基于脑意识任务的脑机接口设计
| 第一章 绪论 | 第1-20页 |
| ·脑-计算机机接口(BCI)技术的发展动态 | 第12-14页 |
| ·BCI的产生及结构 | 第12-13页 |
| ·BCI的应用与发展 | 第13-14页 |
| ·脑电信号 | 第14-16页 |
| ·脑电图(EEG) | 第14页 |
| ·脑电信号的特征 | 第14-16页 |
| ·EEG信号分析技术 | 第16-19页 |
| ·EEG信号的时域分析 | 第16页 |
| ·EEG信号的频域分析 | 第16-17页 |
| ·EEG的高阶谱分析 | 第17-18页 |
| ·EEG的时频分析 | 第18页 |
| ·EEG的神经网络分析 | 第18-19页 |
| ·熵理论 | 第19页 |
| ·本文工作内容 | 第19-20页 |
| 第二章 BCI的特征提取方法 | 第20-36页 |
| ·AR模型 | 第20-23页 |
| ·单变量自回归(SVAR)模型方法 | 第20-22页 |
| ·多变量的自回归模型(MVAR) | 第22-23页 |
| ·模型阶数的选择 | 第23页 |
| ·小波分析技术 | 第23-27页 |
| ·小波分析 | 第24页 |
| ·连续小波变换 | 第24-25页 |
| ·离散小波变换 | 第25页 |
| ·多分辨率分析 | 第25-26页 |
| ·离散序列的小波分解 | 第26-27页 |
| ·信息熵 | 第27-31页 |
| ·熵 | 第27-29页 |
| ·信息 | 第29页 |
| ·信息熵 | 第29-31页 |
| ·近似熵 | 第31-35页 |
| ·近似熵算法 | 第31-32页 |
| ·近似熵快速算法 | 第32-35页 |
| ·小波熵 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第三章 BCI分类器设计 | 第36-46页 |
| ·常用分类器(模式识别方法) | 第36-38页 |
| ·分类器种类与应用 | 第36-38页 |
| ·解决非线性问题的方法 | 第38页 |
| ·神经网络 | 第38-42页 |
| ·神经元模型选择 | 第38-40页 |
| ·神经网络的结构 | 第40-41页 |
| ·神经网络的学习方法 | 第41页 |
| ·神经网络学习算法的不足 | 第41-42页 |
| ·支持向量机 | 第42-45页 |
| ·统计学习理论 | 第42-43页 |
| ·最优分类面 | 第43-44页 |
| ·支持向量机 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 BCI分类分析与系统构成 | 第46-67页 |
| ·BCI数据处理 | 第46-57页 |
| ·EEG数据消噪 | 第46-50页 |
| ·EEG数据分段 | 第50-51页 |
| ·特征提取 | 第51-54页 |
| ·分类器设计 | 第54-57页 |
| ·BCI分类结果分析 | 第57-62页 |
| ·AR模型系数特征提取分类结果分析 | 第57-60页 |
| ·近似熵特征提取分类结果分析 | 第60-61页 |
| ·小波熵特征提取分类结果分析 | 第61-62页 |
| ·BCI分类结果分析总结 | 第62-64页 |
| ·三种特征提取方法的比较 | 第63页 |
| ·三种分类器的比较 | 第63-64页 |
| ·二分类BCI的应用 | 第64页 |
| ·BCI(离线)系统构成 | 第64-67页 |
| ·EEG信号采集系统 | 第64-65页 |
| ·实验方案 | 第65-66页 |
| ·记录电极的安放位置 | 第66页 |
| ·脑电图的导联法 | 第66页 |
| ·实验分析 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| ·脑意识任务BCI设计工作总结 | 第67页 |
| ·脑意识任务BCI的发展展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士期间发表的论文 | 第73页 |
