基于深度学习的脑电信号识别技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 引言 | 第10-11页 |
| 1.2 研究背景和意义 | 第11-12页 |
| 1.2.1 研究背景 | 第11页 |
| 1.2.2 研究意义 | 第11-12页 |
| 1.3 国内外研究状况 | 第12-17页 |
| 1.3.1 国外研究现状 | 第12-14页 |
| 1.3.2 国内研究现状 | 第14-17页 |
| 1.4 本课题主要研究的工作与总结 | 第17-18页 |
| 1.5 本章小结 | 第18-20页 |
| 第二章 脑-机接口系统 | 第20-26页 |
| 2.1 脑-机接口系统 | 第20-21页 |
| 2.2 基于运动想象的脑-机接口系统 | 第21-22页 |
| 2.3 BCI系统的信号处理部分 | 第22-24页 |
| 2.3.1 预处理 | 第22-23页 |
| 2.3.2 特征提取 | 第23页 |
| 2.3.3 分类识别 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 BCI技术的特征提取分析 | 第26-34页 |
| 3.1 时频域分析方法 | 第26-28页 |
| 3.1.1 短时傅里叶变换 | 第26页 |
| 3.1.2 小波变换 | 第26-27页 |
| 3.1.3 S变换 | 第27-28页 |
| 3.2 卷积神经网络 | 第28-32页 |
| 3.2.1 卷积层 | 第28-29页 |
| 3.2.2 池化层 | 第29-30页 |
| 3.2.3 完全连接层 | 第30页 |
| 3.2.4 BP反馈算法 | 第30-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 BCI技术的识别分析 | 第34-40页 |
| 4.1 贝叶斯线性分类器 | 第34-35页 |
| 4.2 梯度Boosting分类器 | 第35-36页 |
| 4.3 支持向量机 | 第36-38页 |
| 4.3.1 线性支持向量机 | 第36-37页 |
| 4.3.2 非线性支持向量机 | 第37-38页 |
| 4.4 本章小结 | 第38-40页 |
| 第五章 基于运动想象深度学习网络的设计与分析 | 第40-54页 |
| 5.1 基于运动想象的神经网络设计 | 第40-42页 |
| 5.1.1 预处理部分 | 第40-41页 |
| 5.1.2 特征提取部分 | 第41-42页 |
| 5.1.3 特征分类部分 | 第42页 |
| 5.2 国际标准数据库和实验结果分析 | 第42-49页 |
| 5.2.1 国际标准数据库 | 第42-43页 |
| 5.2.2 数据库数据分类结果 | 第43-49页 |
| 5.3 采集数据库和实验结果分析 | 第49-52页 |
| 5.3.1 实验设计 | 第49-51页 |
| 5.3.2 采集数据分类结果 | 第51-52页 |
| 5.4 本章小结 | 第52-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 论文总结 | 第54页 |
| 6.2 研究展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间发表的论文 | 第62-64页 |
| 致谢 | 第64-65页 |
