基于Alpha波的脑—机接口技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-11页 |
| 第1章 绪论 | 第11-19页 |
| ·脑-机接口定义及工作原理 | 第11-12页 |
| ·脑-机接口技术的研究意义 | 第12-13页 |
| ·脑-机接口技术的研究方向 | 第13-15页 |
| ·脑-机接口技术国内外研究现状 | 第15-16页 |
| ·脑-机接口技术存在的问题 | 第16-17页 |
| ·本课题的意义和研究内容 | 第17-19页 |
| 第2章 脑电信号的研究与分析 | 第19-27页 |
| ·脑电信号的特点 | 第19-20页 |
| ·脑电信号的频率组成 | 第20-21页 |
| ·脑电控制信号分类 | 第21-22页 |
| ·脑电信号现代分析方法 | 第22-25页 |
| ·时频分析法 | 第22页 |
| ·高阶谱分析法 | 第22-23页 |
| ·非线性动力学分析法 | 第23-24页 |
| ·人工神经元网络分析法 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第3章 ALPHA波的采集、分析系统设计方案 | 第27-35页 |
| ·采集系统的硬件部分 | 第27-30页 |
| ·电极导联方式的选取 | 第27-28页 |
| ·前置放大器 | 第28-29页 |
| ·NI-DAQ信号采集卡 | 第29-30页 |
| ·采集系统的软件部分 | 第30-31页 |
| ·LabVIEW软件概述 | 第30页 |
| ·基于LabVIEW的软件部分 | 第30-31页 |
| ·采集系统的结构设计 | 第31-32页 |
| ·分析系统设计方案 | 第32-34页 |
| ·基于功率谱密度的α波分析系统研究 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于独立分量分析对ALPHA波去噪 | 第35-59页 |
| ·ICA的信息论基础 | 第35-38页 |
| ·信息熵 | 第35-36页 |
| ·互信息 | 第36页 |
| ·K_L散度和负熵 | 第36-37页 |
| ·最大熵定理 | 第37-38页 |
| ·ICA定义及线性模型 | 第38-40页 |
| ·独立分量分析判据 | 第40-44页 |
| ·非高斯性负熵判据 | 第40-42页 |
| ·最小互信息判据 | 第42-43页 |
| ·最大似然密度估计判据 | 第43-44页 |
| ·ICA的预处理 | 第44-45页 |
| ·去直流 | 第44页 |
| ·白化处理 | 第44-45页 |
| ·独立分量分析算法 | 第45-53页 |
| ·FastICA算法 | 第45-48页 |
| ·Infomax算法 | 第48-50页 |
| ·扩展Infomax算法 | 第50-53页 |
| ·互信息最小算法 | 第53页 |
| ·去噪方案的实现 | 第53-55页 |
| ·数据对比 | 第55-57页 |
| ·本章小结 | 第57-59页 |
| 第5章 ALPHA波分类器的设计 | 第59-73页 |
| ·人工神经元网络 | 第59-62页 |
| ·人工神经元网络原理 | 第59-60页 |
| ·人工神经元网络的基本特征 | 第60页 |
| ·人工神经元网络主要模型 | 第60-62页 |
| ·BP网络原理 | 第62-64页 |
| ·BP网络结构 | 第62页 |
| ·BP网络基本算法 | 第62-63页 |
| ·BP网络中的人工神经元类型 | 第63页 |
| ·BP算法的主要缺陷分析 | 第63-64页 |
| ·基于BP网络的ALPHA波分类系统设计 | 第64-71页 |
| ·Matlab中的神经元网络工具箱 | 第64-65页 |
| ·BP网络设计 | 第65-67页 |
| ·BP网络生成 | 第67-68页 |
| ·BP网络训练 | 第68-69页 |
| ·数据仿真 | 第69-71页 |
| ·本章小结 | 第71-73页 |
| 第6章 结论与展望 | 第73-75页 |
| ·研究总结 | 第73页 |
| ·工作展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81页 |
