matlab肌电信号处理代码基于Delsys的sEMG信号处理和肌肉性能评估 表面肌电信号（sEMG）是骨骼肌产生的电活动，用于预测肌肉状况，而肌肉收缩和肌肉疲劳可以由sEMG信号决定。 在这个项目中，我使用了sEMG信号的高性能设备，它可以检测sEMG信号，收集sEMG信号来评估肌肉性能，例如运动过程中的肌肉力量和肌肉疲劳。 实时sEMG数据收集 Delsys提供了示例代码以将数据传输到Matlab。 我主要通过自动删除没有数据流的通道而不是同时打开16个通道来解决传输速度慢的问题，并修改了显示模式以方便以后的研究。 信号处理 原始sEMG信号微弱，不稳定且随机。 根据以前的研究，我采用了10-500Hz带通滤波器和50Hz陷波滤波器。 此外，我分析了原始信号的频谱，发现了100Hz噪声干扰，并采用了递归最小二乘自适应滤波器消除了100Hz噪声，这比Matlab工具箱设计的滤波器表现出更好的性能。 特征提取 这只是基于sEMG信号数据的均方根和平均功率频率的变化来估计肌肉力量并检测肌肉疲劳的启发式计划。

Android5.0+ Camera Preview based-Gralloc with ION 自己生产的PDF文件

台达PC-Based 运动控制器-IMS_AX-8

GBDT_Simple_Tutorial（梯度提升树简易教程） 简介 利用python实现GBDT算法的回归、二分类以及多分类，将算法流程详情进行展示解读并可视化，便于读者庖丁解牛地理解GBDT。 项目进度： 回归 二分类 多分类 可视化 算法原理以及公式推导请前往blog： 依赖环境 操作系统：Windows/Linux 编程语言：Python3 Python库：pandas、PIL、pydotplus， 其中pydotplus库会自动调用Graphviz，所以需要去下载graphviz的-2.38.msi ，先安装，再将安装目录下的bin添加到系统环境变量，此时如果再报错可以重启计算机。详细过程不再描述，网上很多解答。 文件结构 | - GBDT 主模块文件夹 | --- gbdt.py 梯度提升算法主框架 | --- decision_tree.py 单颗树生成，包括节点划分

Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition 分离与统一的图卷积用于基于骨架的动作识别 CVPR 2020

电力电子

《Physically Based Rendering：From Theory to Implementation》(PBRT) 英文版

基于文本的音乐推荐系统 这是2021年第一学期在同德女子大学的云平台课程中进行的一个项目。 我们要创建一个推荐与文本匹配的音乐的系统。

若大家做毕业设计的时候苦于找不到文件过滤方面的外文资料吧。这里为大家献上我的毕业设计的译文。

A Simple but Hard-to-Beat Baseline for Session-based.pdf