基于张量分解的BCI特征提取
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·脑机接口的定义 | 第11-12页 |
| ·脑机接口的系统组成 | 第12页 |
| ·脑机接口的研究意义 | 第12-14页 |
| ·脑机接口的研究现状 | 第14-16页 |
| ·脑－机接口方法概述 | 第14页 |
| ·BCI 的研究现状 | 第14-16页 |
| ·本文研究主要内容及论文组织结构 | 第16-17页 |
| 第2章 脑机接口中特征提取方法 | 第17-25页 |
| ·脑电信号 | 第17-19页 |
| ·脑电信号的分类 | 第17-18页 |
| ·脑电信号的特征 | 第18-19页 |
| ·脑电信号的特征提取方法 | 第19-22页 |
| ·共空间模式及在张量空间的扩展 | 第22-23页 |
| ·本章小结 | 第23-25页 |
| 第3章 基于张量的特征提取方法 | 第25-37页 |
| ·张量代数基础 | 第25-30页 |
| ·张量基础知识 | 第25-26页 |
| ·正张量和非负张量 | 第26页 |
| ·二阶张量的幂及根 | 第26-27页 |
| ·二阶张量的值 | 第27页 |
| ·张量数据的运算 | 第27-28页 |
| ·张量分解 | 第28-29页 |
| ·张量到矩阵的映射 | 第29-30页 |
| ·张量分解的两种类型 | 第30-32页 |
| ·正则 Polyadic 分解介绍 | 第30-31页 |
| ·塔克分解介绍 | 第31-32页 |
| ·张量分解在特征提取中的应用 | 第32-34页 |
| ·张量在特征提取中的优点 | 第32页 |
| ·张量分解的应用 | 第32-33页 |
| ·塔克分解在特征提取中的应用 | 第33-34页 |
| ·针对 BCI 张量数据的特征提取 | 第34-35页 |
| ·多维数据空间 | 第34-35页 |
| ·张量特征空间的提取 | 第35页 |
| ·本章小结 | 第35-37页 |
| 第4章 高阶判别分析和张量线性拉普拉斯判别分析 | 第37-51页 |
| ·判别分析方法概述 | 第37-38页 |
| ·HODA 算法 | 第38-40页 |
| ·HODA 介绍 | 第38-40页 |
| ·TLLD 算法介绍 | 第40-42页 |
| ·散射度判别 | 第40-41页 |
| ·投影矩阵 | 第41-42页 |
| ·基于 HODA 和 TLLD 的脑电信号识别过 | 第42-46页 |
| ·EEG 信号张量时频域空间分析 | 第42-43页 |
| ·提取特征空间 | 第43-44页 |
| ·模式识别过程 | 第44-46页 |
| ·脑机接口数据实验和结果分析 | 第46-50页 |
| ·实验数据 | 第46-47页 |
| ·实验仿真 | 第47-49页 |
| ·结果分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 局部张量判别分析 | 第51-59页 |
| ·局部张量判别分析的提出 | 第51页 |
| ·局部张量判别分析 | 第51-56页 |
| ·局部张量判别分析的标准 | 第52-54页 |
| ·迭代最优算法 | 第54-56页 |
| ·脑机接口数据实验 | 第56-58页 |
| ·实验数据 | 第56页 |
| ·仿真结果 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69页 |
