脑电波信号处理及其在教育中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 脑电波概述 | 第9-11页 |
| 1.1.1 脑电波的来源 | 第9-10页 |
| 1.1.2 脑电波的研究发展 | 第10-11页 |
| 1.2 课题背景及研究意义 | 第11-15页 |
| 1.2.1 脑电波信号处理国内外研究现状 | 第11-13页 |
| 1.2.2 脑电波在教育中的应用 | 第13-14页 |
| 1.2.3 课题简介及研究意义 | 第14-15页 |
| 1.3 本文研究内容与章节安排 | 第15-17页 |
| 第二章 脑电信号处理研究 | 第17-34页 |
| 2.1 脑电信号分类 | 第17-20页 |
| 2.2 脑电信号的采集 | 第20-24页 |
| 2.2.1 多电极脑电设备 | 第20-23页 |
| 2.2.2 单电极脑电设备 | 第23-24页 |
| 2.3 脑电信号分析研究 | 第24-33页 |
| 2.3.1 脑电信号时域分析 | 第24-28页 |
| 2.3.2 脑电信号频域分析 | 第28-31页 |
| 2.3.3 脑电信号时频分析 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 单电极脑电信号的眨眼伪迹去除算法研究 | 第34-45页 |
| 3.1 脑电信号的干扰源和伪迹 | 第34-37页 |
| 3.1.1 干扰源 | 第34页 |
| 3.1.2 伪迹描述与分类 | 第34-37页 |
| 3.2 眨眼伪迹处理 | 第37-39页 |
| 3.2.1 眨眼伪迹描述 | 第37-38页 |
| 3.2.2 回归分析算法 | 第38页 |
| 3.2.3 主成分分析算法 | 第38页 |
| 3.2.4 独立成分分析算法 | 第38-39页 |
| 3.2.5 自适应滤波器 | 第39页 |
| 3.3 眨眼伪迹去除算法优化 | 第39-43页 |
| 3.3.1 基于ICA和小波变换的模型算法 | 第39-40页 |
| 3.3.2 基于自适应线性预测器的AR模型算法 | 第40-43页 |
| 3.4 算法对比分析 | 第43-44页 |
| 3.4.1 脑电信号的采集及格式 | 第43页 |
| 3.4.2 算法结果对比验证 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于脑电波的注意力测试系统 | 第45-54页 |
| 4.1 需求分析 | 第45页 |
| 4.2 系统设计与实现 | 第45-50页 |
| 4.2.1 ThinkGear SDK | 第45-46页 |
| 4.2.2 系统软硬件环境 | 第46页 |
| 4.2.3 系统模型结构 | 第46-47页 |
| 4.2.4 系统模块及功能演示 | 第47-50页 |
| 4.3 注意力测试 | 第50-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-55页 |
| 5.1 本文总结 | 第54页 |
| 5.2 工作展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58页 |
