面向肌电手势交互系统的深度学习技术

　　作为人体最灵活的肢体，手不但可以完成各种生活技能，也可以实现自然、直观的交互。在已知手势交互技术中，基于表面肌电信号的手势交互具有高精度、可穿戴、抗遮挡、支持上肢截肢患者使用等优点，在医疗康复和人机交互领域有着不可替代的作用。在以深度学习为代表的新一代人工智能技术蓬勃发展的背景下，本书依托国家和江苏省自然科学基金项目前期与阶段性研究成果，对多种面向肌电手势交互系统的深度学习技术进行了深入研究。

　　卫文韬，现就职于南京理工大学设计艺术与传媒学院。2018年于浙江大学计算机科学与技术专业获工学博士学位，主要研究方向包括神经接感知计算、人机交互、模式识别等，主持国家自然科学基金青年基金项目1项、江苏省自然科学基金青年基金项目1项。

1 绪论
1.1 新一代人机界面与手势感知技术概述
1.2 基于表面肌电的人机界面（muscle-compter interface,MCI）
1.3 现有MCI系统面临的挑战
1.4 本研究工作
2 相关研究工作综述
2.1 表面肌电信号的产生机理
2.2 面向MCI系统的机器学习方法
2.3 小结
3 面向肌电手势识别的多流融合深度学习方法
3.1 概述
3.2 问题描述
3.3 面向肌电手势识别的多流融合深度学习方法框架
3.4 性能评估与实验分析
3.5 小结
4 面向肌电手势识别的多视图深度学习方法
4.1 概述
4.2 问题描述
4.3 面向肌电手势识别的多视图深度学习方法框架
4.4 性能评估与实验分析
4.5 小结
5 会话间肌电手势识别中的多流AdaBN领域自适应方法研究
5.1 概述
5.2 问题描述
5.3 多流AdaBN领域自适应方法介绍
5.4 性能评估与实验分析
5.5 小结
6 总结与展望
参考文献