| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 脑-机技术研究意义与挑战 | 第12-15页 |
| 1.2.1 脑-机接口概述 | 第12页 |
| 1.2.2 脑-机接口的结构组成 | 第12-13页 |
| 1.2.3 脑-机接口研究的意义 | 第13-14页 |
| 1.2.4 脑-机接口面临的挑战与困难 | 第14-15页 |
| 1.3 本文的研究目的及主要工作 | 第15-16页 |
| 1.3.1 研究的目的 | 第15-16页 |
| 1.3.2 主要研究内容 | 第16页 |
| 1.4 论文安排 | 第16-18页 |
| 第二章 运动想象脑电的研究基础 | 第18-26页 |
| 2.1 脑电信号特点与分析技术 | 第18-22页 |
| 2.1.1 脑电信号概述 | 第18-20页 |
| 2.1.2 脑电信号特点 | 第20页 |
| 2.1.3 脑电分析方法 | 第20-22页 |
| 2.2 运动想象脑电信号的研究基础 | 第22-24页 |
| 2.2.1 运动想象的发展及意义 | 第22-23页 |
| 2.2.2 运动想象的ERD/ERS | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 数据处理流程 | 第26-34页 |
| 3.1 实验介绍 | 第26-27页 |
| 3.2 数据预处理 | 第27-29页 |
| 3.2.1 脑电信号中的噪声和干扰源 | 第27-28页 |
| 3.2.2 伪迹去除 | 第28-29页 |
| 3.2.3 预处理 | 第29页 |
| 3.3 特征提取 | 第29-30页 |
| 3.3.1 共空间模式 | 第29-30页 |
| 3.3.2 希尔伯特变换 | 第30页 |
| 3.4 分类器选择 | 第30-33页 |
| 3.4.1 学习向量量化神经网络 | 第30-32页 |
| 3.4.2 支持向量机 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 算法描述 | 第34-50页 |
| 4.1 数据预处理 | 第34-35页 |
| 4.1.1 滤波器的选择 | 第34页 |
| 4.1.4 实验用滤波器的实现 | 第34-35页 |
| 4.2 特征提取算法 | 第35-39页 |
| 4.2.1 共空间模式（CSP） | 第35-36页 |
| 4.2.2 Hilbert变换 | 第36-39页 |
| 4.3 分类算法 | 第39-49页 |
| 4.3.1 学习向量量化（LVQ，Learning Vector Quantization）神经网络 | 第39-41页 |
| 4.3.2 支持向量机（SVM， Support Vector Machine） | 第41-45页 |
| 4.3.3 网格搜索法（GSA， Grid Search Algorithms） | 第45-46页 |
| 4.3.4 粒子群优化（PSO，Particle Swarm Optimization）算法 | 第46-47页 |
| 4.3.5 归一化 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 实验结果分析与讨论 | 第50-64页 |
| 5.1 数据预处理 | 第50-52页 |
| 5.2 特征提取 | 第52-53页 |
| 5.2.1 CSP空间滤波 | 第52页 |
| 5.2.2 希尔伯特变换 | 第52-53页 |
| 5.3 运动想象识别 | 第53-62页 |
| 5.3.1 SVM算法 | 第53-58页 |
| 5.3.2 LVQ算法 | 第58-60页 |
| 5.3.3 分类结果及讨论 | 第60-62页 |
| 5.4 本章小结 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 本文的主要贡献 | 第64页 |
| 6.2 进一步研究工作 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文 | 第70页 |
