基于AR模型的脑电信号特征提取与识别
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究脑—机接口技术意义 | 第9页 |
| ·脑—机接口技术发展概况及主要问题 | 第9-12页 |
| ·论文的主要内容 | 第12-13页 |
| ·结构安排 | 第13-14页 |
| 第二章 脑电信号与实验数据 | 第14-23页 |
| ·脑电信号产生 | 第14-16页 |
| ·大脑的生理结构 | 第14页 |
| ·大脑的功能分区 | 第14-15页 |
| ·脑电活动根源 | 第15-16页 |
| ·脑电信号 | 第16-19页 |
| ·脑电信号的频带成分 | 第16-17页 |
| ·脑电信号的特征 | 第17页 |
| ·事件相关同步/去同步化 | 第17-19页 |
| ·脑电信号数据来源 | 第19-23页 |
| ·测试进程 | 第19-21页 |
| ·脑电信号的数据源格式 | 第21-23页 |
| 第三章 基于AR模型的脑电特征提取 | 第23-39页 |
| ·AR模型 | 第23-27页 |
| ·AAR算法 | 第27-32页 |
| ·AAR模型 | 第27-28页 |
| ·卡尔曼滤波 | 第28-30页 |
| ·卡尔曼滤波估计 AAR系数 | 第30-32页 |
| ·MVAAR算法 | 第32-33页 |
| ·MVAAR模型 | 第32页 |
| ·估计 MVAAR系数方法 | 第32-33页 |
| ·模型阶次的估计 | 第33-39页 |
| ·FPE准则 | 第34-35页 |
| ·AIC准则 | 第35-36页 |
| ·BIC准则 | 第36页 |
| ·REV准则 | 第36-37页 |
| ·贝叶斯理论准则 | 第37-39页 |
| 第四章 脑电意识任务分类 | 第39-47页 |
| ·LDA | 第39-40页 |
| ·基于 Mahalanobis距离的分类器 | 第40页 |
| ·留一法 | 第40-42页 |
| ·性能评价参数 | 第42-47页 |
| ·Mutual Information | 第42-43页 |
| ·kappa系数 | 第43-45页 |
| ·ROC曲线下面积估计(AUC) | 第45-47页 |
| 第五章 基于Matlab的算法组合研究 | 第47-58页 |
| ·算法流程及结果 | 第47-54页 |
| ·特征提取方法对比和讨论 | 第54-56页 |
| ·分类算法分析与讨论 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·工作总结 | 第58-59页 |
| ·展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间主要研究成果 | 第67页 |
