| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 脑机接口系统简介 | 第10-11页 |
| 1.3 脑机接口发展现状 | 第11-12页 |
| 1.4 论文主要研究内容 | 第12-13页 |
| 1.5 论文结构安排 | 第13-15页 |
| 第二章 机器学习简介 | 第15-23页 |
| 2.1 机器学习的概念和发展 | 第15页 |
| 2.2 数据分类或预测过程 | 第15-16页 |
| 2.3 相关机器学习算法原理介绍 | 第16-20页 |
| 2.3.1 分类算法简介 | 第16-19页 |
| 2.3.2 回归算法简介 | 第19-20页 |
| 2.4 相关机器学习算法优缺点分析 | 第20-23页 |
| 2.4.1 分类算法优缺点分析 | 第20-21页 |
| 2.4.2 回归算法优缺点分析 | 第21-23页 |
| 第三章 左右手运动不同时的分类研究 | 第23-43页 |
| 3.1 实验场景 | 第23-26页 |
| 3.1.1 数据采集设备和受试者 | 第23页 |
| 3.1.2 实验设计 | 第23-24页 |
| 3.1.3 数据预处理 | 第24-25页 |
| 3.1.4 LDA分类结果 | 第25-26页 |
| 3.2 改进CSP后特征提取 | 第26-29页 |
| 3.2.1 CSP的不足 | 第26-27页 |
| 3.2.2 改进CSP后特征提取过程 | 第27-28页 |
| 3.2.3 分类时间对比 | 第28-29页 |
| 3.3 决策树、贝叶斯分类和SVM分类 | 第29-31页 |
| 3.3.1 LDA的局限性 | 第29页 |
| 3.3.2 决策树的优势和分类过程 | 第29页 |
| 3.3.3 贝叶斯分类的优势和分类过程 | 第29-30页 |
| 3.3.4 SVM的优势和分类过程 | 第30-31页 |
| 3.4 基于LDA、决策树、贝叶斯和SVM自适应分类算法 | 第31-32页 |
| 3.4.1 单一分类器的局限 | 第31-32页 |
| 3.4.2 自适应分类算法过程 | 第32页 |
| 3.5 具体实现和结果对比 | 第32-40页 |
| 3.5.1 改进CSP算法和单一分类算法相结合模型的实现 | 第32-34页 |
| 3.5.2 决策树、贝叶斯分类和SVM的分类结果 | 第34-36页 |
| 3.5.3 LDA、决策树、贝叶斯分类和SVM分类结果对比 | 第36-39页 |
| 3.5.4 自适应算法的实现 | 第39-40页 |
| 3.5.5 自适应算法实验数据和分类结果 | 第40页 |
| 3.6 本章小结 | 第40-43页 |
| 第四章 根据脑电信号预测猕猴手臂运动轨迹 | 第43-51页 |
| 4.1 实验场景 | 第43-44页 |
| 4.1.1 受试者和实验工具 | 第43页 |
| 4.1.2 实验过程和数据 | 第43-44页 |
| 4.1.3 偏最小二乘的预测结果 | 第44页 |
| 4.2 特征提取 | 第44-46页 |
| 4.3 神经网络预测 | 第46-49页 |
| 4.3.1 偏最小二乘的不足 | 第46页 |
| 4.3.2 神经网络预测过程 | 第46-48页 |
| 4.3.3 结果分析 | 第48-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |
