时频分析技术理论研究及应用

　　针对传统时频分析方法能量发散导致的特征模糊问题，阐述能够处理强时变信号的高阶多次压缩变换。针对瞬态信号处理与特征提取问题，描述能够处理瞬态信号的二阶多次瞬时压缩变换。针对传统时频分析方法难以刻画信号微弱特征的问题，提出能够用于时变信号与频变信号处理的微弱特征增强算法。将所提出的时频分析方法用于上肢sEMG信号分析与动作模式识别应用中，利用时频分析技术获得信号频率成分随时间变化的特性，用以挖掘 多有关运动单元状态的信息。

　　李长松，数据科学与计算机学院人工智能教研室主任，博士研究生，副教授，长期致力于嵌入式系统设计、信号处理与机器人控制等领域的科研和教学工作，中国计算机学会会员、山东省统计应用学会理事、山东省人工智能学会专业委员会委员， 2019年被评为济南市 科技工作者，并获得济南市 自然科学学术成果奖二等奖。近年来主持 协同育人项目5项，主持山东省统计应用项目、山东女子学院高水平科研项目培育基金项目各1项，发表SCI期刊论文2篇，EI检索期刊3篇，获得软件著作权20余项，申请发明专利1项。 在本科教学工作中，承担“数字逻辑”“智能设备开发”“人工智能导论”“嵌入式系统设计”等多门专业课程的授课任务，2021年获得山东女子学院校级 出版基金项目。

第1章 绪论
1.1 时频分析技术理论研究背景
1.2 时频分析技术在sEMG信号分析处理中的应用
1.3 时频分析技术研究进展
1.4 sEMG信号时频分析面临的挑战与拟解决的关键问题
1.5 内容安排
第2章 高阶多次压缩变换
2.1 同步压缩变换概论
2.2 多次压缩变换
2.3 高阶多次压缩变换
2.4 仿真信号分析
2.5 本章小结
第3章 二阶多次瞬时压缩变换
3.1 瞬时压缩变换概论
3.2 多次瞬时压缩变换
3.3 二阶多次瞬时压缩变换
3.4 仿真信号分析
3.5 本章小结
第4章 微弱信号特征增强与去噪算法研究
4.1 具有抑噪能力的时变特征增强算法
4.2 具有抑噪能力的瞬态特征增强算法
4.3 仿真信号分析
4.4 本章小结
第5章 sEMG信号时频特征分析与应用
5.1 实验设置与数据采集
5.2 sEMG信号时频特征分析
5.3 模式分类
5.4 肌肉疲劳分析
5.5 本章小结
第6章 总结与展望
6.1 研究结论
6.2 研究创新点
6.3 研究展望
参考文献