| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| ·脑机接口的研究背景及意义 | 第10-11页 |
| ·脑机接口的基本原理与组成 | 第11-13页 |
| ·BCI 的分类 | 第13页 |
| ·国外BCI 的研究发展状况 | 第13-15页 |
| ·有创式方法 | 第14页 |
| ·Wadsworth BCI | 第14页 |
| ·Graz BCI | 第14-15页 |
| ·Berlin BCI | 第15页 |
| ·Martigny BCI | 第15页 |
| ·成都BCI | 第15-16页 |
| ·本文主要研究内容 | 第16-18页 |
| 第二章 脑—机接口中的脑电信号分析 | 第18-22页 |
| ·脑电信号背景知识 | 第18-19页 |
| ·脑电信号的产生 | 第18页 |
| ·脑电信号的采集 | 第18-19页 |
| ·脑电信号的主要节律 | 第19页 |
| ·脑电信号的特征及其分析方法 | 第19-22页 |
| ·脑电信号的特征 | 第19-20页 |
| ·脑电信号常用的分析方法 | 第20-22页 |
| 第三章 流形学习方法简介 | 第22-26页 |
| ·流形学习概念 | 第23-24页 |
| ·几种经典的流形学习算法 | 第24-25页 |
| ·等距映射算法（Isomap） | 第24页 |
| ·局域线性嵌入(LLE) | 第24页 |
| ·拉普拉斯特征映射(Laplacian Eigenmaps-LE) | 第24-25页 |
| ·局部切空间排列算法(LTSA) | 第25页 |
| ·各流形学习算法比较 | 第25-26页 |
| 第四章 基于流形学习的半监督学习的思维想象任务分类 | 第26-41页 |
| ·基于流形学习的半监督学习框架 | 第26-29页 |
| ·方法框架结构 | 第26-27页 |
| ·图论方法 | 第27-28页 |
| ·Laplacian 支持向量机(LapSVM) | 第28页 |
| ·实现步骤 | 第28-29页 |
| ·相关算法 | 第29-32页 |
| ·直推式支持向量机 | 第29页 |
| ·基于低密度分离的半监督学习 | 第29-31页 |
| ·基于凹凸算法的分类器 | 第31-32页 |
| ·实验结果 | 第32-40页 |
| ·BCI 实验数据 | 第32-33页 |
| ·实验结果 | 第33-40页 |
| ·对同一时间段内的数据进行处理 | 第33-37页 |
| ·对不同时间段间的数据进行处理 | 第37-40页 |
| ·小结 | 第40-41页 |
| 第五章 半监督学习框架拓展 | 第41-48页 |
| ·半监督学习 | 第41页 |
| ·无监督学习：聚类 | 第41-42页 |
| ·全监督学习：支持向量机 | 第42页 |
| ·直推式支持向量机(Transductive SVM) | 第42-43页 |
| ·实验结果 | 第43-46页 |
| ·实验数据描述 | 第43页 |
| ·特征提取 | 第43-44页 |
| ·结果 | 第44-46页 |
| ·小结 | 第46-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 附录 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 硕期间取得的研究成果 | 第57-58页 |
