基于动态模式识别方法的BCI康复系统
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 目录 | 第5-8页 |
| 表格索引 | 第8-9页 |
| 插图索引 | 第9-11页 |
| 主要符号对照表 | 第11-12页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究意义及目的 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 动态模式识别方法 | 第15页 |
| 1.4 论文安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 脑电信号的动态特征提取算法 | 第17-26页 |
| 2.1 脑卒中患者的脑电信号信号特点 | 第17-19页 |
| 2.1.1 脑电信号与脑电图 | 第17-18页 |
| 2.1.2 事件相关同步/去同步现象 | 第18页 |
| 2.1.3 脑卒中患者的 EEG 信号特点 | 第18-19页 |
| 2.2 公共空间模式算法 | 第19-20页 |
| 2.3 独立残量分析算法 | 第20-22页 |
| 2.3.1 问题描述 | 第21-22页 |
| 2.3.2 学习算法 | 第22页 |
| 2.4 基于张量的特征提取算法 | 第22-25页 |
| 2.4.1 张量的定义与运算 | 第23-24页 |
| 2.4.2 脑电信号的张量特征提取 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 脑电信号的动态模式识别算法 | 第26-33页 |
| 3.1 隐马尔可夫算法 | 第26-27页 |
| 3.1.1 基本定义 | 第26-27页 |
| 3.2 条件随机场算法 | 第27-31页 |
| 3.2.1 条件随机场的定义 | 第27-29页 |
| 3.2.2 基于脑电信号动态特征的条件随机场 | 第29-31页 |
| 3.3 几种动态模型之间的理论比较 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于动态特征的康复系统平台搭建 | 第33-42页 |
| 4.1 系统架构 | 第33-34页 |
| 4.2 实时数据采集模块 | 第34-36页 |
| 4.3 数据存储及分析模块 | 第36页 |
| 4.4 多模态反馈模块 | 第36-38页 |
| 4.5 主动训练模块 | 第38-39页 |
| 4.6 可视化模块 | 第39-41页 |
| 4.7 本章小结 | 第41-42页 |
| 第五章 实验设计及数据分析 | 第42-53页 |
| 5.1 在线实验设计 | 第42-44页 |
| 5.1.1 实验样本选择 | 第42-43页 |
| 5.1.2 实验设置 | 第43-44页 |
| 5.2 在线结果分析 | 第44-49页 |
| 5.2.1 临床指标分析 | 第44-45页 |
| 5.2.2 ERSP 频谱对照 | 第45-47页 |
| 5.2.3 在线识别准确率分析 | 第47-49页 |
| 5.3 离线数据分析 | 第49-51页 |
| 5.3.1 离线实验数据及方法选取 | 第49页 |
| 5.3.2 动态模式识别方法分析 | 第49-50页 |
| 5.3.3 动态特征提取方法分析 | 第50页 |
| 5.3.4 隐状态数分析 | 第50-51页 |
| 5.4 本章小结 | 第51-53页 |
| 第六章 全文总结 | 第53-56页 |
| 6.1 主要结论 | 第53-54页 |
| 6.2 研究展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间发表的学术论文目录 | 第64-66页 |
