| 中文摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 人机交互系统的发展趋势及研究现状 | 第11-14页 |
| 1.2.1 发展趋势 | 第11-12页 |
| 1.2.2 国内外的研究现状 | 第12-14页 |
| 1.3 本文主要内容安排 | 第14-16页 |
| 第2章 生物电基础与数据采集 | 第16-24页 |
| 2.1 生物电信号概述 | 第16-19页 |
| 2.1.1 生物电信号生理基础 | 第16页 |
| 2.1.2 电位简介 | 第16-18页 |
| 2.1.3 生物电信号的特点 | 第18-19页 |
| 2.2 眼电信号的产生机理及特点 | 第19-20页 |
| 2.2.1 眼电信号的产生机理 | 第19页 |
| 2.2.2 眼电信号的分类及特点 | 第19-20页 |
| 2.3 采集设备与数据来源 | 第20-22页 |
| 2.3.1 采集设备简介 | 第20-21页 |
| 2.3.2 实验数据的来源 | 第21-22页 |
| 2.4 数据采集过程及数据分析 | 第22-24页 |
| 2.4.1 数据采集的具体过程 | 第22-23页 |
| 2.4.2 实验数据的分析 | 第23-24页 |
| 第3章 眼电信号的处理与特征提取 | 第24-44页 |
| 3.1 小波理论概述 | 第24-29页 |
| 3.1.1 小波变换的发展史 | 第24页 |
| 3.1.2 小波变换 | 第24-26页 |
| 3.1.3 小波函数系 | 第26-28页 |
| 3.1.4 分析小波包 | 第28-29页 |
| 3.2 眼电信号的预处理 | 第29-36页 |
| 3.2.1 去基线漂移 | 第30-31页 |
| 3.2.2 小波包去噪 | 第31-36页 |
| 3.3 眼电信号的特征向量提取 | 第36-44页 |
| 3.3.1 小波包分析的特点 | 第36-37页 |
| 3.3.2 眼电信号基于多层小波包分解的特征提取 | 第37-44页 |
| 第4章 眼电信号分类模型的建立 | 第44-62页 |
| 4.1 人工神经网络 | 第44-48页 |
| 4.1.1 人工神经网络概述 | 第44-46页 |
| 4.1.2 BP神经网络 | 第46-48页 |
| 4.2 BP神经网络模型设计 | 第48-57页 |
| 4.2.1 建立BP网络 | 第48-54页 |
| 4.2.2 训练网络 | 第54-57页 |
| 4.2.3 测试网络性能及储存网络 | 第57页 |
| 4.3 线性判别分析分类模型的建立 | 第57-62页 |
| 4.3.1 距离判别法 | 第57-59页 |
| 4.3.2 建立基于马氏距离的线性判别算法分类模型 | 第59-60页 |
| 4.3.3 两种分类模型性能的比较 | 第60-62页 |
| 第5章 基于眼电信号的人机交互系统 | 第62-68页 |
| 5.1 人机交互系统软件、硬件部分介绍 | 第62-64页 |
| 5.1.1 软件部分介绍 | 第62-63页 |
| 5.1.2 硬件部分介绍 | 第63-64页 |
| 5.2 人机交互的实现 | 第64-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |