脑机接口中非平衡数据的分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景和意义 | 第9-11页 |
| 1.3 脑机接口技术的基本原理 | 第11-13页 |
| 1.4 国内外研究现状 | 第13-14页 |
| 1.5 脑机接口研究中存在的问题与发展趋势 | 第14-15页 |
| 1.5.1 存在的问题 | 第14-15页 |
| 1.5.2 发展趋势 | 第15页 |
| 1.6 论文主要工作和内容 | 第15-17页 |
| 第二章 脑机接口种类和非平衡数据分类方法 | 第17-30页 |
| 2.1 BCI系统设计要素 | 第17页 |
| 2.2 几种常见的BCI系统简介 | 第17-24页 |
| 2.2.1 基于EEG的BCI系统 | 第18-20页 |
| 2.2.2 基于ERP的BCI系统 | 第20-21页 |
| 2.2.3 基于VEP的BCI系统 | 第21-23页 |
| 2.2.4 基于fMRI的BCI系统 | 第23-24页 |
| 2.3 典型非平衡数据分类方法 | 第24-29页 |
| 2.3.1 非平衡数据分类数据层面处理 | 第24-26页 |
| 2.3.2 非平衡数据分类算法层面处理 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于LLE的错误相关电位检测 | 第30-42页 |
| 3.1 局部线性嵌入算法原理 | 第30-31页 |
| 3.2 实验方案 | 第31-33页 |
| 3.2.1 实验设计 | 第32-33页 |
| 3.2.2 脑电数据采集 | 第33页 |
| 3.3 数据预处理 | 第33页 |
| 3.4 特征提取 | 第33-34页 |
| 3.5 降维 | 第34-35页 |
| 3.6 分类 | 第35页 |
| 3.7 仿真结果与分析 | 第35-41页 |
| 3.7.1 时域特征 | 第35-37页 |
| 3.7.2 ERN检测性能分析 | 第37-39页 |
| 3.7.3 受试者个人差异性分析 | 第39-41页 |
| 3.8 总结与讨论 | 第41-42页 |
| 第四章 基于ELM的错误相关电位检测 | 第42-54页 |
| 4.1 算法原理 | 第42-46页 |
| 4.1.1 支持向量机原理 | 第42-44页 |
| 4.1.2 极限学习机原理 | 第44-46页 |
| 4.2 实验方案 | 第46-48页 |
| 4.2.1 实验设计 | 第46-47页 |
| 4.2.2 实验数据及特征提取 | 第47页 |
| 4.2.3 基于ELM的ERN检测 | 第47-48页 |
| 4.3 仿真结果与分析 | 第48-53页 |
| 4.3.1 ERN检测性能分析 | 第48-50页 |
| 4.3.2 训练时间对比分析 | 第50-51页 |
| 4.3.3 受试者个体差异性分析 | 第51-53页 |
| 4.4 总结与讨论 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54-55页 |
| 5.2 未来展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士期间取得成果 | 第61-62页 |
| 致谢 | 第62页 |
