基于深度网络的脑电信号分类方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题产生背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 研究内容及主要工作 | 第14-16页 |
| 2 运动脑电信号的产生与采集 | 第16-26页 |
| 2.1 神经元上的电信号 | 第16-18页 |
| 2.2 脑电信号的产生与测量 | 第18-23页 |
| 2.3 脑-机接口系统 | 第23-24页 |
| 2.4 实验数据的来源 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 脑电信号预处理与特征提取 | 第26-38页 |
| 3.1 脑电信号预处理 | 第26-29页 |
| 3.1.1 脑电信号的滤波降噪 | 第26-27页 |
| 3.1.2 伪迹去除与基线校正 | 第27-29页 |
| 3.2 脑电信号的特征提取 | 第29-36页 |
| 3.2.1 共同空间模式算法 | 第30-32页 |
| 3.2.2 短时傅里叶变换的频谱特征 | 第32-33页 |
| 3.2.3 改进的梅尔倒谱系数算法 | 第33-36页 |
| 3.3 实验与结果分析 | 第36页 |
| 3.4 本章小结 | 第36-38页 |
| 4 基于深度网络的脑电信号特征分类 | 第38-56页 |
| 4.1 神经元模型与无监督学习网络 | 第39-49页 |
| 4.1.1 基于自动编码器频谱特征提取 | 第40-44页 |
| 4.1.2 基于受限玻尔兹曼机的原始数据压缩 | 第44-49页 |
| 4.2 深度网络结构与脑电信号分类 | 第49-55页 |
| 4.2.1 CSP特征下的DBN分类器 | 第50-52页 |
| 4.2.2 不同特征在SAE分类器下的性能分析 | 第52-53页 |
| 4.2.3 DBM与DBN、SAE的性能比较 | 第53-55页 |
| 4.3 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |
