| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第17-39页 |
| 1.1 研究背景和意义 | 第17-20页 |
| 1.2 操作员CTL评估综述 | 第20-24页 |
| 1.2.1 CTL定义 | 第20页 |
| 1.2.2 CTL评估目的 | 第20-21页 |
| 1.2.3 AA系统实现 | 第21-24页 |
| 1.3 操作员CTL评估方法 | 第24-30页 |
| 1.3.1 传统评估方法 | 第24-26页 |
| 1.3.2 生理评估方法 | 第26-30页 |
| 1.4 生理数据分析方法 | 第30-37页 |
| 1.4.1 神经网络 | 第30-31页 |
| 1.4.2 模糊逻辑 | 第31-32页 |
| 1.4.3 统计判别分析 | 第32页 |
| 1.4.4 支持向量机 | 第32-37页 |
| 1.5 论文研究内容和组织构架 | 第37-39页 |
| 第2章 生理数据采集实验与分析 | 第39-63页 |
| 2.1 引言 | 第39-40页 |
| 2.2 aCAMS实验任务 | 第40-43页 |
| 2.2.1 任务环境 | 第40页 |
| 2.2.2 主要任务 | 第40-41页 |
| 2.2.3 人机界面 | 第41-43页 |
| 2.3 实验内容 | 第43-46页 |
| 2.3.1 实验环境 | 第43页 |
| 2.3.2 被试 | 第43-44页 |
| 2.3.3 实验设计 | 第44-46页 |
| 2.4 数据采集与预处理 | 第46-55页 |
| 2.4.1 数据采集 | 第46-47页 |
| 2.4.2 生理数据预处理 | 第47-51页 |
| 2.4.3 任务性能数据预处理 | 第51-55页 |
| 2.4.4 主观评价数据预处理 | 第55页 |
| 2.5 CTL目标类别确定 | 第55-62页 |
| 2.5.1. 方差分析法 | 第55-58页 |
| 2.5.2. 聚类分析法 | 第58-59页 |
| 2.5.3. GMM方法 | 第59-60页 |
| 2.5.4. 在线确定方法 | 第60-62页 |
| 2.6 本章小结 | 第62-63页 |
| 第3章 基于RFE-LSSVM方法的CTL模式分类 | 第63-84页 |
| 3.1 引言 | 第63-64页 |
| 3.2 CTL特征选择与分类算法 | 第64-67页 |
| 3.2.1 采用RFE的CTL特征排序 | 第64-65页 |
| 3.2.2 线性LSSVM | 第65-66页 |
| 3.2.3 非线性LSSVM | 第66-67页 |
| 3.3 CTL分类结果 | 第67-82页 |
| 3.3.1 2类分类结果与分析 | 第67-76页 |
| 3.3.2 3类分类结果与分析 | 第76-82页 |
| 3.4 本章小结 | 第82-84页 |
| 第4章 基于AES和ABSVM方法的CTL模式分类 | 第84-110页 |
| 4.1 引言 | 第84-86页 |
| 4.2 自适应特征平滑与分类方法 | 第86-91页 |
| 4.2.1 基于AES的生理特征数据平滑 | 第86-87页 |
| 4.2.2 基于LPP的生理特征约简 | 第87-88页 |
| 4.2.3 基于ABSVM的通用CTL分类器 | 第88-91页 |
| 4.3 基于粗粒度数据分析的CTL分类结果与分析 | 第91-99页 |
| 4.3.1 AES参数设定 | 第91-92页 |
| 4.3.2 被试特异型CTL分类器 | 第92-95页 |
| 4.3.3 被试通用型CTL分类器 | 第95-99页 |
| 4.4 基于细粒度数据分析的CTL分类结果与分析 | 第99-108页 |
| 4.4.1 生理特征选择 | 第99-100页 |
| 4.4.2 被试特异型CTL分类器 | 第100-104页 |
| 4.4.3 被试通用型CTL分类器 | 第104-108页 |
| 4.5 本章小结 | 第108-110页 |
| 第5章 基于LE和集成SVM方法的CTL模式分类 | 第110-134页 |
| 5.1 引言 | 第110-111页 |
| 5.2 CTL集成分类框架 | 第111-115页 |
| 5.2.1 基于LE的EEG特征约简 | 第111-113页 |
| 5.2.2 SVM集成分类器设计 | 第113-115页 |
| 5.3 CTL集成分类结果与分析 | 第115-132页 |
| 5.3.1 CTL目标类别 | 第115-118页 |
| 5.3.2 EEG特征 | 第118-123页 |
| 5.3.3 分类器性能评价 | 第123-132页 |
| 5.4 本章小结 | 第132-134页 |
| 第6章 基于CTL动态模式识别的自适应人机系统设计与仿真 | 第134-171页 |
| 6.1 引言 | 第134-135页 |
| 6.2 基于LSSVM的CTL动态分类方法 | 第135-140页 |
| 6.2.1 用作自回归建模的LSSVM | 第135-137页 |
| 6.2.2 带外源输入的动态LSSVM | 第137页 |
| 6.2.3 NARX-LSSVM | 第137-139页 |
| 6.2.4 NARX-LSSVM模型结构辨识 | 第139-140页 |
| 6.3 CTL动态分类结果与分析 | 第140-150页 |
| 6.3.1 采用全部EEG和ECG特征的CTL分类结果 | 第141-145页 |
| 6.3.2 采用不同导联和不同EEG频段特征的CTL分类结果 | 第145-148页 |
| 6.3.3 采用不同特征约简与分类方法的CTL分类结果比较 | 第148-150页 |
| 6.4 自适应人机系统仿真 | 第150-169页 |
| 6.4.1 在线CTL动态分类器 | 第150-158页 |
| 6.4.2 CTL自动调节律 | 第158-169页 |
| 6.5 本章小结 | 第169-171页 |
| 第7章 工作总结与未来展望 | 第171-174页 |
| 7.1 研究工作总结 | 第171-172页 |
| 7.2 未来工作展望 | 第172-174页 |
| 参考文献 | 第174-187页 |
| 致谢 | 第187-188页 |
| 作者在攻读博士学位期间完成的学术成果 | 第188-189页 |
