基于脑电的意识任务特征提取与识别方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-20页 |
| ·引言 | 第11-12页 |
| ·脑机接口的基本概念 | 第12-14页 |
| ·基于 EEG的 BCI研究方法 | 第14-18页 |
| ·BCI使用的脑神经信号 | 第14-17页 |
| ·基于脑电信号分析的意识任务识别方法概述 | 第17-18页 |
| ·本文的主要工作 | 第18-20页 |
| 第二章 脑电信号(EEG)分析 | 第20-29页 |
| ·引言 | 第20页 |
| ·脑电信号基础知识 | 第20-25页 |
| ·脑电图 | 第20页 |
| ·脑电的主要频率成分 | 第20-22页 |
| ·脑电的采集与预处理 | 第22-25页 |
| ·脑电信号分析方法 | 第25-28页 |
| ·脑电信号的时域分析 | 第25-26页 |
| ·脑电信号的频域分析 | 第26-28页 |
| ·本文在脑电信号处理方法上的探索 | 第28-29页 |
| 第三章 自适应 AR模型算法 | 第29-37页 |
| ·引言 | 第29页 |
| ·AAR模型 | 第29-32页 |
| ·模型的数学表示 | 第29-30页 |
| ·模型系数(?)的估计 | 第30页 |
| ·模型参数UC的估计准则 | 第30-32页 |
| ·实验结果分析 | 第32-35页 |
| ·实验数据说明 | 第32-33页 |
| ·结果分析 | 第33-35页 |
| ·本章小结 | 第35-37页 |
| 第四章 核 Fisher判别分析 | 第37-46页 |
| ·引言 | 第37页 |
| ·KFDA算法 | 第37-40页 |
| ·线性 FDA算法 | 第37-38页 |
| ·KFDA算法 | 第38-40页 |
| ·实验结果分析 | 第40-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 支持向量机理论 | 第46-58页 |
| ·引言 | 第46页 |
| ·机器学习的基本问题 | 第46-47页 |
| ·统计学习理论 | 第47-49页 |
| ·支持向量机 | 第49-55页 |
| ·最优分类面 | 第50-52页 |
| ·支持向量机 | 第52-55页 |
| ·SVM的研究现状 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 第六章 SVM分类器在意识任务识别中的应用 | 第58-68页 |
| ·引言 | 第58页 |
| ·SVM分类的流程 | 第58页 |
| ·SVM的实例分析 | 第58-62页 |
| ·SVM在意识任务识别中的应用 | 第62-67页 |
| ·利用 AAR模型系数设计 SVM分类器 | 第62-66页 |
| ·利用 KFDA算法提取的特征设计 SVM分类器 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第七章 基于脑电的四阶累积量算法 | 第68-76页 |
| ·引言 | 第68页 |
| ·归一化四阶累积量方法概述 | 第68-70页 |
| ·滑动窗口法估计四阶累积量 | 第68-69页 |
| ·变窗口法估计四阶累积量 | 第69-70页 |
| ·实验结果分析 | 第70-74页 |
| ·本章小结 | 第74-76页 |
| 第八章 总结与展望 | 第76-79页 |
| ·全文总结 | 第76-77页 |
| ·展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 在读期间发表论文情况 | 第80-81页 |
| 参考文献 | 第81-85页 |
