| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 引言 | 第12-14页 |
| 1.1.1 课题背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 脑机接口的定义、特征及分类 | 第14-16页 |
| 1.2.1 脑机接口的定义和特点 | 第14-15页 |
| 1.2.2 脑机接口系统的类型 | 第15-16页 |
| 1.3 脑机接口技术的发展 | 第16-23页 |
| 1.3.1 国内外研究现状 | 第16-22页 |
| 1.3.2 目前脑机接口技术中存在的主要问题 | 第22-23页 |
| 1.4 本文研究目的及研究内容 | 第23-26页 |
| 第二章 BCI 系统中的脑电信号分析 | 第26-34页 |
| 2.1 大脑的生物电现象 | 第26-31页 |
| 2.1.1 大脑皮层的结构与功能 | 第26-28页 |
| 2.1.2 神经元与突触 | 第28页 |
| 2.1.3 神经元的电活动 | 第28-30页 |
| 2.1.4 脑电波 | 第30-31页 |
| 2.2 BCI 系统中的控制信号 | 第31页 |
| 2.3 脑电信号分析技术现状及发展 | 第31-33页 |
| 2.3.1 脑电信号的特点及其对信号处理的要求 | 第31-32页 |
| 2.3.2 脑电信号分析方法研究现状 | 第32-33页 |
| 2.3.3 脑机接口系统中脑电信号的分析方法 | 第33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于时频分析的自发EEG 特征提取方法研究 | 第34-55页 |
| 3.1 引言 | 第34-35页 |
| 3.2 基于小波包分解系数和子空间能量的特征提取 | 第35-41页 |
| 3.2.1 小波变换的定义 | 第35-37页 |
| 3.2.2 小波包分解 | 第37-38页 |
| 3.2.3 基于小波包分解系数和子空间能量的EEG 特征形成 | 第38-40页 |
| 3.2.4 算法特点 | 第40-41页 |
| 3.3 基于经验模态分解和希尔波特变换的特征提取 | 第41-45页 |
| 3.3.1 瞬时频率 | 第41页 |
| 3.3.2 经验模态分解(EMD) | 第41-43页 |
| 3.3.3 希尔波特(Hilbert)谱 | 第43-44页 |
| 3.3.4 基于EMD 和Hilbert 变换的特征提取 | 第44-45页 |
| 3.3.5 算法特点 | 第45页 |
| 3.4 BCI 2005 Data Set IIIb 分析结果 | 第45-53页 |
| 3.4.1 数据描述 | 第45-46页 |
| 3.4.2 数据处理结果 | 第46-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 自发EEG 的特征选择和分类方法研究 | 第55-76页 |
| 4.1 特征选择概述 | 第55-56页 |
| 4.1.1 特征选择的含义 | 第55页 |
| 4.1.2 脑机接口中特征选择研究现状 | 第55-56页 |
| 4.2 基于遗传算法的特征选择 | 第56-59页 |
| 4.2.1 遗传算法简介 | 第56-57页 |
| 4.2.2 基于自适应遗传算法的特征选择 | 第57-59页 |
| 4.2.3 算法特点 | 第59页 |
| 4.3 基于基因优化的特征选择 | 第59-63页 |
| 4.3.1 基因优化算法简介 | 第59-60页 |
| 4.3.2 基于基因优化的EEG 特征选择 | 第60-61页 |
| 4.3.3 算法比较分析 | 第61-63页 |
| 4.4 BCI 2005 Data Set IIIb 特征选择结果 | 第63-65页 |
| 4.5 EEG 特征分类概述 | 第65-67页 |
| 4.5.1 分类的含义 | 第65-66页 |
| 4.5.2 脑机接口中特征分类研究现状 | 第66-67页 |
| 4.6 基于有监督学习的PNN 分类算法 | 第67-70页 |
| 4.6.1 神经网络概述 | 第67页 |
| 4.6.2 PNN 的网络结构和算法 | 第67-68页 |
| 4.6.3 基于GA 的有监督学习算法 | 第68-69页 |
| 4.6.4 算法特点 | 第69-70页 |
| 4.7 基于GO 优化支持向量机参数的分类算法 | 第70-72页 |
| 4.7.1 支持向量机基本理论 | 第70-71页 |
| 4.7.2 GO 优化支持向量机模型参数 | 第71-72页 |
| 4.7.3 算法特点 | 第72页 |
| 4.8 BCI 2005 Data Set IIIb 分类结果 | 第72-75页 |
| 4.9 本章小结 | 第75-76页 |
| 第五章 基于自发EEG 的脑机接口系统设计、实验及数据分析 | 第76-105页 |
| 5.1 脑-机接口系统的组成 | 第76-77页 |
| 5.2 脑机接口系统中的关键技术 | 第77-81页 |
| 5.2.1 自发EEG 产生的关键技术 | 第77-78页 |
| 5.2.2 自发EEG 采集的关键技术 | 第78-80页 |
| 5.2.3 自发EEG 识别的关键技术 | 第80-81页 |
| 5.2.4 BCI 系统实际应用中的关键技术 | 第81页 |
| 5.3 基于自发EEG 控制机器人运动的脑-机接口系统设计 | 第81-88页 |
| 5.3.1 系统总体设计 | 第82页 |
| 5.3.2 各模块的技术方案 | 第82-88页 |
| 5.3.3 系统软件设计 | 第88页 |
| 5.4 基于运动想象的自发EEG 实验系统 | 第88-93页 |
| 5.4.1 实验环境及实验系统组成 | 第88-90页 |
| 5.4.2 基于运动想象的实验范例及实验过程 | 第90-93页 |
| 5.4.3 实验数据记录 | 第93页 |
| 5.5 特征提取算法处理结果与分析 | 第93-98页 |
| 5.5.1 特征提取处理结果 | 第93-97页 |
| 5.5.2 特征提取结果分析 | 第97-98页 |
| 5.6 特征选择算法处理结果与分析 | 第98-101页 |
| 5.6.1 特征选择处理结果 | 第98-101页 |
| 5.6.2 特征选择结果分析 | 第101页 |
| 5.7 特征分类处理结果与分析 | 第101-103页 |
| 5.7.1 特征分类处理结果 | 第101-103页 |
| 5.7.2 特征分类结果分析 | 第103页 |
| 5.8 本章小结 | 第103-105页 |
| 第六章 总结与展望 | 第105-110页 |
| 6.1 工作总结 | 第105-106页 |
| 6.2 研究展望 | 第106-110页 |
| 参考文献 | 第110-118页 |
| 致谢 | 第118-119页 |
| 攻读博士学位期间发表、录用和完成的学术论文及申请专利 | 第119-120页 |
