| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-17页 |
| ·引言 | 第11-12页 |
| ·脑机接口（BCIs） | 第12-13页 |
| ·研究现状及技术难题 | 第13-16页 |
| ·研究现状 | 第13-15页 |
| ·主要面临的技术难题 | 第15-16页 |
| ·论文结构 | 第16-17页 |
| 第二章 研究基础 | 第17-35页 |
| ·相关传感器 | 第17-18页 |
| ·大脑信号与特征 | 第18-22页 |
| ·脑电信号交流 | 第18-19页 |
| ·Mu/Beta 节律 和Gamma 活动 | 第19-21页 |
| ·P300 诱发电位 | 第21-22页 |
| ·脑电信号的记录过程 | 第22-27页 |
| ·介绍 | 第22页 |
| ·电极的命名和定位 | 第22-24页 |
| ·BCI重要的大脑功能区域和界线 | 第24页 |
| ·使用电极帽 | 第24-25页 |
| ·去除伪迹和噪声源 | 第25-27页 |
| ·介绍 | 第25页 |
| ·眼睛眨动伪迹 | 第25-26页 |
| ·眼球运动伪迹 | 第26-27页 |
| ·肌肉运动伪迹 | 第27页 |
| ·BCI信号处理的基本流程 | 第27-35页 |
| ·介绍 | 第27-28页 |
| ·空间滤波 | 第28-31页 |
| ·特征提取：感觉运动节律 | 第31-33页 |
| ·分类算法 | 第33-35页 |
| 第三章 特征提取 | 第35-49页 |
| ·基于事件相关同步/去同步（ERS/ERD）的特征提取方法 | 第35-37页 |
| ·基于自回归模型（AR）算法的特征提取 | 第37-40页 |
| ·最小二乘法拟合自回归（AR）模型系数 | 第37-38页 |
| ·自回归（AR）模型阶次p的选择 | 第38-40页 |
| ·基于自回归（AR）模型特征提取的算法步骤 | 第40页 |
| ·基于联合回归模型（JR）算法的特征提取 | 第40-46页 |
| ·最小二乘法计算联合回归（JR）模型系数 | 第41-42页 |
| ·联合回归（JR）模型阶次p的选择 | 第42-45页 |
| ·联合回归（JR）模型特征提取的算法步骤 | 第45-46页 |
| ·共同空间模式（CSP)算法的特征提取 | 第46-49页 |
| ·CSP算法的基本原理 | 第46-48页 |
| ·基于CSP算法的特征提取 | 第48-49页 |
| 第四章 线性分类器 | 第49-56页 |
| ·概述 | 第49-50页 |
| ·线性判别函数的基本概念 | 第50-52页 |
| ·Fisher线性判别分析 | 第52-55页 |
| ·理论模型分类结果 | 第55-56页 |
| 第五章 实验结果 | 第56-70页 |
| ·引言 | 第56页 |
| ·实验数据说明 | 第56-59页 |
| ·实验室数据说明 | 第56-58页 |
| ·BCI2003 竞赛数据说明 | 第58-59页 |
| ·基于 ERS/ERD,AR,JR,CSP 特征提取与分类比较研究 | 第59-68页 |
| ·针对实验室自主数据进行特征提取与分类结果 | 第60-68页 |
| ·针对 BCI2003 竞赛数据进行特征提取与分类结果 | 第68页 |
| ·基于 JR 和 ERS/ERD 组合特征的分类结果 | 第68-70页 |
| 第六章 总结和展望 | 第70-72页 |
| ·本论文主要的内容和贡献 | 第70页 |
| ·展望和未来的工作 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 附录 | 第77页 |
