人体脑力疲劳状态识别及改善方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题背景及研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·本文主要研究内容 | 第14-16页 |
| 第2章 实验设计及脑电信号预处理 | 第16-24页 |
| ·脑电信号概述 | 第16-17页 |
| ·实验设计 | 第17-20页 |
| ·整体实验流程 | 第17页 |
| ·实验数据采集 | 第17-19页 |
| ·主观测评实验 | 第19-20页 |
| ·脑电信号预处理 | 第20-23页 |
| ·信号重采样和导联选择 | 第20-21页 |
| ·带通滤波 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 脑电信号特征提取 | 第24-44页 |
| ·脑电信号特征提取概述 | 第24-25页 |
| ·特征提取方法 | 第24页 |
| ·特征提取方式 | 第24-25页 |
| ·四种节律平均相对能量的特征提取 | 第25-34页 |
| ·脑电四种节律信号及与疲劳的关系 | 第25页 |
| ·小波和小波包变换基本理论 | 第25-28页 |
| ·脑电信号节律的提取 | 第28-30页 |
| ·提取四种节律波平均相对能量特征 | 第30-34页 |
| ·小波包熵平均值的特征提取 | 第34-36页 |
| ·小波包熵的意义 | 第34页 |
| ·小波包熵的求解原理 | 第34-35页 |
| ·提取小波包熵平均值特征 | 第35-36页 |
| ·AR 参数模型系数的特征提取 | 第36-43页 |
| ·功率谱估计方法概述 | 第36-37页 |
| ·AR 参数模型谱估计方法原理 | 第37-39页 |
| ·AR 参数模型谱估计算法的选取 | 第39-40页 |
| ·AR 参数模型阶数的选取 | 第40-42页 |
| ·提取 AR 功率谱估计系数特征 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 脑电信号特征分类及脑力疲劳改善方法 | 第44-58页 |
| ·分类器概述 | 第44-47页 |
| ·不同类型的分类器及其主要特点 | 第44-45页 |
| ·几种常用的分类器介绍 | 第45-46页 |
| ·分类器的选择 | 第46-47页 |
| ·利用支持向量机分类 | 第47-53页 |
| ·支持向量机分类的基本原理 | 第47-49页 |
| ·最优分类参数选取及交叉验证 | 第49-51页 |
| ·大脑疲劳状态识别 | 第51-53页 |
| ·脑力疲劳改善方法 | 第53-57页 |
| ·常见的脑力疲劳改善方法 | 第53-55页 |
| ·验证两种疲劳改善方法的有效性 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |
