58.5和121.5 Hz,试验测试频谱范围内分别存在5个和2个支配性频率,且基频越大,对操作者影响越小,故应优化6MF-30的结构设计以提高其振动的基频;根据ISO5349—2001标准,在最大功率转速下,操作者使用6MF-30和HB2302风力灭火机的允许受振时间分别为2.29和3.27 a;风力灭火机振动对操作者手臂和肩颈的影响很小,绝大部分能量由手掌和手指吸收,需重点研究针对手部的减振策略。(本文来源于《北京林业大学学报》期刊2015年06期）
人体手臂论文开题报告
（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：
目的本文介绍了一种称为智能放射吸收法的骨密度测量方法,并给出了测量结果。方法首先,在228名男女受试者的前臂上采集了数字放射(Digital Radiography,DR)图像,然后用智能放射吸收法(Intelligent Radiographic Absorptiometry,i-RA)处理这些DR图像。选取距离非优势侧前臂超远端1/3桡骨长处的桡骨区域(简称1/3区域)为我们测量骨密度的区域,并将智能放射吸收法与双能量X-射线吸收法(Dual X-ray Absorptiometry,DXA)测量所获得的骨密度值和T-值分别进行Pearson相关性、以及ROC曲线分析计算。结果与使用DXA的测量结果进行比较,该方法已被广泛应用于骨密度值(Bone Mineral Density,BMD)测量,并被定义为世界卫生组织黄金标准,临床试验结果显示相关系数:r=0.984(基于BMD值),及r=0.979(基于T-值),灵敏度为98.5%,特异度为98.2%,ROC曲线下的面积为0.998。结论这些统计分析结果显示,本文的智能RA测量法可替代传统的双能X-射线吸收法DXA的骨密度仪,来对人体前臂桡骨1/3部位处骨密度进行临床检测,及其骨质疏松症的评估。
（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。
人体手臂论文参考文献
[1].熊辉,孙书会.基于目标区域约束的人体手臂运动轨迹图像分割[J].沈阳工业大学学报.2019
[2].陈建锋,范运洲,李鹏,黄松正.智能放射吸收法的临床应用——人体手臂骨骨密度的测量及其骨质疏松的评估[J].中国医疗设备.2018
[3].刘震.基于MEMS传感器与Zigbee网络的人体手臂运动状态测量和识别方法研究[D].西南交通大学.2017
[4].胡良军.人体手臂皮肤图像纹理特征分析及其分类[D].福建师范大学.2017
[5].李庆.仿人体3D运动的机械手臂运动轨迹自动生成的研究[D].华侨大学.2017
[6].朱桁序,姜文刚,林永才.用于机器人示教的人体手臂运动捕捉方法研究[J].电子测量技术.2016
[7].于乃功,王锦.基于人体手臂关节信息的非接触式手势识别方法[J].北京工业大学学报.2016
[8].李秋捷,曲峰,万祥林.限制手臂摆动对人体步行影响的生物力学研究[J].成都体育学院学报.2016
[9].王梅,卢熙昌,屠大维,于远芳,周华.基于人体动作识别的服务机器人手臂运动控制[J].工业控制计算机.2015
[10].周琪涵,李文彬,王林杰,陈净莲,张嘉月.便携式风力灭火机振动及其沿人体手臂传递特性研究[J].北京林业大学学报.2015