| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-25页 |
| ·脑—机接口的概念和研究背景 | 第13-14页 |
| ·脑—机接口的研究现状 | 第14-18页 |
| ·利用慢皮层电位SCP(Slow Cortical Potential) | 第15页 |
| ·利用μ节律与β节律的幅度 | 第15-16页 |
| ·利用单边的肢体运动或想象运动 | 第16页 |
| ·利用P300诱发电位的BCI | 第16-17页 |
| ·利用视觉诱发电位(visual evoked poten tials,VEP) | 第17-18页 |
| ·基于诱发EEG的BCI和自发EEG的BCI | 第18页 |
| ·脑—机接口研究中的关键问题 | 第18-20页 |
| ·EEG信号记录方法 | 第18-19页 |
| ·伪迹的检测和消除 | 第19页 |
| ·特征提取与分类方法 | 第19页 |
| ·人机交互 | 第19-20页 |
| ·本文研究的目的和意义 | 第20-21页 |
| ·本文研究的主要内容和创新点 | 第21-25页 |
| ·本文研究的主要内容 | 第21-22页 |
| ·本文研究的创新点 | 第22-25页 |
| 第2章 脑电信号与BCI系统 | 第25-37页 |
| ·EEG概述 | 第25-30页 |
| ·EEG研究的发展 | 第25-26页 |
| ·EEG的神经生理学基础 | 第26-28页 |
| ·EEG的分类 | 第28-30页 |
| ·EEG的采集 | 第30-33页 |
| ·EEG采集的特点 | 第30-31页 |
| ·EEG的采集电极 | 第31-32页 |
| ·标准EEG导联 | 第32-33页 |
| ·BCI系统的组成 | 第33-35页 |
| ·BCI的评价标准 | 第35页 |
| ·本章小结 | 第35-37页 |
| 第3章 脑电信号预处理方法研究与实现 | 第37-65页 |
| ·EEG信号预处理的意义 | 第37-38页 |
| ·EEG预处理的研究现状和不足 | 第38-40页 |
| ·陷波滤波器 | 第38页 |
| ·回归方法 | 第38-39页 |
| ·伪迹减法 | 第39页 |
| ·自适应滤波 | 第39页 |
| ·小波变换 | 第39-40页 |
| ·主成分分析(PCA) | 第40页 |
| ·独立分量分析(ICA) | 第40-51页 |
| ·ICA的数学模型 | 第41-43页 |
| ·ICA中的预处理 | 第43-44页 |
| ·ICA的优化判据 | 第44-48页 |
| ·最大非高斯性判据 | 第44-46页 |
| ·最小互信息判据 | 第46-47页 |
| ·最大似然估计判据 | 第47-48页 |
| ·ICA算法 | 第48-51页 |
| ·FastICA算法 | 第48-49页 |
| ·Infomax算法 | 第49-50页 |
| ·扩展Infomax算法 | 第50-51页 |
| ·ICA算法应用于EEG信号预处理 | 第51页 |
| ·时频分析方法 | 第51-55页 |
| ·线性时频分布 | 第52-53页 |
| ·短时傅里叶变换 | 第52-53页 |
| ·小波变换 | 第53页 |
| ·二次时频分布 | 第53-55页 |
| ·魏格纳分布(W igner-Ville) | 第53-54页 |
| ·核函数法 | 第54页 |
| ·Choi-Williams分布(CWD) | 第54-55页 |
| ·ICA与Choi-Williams分布相结合的EEG预处理 | 第55-63页 |
| ·方法和步骤 | 第56-57页 |
| ·实验结果及分析 | 第57-63页 |
| ·实验结果 | 第57-63页 |
| ·结果分析 | 第63页 |
| ·本章小结 | 第63-65页 |
| 第4章 脑电信号特征提取方法研究与实现 | 第65-95页 |
| ·EEG信号特征提取方法的研究现状和不足 | 第65-67页 |
| ·研究现状 | 第65-66页 |
| ·存在的不足 | 第66-67页 |
| ·基于小波包分解的EEG信号特征提取方法 | 第67-74页 |
| ·小波变换理论 | 第67-69页 |
| ·连续小波变换 | 第67-68页 |
| ·离散小波变换 | 第68页 |
| ·多分辨率分析 | 第68-69页 |
| ·小波包分解 | 第69-71页 |
| ·基于小波包子带能量的EEG信号特征提取方法 | 第71-74页 |
| ·基于共空间模式的EEG信号特征提取方法 | 第74-77页 |
| ·共空间模式基本理论 | 第74-76页 |
| ·特征提取步骤 | 第76-77页 |
| ·基于小波包子带的共空间模式特征提取方法 | 第77-79页 |
| ·BCI2005竞赛Data Set Ⅳb实验结果及分析 | 第79-93页 |
| ·Data Set Ⅳb数据描述 | 第80页 |
| ·不同方法数据处理结果 | 第80-93页 |
| ·基于小波包子带能量特征提取的结果 | 第80-84页 |
| ·改进的基于小波包子带能量特征提取结果 | 第84-87页 |
| ·基于共空间模式的特征提取结果 | 第87-88页 |
| ·基于小波包子带的共空间模式特征提取结果 | 第88-93页 |
| ·结果分析 | 第93页 |
| ·本章小结 | 第93-95页 |
| 第5章 特征选择与特征分类方法研究与实现 | 第95-119页 |
| ·特征选择概述 | 第95-96页 |
| ·基于遗传算法的特征选择 | 第96-99页 |
| ·基于优选基因单体变异的特征选择 | 第99-103页 |
| ·基于优选基因单体变异的实验结果及分析 | 第103-106页 |
| ·实验结果 | 第103-106页 |
| ·结果分析 | 第106页 |
| ·特征分类方法 | 第106-115页 |
| ·基于K-近邻的分类算法 | 第107-109页 |
| ·基于LVQ神经网络的分类算法 | 第109-112页 |
| ·神经元网络概述 | 第109-110页 |
| ·学习矢量量化网络 | 第110-112页 |
| ·基于SVM的分类算法 | 第112-115页 |
| ·线性支持向量机 | 第113-114页 |
| ·基于核函数的支持向量机 | 第114-115页 |
| ·基于不同分类器实验结果及分析 | 第115-118页 |
| ·实验结果 | 第115-117页 |
| ·结果分析 | 第117-118页 |
| ·本章小结 | 第118-119页 |
| 第6章 基于运动想象的BCI的实验研究 | 第119-131页 |
| ·硬件平台 | 第119-120页 |
| ·软件设计 | 第120-122页 |
| ·实验设计 | 第122-124页 |
| ·一般实验系统的不足 | 第122页 |
| ·本文设计的实验系统和实验过程 | 第122-124页 |
| ·数据处理与实验结果分析 | 第124-129页 |
| ·数据处理 | 第124-126页 |
| ·实验结果 | 第126-128页 |
| ·结果分析 | 第128-129页 |
| ·本章小结 | 第129-131页 |
| 第7章 结论与展望 | 第131-133页 |
| ·结论 | 第131-132页 |
| ·未来工作展望 | 第132-133页 |
| 参考文献 | 第133-141页 |
| 致谢 | 第141-143页 |
| 在学期间发表的论文及成果 | 第143-144页 |
