创新实验：膈肌的运动教案

第一篇：创新实验：膈肌的运动教案

中学生物教师实验创新大赛

实验课题名称：模拟膈肌的运动 参赛教师：城步二中

陈善龙

一、实验在教材中所处的地位和作用

模拟膈肌的运动是七年级下册《生物学》第三章第二节：发生在肺内的气体交换的一个演示实验。本节是这一章也是这一册的教学难点，尤其是肺与外界气体交换的原理比较抽象，学生难懂。通过这一模拟实验，很直观的体现出肺与外界气体交换的原理是呼吸肌有规律的收缩和舒张使胸廓容积扩大和缩小。

二、实验原型及不足之处

实验原型：

1、玻璃罩模拟胸廓

2、Y型玻璃管模拟气管和支气管

3、气球模拟肺

4、橡皮膜模拟膈肌 不足之处：

1、带橡胶塞的无底玻璃罩难以找到。

2、玻璃罩是刚性物体，不能模拟胸廓前后、左右径的变化与呼气和吸气之间的关系。

3、玻璃罩壁很滑，不好固定橡皮膜，易滑落。

4、实验室的Y型玻璃管大而短，很难找到与之匹配的玻璃罩。

三、实验创新和改进之处

创新之处：

1、用饮料瓶代替玻璃罩

2、用输液管改装成一个Y型胶管代替 Y型玻璃管

3、气球膜代替橡皮膜

改进后的装置：

1、饮料瓶模拟胸廓

2、Y型胶管模拟气管和支气管

3、小气球模拟肺

4、气球膜模拟膈肌 优点：

1、饮料瓶易改装，易固定橡皮膜，而且不会滑落，同时也解决材料难找的问题。

2、输液管容易获取，也容易改装成Y型管，解决了Y型玻璃管与饮料瓶不匹配的问题。

3、整个装置取材容易、轻巧、携带方便。

四、实验原理

肺富有弹性，当膈肌收缩时，膈顶下降，胸廓容积变大，肺扩张，肺内气压下降，外界气体吸入肺，是吸气过程。膈肌舒张，膈顶上升，胸廓容积缩小，肺回缩，肺内气压增大，气体被呼出，是呼气过程。从而得出胸廓容积的变化与呼吸运动的关系。

五、实验器材

饮料瓶一个、大气球一个、小气球两个、小剪刀、细线、输液管一根

六、实验步骤

1、在饮料瓶靠近凹槽的地方将底部剪掉（保持切口平整和光滑，以免刺破气球膜），然后套上气球膜。

2、将输液管改装成一个Y型胶管，将分叉的两管分别插入气球内，用细线系紧。

3、用剪刀尖端在饮料瓶盖中央钻个小孔，刚好能插入Y型管的另一端，和气球一起塞入瓶内，盖好瓶盖。

七、实验现象及分析

1、向上推气球膜，气球变小。相当于膈肌舒张，膈顶上升，胸廓容积 变小，肺内气压上升，气体出肺，这时呼气。

2、放松气球膜，气球变大。相当于膈肌收缩，膈顶下降，胸廓容积变大，肺内气压下降，气体入肺，这时吸气。

3、用手挤瓶壁，气球变小。相当于肋间肌舒张，肋骨向下向内运动，胸廓前后径(或左右径）变短，胸廓容积变小，肺内气压上升，气体出肺，这时呼气。

4、放松，气球变大。相当于肋间肌收缩，肋骨向上向外运动，胸廓前后径（或左右径）变长。胸廓容积变大，肺内气压下降，气体入肺，这时吸气。

八、自我评价

1、实验现象明显，能直观的表示胸廓容积的变化与呼吸运动的关系,让学生明白是因为

胸廓扩大（或缩小）导致吸气（呼气），而不是因为吸气（或呼气）后使胸廓扩大（缩小)。

2、所需实验器材少，易获取，制作简单，学生可以独立在课后完成。

3、实验成本低，绿色环保，无毒无污染；过程安全，无危险隐患。

第二篇：运动解剖学教案10躯干肌、头颈肌

第十课时 躯干肌、头颈肌

教学目的与要求：

1.了解躯干肌肉的分类和名称，了解头颈肌的名称； 2.掌握运动脊柱和胸廓的肌肉名称； 3.掌握躯干大块肌肉的位置和功能。

重点难点：

1.运动脊柱和胸廓的肌肉名称。2.躯干大块肌肉的位置和功能。

教学方法：讲解法与多媒体教学法相结合 教学时数：2 教学过程：

躯干肌

躯干肌指附着在躯干骨上的肌肉,大多扁而阔。按部位分为颈肌、背肌、胸肌、腹肌、膈肌和会阴肌。

一、运动脊柱的肌群

(一)伸脊柱肌群:有斜方肌、夹肌、竖脊肌、横突棘肌和背短肌等。下固定收缩时，使脊柱伸，完成掷界外球、负重体屈伸等展体动作；上固定收缩时，完成单杠或吊环的后摆浪动作；无固定收缩时，完成俯卧臂腿上振或挺身式跳远腾空动作等。

1、夹肌：位于斜方肌、菱形肌等深面、上位的胸椎和颈椎两侧。起于第3颈椎以下至第6胸椎的棘突，纤维向外上行，止于上3颈椎横

突和颅底。下固定时，一侧收缩使头颈向同侧屈和回旋，两侧同时收缩使头颈后伸。

2、竖脊肌：位于棘突两侧，自骶骨到颅底。分为棘肌、最长肌和髂肋肌三部分。

起点：骶骨背面，髂棘后部、腰椎棘突和胸腰筋膜。止点：颈椎和胸椎的棘突、横突、颞骨乳突和肋骨的肋角。机能：下固定时，两侧收缩，使头和脊柱伸，一侧收缩，使脊柱侧屈；上固定时，两侧收缩，使脊柱后伸并带动下肢后摆，一侧收缩，使脊柱侧向运动，完成鞍马上的侧摆运动。

采用提拉杠铃、负重体屈伸和俯卧臂腿上振等练习，可发展伸脊柱肌群的力量；屈体运动可发展其伸展性。

（二）屈脊柱肌群：有胸锁乳突肌、腹直肌、腹外斜肌、腹内斜肌和髂腰肌等。下固定，两侧同时收缩，可使脊柱屈带动头和上肢向前运动，如仰卧起坐等，一侧收缩可使脊柱侧屈；上固定收缩，可使脊柱屈并带动下肢向前运动，如悬垂举腿、双杠和吊环的前摆浪等动作；无固定时收缩，可完成仰卧两头起动作。

1、胸锁乳突肌：位于颈部两侧，起于胸骨柄和锁骨胸骨端，止于颞骨乳突。下固定时，一侧收缩使头颈向同侧屈，头向对侧转；两侧同时收缩时，若肌拉力线通过寰枕关节额状轴前方，则使头颈前屈；若肌拉力线通过寰枕关节额状轴后方，则使头颈后伸。上固定时收缩，可提肋助吸气。

2、腹直肌：位于腹前壁正中线两侧的腹直肌鞘内，形状扁而长，被3—4条腱划分为多个肌腹。

起点：耻骨上缘。止点：胸骨剑突和5—7肋。

机能：下固定时，一侧收缩，使脊柱向同侧屈，两侧同时收缩，使脊柱前屈，并可降肋助呼气；上固定时，一侧收缩使同侧脊柱和骨盆侧屈并带动下肢侧摆；两侧收缩使骨盆后倾。无固定收缩时，使胸廓下口和骨盆上口互相靠近，完成仰卧两头起。

3、腹外斜肌：位于腹壁前外侧面浅层。起于第5—12肋外面，纤维向前内下方行，一部分止于髂棘，大部分纤维于腹直肌外缘移行为腱膜并构成腹直肌鞘。腱膜下缘卷曲增厚形成腹股沟韧带，架在髂前上棘和耻骨结节之间；其余大部分腱膜于腹正中线与对侧纤维交错，形成腹白线。

腹外斜肌机能，除上固定单侧收缩使骨盆和脊柱向同侧侧屈并转动；下固定单侧收缩使脊柱向同侧屈向对侧转动与腹直肌不同外，其余机能与腹直肌相同。

4、腹内斜肌：位于腹外斜肌深面，起于胸腰筋膜、髂棘和腹股沟韧带外侧，大部分纤维向内前上方行，在腹直肌外缘移行为腱膜，参与构成腹直肌鞘前、后壁和腹白线。其余部分纤维止于10—12肋。腹内斜肌下固定时，一侧收缩时脊柱向同侧屈和转动（这时，它与对侧的腹外斜肌共同完成向同侧的转体运动）；上固定时，一侧收缩时骨盆和脊柱向同侧屈和向对侧转动。其余机能与腹直肌和腹外斜肌相同。

采用仰卧起坐、悬垂举腿、仰卧两头起、负重体侧屈、负重转体等练习，可以发展屈脊柱肌的力量；做体操“桥”可发展其伸展性。

（三）侧屈脊柱的肌群:有同侧屈、伸脊柱的肌群----胸锁乳突肌、腹直肌、腹外斜肌、腹内斜肌、斜方肌、夹肌、竖脊肌、提肩胛肌、横突棘肌以及腰方肌、髂腰肌等协同工作。在下固定时收缩，使脊柱向同侧侧屈，并带动头和上肢向该侧方向运动，完成侧手翻等动作；上固定时收缩，使脊柱向同侧屈，并带动骨盆和下肢向该侧方向运动，完成鞍马上的侧摆腿动作。

（四）使脊柱回旋的肌群：主要由同侧的腹内斜肌、肩胛提肌、夹肌、斜方肌和对侧的腹内斜肌、胸锁乳突肌、前锯肌等在下固定时，协同收缩实现，如投掷标枪或手榴弹等的转体动作等。

（五）使脊柱环转运动的肌群：由屈脊柱肌、侧屈脊柱肌和伸脊柱肌依次收缩完成。在下固定（骨盆和下肢固定）时，上述各肌群轮替收缩，以脊柱下端为锥尖，脊柱上端划圆，完成甩腰动作；在上固定（上肢和肩带固定）时上述各肌群轮替收缩，形成锥尖向上的圆锥运动，如单杠悬垂时的躯干绕环动作。

二、运动胸廓的肌群

吸气时，胸廓各径扩大；呼气时，胸廓各径缩小。使胸廓扩大的称吸气肌；使胸廓缩小的称呼气肌。

（一）吸气肌群：能使胸廓扩大的肌肉有两类，一类专司呼吸，不参与身体其他运动，又称固有呼吸肌，有膈、肋间外肌、肋间内肌等；

另一类主要参加身体运动，但又有提肋助吸气的功能，称辅助吸气肌，如胸大肌、胸小肌、背阔肌、前锯肌、胸锁乳突肌等。

（二）呼气肌群：有肋间外肌、肋间内肌、胸横肌、腹横肌等，此外，腹外斜肌、腹内斜肌、腹直肌、腰方肌等，下固定收缩时有降肋助呼气作用，称辅助呼气肌。

头颈肌

一、头肌

（一）表情肌

表情肌属于皮肌，分布在眼、口、鼻等周围，如额肌、眼轮匝肌、口轮匝肌、鼻肌、耳廓肌等。

（二）咀嚼肌

咀嚼肌主要有咬肌和颞肌，它们的一端止于下颌骨，收缩时活动下颌骨，产生咀嚼运动。

二、颈肌

胸锁乳突肌起于胸骨柄和锁骨胸骨端，止于颞骨乳突。当下固定时，一侧收缩，使头向同侧倾斜，头转向对侧；两侧收缩时，使颈段脊柱屈，并根据肌拉力线经过寰枕关节额状轴的前方或后方，决定头屈或伸。上固定时，可上提胸廓，辅助吸气。

作业：

写出下列肌肉的位置、起止点和功能：肱二头肌、斜方肌、背阔肌、肌直肌、胸大肌、腹直肌、股二头肌。

第三篇：表面肌电信号实验手册总结

实验

基于sEMG时域特征特的动作识别

一、实验目的

1.了解肌电信号常用的时域分析方法；

2.利用MATLAB对肌电信号进行去噪、特征提取及动作识别；

二、实验设备

1.Wi-Fi表面肌电信号采集卡；

2.32位Windows XP台式机（Matlab 7.0软件）； 3.802.11b/g无线网卡；

三、实验内容

（1）学习信号的基本去噪方法，并用MATLAB实现；

（2）学习肌电信号常用的时域特征并利用Matlab来进行波形长度（WL）符号改变数（SSC）、过零点（ZC）、威尔逊赋值（WAMP）等特征的提取；

（3）学习神经网络信号处理方法，掌握BP神经网络的用法，将其用于肌电信号的动作识别。

学习以上三个部分，最终完成一整套肌电信号去噪、特征提取（选取一种特征）、基于特征的动作识别的MATLAB程序。

四、实验原理

（1）小波去噪

小波去噪方法是一种建立在小波变换基础上的新兴算法，基本思想是根据噪声在不同频带上的小波分解系数具有不同强度分布的特点，将各频带上的噪声对应的小系数去除，保留原始信号的小波分解系数，然后对处理后系数进行小波重构，得到纯净信号。

小波去噪的基本原理图如下

《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

（2）特征提取

时域分析是将肌电信号看成均值为零，而方差随着信号强度的变化而变化的随机信号。时域特征的计算复杂度低，提取比较方便。

最常用的方法有：方差，过零点数（Zero Crossing, ZC），Willison幅值（Willison Amplitude, WAMP），绝对值平均值(Mean Absolute Value, MAV）和波形长度（Wave length，WL）等。在实际应用中，为了让特征可以包含更多的信息，往往选择用不同的时域特征组合形成联合特征向量。我们主要介绍一下几种方法：

过零率（ZC）：为波形通过零线的次数,从一定程度上反映了信号的频率特性。为了降低零点引入的噪声，往往会引入一个阈值δ。计算方式如下：

sgn(xkxk1),(xkxk1)

（1）

Willison幅值：是由Willison提出一种对表面肌电信号的幅值变化数量进行计算的方法，经过后人的研究，对Willison幅值的阈值有了明确的范围限定，目前认为50~100V 是最合适的阈值范围。其数学表示公式如公式（3-3）。

WAMPfxixi1t1N（2）

1f(x)0其中：ifx阈值otherwise

波形长度（WL）：它是对某一分析窗中的波形长度的统计，波长可以体现该样本的持续时间、幅值、频率的特征。

1N1WLx(i1)x(i)Ni1

（3）

符号改变斜率（SSC）：为信号的的频率性能提供了一些附加信息，对于3个连续的采样点，给定阈值ω，通过下面的公式计算波峰波谷的个数。xixi1xixi1,i1,,N

（4）

（3）神经网络

BP神经网络又称误差反向传播（Back Propagation），它是一种多层的前向型神经网络。在BP网络中，信号是前向传播的，而误差是反向传播的。所谓的反向传播是指误差的调整过程是从最后的输出层依次向之前各层逐渐进行的。标准的BP网络采用梯度下降算法，与Widrow-Hoff学习规则相似，网络权值沿着性能函数的梯度反向调整。《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

前向型神经网络通常具有一个或多个由sigmoid神经元构成的隐层，以及一个由线性神经元构成的输出层。多个具有非线性传递函数的神经元层使得网络可以学习输入和输出之间的非线性关系，而线性输出层使得网络可以产生[-1，+1]之外的输出值。

输入p1隐层输出层a3ya1IW1,1IW2,1+b1b2+a1tansig(IW1,1p1b1)a2purelin(IW2,1a1b2)

由两层神经元构成的BP网络结构

（1）BP网络的训练算法

① BP算法

BP算法沿着误差函数减小最快的方向，也就是梯度的反方向改变权值和偏差，这一点与线性网络的学习算法是一致的。BP算法的迭代计算公式可以表示为：

xk1xkakgk

（1）

其中，xk代表当前权值和偏差，xk1代表迭代产生的下一次的权值与偏差，gk为当前误差函数的梯度，ak代表学习速率。

② 有动量的梯度下降算法

标准的梯度下降法在调整权值时，仅仅按照当前时刻的负梯度方向进行调整，并没有考虑以前各次运算步骤中的梯度方向，因此新的样本对迭代过程影响太大，可能会导致训练过程中调整方向发生震荡，导致不稳定和收敛速度慢的问题，有动量的梯度下降算法则考虑了往前时刻的贡献，其权值迭代算法为：

wij(n1)wij(n)[(1)D(n)D(n1)

（2）

其中，D(n),D(n1)分别表示n时刻，n-1时刻的负梯度。由于加入了以前时刻梯度的贡献，相当于给迭代过程添加了一个低通滤波器，使得网络忽略误差 《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

曲面上细节特征，避免了陷入局部极小点的问题。

③ 共轭梯度算法

尽管标准的BP算法采用梯度下降算法，权值和偏差沿误差函数下降最快的方向调整，但却并不一定是收敛最快的算法。在改进的BP训练算法中，有一大类的算法称为共轭梯度算法。在这一类算法中，权值和偏差沿着共轭梯度方向进行调整，通常能够获得比标准的梯度算法更快的收敛速度。

共轭梯度算法的第一次迭代都是从最陡下降的梯度方向开始。梯度向量为：

p0g0

（3）

沿着此方向进行权值和偏差的调整，公式为：

xk1xkakgk

（4）

下一次搜索方向则由前两次搜索方向的共轭方向决定，表达式为：

pkgkkpk（5）

对于系数k不同计算方法产生不同的共轭梯度算法。a）F-R共轭梯度算法采取的系数确定方法为：

TgkgkTk

（6）

gk1gk1即本次迭代梯度相对于上一次迭代梯度的归一化值。b）P-R共轭梯度算法采取的系数确定方法为：

TgkgkT1k

（7）

gk1gk1即上次迭代梯度与本次迭代梯度的内积对本次梯度的归一化值。c）Scaled共轭梯度算法

到目前为止，讨论过的所有共轭梯度算法都需要在每一步迭代过程中对搜索方向进行计算，这样的计算量是比较大。对此moller提出了Scaled梯度搜索算法[4]，在每一步迭代过程中不计算搜索方向，以减少训练过程的计算量。其基本原理是利用下面介绍的L-M算法与共轭梯度法相结合产生的。

④ L-M算法

L-M算法其权值和阈值的更新过程为：

xk1xk[JTJI]1JTe

（8）《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

其中，e为期望输出与实际输出的误差；J为误差对权值微分的Jacobi矩阵；为标量因子。如果训练成功，误差性能函数减小，那么就减小的值；反之就减小其值。

五、实验步骤

1.认真阅读本实验的原理与方法。

2.利用MATLAB实现对肌电信号的去噪、特征提取及动作识别。（1）小波去噪 load 'sample_test.mat';load 'sample_train.mat';%%%%%%%%%%

Window=256;%分析窗口的长度

M=512;

%采集数据时一个data的样本数 Channel=4;%采集数据的通道数 Class=6;%类别数

Number=10;%每个类别的个数 WinLap=64;%窗口移动的间隔

JudgeTime=Window/WinLap;%一个分析窗口需要移动的次数Count=M*Number*Class/WinLap-Window/WinLap+1;%所有数据需要分析的次数

477 ClassCount=M*Number/WinLap-Window/WinLap+1;%一类数据需要的分析次数

GapCount=M*Number/WinLap;

%训练样本两类动作之间的间隔

ClassOne=1;ClassTwo=2;ClassThree=3;ClassFour=4;

参数说明 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

ClassFive=5;ClassSix=6;

%thr=0.2;%%%%%

train

样

本

小

波

去噪 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% for i=1:Channel

x=sample_train(:,i);

[thr,sorh,keepapp]=ddencmp('den','wv',x);

[c,l]=wavedec(x,3,'db1');

a3=appcoef(c,l,'db1',3);

d3=detcoef(c,l,3);

d2=detcoef(c,l,2);

d1=detcoef(c,l,1);

s4=wdencmp('gbl',c,l,'db1',3,thr,sorh,keepapp);

new_train(:,i)=s4;end figure(1)subplot(4,1,1);plot(sample_train(:,1),'r');hold on;plot(new_train(:,1),'b');legend('原始信号','去噪后信号');title('train样本滤波前后信号对比');subplot(4,1,2);plot(sample_train(:,2),'r');hold on;plot(new_train(:,2),'b');subplot(4,1,3);plot(sample_train(:,3),'r');hold on;plot(new_train(:,3),'b');subplot(4,1,4);plot(sample_train(:,4),'r');hold on;plot(new_train(:,4),'b');

train样本去噪前后的信号对比如下图所示 《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

仿照对train样本进行小波去噪的方法，写出利用MATLAB对test样本进行小波去噪的程序。

（2）特征提取 clear all;close all;load 'sample_train.mat';%%%%% 参数说明 %%%%%%

Window=256;%分析窗口的长度

M=512;

%采集数据时一个data的样本数 Channel=4;%采集数据的通道数 Class=6;%类别数

Number=10;%每个类别的个数 WinLap=64;%窗口移动的间隔

JudgeTime=Window/WinLap;%一个分析窗口需要移动的次数

Count=M*Number*Class/WinLap-Window/WinLap+1;%所有数据需要分析的次数 CountClass=M*Number/WinLap-Window/WinLap+1;%一类数据需要的分析次数 CountGap=M*Number/WinLap;

%训练样本两类动作之间的间隔 《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

%%%%% 求波长

%%%%%%%%%%%%%% sample=sample_train;%接口 WL=zeros(Channel,Count);for c=1:Count

for n=1:Channel

for w=1:Window-1

WL(n,c)=WL(n,c)+abs(sample((c-1)*WinLap+w,n)-sample((c-1)*WinLap+w+1,n));

end

end end

Feature_train=WL;仿照求WL（波长）特征的程序，任选其他一种特征，写出MATLAB程序。注意，train样本和test样本都需要做特征提取。将最终求得的train和test样本的特征存入feature.mat。

（3）动作识别 clear all;close all;load 'feature.mat' Gap=80;K=77;Count=477;%共有477组特征值 P=6;%6类动作

Feature=Feature_test;%统一接口 test=Feature_train;%统一接口

net=newff(minmax(Feature),[5,6],{'tansig','purelin'},'trainlm');

%net = newff(A, B, {C} ,‘trainFun’)% % 参数： %

% A：一个n×2的矩阵，第i行元素为输入信号xi的最小值和最大值； % B：一个k维行向量，其元素为网络中各层节点数； 《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

% C：一个k维字符串行向量，每一分量为对应层神经元的激活函数；常用的有： % 线性函数’purelin’，对数S形转移函数’logsig’ 双曲正切S形函数 ’ tansig’ % trainFun ：为学习规则采用的训练算法。也可以根据需要修改

%设置训练的输出目标矩阵 ze1=zeros(1,Gap)+1;ze0=zeros(1,Gap);ze1_6=zeros(1,K)+1;ze0_6=zeros(1,K);t=[ze1 ze0 ze0 ze0 ze0 ze0_6

ze0 ze1 ze0 ze0 ze0 ze0_6

ze0 ze0 ze1 ze0 ze0 ze0_6

ze0 ze0 ze0 ze1 ze0 ze0_6

ze0 ze0 ze0 ze0 ze1 ze0_6

ze0 ze0 ze0 ze0 ze0 ze1_6];

%神经网络进行训练 tic;

net.trainParam.show=200;

net.trainParam.epochs=10000;

net.trainParam.goal=0.01;

net.trainParam.lr=0.01;

[net,tr]=train(net,Feature,t);

Y=sim(net,Feature);

YS=sim(net,test);

toc;

% 一些重要的网络配置参数如下： %

%

%

% net.trainparam.goal ：神经网络训练的目标误差 net.trainparam.show

： 显示中间结果的周期 net.trainparam.epochs ：最大迭代次数 net.trainParam.lr

： 学习率 《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

% 语法：[ net, tr ] = train(net, X, Y)%

%

%

%

%

% 语法：Y=sim(net,X)%

%

数 %

%判断输出结果为第几类

maxY=max(Y,[],1);

for i=1:Count

for j=1:P

if(maxY(i)==Y(j,i))class(i)=j;end

end

end

maxYS=max(YS,[],1);

for i=1:Count

for j=1:P

if(maxYS(i)==YS(j,i))class_test(i)=j;end

end

end T=Gap;%80 wrong=zeros(1,Count);for k=1:Gap

if(class_test(k)~=1)

wrong(k)=wrong(k)+class_test(k);end

if(class_test(k+T)~=2)

wrong(k+T)=wrong(k+T)+class_test(k+T);end 参数：

X：网络实际输入 Y：网络应有输出 tr：训练跟踪信息 Y1：网络实际输出

net：网络

X：输入给网络的Ｋ×N矩阵，其中K为网络输入个数，N为数据样本Y：输出矩阵Q×N，其中Q为网络输出个数 《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

if(class_test(k+2*T)~=3)

wrong(k+2*T)=wrong(k+2*T)+class_test(k+2*T);end

if(class_test(k+3*T)~=4)

wrong(k+3*T)=wrong(k+3*T)+class_test(k+3*T);end

if(class_test(k+4*T)~=5)

wrong(k+4*T)=wrong(k+4*T)+class_test(k+4*T);end

end for k=1:K

if(class_test(k+5*T)~=6)

wrong(k+5*T)=wrong(k+5*T)+class_test(k+5*T);end end wrongall=sum(wrong);figure(1);i=1:Count;plot(i,class_test(i),'ob');hold on;%stem(i,class(i),'b');plot(i,wrong(i),'or');legend('正确的类别','错误的类别');title('分类结果');accuracy=1-wrongall/Count%分类准确率

最终的识别结果如下图所示。《生理信号采集与分析处理平台实验指导》-武汉理工大学信息工程学院

改变BP网络隐含层节点数以及初始化各层之间的权值和阈值，可以提高最终的识别率。

第四篇：化学实验创新教案

课题：人体吸入空气和呼出气体中二氧化碳含量探究实验的改进

长沙县干杉乡干杉中学 盛晶呈

一、实验在教材中所处的地位和作用

本实验出现在九年级化学上册第一单元《走进化学世界》的课题2：“化学是一门以实验为基础的科学”中，其目的在于激发学生对化学学习的兴趣。在前一课对蜡烛燃烧简单的实验探究中，初步学会了对实验现象进行观察与描述之后，紧接着提出“人体吸入的空气和呼出的气体有什么不同”的探究问题，第一次去尝试获取知识的重要方式——进行科学探究。通过对比实验，加强学生对现象的描述、分析、科学的表述探究所得结论的能力，从中体验科学探究的过程和方法。学好本节内容，为以后学习空气的相关知识打下基础，也为学生今后树立良好的学习方法开了个好头。

二、实验原型及其不足之处

教材中采用的方法是：使用排水集气法来收集呼出气体的样品，然后使用澄清石灰水来检验样品与空气中二氧化碳含量的差异。

实验原型的不足之处在于：

1、当气体与水反应（广义上也可以叫溶于水）时，如三氧化硫、二氧化硫、二氧化碳等气体，用排水法将会是这些气体部分溶解，尤其在我们的实验目的是比较呼出气体和空气中二氧化碳的含量时，部分溶解的二氧化碳会导致实验失去准确性。

2、在之后的第六单元《课题2：二氧化碳制取的研究》和《实验活动2：二氧化碳的实验室制取与性质》中，明确强调二氧化碳不可使用排水集气法收集，中考中也将二氧化碳的收集作为考点。

为了保证学生对于知识点的准确掌握，需要对此实验进行改进。

三、实验创新与改进之处

1、去除“收集空气样品和呼出气体样品”这一步骤

2、用玻璃管和广口瓶的组装仪器，直接将空气和呼出气体利用气压通入澄清石灰水中，避免收集时产生的损耗，同时能使学生更为直观地看到“气体被通入澄清石灰水中”的现象，避免出现诸如“空气到底有没有和澄清石灰水发生反应”的疑问，同时现象对比更加明显，有助于学生观察和记录实验结果。

四、实验器材和药品

器材：广口瓶x2，双孔橡胶塞x2，玻璃管x4，Y形管x1，橡胶管x2 药品：澄清石灰水

五、实验原理

利用简单的气体压强原理，吸气使空气进入澄清石灰水中，呼气直接吹入澄清石灰水。

六、实验操作过程

1,、如图装配好实验仪器，向两个广口瓶中均加入澄清石灰水没过较长玻璃管下缘；

2、检验空气中二氧化碳含量：捏住右边橡胶管，松开左边橡胶管，向Y形管中吸气，利用大气压将空气压入澄清石灰水中；

3、检验呼出气体中二氧化碳含量：捏住左边橡胶管，松开右边橡胶管，向Y形管中吹气通入澄清石灰水中。

七、实验效果

1、捏紧右边橡胶管吸气时，明显可以观察到澄清石灰水中出现气泡，证明空气直接进入了澄清石灰水中，静候片刻，无其他明显现象，说明空气中二氧化碳含量较低；

2、捏紧左边橡胶管呼气时，澄清石灰水中同样出现大量气泡，证明呼出的气体全部进入石灰水中；澄清石灰水很快变浑浊，说明呼出气体中二氧化碳含量高。

八、自我评价

实验器材方面：经过改进，实验用具变得略为繁琐，但是一套仪器组装好之后可以重复利用，有效减小了实验的局限性，同时操作变得更为简单易行；

实验操作方面：由于无需再收集气体样品，免去了传统实验前的大量准备工作，在实验中也无需担心空气湿度二氧化碳溶解等不利条件的影响，使操作更加简便安全；

实验效果方面：两个广口瓶中的澄清石灰水变化差异非常明显，有利于学生观察。

综上所述，我认为所做的实验改进是有一定实际意义的、可操作的。

第五篇：生物实验创新教案

观察种子结构的实验改进

崔家桥中学 滕婷

一、实验在教材中所处的的地位与作用

本实验出自苏教版七年级生物上册第五章《绿色植物的一生》的一个观察实验。该实验的目的通过观察大豆种子的结构能够描述出植物种子的主要结构。既培养了学生的实验观察操作能力，又为学好种子的萌发过程奠定了基础。

二、实验原型及不足之处

原实验的实验材料仅仅只有一种大豆种子，大豆种子只能代表双子叶植物种子这一类种子的结构。书本对玉米、小麦、水稻等单子叶植物种子的结构，未设计实验进行观察，其实对学生了解种子的种类以及结构是不利的。

三、实验创新与改进之处

将实验材料换成了绿豆种子和玉米种子，学生可通过观察绿豆和玉米种子的结构，比较单子叶植物和双子叶植物的的异同。

四、实验器材

浸泡过的绿豆种子和玉米种子、碘酒、刀片、放大镜

五、实验原理及装置说明 淀粉遇碘变蓝

六、实验过程

1、分别取三粒绿豆种子和玉米种子，放置在吸水纸上

2、将一粒绿豆种子的种皮剥开；另外一粒绿豆种子剥去，并用手掰开的两片子叶；

3、将一粒玉米种子的果皮剥开；另外一粒玉米种子用刀片进行纵切，并在剖面滴加碘液。

4、先用肉眼对种子的外形进行观察，然后用放大镜对种子的结构进行对比观察。

七、实验效果

1、通过观察发现玉米种子一层皮即果皮剥去后，里面还有层皮，就是种皮，使学生亲眼看到我们平时所说的玉米种子其实是果实。而绿豆只有一层皮即种皮，所以绿豆是种子。

2、通过对比观察两种种子的结构，了解到像玉米这种单子叶的植物和绿豆这种双子叶植物的结构的异同。

八、自我评价 通过实验创新改进，我认为是成功有效的，主要体现如下：

1、学生通过亲眼观察了解到我们食用的许多农产品有些是果实有些是种子。

2、通过增加对玉米种子的观察，更加形象生动的补充了学生对种子的种类及结构差异性的漏缺。

3、更好的培养了学生的实验观察操作能力和学生处理信息、归纳总结的能力。