基于迁移学习的脑机接口信号分类算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 BCI技术概述 | 第12-19页 |
| 1.2.1 BCI系统的组成 | 第12-14页 |
| 1.2.2 BCI系统控制信号的类型 | 第14-16页 |
| 1.2.3 BCI系统的分类 | 第16-17页 |
| 1.2.4 BCI技术的发展与研究现状 | 第17-18页 |
| 1.2.5 BCI研究面临的问题 | 第18-19页 |
| 1.3 论文研究内容与章节安排 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第二章 脑电信号的采集与处理 | 第21-30页 |
| 2.1 EEG信号的产生机理与特点 | 第21-23页 |
| 2.1.1 大脑的结构与分区 | 第21页 |
| 2.1.2 产生机理 | 第21-22页 |
| 2.1.3 基本特点和分类 | 第22-23页 |
| 2.2 采集与预处理 | 第23-25页 |
| 2.2.1 采集过程 | 第23-24页 |
| 2.2.2 预处理过程 | 第24-25页 |
| 2.3 特征提取和模式分类方法 | 第25-29页 |
| 2.3.1 特征提取方法 | 第25-26页 |
| 2.3.2 模式分类方法 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 迁移学习在BCI中的应用 | 第30-39页 |
| 3.1 迁移学习 | 第30-34页 |
| 3.1.1 迁移学习与传统机器学习方法的区别 | 第30-32页 |
| 3.1.2 迁移学习的定义 | 第32页 |
| 3.1.3 迁移学习的分类 | 第32-34页 |
| 3.2 迁移学习在BCI研究中的应用 | 第34-38页 |
| 3.2.1 基于实例的迁移学习方法 | 第34页 |
| 3.2.2 基于分类器的迁移学习方法 | 第34-35页 |
| 3.2.3 基于特征表示的迁移学习方法 | 第35-37页 |
| 3.2.4 其他迁移学习方法 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于自训练支持向量机的迁移学习方法 | 第39-49页 |
| 4.1 自训练支持向量机算法 | 第39-40页 |
| 4.2 基于自训练支持向量机的迁移学习方法 | 第40-43页 |
| 4.2.1 基本思路 | 第40-41页 |
| 4.2.2 问题定义 | 第41-42页 |
| 4.2.3 算法详细步骤 | 第42-43页 |
| 4.3 实验结果与分析 | 第43-48页 |
| 4.3.1 实验数据集 | 第43-45页 |
| 4.3.2 实验结果与对比 | 第45-47页 |
| 4.3.3 实验结论 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于共同空间模式的迁移学习方法 | 第49-59页 |
| 5.1 共同空间模式 | 第49-51页 |
| 5.2 基于CSP的迁移学习方法 | 第51-54页 |
| 5.2.1 基本思路 | 第51-52页 |
| 5.2.2 问题定义 | 第52-53页 |
| 5.2.3 算法详细步骤 | 第53-54页 |
| 5.3 实验结果与分析 | 第54-58页 |
| 5.3.1 实验数据集 | 第54页 |
| 5.3.2 实验结果与分析 | 第54-57页 |
| 5.3.3 实验结论 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 总结 | 第59页 |
| 展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
