| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 脑机接口的背景及应用 | 第10-11页 |
| 1.2 脑机接口技术基本原理 | 第11-15页 |
| 1.2.1 脑机接口系统的组成 | 第11-12页 |
| 1.2.2 脑机接口中常见的EEG信号 | 第12-14页 |
| 1.2.3 脑机接口系统的分类 | 第14页 |
| 1.2.4 脑机接口研究面临的问题和挑战 | 第14-15页 |
| 1.3 本文的研究内容和结构安排 | 第15-17页 |
| 第二章 迁移学习及其在脑机接口中的应用 | 第17-24页 |
| 2.1 迁移学习 | 第17-20页 |
| 2.1.1 迁移学习概述 | 第17-19页 |
| 2.1.2 迁移学习分类 | 第19-20页 |
| 2.1.3 负迁移 | 第20页 |
| 2.2 迁移学习在脑机接口中的应用 | 第20-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 实例权重自调整迁移学习算法 | 第24-33页 |
| 3.1 实例权重自调整迁移学习算法 | 第24-28页 |
| 3.1.1 源领域数据权重初始化算法 | 第24-26页 |
| 3.1.2 实例权重自调整迁移学习算法 | 第26-27页 |
| 3.1.3 算法2和TrAdaboost算法的对比 | 第27-28页 |
| 3.2 实验数据简介 | 第28-30页 |
| 3.2.1 国际脑机接口竞赛数据 | 第28-29页 |
| 3.2.2 本实验室P300脑电信号数据 | 第29-30页 |
| 3.3 实验与分析 | 第30-32页 |
| 3.3.1 对算法1的有效性验证 | 第30-31页 |
| 3.3.2 对算法2的实验 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于模型参数共享的迁移学习算法 | 第33-50页 |
| 4.1 时空特征分解的Logistic回归模型 | 第33-36页 |
| 4.2 时空特征分解模型的可迁移参数的研究 | 第36-39页 |
| 4.2.1 基于FD-LR模型的多任务学习算法 | 第36-38页 |
| 4.2.2 实验与分析 | 第38-39页 |
| 4.3 基于时域特征参数的迁移学习算法 | 第39-43页 |
| 4.3.1 基于时域特征参数的迁移学习算法 | 第39-43页 |
| 4.3.2 实验与分析 | 第43页 |
| 4.4 基于贝叶斯框架的迁移学习算法 | 第43-48页 |
| 4.4.1 基于贝叶斯框架的迁移学习算法 | 第43-47页 |
| 4.4.2 实验与分析 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 基于卷积神经网络的迁移学习 | 第50-60页 |
| 5.1 卷积神经网络及其在P300脑机接口中的应用 | 第50-52页 |
| 5.2 深度迁移学习算法 | 第52-53页 |
| 5.3 基于卷积神经网络的迁移学习算法 | 第53-57页 |
| 5.3.1 网络结构 | 第53-55页 |
| 5.3.2 基于卷积神经网络的迁移学习方法 | 第55-57页 |
| 5.4 实验与分析 | 第57-58页 |
| 5.5 不同算法的比较 | 第58-59页 |
| 5.6 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 总结 | 第60-61页 |
| 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |