| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 目录 | 第8-11页 |
| 表格索引 | 第11-12页 |
| 插图索引 | 第12-14页 |
| 第一章 绪论 | 第14-30页 |
| ·背景及意义 | 第14-16页 |
| ·国内外研究进展 | 第16-18页 |
| ·基于脑电信号的警觉度分析概述 | 第18-27页 |
| ·脑电信号简介 | 第18-21页 |
| ·脑电信号与警觉度的关系 | 第21-23页 |
| ·基于脑电信号的警觉度分析过程和关键问题 | 第23-27页 |
| ·本论文研究目的、主要研究内容和安排 | 第27-30页 |
| ·研究目的和主要研究内容 | 第27页 |
| ·论文安排 | 第27-30页 |
| 第二章 脑电信号预处理和警觉度关键脑区定位 | 第30-54页 |
| ·脑电警觉度分析过程中的主要干扰因素 | 第30-31页 |
| ·脑电信号降噪、去伪迹预处理 | 第31-46页 |
| ·噪音、伪迹信号类型 | 第31-32页 |
| ·已有的方法及存在的主要问题 | 第32-38页 |
| ·基于盲信号分离技术和支持向量机的自适应在线伪迹移除算法 | 第38-46页 |
| ·警觉度关键脑区定位 | 第46-52页 |
| ·基于线性相关系数的定位方法 | 第47-48页 |
| ·基于ICA的定位方法 | 第48-50页 |
| ·基于CSP的定位方法 | 第50-52页 |
| ·本章小结 | 第52-54页 |
| 第三章 脑电特征提取与过滤 | 第54-68页 |
| ·脑电特征的提取 | 第54-61页 |
| ·时序特征 | 第54-55页 |
| ·频谱特征 | 第55-57页 |
| ·空间同步性特征 | 第57-58页 |
| ·复杂度特征 | 第58页 |
| ·微分熵特征 | 第58-61页 |
| ·特征性能比较 | 第61页 |
| ·消除脑电特征中的乘性噪音 | 第61-63页 |
| ·警觉度相关脑电特征的过滤 | 第63-67页 |
| ·基于线性动力系统模型的警觉度相关特征过滤 | 第64-65页 |
| ·线性动力系统模型的参数估计 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第四章 脑电特征降维与特征选择 | 第68-88页 |
| ·脑电特征降维 | 第68-84页 |
| ·标准主成分分解算法 | 第68-70页 |
| ·鲁棒性主成分分析 | 第70-76页 |
| ·L1范数主成分分析 | 第76-81页 |
| ·稀疏主成分分析 | 第81-84页 |
| ·脑电特征选择 | 第84-85页 |
| ·本章小结 | 第85-88页 |
| 第五章 警觉度估计与标注算法 | 第88-96页 |
| ·警觉度估计算法 | 第88-91页 |
| ·Larsen-ELM模型 | 第88-91页 |
| ·支持向量机回归模型 | 第91页 |
| ·警觉度标注算法 | 第91-95页 |
| ·警觉度离散标注算法 | 第91-93页 |
| ·警觉度连续标注算法 | 第93-95页 |
| ·本章小结 | 第95-96页 |
| 第六章 警觉度实验设计及结果分析 | 第96-122页 |
| ·脑电警觉度实验设计 | 第96-99页 |
| ·实验过程 | 第96-97页 |
| ·警觉度标注 | 第97-99页 |
| ·基于脑电的警觉度分析过程 | 第99-100页 |
| ·特征提取算法、特征选择算法对比分析 | 第100-107页 |
| ·算法对比分析结果 | 第100-105页 |
| ·锁相值特征与警觉度变化的关系 | 第105-107页 |
| ·特征过滤算法、特征降维算法对比分析 | 第107-112页 |
| ·特征降维算法对比分析结果 | 第107-110页 |
| ·特征过滤算法对比分析结果 | 第110-112页 |
| ·警觉度估计算法、警觉度标注算法性能分析 | 第112-120页 |
| ·警觉度在线估计算法对比分析结果 | 第112-115页 |
| ·警觉度离线标注算法实验结果 | 第115-118页 |
| ·警觉度分析效果展示 | 第118-120页 |
| ·本章小结 | 第120-122页 |
| 第七章 总结与展望 | 第122-126页 |
| ·本论文的主要工作和创新点 | 第122-123页 |
| ·主要工作 | 第122页 |
| ·主要贡献和创新点 | 第122-123页 |
| ·未来工作展望 | 第123-126页 |
| 参考文献 | 第126-136页 |
| 致谢 | 第136-138页 |
| 简历 | 第138-140页 |
| 在学期间的研究成果及发表的论文 | 第140-143页 |