| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 脑-机接口概念 | 第10-11页 |
| 1.3 脑-机接口研究现状及存在的问题 | 第11-15页 |
| 1.3.1 脑-机接口国内外研究现状 | 第11-14页 |
| 1.3.2 目前主要存在的问题 | 第14-15页 |
| 1.4 本文研究主要内容 | 第15-17页 |
| 第2章 基于EEMD的多类特征的运动想象脑电识别方法 | 第17-29页 |
| 2.1 脑电信号数据实验范例 | 第17-19页 |
| 2.2 EEMD分解算法 | 第19-20页 |
| 2.3 特征提取算法及特征选择 | 第20-23页 |
| 2.3.1 基于EEMD的运动想象模式识别基本方案 | 第20-21页 |
| 2.3.2 基于希尔伯特变换的时频特征提取 | 第21-23页 |
| 2.3.3 EEMD-ApEn的特征提取 | 第23页 |
| 2.3.4 单因素方差检验 | 第23页 |
| 2.4 分类器选择及分类过程 | 第23-24页 |
| 2.5 实验结果及分析 | 第24-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 基于ITD的多类特征的运动想象脑电识别方法 | 第29-43页 |
| 3.1 固有时间尺度分解(ITD)算法 | 第29-32页 |
| 3.2 特征提取算法及特征选择 | 第32-35页 |
| 3.2.1 基于ITD的运动想象模式识别基本方案 | 第32-33页 |
| 3.2.2 自回归模型系数特征 | 第33-34页 |
| 3.2.3 能量及形态学特征 | 第34页 |
| 3.2.4 模糊近似熵特征 | 第34-35页 |
| 3.2.5 单因素方差检验 | 第35页 |
| 3.3 分类器选择及分类过程 | 第35-36页 |
| 3.4 两种评价标准 | 第36-38页 |
| 3.4.1 互信息评价标准 | 第37页 |
| 3.4.2 最大峭度评价标准 | 第37-38页 |
| 3.5 实验结果及分析 | 第38-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于ThinkGear脑电仪在线BCI系统开发 | 第43-49页 |
| 4.1 ThinkGear脑电仪简介 | 第43页 |
| 4.2 基于ThinkGear脑电仪在线BCI系统 | 第43-46页 |
| 4.2.1 PC端模式识别软件设计 | 第44页 |
| 4.2.2 手臂控制模块设计 | 第44-46页 |
| 4.3 实验结果及讨论 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 全文总结 | 第49页 |
| 5.2 前景展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 作者简介 | 第57-59页 |
| 致谢 | 第59页 |
