| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 脑机接口概述 | 第12-14页 |
| 1.3 脑电信号概述 | 第14-17页 |
| 1.4 事件相关电位常用分析方法 | 第17-18页 |
| 1.5 数据集说明 | 第18-19页 |
| 1.6 本文章节安排 | 第19-21页 |
| 第二章 基于P300电位的深度学习方法研究 | 第21-36页 |
| 2.1 卷积神经网络 | 第21-27页 |
| 2.1.1 网络结构分析 | 第21-24页 |
| 2.1.2 P300应用与分析 | 第24-27页 |
| 2.2 深度置信网络 | 第27-35页 |
| 2.2.1 受限玻尔兹曼机 | 第28-33页 |
| 2.2.2 网络结构以及P300分析 | 第33-35页 |
| 2.3 本章小结 | 第35-36页 |
| 第三章 基于卷积深度置信网络的P300分类 | 第36-55页 |
| 3.1 概述 | 第36-37页 |
| 3.2 网络结构应用 | 第37-39页 |
| 3.3 P300分析网络实现 | 第39-44页 |
| 3.3.1 空域提取层 | 第39-42页 |
| 3.3.2 时域提取层 | 第42-43页 |
| 3.3.3 softmax分类器 | 第43-44页 |
| 3.4 实验结果与分析 | 第44-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于xDAWN和降噪自编码器的事件相关电位分类 | 第55-72页 |
| 4.1 方法引入 | 第55-56页 |
| 4.2 网络结构分析 | 第56-57页 |
| 4.3 空域滤波器算法 | 第57-60页 |
| 4.3.1 多种空域滤波器算法对比分析 | 第58-59页 |
| 4.3.2 xDAWN空域滤波器 | 第59-60页 |
| 4.4 非共享时域滤波器 | 第60-63页 |
| 4.4.1 降噪自编码器 | 第61-62页 |
| 4.4.2 代价函数的选择 | 第62-63页 |
| 4.5 贝叶斯线性判别分析 | 第63-64页 |
| 4.6 结果研究与分析 | 第64-71页 |
| 4.7 本章小结 | 第71-72页 |
| 总结与展望 | 第72-74页 |
| 总结 | 第72-73页 |
| 展望 | 第73-74页 |
| 参考文献 | 第74-81页 |
| 攻读硕士学位期间取得的研究成果 | 第81-82页 |
| 致谢 | 第82-83页 |
| 附表 | 第83页 |