首页--工业技术论文--无线电电子学、电信技术论文--通信论文--通信理论论文--信号处理论文

脑电信号的特征提取和分类研究

摘要第4-5页
Abstract第5-6页
第1章 绪论第9-13页
    1.1 研究背景和意义第9-10页
    1.2 研究历史和现状第10-11页
        1.2.1 脑-机接口的研究历史和现状第10页
        1.2.2 视频内容检测的研究历史和现状第10-11页
    1.3 课题来源第11-12页
    1.4 主要研究内容及组织结构第12-13页
第2章 脑电信号识别相关研究第13-21页
    2.1 脑电生理基础概述第13-17页
        2.1.1 脑电信号产生机理第13-14页
        2.1.2 脑电信号主要频率特性第14-15页
        2.1.3 大脑情绪处理机制第15-17页
    2.2 脑电信号特征提取与分类研究第17-20页
        2.2.1 传统的特征提取算法:第18-19页
        2.2.2 传统的分类方法:第19-20页
    2.3 本章小结第20-21页
第3章 基于 V-ELM 的运动想象脑电信号分类研究第21-35页
    3.1 基于 V-ELM 的运动想象脑电信号分类研究框架第21-22页
    3.2 结合主成分分析与线性判别分析的特征提取方法第22-25页
        3.2.1 主成分分析降维方法基本理论第22-24页
        3.2.2 线性判别分析基本理论第24-25页
        3.2.3 结合主成分分析与线性判别分析的特征提取方法第25页
    3.3 基于投票策略的极速学习机分类方法第25-28页
        3.3.1 极速学习机的基本原理第25-27页
        3.3.2 基于投票策略的极速学习机第27-28页
    3.4 实验结果第28-33页
        3.4.1 实验数据描述第28-29页
        3.4.2 特征提取与分类方法的参数选择及性能评价第29-33页
    3.5 本章小结第33-35页
第4章 基于小波包方差的视频诱发脑电信号分类研究第35-53页
    4.1 基于小波包方差的视频诱发脑电信号分类框架第35-36页
    4.2 脑电信号的采集与预处理第36-41页
        4.2.1 脑电信号采集实验设备第36-37页
        4.2.2 信号采集实验流程第37-38页
        4.2.3 脑电数据的预处理第38-41页
    4.3 基于小波包方差的特征提取方法第41-44页
        4.3.1 小波包的性质第42页
        4.3.2 小波包分解和重构第42-44页
        4.3.3 小波包方差基本原理第44页
    4.4 基于支持向量机的分类方法第44-46页
        4.4.1 支持向量机基本原理第45-46页
        4.4.2 支持向量机核函数第46页
    4.5 实验结果第46-51页
        4.5.1 特征选择参数选取第46-47页
        4.5.2 视频诱发脑电识别实验结果第47-51页
    4.6 本章小结第51-53页
第5章 两种脑电信号分类方法的比较分析第53-55页
结论第55-57页
参考文献第57-63页
攻读硕士学位期间发表的学术论文第63-65页
致谢第65页

论文共65页,点击 下载论文
上一篇:基于NoSQL的空间数据云存储的研究
下一篇:基于FPGA的高速光纤通信数据传输技术的研究与实现