| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 脑-机接口的基本理论 | 第11-13页 |
| 1.1.1 脑-机接口的定义 | 第11页 |
| 1.1.2 脑-机接口的脑电信号模式 | 第11-13页 |
| 1.2 脑-机接口系统的结构 | 第13-15页 |
| 1.3 脑-机接口的研究现状及意义 | 第15-17页 |
| 1.3.1 脑-机接口的研究现状 | 第15-16页 |
| 1.3.2 脑-机接口的研究意义 | 第16-17页 |
| 1.4 本文研究内容 | 第17-18页 |
| 第二章 基于SSVEP的BCI系统方案设计 | 第18-26页 |
| 2.1 视觉诱发电位产生原理 | 第18-19页 |
| 2.2 视觉刺激器设计 | 第19-22页 |
| 2.2.1 刺激器种类 | 第19-20页 |
| 2.2.2 刺激频率的选择 | 第20-21页 |
| 2.2.3 其他刺激参数选择 | 第21-22页 |
| 2.3 LCD刺激器的实现 | 第22-24页 |
| 2.4 脑电信号采集系统及实验方案简介 | 第24-25页 |
| 2.4.1 脑电信号采集系统 | 第24页 |
| 2.4.2 实验方案介绍 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于频谱方法的SSVEP特征提取 | 第26-45页 |
| 3.1 SSVEP信号的预处理 | 第26-27页 |
| 3.2 快速傅里叶变换 | 第27-29页 |
| 3.2.1 离散傅里叶变换 | 第27-28页 |
| 3.2.2 快速傅里叶变换 | 第28-29页 |
| 3.3 STFT理论基础 | 第29-32页 |
| 3.3.1 STFT的定义 | 第29-30页 |
| 3.3.2 时频参数的选择 | 第30-32页 |
| 3.4 基于AR模型功率谱估计 | 第32-38页 |
| 3.4.1 AR模型功率谱估计原理 | 第32-34页 |
| 3.4.2 AR模型系数的求解算法 | 第34-36页 |
| 3.4.3 AR模型定阶问题思考 | 第36-38页 |
| 3.5 实验结果与分析 | 第38-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 基于小波变换和HHT的SSVEP特征提取 | 第45-68页 |
| 4.1 小波变换基本理论 | 第45-52页 |
| 4.1.1 连续小波变换 | 第45-47页 |
| 4.1.2 离散小波变换 | 第47-48页 |
| 4.1.3 多分辨分析 | 第48-49页 |
| 4.1.4 小波包分析 | 第49-52页 |
| 4.2 希尔伯特黄变换理论基础 | 第52-57页 |
| 4.2.1 固定模态函数 | 第52-53页 |
| 4.2.2 经验模态分解 | 第53-55页 |
| 4.2.3 Hilbert谱 | 第55-57页 |
| 4.3 结合小波包的改进HHT分析方法 | 第57-61页 |
| 4.3.1 EMD的模态混叠现象 | 第58-59页 |
| 4.3.2 改进的小波包结合HHT分析方法 | 第59-61页 |
| 4.4 实验结果与分析 | 第61-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 基于典型相关分析的SSVEP信号识别 | 第68-85页 |
| 5.1 典型相关分析的概述 | 第68-69页 |
| 5.2 典型相关分析的数学表示与算法求解 | 第69-72页 |
| 5.2.1 典型相关分析的数学表示 | 第69-70页 |
| 5.2.2 典型相关分析的算法求解 | 第70-72页 |
| 5.3 基于CCA的SSVEP信号识别 | 第72-78页 |
| 5.3.1 CCA识别SSVEP信号的基本思想 | 第72-73页 |
| 5.3.2 基于MsetCCA的SSVEP信号识别 | 第73-75页 |
| 5.3.3 CCA与MsetCCA的实验识别效果分析 | 第75-78页 |
| 5.4 结合小波分析的改进CCA算法 | 第78-79页 |
| 5.5 实验结果与分析 | 第79-83页 |
| 5.6 本章小结 | 第83-85页 |
| 结论 | 第85-87页 |
| 参考文献 | 第87-92页 |
| 攻读硕士学位期间取得的研究成果 | 第92-93页 |
| 致谢 | 第93-94页 |
| 附件 | 第94页 |