| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 脑机接口系统的基本构成 | 第13-15页 |
| 1.3 脑机接口系统的研究现状 | 第15-18页 |
| 1.4 脑机接口研究中的问题 | 第18-19页 |
| 1.5 研究内容与结构安排 | 第19-21页 |
| 第二章 脑机接口系统 | 第21-27页 |
| 2.1 脑电的产生和特点 | 第21-22页 |
| 2.2 脑电信号简介 | 第22页 |
| 2.3 侵入式和非侵入式BCI系统 | 第22-24页 |
| 2.4 基于运动想象的ERD/ERS | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于CNN的 BCI系统算法研究 | 第27-35页 |
| 3.1 预处理 | 第27-29页 |
| 3.1.1 LMS自适应滤波算法 | 第27页 |
| 3.1.2 主成分分析(PCA) | 第27-28页 |
| 3.1.3 快速独立成分分析(FastICA) | 第28-29页 |
| 3.2 特征提取 | 第29-33页 |
| 3.2.1 卷积神经网络(CNN) | 第29-31页 |
| 3.2.2 CNN的训练方法 | 第31-32页 |
| 3.2.3 基于PyTorch搭建卷积神经网络(CNN) | 第32-33页 |
| 3.3 分类识别 | 第33-34页 |
| 3.3.1 贝叶斯线性判别分析(BLDA) | 第33页 |
| 3.3.2 梯度Boosting(GB) | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于CNN的 BCI系统实验方法 | 第35-41页 |
| 4.1 竞赛数据 | 第35页 |
| 4.2 实验信号采集原理及过程 | 第35-38页 |
| 4.2.1 信号采集设备 | 第35-36页 |
| 4.2.2 信号采集过程 | 第36-38页 |
| 4.3 实验程序设计 | 第38-39页 |
| 4.4 本章小结 | 第39-41页 |
| 第五章 实验结果分析 | 第41-47页 |
| 5.1 CNN的训练结果 | 第41-43页 |
| 5.2 与CNN的联合训练结果 | 第43-44页 |
| 5.3 PCA+CNN+GB的联合训练结果 | 第44-45页 |
| 5.4 采集信号的测试结果 | 第45页 |
| 5.5 与现有BCI系统研究的比较 | 第45-46页 |
| 5.6 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47页 |
| 6.2 展望 | 第47-49页 |
| 参考文献 | 第49-55页 |
| 攻读硕士学位期间发表的论文 | 第55-57页 |
| 致谢 | 第57页 |