表面肌电信号(sEMG)是由肌肉兴奋时所募集的运动单位产生的一个个动作电位序列(Motor Unit Action Potential Trains, MUAPT)在皮肤表面叠加而成，是一种非平稳的微弱信号。也用于模式识别等生物医学工程领域。
领域自适应： 多用于文本分类，属于直推式迁移学习，直推式迁移学习定义：给定一个源域和相应的学习任务，一个目标域和相应的学习任务，直推式学习旨在利用源域和目标域中相同的知识来提高目标域中的目标预测函数。 《基于深度学习的体态与手势感知计算关键技术研究》 基于深度学习的肌电手势识别： 并不需要任何附加信息或手工设计的特征提取器，基于高密度肌电信号（HD-sEMG），使用二维阵列电极采集的肌电信号，使得肌肉活动产生的电势场在时间和空间上的变化可被多个紧密分布在皮肤表面的电极同时记录下来。HD-sEMG中的肌电信号描绘了位于电极覆盖区域内的肌肉活动的时空分布，同时HD-sEMG的瞬时值呈现了在特定时间点肌肉活动所涉及的生理过程的相对全局的测量。瞬时HD-sEMG内部可区分出不同手势模式，可以将采集到的HD-Semg描绘出电势在空间的分布，其对应的热度图即为肌电图像，肌电图像中的像素数（分辨率）由其采集设备中的电极阵列决定，即电极的数量及其电极间距离（例如，具有16行8列的电极网格可W采集8*16像素的肌电图像）。主要是将原始肌电信号值从（-1，1）映射到（0，255），即，其中x是原始肌电信号，I是肌电图像。构建一个8层CNN结构，网络的前两个卷积层用于提取公共的底层图片特征，作者发现瞬时肌电图像在不同的空间位置上表现出不同的视觉特征。在不同手势中，肌电图像在中部偏下以及顶部的条状区域上亮度较强，提出在3，4层加入局部连接结构（受人脸识别前沿工作的启发），因为局部连接层在不同空间位置上的卷积模板的权重不共享，可以更好的提取图片上不同位置的特征。并依据单个窗口内每帧识别出的手势标签中所占比例最高的标签，因为上述实验仅适用于肌电幅值较大的数据进行训练和测试可以获得较高的手势识别准确率，因此需要对肌电信号采用全波整流和低通滤波（全波整流和低通滤波是被广泛采用的肌电信号幅值估计方法），以获取更好的肌电信号。基于深度领域自适应的肌电手势识别： 当训练集和测试集的肌电信号来自不同的采集会话的情况。因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。因为肌电信号的分布在不同的会话之间变化很大，所以来自不同会话的基于瞬时肌电信号的手势识别可以相应地表示为多源领域自适应问题。 当标定数据未标记时，该论文采用自适应批量归一化（AdaBN, Adaptive Batch Normalization）对手势分类器进行适配。假设用于区分不同手势的知识存储在每个层的权重中，AdaBN不需要适配数据的手势标签，而是随着无标签的适配数据的增加，逐步更新少量的网络参数。给定输入U，BN将其转换为V，其中第i个输入特征的转换公式为： l在训练阶段，每个BN层对于每个源域的均值统计量和方差统计量是独立计算的。因为训练阶段的BN对每个数据批次独立计算统计量，所以只需要确保每个数据批次中的样本来自同一个会话。 l识别阶段，对于给定的未标记数据A，AdaBN执行正向传播算法，更新参数。 该方法准确率：单幅，150毫秒窗口，而另一种算法特征集（150毫秒窗口）和线性判断：。 随机选择未标记的测试集的子集（，，1%，5%，10%）进行深度领域自适应，之后再评测整个测试集上的手势识别的准确率。最后观测到大约5%的适配数据后准确率达到巅峰，适配数据20000帧，在CSL-HDEMG的2048赫兹的采样率下大约10秒。 并且适配算法并不需要观测到所有种类的手势，从27种选择5个和13个进行适配，最终结果分别是（），（）另一种方法是肌电地势（sEMG topography），定义为肌电信号在时间上的二维平均强度图，其中每个像素是某个通道的肌电信号在特定时间窗口内的均方根，用于手势识别。 《Revealing Critical Channels and Frequency Bands for Emotion Recognition from EEG with Deep Belief Network》 在基于脑电信号的情感识别任务中，多通道脑电信号存在不相关的脑电信号，这不仅会引起噪声，还会降低系统对情感识别能力。该论文提出一种新的深度信念网（DBN）来检查用于情感识别的关键EEG信道和频段。 主要从行为和生理反应进行情感分析，因为EEG与表情手势相比，具有较高的准确性和客观评价性。该论文采用ESI神经扫描系统，从62通道电极帽以采样率为1000Hz记录脑电信号。每个实验有15个测试，每个测试包括15s提示，45s测试及反馈，5s休息。盖论文一共评价了30个实验。 先下采样原始脑电数据到200Hz，之后使用到50Hz的带通滤波器滤除噪声和伪影，之后采用之前提出的微分熵（differential entropy）特征[1][2]，对于固定长度的脑电信号，微分熵相当于一定频段内的对数能量谱。此前已经证明微分熵在低频和高频能量之间具有识别EEG模式的能力，因此在五个频段计算微分熵特征（δ：1-3Hz，θ：4 – 7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz），使用256点的短时傅里叶变换，并将特征归一化到0-1。利用五个频段的去噪后的62通道的特征作为输入，DBN达到的准确率和标准差，本论文通过分析经过训练的DBN的权重分布来检验关键通道和频带，权重对于识别情感模型是很重要的，因为对于学习任务贡献较大的神经元权值将增加，不相关的神经元权值趋于随机分布，图1为权重在第一层神经网络训练后的分布，可以看出主要在beta和gamma波的权重最大，这说明此频带包含更重要的鉴别信息。 从图2中我们可以看出侧颞区和前额脑区相比其他脑区在beta和gamma频带更容易激活。因此可以得出结论，在识别积极，中性和负面情绪时侧颞叶和前额叶通道是关键通道，beta和gamma是关键频带。如图3所示，依据脑区中权重分布的特点，设计了四种不同的电极放置剖面，包括4通道，6通道，9通道和12通道，其中4通道的最佳平均精度和标准差为，而所有62通道的最佳平均精度和标准差为，这说明四个相对电极阻轮廓（four profiles of relative electrode sets）FT7,T7,FT8,T8是辨别情感特征的电极。 [1]Duan R N, Zhu J Y, Lu B L. Differential entropyfeature for EEG-based emotion classification[C]// International Ieee/embsConference on Neural Engineering. IEEE, 2013:81-84. [2]Zheng W L, Zhu J Y, Peng Y, et al. EEG-based emotionclassification using deep belief networks[C]// IEEE International Conference onMultimedia and Expo. IEEE, 2014:1-6. 脑电论文（大脑解码：行为，情绪）： Real-time naive learning of neural correlates in ECoG Electrophysiology 神经实时朴素学习相关的皮层电生理 地址： A Deep Learning Method for Classification of EEG Data Based on MotorImagery 基于运动表象的脑电数据分类的深度学习方法 地址： Affective state recognition from EEG with deep belief networks 基于深层信念网络的脑电情感状态识别 地址： A Novel Semi-Supervised Deep Learning Framework for Affective StateRecognition on EEG Signals 一种用于脑电信号情感状态识别的半监督深度学习框架 地址： Revealing critical channels and frequency bands for emotion recognitionfrom EEG with deep belief network 用深层信念网络揭示脑电情感识别的关键通道和频带 地址： EEG-based emotion recognition using deep learning network withprincipal component based covariate shift adaptation 基于深度学习网络的主成分协移自适应的脑电情感识别 地址： Classifying EEG recordings of rhythm perception 节律性脑电记录分类 地址： Using Convolutional Neural Networks to Recognize Rhythm Stimuli from Electroencephalography Recordings利用卷积神经网络识别脑电记录中的节律刺激 地址： Convolutional neural network with embedded Fourier transform for EEGclassification 基于嵌入傅立叶变换的卷积神经网络在脑电信号分类中的应用 地址： Continuous emotion detection using EEG signals and facial expressions 基于脑电信号和表情的连续情绪检测 地址： ‘Deep Feature Learning for EEG Recordings 脑电记录的深部特征学习 地址： 异常分类论文（阿兹海默症，癫痫，睡眠阶段检测）： Classification of Electrocardiogram Signals with Deep Belief Networks 基于深层信念网络的心电信号分类 Modeling electroencephalography waveforms with semi-supervised deepbelief nets: fast classification and anomaly measurement 半监督深信网模拟脑电波形：快速分类和异常测量 Deep belief networks used on high resolution multichannelelectroencephalography data for seizure detection 用于癫痫检测的基于高分辨率多道脑电图数据的深度信念网 地址： Deep Learning in the EEG Diagnosis of Alzheimer’s Disease 深层学习在阿尔茨海默病脑电诊断中的应用 Sleep stage classification using unsupervised feature learning 基于无监督特征学习的睡眠阶段分类 Classification of patterns of EEG synchronization for seizureprediction 癫痫发作的脑电同步模式分类 地址： Recurrent neural network based prediction of epileptic seizures inintra-and extracranial EEG 基于递归神经网络的颅内外脑电癫痫发作预测 EEG-based lapse detection with high temporal resolution 基于脑电信号的高时间分辨率检测 地址：
这类论文还是比较好写的，去淘宝的“翰林书店”找几篇想管论文，移花接木下应该就可以应付啦哈
肌电信号（EMG）是众多肌纤维中运动单元动作电位（MUAP）在时间和空间上的叠加。表面肌电信号（SEMG）是浅层肌肉EMG和神经干上电活动在皮肤表面的综合效应，能在一定程度上反映神经肌肉的活动；相对于针电极EMG，SEMG在测量上具有非侵入性、无创伤、操作简单
提供一些电子信息工程专科毕业论文的题目，供参考。精密检波器的设计简易电子血压计的设计电子听诊器的设计简易数码相机的设计直流电机转动的单片机控制高频功率合成网络的研究多功能气体探测器车用无线遥控系统家用门窗报警器智能型全自动充电器医用病房多路呼叫系统多功能数字钟数字电压表的设计与仿真虹膜识别技术的认识及其在电子学科的发展探讨基于Orcad的电子线路特性分析及优化设计恒温热熔胶枪的设计步进电机的数字控制器设计虹膜图像的预处理（算法分析及探讨）四位密码电子锁的设计旋转LED屏的制作基于PC机的LCD实时显示控制系统设计（pc机部份）基于PC机的LCD实时显示控制系统设计（单片机部份）ICL7135的串行采集方式在单片机电压表中的应用用89C51和8254-2实现步进式PWM输出桌面行走智能小车双音频电话信息传输系统车库控制管理系统（基于PC机）车库控制系统车位识别（基于PC机）数控音频功率放大电路刚体转动实验平台的改进设计谐振频率测试仪高频宽带放大器的制作高频窄带放大器的设计宽带功率放大器的设计程控滤波器的设计高频电压测试棒的制作基于TMS320VC5402的DSP创新试验系统U-BOOT在ARM9（AT91RM9200）上的移植ARM9（AT91RM9200）启动过程的研究与启动代码的设计基于ARM9（AT91RM9200）的嵌入式Linux移植调试环境的研究与建立嵌入式Linux在ARM9（AT91RM9200）上的移植ARM9（AT91RM9200）简易JTAG仿真器设计基于单片机的电动机测速系统基于单片机的单元楼门铃及对讲系统基于单片机的自来水管的恒流控制基于单片机的电子脉搏测量仪基于单片机的自来水水塔控制系统洗衣机控制系统设计基于力敏传感器的压力检测湿敏传感器应用电路系统设计基于气敏传感器的大气环境测量系统设计基于光敏传感器的机器人控制电路设计基于温敏传感器的应用电路设计基于磁敏传感器的检测电路设计超声波传感器在倒车雷达系统中的应用温度传感器在现代汽车中的应用电子秤中的应变片传感器光电开关在自动检测的应用热释电传感器的应用浅谈各种接近开关基于单片机的自行车码表设计基于单片机的图形温度显示系统基于单片机的自动打铃器设计基于EDA技术的自动打铃器设计通用示波器字符（图案）显示电路设计基于EDA技术的时钟设计用matlab实现数字电子技术数据传输电路设计在matlab环境下实现同步计数器电路仿真锂电池充电器的设计与实现脉冲调宽(PWM)稳压电源作光源的设计与实现压电式传感器的应用矩形脉冲信号发生器的设计可编程交通控制系统设计多功能数字钟实用电子称多点温度检测系统可编程微波炉控制器系统设计智能型充电器显示的设计电子显示屏电源逆变器数字温度计简易数字电压表声光双控延迟照明灯可遥控电源开关无刷直流电机控制装置整流电路的设计PLC控制系统与智能化中央空调PLC在电梯变频调速中的应用PLC在输电线路自动重合闸的应用异步电机变频调速系统的设计电机故障诊断系统的设计数控稳压源4-20mA电流环设计单总线多点温度检测系统单片机控制的手机短信发送设备简易恒温浸焊槽设计单片机控制的手机短信发送设备基于MATLAB的IIR数字滤波器设计与仿真基于MATLAB的FIR数字滤波器设计与仿真平稳随机信号功率谱估计及在MATLAB中的实现智能红外遥控电风扇的设计单片机控制的消毒柜数字秒表的设计基于VGA显示的频谱分析仪设计基于FPGA红外收发器设计基于FPGA 的FSK调制器设计基于FPGA的多频电疗仪的设计基于FPGA幅度调制信号发生器设计基于FPGA全数字锁相环设计单片机之间的串口数据通信微机与单片机间的串口数据通信模型自适应系统控制器设计神经网络PID控制器设计带误差补偿环节的PID控制系统具有模糊系统控制的PID控制系统限电自动控制器单片机实现三位电子秒表开关稳压电源设计新型锂电池充电器自制温度检测报警器限流直流稳压电源设计微波测速计自由落体实验仪风力发电机转速控制风力发电电池组运行状态检测光伏电能的储存及合理应用控制装置车库门自动开闭小功率风力发电机研制利用车内电源（12V）给笔记本电脑供电电源（19V）基于PWM控制的七彩灯设计红外遥控电风扇基于串口通信的GPS定位系统数控电压源20mA电流环模块设计基于GSM的汽车防盗系统的设计
论文答辩记录表的写法：
(1)论文标题。向答辩小组报告论文的题目，标志着答辩的正式开始。
(2)简要介绍课题背景、选择此课题的原因及课题现阶段的发展情况。
(3)详细描述有关课题的具体内容,包括答辩人所持的观点看法、研究过程、实验数据、结果。
(4)重点讲述答辩人在此课题中的研究模块、承担的具体工作、解决方案、研究结果。
(5)侧重创新的部分。这部分要作为重中之重,这是答辩教师比较感兴趣的地方。
(6)结论、价值和展望。对研究结果进行分析，得出结论;新成果的理论价值、实用价值和经济价值;展望本课题的发展前景。
(7)自我评价。答辩人对自己的研究工作进行评价，要求客观，实事求是，态度谦虚。经过参加毕业设计与论文的撰写，专业水平上有哪些提高、取得了哪些进步，研究的局限性、不足处、心得体会。
论文答辩的一般程序：
1、学员必须在论文答辩会举行之前半个月，将经过指导老师审定并签署过意见的毕业论文一式三份连同提纲、草稿等交给答辩委员会，答辩委员会的主答辩老师在仔细研读毕业论文的基础上，拟出要提问的问题，然后举行答辩会。
2、在答辩会上，先让学员用15分钟左右的时间概述论文的标题以及选择该论题的原因，较详细地介绍论文的主要论点、论据和写作体会。
首先答辩记录表是一个表格，表格就要有相关的内容，一般有以下几点需要填写：
①学生的姓名、学院以及专业：这一点比较简单，按照你学校的名称以及专业来填写即可，但是一定要注意，这里的填写不要写简称，一定要写全称。
②学生的学号以及指导教师和职称：如实去填写，老师的话可以去问一下，千万不要将指导老师的名字写错，也不要写某科目老师，要写名字以及自己是否有职称，如果没有的话就不填写。
③学生的答辩时间以及论文自述的情况：学生答辩时间按照你第一次答辩的时间来填写，论文自述的情况尽量是要以第三方语气来描写。
④教师提问以及学生回答情况：这一点尽量挑选重点来书写，一些小问题或者没办法加分的情况就不要填写了。
答辩记录内容写法如下：
一、首先，PPT封面应该有：毕设题目、答辩人、指导教师以及答辩日期。
二、其次，需要有一个目录页来清楚的阐述本次答辩的主要内容有哪些。
三、接下来就到了答辩的主要内容了，第一块应该介绍课题的研究背景与意义。
四、之后是对于研究内容的理论基础做一个介绍，这版一部分简略清晰即可。
五、重头戏自然是自己的研究内容，这一部分最好可以让不太了解相关方面的老师们也能听出个大概，知道到底都做出了哪些工作，研究成果有哪些，研究成果究竟怎么样。
六、最后是对工作的一个总结和展望。
七、结束要感谢一下各位老师的指导与支持。
良情绪引起腰痛：不 良情绪出现的时候，呼吸变得不均匀，而膈肌是主要的呼吸肌，它会因为情绪的变化而受到明显的影响，同时膈肌又有另外一个功能，就是把胸腔和腹腔隔离开，托 住了心，肺，肝等脏器。很多人没注意到的是其实所有脏器都悬挂于脊椎上。情绪为什么会引起腰痛的逻辑就变得很简单，比如说如果你心情沮丧并且呼吸无力，于是膈肌工作能力就会下降，时间一长膈肌就会松弛，承托脏器的能力就下降，脊椎的负担就大，不但腰出问题，肩背都会有问题。[膈肌像一把伞一样上下活动]而在解剖学上，这仿佛仅仅是个开始，肋骨、横隔、腹腔、骨盆和下肢肌群在体前形成了一个严密的连接机制，被称为前深线
膈肌（diaphragm）位于胸腔与腹腔之间的肌肉-纤维结构。其周围为肌腹，中央为腱膜，又被译为横膈，是机体重要的呼吸肌，占所有呼吸肌功能的60%～80%。
肥胖引起腰痛：肥胖是如何导致腰痛的呢？这点很简单，看下面对比图左 侧是正常体态，但如果你是肥胖人群，想像一下你肚子上一堆肥肉，相当于你的脊椎上挂了一个大铁球，把你的上半身向前向下，当然你不可能以上身前倾的姿态走 路，于是你抬头挺胸，颈椎和胸椎一定程度上回到了原来的位置，但是由于肚子上那堆肉，你的骨盆位置依旧是趋向于向前向下，腰椎也过度前屈并且失去了下端的 支撑，一旦失去支撑就会超出正常负荷，时间一长就腰痛，并且下背部肌肉收缩过紧同样导致了腰痛。这就如右图所示，所谓的骨盆前倾姿态，导致腰痛。因此针对 肥胖造成的腰痛，先把肚子上的肉减掉，腰椎压力就小，腰痛就缓解了，就这么简单。长期坐姿引起腰痛：以 前大家去电影院看电影，看完走路回家。后来有了家庭影院，一家人在家看电影，看完睡觉。再后来，有了视频网站，最新电影都在网上可以看到，可以一次看一天 的电影。互联网的发展让很多工作也在电脑前完成，一个程序员在封闭式开发环境中更可以对着电脑连续工作12-15小时，然后睡觉，睡醒继续开发程序。看看 长期坐姿的情况下身体发生了什么：髂腰肌，它连接了腰椎和髂骨，以及股骨长 期坐姿会持续保持屈髋姿势，这个屈髋姿势会让髂腰肌持续收紧，髂腰肌一直收紧就会出现正常髋关节打开的状态下也趋向收缩，这就是所谓的张力过大。髂腰肌如 果张力过大，就会把腰椎向前向下拉并带动骨盆转动，这样同样出现骨盆前倾状况，最后出现了腰痛。比较惨的是，如果你没注意到这一点，这就会引起更多的问题
微弱信号种类很多。比方卫星的下行信号，热电偶信号，收音机电视机信号，麦克风输出信号。其检测方法都是需要专门对应放大器放大之后做分析检测。
①需要噪声系数尽量小的前置放大器，并根据源阻抗与工作频率设计最佳匹配；②需要研制适合微弱检测原理并能满足特殊需要的器件；③利用电子学和信息论的方法，研究噪声的成因和规律，分析信号的特点和相干关系。自从1928年发现电阻中电子的热骚动引起非周期性电压以来，弱检测技术受到普遍重视而得到迅速发展。