| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第13-26页 |
| 1.1 脑机接口相关背景及系统框架 | 第13-15页 |
| 1.1.1 脑机接口相关背景介绍 | 第13-14页 |
| 1.1.2 脑机接口系统框架 | 第14-15页 |
| 1.2 主要的单模态脑机接口类别 | 第15-19页 |
| 1.2.1 运动想象-脑机接口系统 | 第15-16页 |
| 1.2.2 稳态视觉诱发电位-脑机接口系统 | 第16-17页 |
| 1.2.3 皮层慢电位-脑机接口系统 | 第17页 |
| 1.2.4 彩色瞬态视觉诱发电位-脑机接口系统 | 第17页 |
| 1.2.5 P300电位-脑机接口系统 | 第17-18页 |
| 1.2.6 运动起始视觉诱发电位-脑机接口系统 | 第18-19页 |
| 1.3 混合脑机接口研究现状 | 第19-21页 |
| 1.4 脑机接口的应用前景 | 第21-23页 |
| 1.4.1 康复医学方面 | 第21-22页 |
| 1.4.2 生活娱乐方面 | 第22页 |
| 1.4.3 军事方面 | 第22-23页 |
| 1.5 本文主要研究工作 | 第23-24页 |
| 1.6 论文整体框架结构 | 第24-26页 |
| 第二章 基于运动想象与运动起始视觉诱发电位结合的多模态BCI在线运动控制系统 | 第26-43页 |
| 2.1 引言 | 第26-28页 |
| 2.2 方法 | 第28-36页 |
| 2.2.1 MI和mVEP的融合方案 | 第28-30页 |
| 2.2.2 EEG信号处理 | 第30-35页 |
| 2.2.3 实验方案 | 第35-36页 |
| 2.3 结果 | 第36-40页 |
| 2.3.1 离线测试 | 第36-39页 |
| 2.3.2 多模态BCI系统的在线评估 | 第39-40页 |
| 2.4 讨论 | 第40-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第三章 基于深度学习与压缩感知的运动起始视觉诱发电位BCI特征提取 | 第43-63页 |
| 3.1 引言 | 第43-44页 |
| 3.2 方法 | 第44-53页 |
| 3.2.1 实验数据 | 第44-45页 |
| 3.2.2 EEG信号处理 | 第45页 |
| 3.2.3 结合压缩感知和深度学习的特征提取 | 第45-46页 |
| 3.2.4 多层压缩感知 | 第46-49页 |
| 3.2.5 基于多层RBM和稀疏降噪的深度特征提取 | 第49-53页 |
| 3.3 结果 | 第53-58页 |
| 3.3.1 压缩感知特征 | 第53-56页 |
| 3.3.2 深度特征 | 第56-57页 |
| 3.3.3 基于多模态特征的mVEP-BCI系统的表现 | 第57-58页 |
| 3.4 讨论 | 第58-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第四章 基于运动起始视觉诱发电位BCI的自适应校准框架 | 第63-79页 |
| 4.1 引言 | 第63-64页 |
| 4.2 方法与材料 | 第64-70页 |
| 4.2.1 BCI分类器的传统训练方案 | 第64-65页 |
| 4.2.2 实验过程中的自适应分类器校准框架 | 第65-68页 |
| 4.2.3 实验范式及被试 | 第68-70页 |
| 4.3 结果 | 第70-74页 |
| 4.3.1 校准间隔的影响 | 第70-72页 |
| 4.3.2 可靠样本选择阈值的影响 | 第72-74页 |
| 4.4 讨论 | 第74-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第五章 基于半监督卷积深信度网络特征提取的跨被试运动想象BCI实现 | 第79-96页 |
| 5.1 引言 | 第79-80页 |
| 5.2 方法 | 第80-88页 |
| 5.2.1 卷积深信度网络 | 第80-82页 |
| 5.2.2 改进的半监督卷积深信度网络 | 第82-88页 |
| 5.3 实验结果 | 第88-93页 |
| 5.3.1 实验数据 | 第88页 |
| 5.3.2 EEG数据处理 | 第88-90页 |
| 5.3.3 结果比较 | 第90-93页 |
| 5.4 讨论 | 第93-95页 |
| 5.5 本章小结 | 第95-96页 |
| 第六章 总结和展望 | 第96-98页 |
| 6.1 全文总结 | 第96-97页 |
| 6.2 未来展望 | 第97-98页 |
| 致谢 | 第98-99页 |
| 参考文献 | 第99-116页 |
| 攻读博士学位期间取得的成果 | 第116-117页 |
