中文摘要 | 第3-6页 |
Abstract | 第6-9页 |
第一章 绪论 | 第13-22页 |
1.1 研究背景 | 第13-16页 |
1.2 研究意义 | 第16-17页 |
1.3 国内外研究现状 | 第17-19页 |
1.4 论文的研究内容 | 第19-20页 |
1.5 论文的创新点 | 第20-21页 |
1.6 论文的组织结构 | 第21-22页 |
第二章 任务态脑电预处理 | 第22-32页 |
2.1 ERP脑电的特征 | 第22-25页 |
2.1.1 EEG和 ERP | 第22-24页 |
2.1.2 ERP特征 | 第24-25页 |
2.2 ERP脑电的干扰和噪声 | 第25-27页 |
2.2.1 干扰源 | 第25-26页 |
2.2.2 噪声 | 第26页 |
2.2.3 伪迹去除 | 第26-27页 |
2.3 ERP脑电的去噪算法 | 第27-29页 |
2.3.1 主成分分析 | 第27-28页 |
2.3.2 独立成分分析 | 第28-29页 |
2.4 ERP脑电数据的预处理步骤 | 第29-30页 |
2.5 本章小结 | 第30-32页 |
第三章 基于正则多阶模型的任务态脑电多维特征提取算法研究.. | 第32-58页 |
3.1 引言 | 第32-33页 |
3.2 理论模型 | 第33-41页 |
3.2.1 CP模型 | 第34-37页 |
3.2.2 Tucker模型 | 第37-41页 |
3.3 ERP脑电的时频张量分解 | 第41-46页 |
3.3.1 ERP数据在张量模型下的表示 | 第41-43页 |
3.3.2 单个参数的规范化多元CP模型 | 第43-44页 |
3.3.3 多个参数的正交多元Tucker模型 | 第44-45页 |
3.3.4 基于时频空域多变量非负张量分解提取任务态脑电特征算法 | 第45-46页 |
3.4 实验及结果 | 第46-53页 |
3.4.1 实验设计 | 第46-48页 |
3.4.2 数据采集 | 第48-49页 |
3.4.3 实验结果 | 第49-53页 |
3.5 算法结果分析 | 第53-56页 |
3.5.1 参数设置 | 第53-54页 |
3.5.2 结果分析 | 第54-56页 |
3.6 本章小结 | 第56-58页 |
第四章 基于任务态脑电成分构建分布式源模型的溯源算法研究.. | 第58-78页 |
4.1 引言 | 第58-62页 |
4.1.1 脑电逆问题 | 第58-60页 |
4.1.2 基于时空约束的脑电溯源方法 | 第60-62页 |
4.2 基于sLORETA的分布式源模型溯源研究 | 第62-64页 |
4.2.1 基于标准化低分辨率大脑电磁成像的溯源理论 | 第62-63页 |
4.2.2 标准化低分辨率大脑电磁成像的溯源方法比较 | 第63-64页 |
4.3 基于最小范数估计模型的MNE溯源理论依据 | 第64-66页 |
4.3.1 数据模型及假设 | 第64-65页 |
4.3.2 源的时空分布假设 | 第65页 |
4.3.3 MNE模型 | 第65-66页 |
4.4 改进的基于情绪效阶权重的最小范数估计MNE溯源算法 | 第66页 |
4.5 结果分析 | 第66-77页 |
4.5.1 溯源结果 | 第66-73页 |
4.5.2 结果分析 | 第73-74页 |
4.5.3 结果讨论 | 第74-77页 |
4.6 本章小结 | 第77-78页 |
第五章 基于任务态脑电成分相位振幅耦合构建脑网络算法研究.. | 第78-91页 |
5.1 引言 | 第78-81页 |
5.2 复杂脑网络理论 | 第81-84页 |
5.2.1 复杂网络的图论表示 | 第82-83页 |
5.2.2 复杂网络的度量指标 | 第83-84页 |
5.3 构建网络的特征参数 | 第84-88页 |
5.3.1 事件相关脑网络的构建 | 第84-86页 |
5.3.2 网络的特征参数 | 第86-88页 |
5.4 基于相位振幅耦合度特征构建脑网络算法研究 | 第88页 |
5.5 结果分析 | 第88-90页 |
5.6 本章小结 | 第90-91页 |
第六章 总结与展望 | 第91-93页 |
6.1 本文工作总结 | 第91-92页 |
6.2 未来研究展望 | 第92-93页 |
参考文献 | 第93-103页 |
在学期间的研究成果 | 第103-104页 |
致谢 | 第104-106页 |
附图:头皮电极位置分布和统计结果图 | 第106-107页 |