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 |