基于时序信息的脑电信号分类
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外脑电信号分类研究现状 | 第12-17页 |
| 1.2.1 脑电信号简介 | 第12-13页 |
| 1.2.2 脑电信号分类研究现状 | 第13-15页 |
| 1.2.3 脑电信号身份识别研究现状 | 第15-17页 |
| 1.3 论文主要研究工作 | 第17-18页 |
| 1.4 论文结构安排 | 第18-21页 |
| 第二章 基于残差网络的脑电信号身份识别 | 第21-39页 |
| 2.1 脑电身份识别数据集 | 第21-23页 |
| 2.1.1 实验设备及设置 | 第21页 |
| 2.1.2 数据集简介 | 第21-23页 |
| 2.2 基准传统脑电身份识别方法 | 第23-24页 |
| 2.3 卷积神经网络概述 | 第24-30页 |
| 2.3.1 卷积神经网络 | 第24-26页 |
| 2.3.2 网络层介绍及参数调整 | 第26-30页 |
| 2.4 网络维数探讨 | 第30-33页 |
| 2.4.1 CNN-1D与CNN-2D算法结构 | 第30-32页 |
| 2.4.2 实验结果与分析 | 第32-33页 |
| 2.5 深度残差网络ResNets概述 | 第33-34页 |
| 2.6 基于Resnets的脑电信号身份识别算法 | 第34-38页 |
| 2.6.1 ResNet-EEG算法结构 | 第34-35页 |
| 2.6.2 实验结果及分析 | 第35-37页 |
| 2.6.3 ResNet-EEG泛化性分析 | 第37-38页 |
| 2.7 本章小结 | 第38-39页 |
| 第三章 变长脑电信号身份识别 | 第39-55页 |
| 3.1 循环神经网络概述 | 第39-42页 |
| 3.1.1 循环神经网络RNN | 第39页 |
| 3.1.2 循环卷积神经网络RCNN | 第39-40页 |
| 3.1.3 长短时记忆网络LSTM | 第40-42页 |
| 3.2 变长脑电信号身份识别意义及可行性 | 第42-43页 |
| 3.3 基于RCNN-LSTM的神经网络算法 | 第43-46页 |
| 3.3.1 RCNN-LSTM算法结构 | 第43-45页 |
| 3.3.2 实验结果与分析 | 第45-46页 |
| 3.4 变长脑电信号身份识别算法 | 第46-52页 |
| 3.4.1 ResNet-LSTM算法结构 | 第46-50页 |
| 3.4.2 LSTM算法结构选取 | 第50-52页 |
| 3.5 实验结果及分析 | 第52-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 影响脑电信号身份识别的因素分析 | 第55-59页 |
| 4.1 信号去噪的影响 | 第55页 |
| 4.2 信号采集多因素影响分析 | 第55-58页 |
| 4.2.1 不同生活状态的影响 | 第55-56页 |
| 4.2.2 不同思维状态的影响 | 第56页 |
| 4.2.3 不同疲劳状态的影响 | 第56-57页 |
| 4.2.4 不同情绪状态的影响 | 第57页 |
| 4.2.5 时间推移的影响 | 第57-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 攻读学位期间发表的学术论文目录 | 第69页 |
