| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究历史与研究内容 | 第10-15页 |
| 1.2.1 脑电研究现状 | 第10-12页 |
| 1.2.2 人体疲劳度研究现状 | 第12-13页 |
| 1.2.3 脑电意识任务研究现状 | 第13-15页 |
| 1.3 课题论文思路与研究内容 | 第15-16页 |
| 1.3.1 研究思路 | 第15-16页 |
| 1.3.2 技术路线 | 第16页 |
| 1.4 本文的组织结构 | 第16-19页 |
| 第2章 脑电特征提取方法与技术 | 第19-27页 |
| 2.1 非线性动力学算法简介 | 第19-20页 |
| 2.2 相关维数 | 第20-21页 |
| 2.3 复杂度 | 第21-22页 |
| 2.4 Lyapunov 指数 | 第22-23页 |
| 2.5 近似熵指数 | 第23-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 人体疲劳度的脑电特征提取与识别 | 第27-43页 |
| 3.1 人体疲劳度识别简介 | 第27-28页 |
| 3.2 面向人体疲劳度的非线形特征提取算法研究 | 第28-34页 |
| 3.2.1 特征提取算法选取 | 第28-31页 |
| 3.2.2 特征提取算法参数选取 | 第31-34页 |
| 3.3 面向人体疲劳度的频段脑电分析算法研究 | 第34-36页 |
| 3.3.1 因素分析 | 第34-35页 |
| 3.3.2 R 值得选取与应用 | 第35-36页 |
| 3.4 人体疲劳度的识别算法选取与优化 | 第36-41页 |
| 3.4.1 使用 RAW_DATA 的识别算法选取与优化 | 第36-39页 |
| 3.4.2 使用频段脑电数据的识别算法选取与优化 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 脑电意识任务的特征提取与识别 | 第43-51页 |
| 4.1 脑电意识任务识别简介 | 第43-44页 |
| 4.2 面向脑电意识任务的非线形特征提取算法研究 | 第44-48页 |
| 4.2.1 特征提取算法选取 | 第44-47页 |
| 4.2.2 特征提取算法参数选取 | 第47-48页 |
| 4.3 脑电意识任务的识别算法选取 | 第48-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 基于 MindWave 的数据采集系统 | 第51-63页 |
| 5.1 基于 MindWave 的脑电信号采集系统 | 第51-52页 |
| 5.2 数据采集系统结构设计 | 第52-53页 |
| 5.3 数据采集系统软件设计 | 第53-57页 |
| 5.3.1 软件功能 | 第53-54页 |
| 5.3.2 软件功能模块划分 | 第54-56页 |
| 5.3.3 软件层次结构 | 第56-57页 |
| 5.4 数据使用说明 | 第57-59页 |
| 5.4.1 MindWave 数据字典说明 | 第58-59页 |
| 5.4.2 数据预处理 | 第59页 |
| 5.5 滑动窗口数据结构 | 第59-61页 |
| 5.6 本章小结 | 第61-63页 |
| 第6章 算法验证与实验结果分析 | 第63-73页 |
| 6.1 人体疲劳度识别的实验设计 | 第63-65页 |
| 6.1.1 实验对象 | 第63页 |
| 6.1.2 实验数据采集 | 第63-64页 |
| 6.1.3 实验流程 | 第64-65页 |
| 6.2 人体疲劳度识别的算法评价与实验结果分析 | 第65-67页 |
| 6.2.1 评价标准定义 | 第65页 |
| 6.2.2 使用 RAW_DATA 原始数据的实验结果分析 | 第65-66页 |
| 6.2.3 使用频段脑电数据的实验结果分析 | 第66-67页 |
| 6.3 脑电意识任务识别的实验设计 | 第67-69页 |
| 6.3.1 实验对象 | 第67-68页 |
| 6.3.2 实验数据采集 | 第68页 |
| 6.3.3 实验流程 | 第68-69页 |
| 6.4 脑电意识任务识别的算法评价与实验结果分析 | 第69-71页 |
| 6.5 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-81页 |
| 致谢 | 第81页 |
