| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究内容 | 第15-18页 |
| 1.3 本文主要工作 | 第18-20页 |
| 2 SSVEP信号处理过程 | 第20-44页 |
| 2.1 SSVEP信号的产生与获取 | 第20-27页 |
| 2.1.1 视觉刺激装置设计 | 第21-22页 |
| 2.1.2 基于Direct Show的视觉刺激装置实现 | 第22-24页 |
| 2.1.3 刺激频率的选择 | 第24-26页 |
| 2.1.4 多分类条件下的刺激频率设置 | 第26-27页 |
| 2.2 SSVEP信号的离线分析 | 第27-37页 |
| 2.2.1 盲信号处理 | 第27-31页 |
| 2.2.2 功率谱密度分析 | 第31-33页 |
| 2.2.3 典型相关分析 | 第33-37页 |
| 2.3 SSVEP信号的在线传输 | 第37-43页 |
| 2.3.1 并发子任务 | 第37-38页 |
| 2.3.2 单向模糊推理 | 第38-41页 |
| 2.3.3 多线程的同步和互斥 | 第41-43页 |
| 2.4 本章小结 | 第43-44页 |
| 3 SSVEP信号的分类识别 | 第44-74页 |
| 3.1 SSVEP信号的伪迹去除 | 第44-53页 |
| 3.1.1 独立成分分析去除伪迹 | 第44-46页 |
| 3.1.2 二阶盲辨识去除伪迹 | 第46-49页 |
| 3.1.3 基于典型相关分析的二阶盲辨识 | 第49-51页 |
| 3.1.4 预处理方法的比较 | 第51-53页 |
| 3.2 基于AR模型功率谱的SSVEP特征提取 | 第53-57页 |
| 3.2.1 基波与谐波分量的组合选取 | 第54-56页 |
| 3.2.2 组合结果统计 | 第56-57页 |
| 3.3 基于典型相关分析的SSVEP特征提取 | 第57-65页 |
| 3.3.1 典型相关分析运算过程 | 第57-58页 |
| 3.3.2 不同分类间的相关性验证 | 第58-63页 |
| 3.3.3 不同样本长度的准确性对比 | 第63-65页 |
| 3.4 PCA对典型相关分析的改进 | 第65-73页 |
| 3.4.1 PCA处理SSVEP信号 | 第66-68页 |
| 3.4.2 PCA-CCA联合处理效果 | 第68-71页 |
| 3.4.3 与单一CCA算法的处理时间对比 | 第71-73页 |
| 3.5 本章小结 | 第73-74页 |
| 4 基于SSVEP信号的实时系统构建 | 第74-93页 |
| 4.1 在线系统综合设计 | 第74-78页 |
| 4.1.1 系统整体结构 | 第74-75页 |
| 4.1.2 系统参数设计 | 第75-76页 |
| 4.1.3 在线系统的算法融合 | 第76-78页 |
| 4.2 SSVEP数据流的并发处理 | 第78-88页 |
| 4.2.1 网络传输 | 第80-82页 |
| 4.2.2 自适应单向模糊推理线程调度 | 第82-86页 |
| 4.2.3 多线程的互斥与同步 | 第86-88页 |
| 4.3 实验流程与实际应用 | 第88-92页 |
| 4.3.1 在线实验过程 | 第88-91页 |
| 4.3.2 实际应用 | 第91-92页 |
| 4.4 本章小结 | 第92-93页 |
| 5 总结与展望 | 第93-95页 |
| 5.1 工作总结 | 第93页 |
| 5.2 未来展望 | 第93-95页 |
| 参考文献 | 第95-99页 |
| 致谢 | 第99-100页 |
| 个人简历、在学期间发表的学术论文及参与的项目 | 第100页 |