BCI系统的脑电信号分析和类脑避障策略
| 摘要 | 第4-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.2.1 BCI技术国外研究现状 | 第13页 |
| 1.2.2 BCI技术国内研究现状 | 第13-14页 |
| 1.3 研究内容及创新点 | 第14-16页 |
| 1.4 论文章节安排 | 第16-18页 |
| 第二章 脑电信号生物机理及类脑避障控制技术概述 | 第18-22页 |
| 2.1 引言 | 第18页 |
| 2.2 脑电信号生物机理 | 第18-20页 |
| 2.2.1 脑电信号产生的生理基础 | 第18-19页 |
| 2.2.2 基于mu和beta节律的BCI研究 | 第19-20页 |
| 2.2.3 脑电信号分析实现方案探索 | 第20页 |
| 2.3 脑控机器人控制策略 | 第20-21页 |
| 2.3.1 简单控制策略 | 第20-21页 |
| 2.3.2 改进控制策略 | 第21页 |
| 2.4 小结 | 第21-22页 |
| 第三章 脑电信号噪声与伪迹去除 | 第22-37页 |
| 3.1 引言 | 第22页 |
| 3.2 噪声去除算法 | 第22-29页 |
| 3.2.1 集合经验模态分解算法 | 第22-25页 |
| 3.2.2 双树复小波算法 | 第25-28页 |
| 3.2.3 双树复小波-集合经验模态分解融合算法 | 第28-29页 |
| 3.3 伪迹去除算法 | 第29-31页 |
| 3.4 实验分析验证 | 第31-36页 |
| 3.5 小结 | 第36-37页 |
| 第四章 基于免疫堆叠降噪自编码网络的脑电信号识别 | 第37-49页 |
| 4.1 引言 | 第37-38页 |
| 4.2 堆叠降噪自编码机模型 | 第38-40页 |
| 4.2.1 降噪自编码机 | 第38-39页 |
| 4.2.2 堆叠降噪自编码分类模型 | 第39-40页 |
| 4.3 多重决策机制改进 | 第40-42页 |
| 4.4 免疫算法优化 | 第42-45页 |
| 4.4.1 免疫优化算法 | 第42-43页 |
| 4.4.2 模型参数优化 | 第43-45页 |
| 4.5 实验分析验证 | 第45-48页 |
| 4.5.1 网络深度对于分类性能的影响 | 第46页 |
| 4.5.2 决策机制对于分类性能的提升 | 第46-47页 |
| 4.5.3 免疫优化对于分类性能的提升 | 第47页 |
| 4.5.4 ISDAE分类网络的性能优越性 | 第47-48页 |
| 4.6 小结 | 第48-49页 |
| 第五章 基于视觉脑机制的脑控机器人智能避障控制 | 第49-68页 |
| 5.1 引言 | 第49页 |
| 5.2 碰撞检测视觉脑机制 | 第49-53页 |
| 5.2.1 生物的视觉系统 | 第50页 |
| 5.2.2 生物的神经信号传播原理 | 第50页 |
| 5.2.3 生物检测碰撞脑机制 | 第50-53页 |
| 5.3 基于视觉脑机制的智能碰撞检测模型 | 第53-58页 |
| 5.3.1 模型结构 | 第53-54页 |
| 5.3.2 脉冲神经网络提取运动目标 | 第54-56页 |
| 5.3.3 反向传播神经网络计算碰撞时间 | 第56-57页 |
| 5.3.4 智能碰撞检测模型 | 第57-58页 |
| 5.4 智能避障控制 | 第58-60页 |
| 5.5 实验分析验证 | 第60-67页 |
| 5.6 小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-83页 |
| 致谢 | 第83-84页 |
| 附录：攻读硕士期间研究成果 | 第84页 |
