| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 本文的研究背景的和意义 | 第10-11页 |
| 1.2 国内外脑电分类问题研究的发展简介 | 第11-13页 |
| 1.3 本文的主要研究内容和章节安排 | 第13-15页 |
| 第2章 脑电信号的预处理 | 第15-28页 |
| 2.1 运动想象实验数据说明 | 第15-17页 |
| 2.2 异常样本的去除 | 第17-19页 |
| 2.3 基线漂移的去除与信号滤波 | 第19-22页 |
| 2.4 ICA | 第22-27页 |
| 2.4.1 FastICA算法 | 第23-24页 |
| 2.4.2 ICA滤除肌电干扰和眼电干扰 | 第24-27页 |
| 2.5 章节小结 | 第27-28页 |
| 第3章 传统分类方法对运动想象脑电的分类 | 第28-42页 |
| 3.1 使用小波变换对信号降维 | 第28-31页 |
| 3.2 支持向量机对运动想象脑电的分类 | 第31-35页 |
| 3.2.1 寻找最优的SVM参数 | 第33-34页 |
| 3.2.2 SVM对左右手数据分类结果 | 第34-35页 |
| 3.3 基于softmax回归模型的浅层人工神经网络对脑电的分类 | 第35-41页 |
| 3.3.1 人工神经网络简介 | 第35-38页 |
| 3.3.2 Softmax回归模型简介 | 第38-39页 |
| 3.3.3 softmax对左右手脑电信号的分类的结果 | 第39-41页 |
| 3.4 章节小结 | 第41-42页 |
| 第4章 深度学习对运动想象脑电的分类 | 第42-58页 |
| 4.1 深度学习简介 | 第42-43页 |
| 4.2 稀疏自动编码机提取特征 | 第43-47页 |
| 4.2.1 稀疏编码简介 | 第43-44页 |
| 4.2.2 稀疏编码的实现和结果分析 | 第44-45页 |
| 4.2.3 ZCA白化的在稀疏编码中的作用 | 第45-47页 |
| 4.3 基于SAE的人工神经网络对脑电信号的分类 | 第47-54页 |
| 4.3.1 SAE神经网络的基本结构 | 第48页 |
| 4.3.2 SAE对左右手脑电信号的分类 | 第48-52页 |
| 4.3.3 SAE对多标签的脑电信号的分类 | 第52-54页 |
| 4.4 CNN卷积神经网络对脑电信号的分类 | 第54-57页 |
| 4.4.1 卷积层的构造 | 第56页 |
| 4.4.2 pooling层的构造 | 第56页 |
| 4.4.3 分类层的构造 | 第56页 |
| 4.4.4 CNN卷积网络对多标签脑电信号的分类结果 | 第56-57页 |
| 4.5 章节小结 | 第57-58页 |
| 第5章 总结和展望 | 第58-60页 |
| 5.1 脑电预处理的方法总结和讨论 | 第58页 |
| 5.2 传统分类方法的总结和讨论 | 第58-59页 |
| 5.3 深度学习中SAE和CNN方法的总结和讨论 | 第59页 |
| 5.4 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
