| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 脑-机接口的背景介绍 | 第10-16页 |
| 1.1.1 脑-机接口系统的构成框架 | 第10-12页 |
| 1.1.2 脑-机接口的类型 | 第12-16页 |
| 1.2 脑电中的特征提取及模式识别方法 | 第16-18页 |
| 1.2.1 特征提取算法简介 | 第17页 |
| 1.2.2 模式分类算法简介 | 第17-18页 |
| 1.3 脑-机接口中的自适应算法介绍 | 第18-19页 |
| 1.4 本文主要工作 | 第19页 |
| 1.5 论文结构 | 第19-21页 |
| 第二章 基于mVEP的脑-机接口系统构建 | 第21-35页 |
| 2.1 运动起始视觉诱发电位的特征及原理 | 第21-23页 |
| 2.1.1 运动起始视觉诱发电位的特征及相关脑区 | 第21-22页 |
| 2.1.2 运动起始诱发电位的诱发方式 | 第22-23页 |
| 2.2 mVEP-BCI的系统构成 | 第23-28页 |
| 2.2.1 系统框架 | 第23-27页 |
| 2.2.2 数据处理流程 | 第27-28页 |
| 2.3 结果分析 | 第28-33页 |
| 2.3.1 离线的脑电数据 | 第28-31页 |
| 2.3.2 系统实际控制效果 | 第31-33页 |
| 2.4 mVEP-BCI的应用方向 | 第33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 CSP算法在mVEP-BCI中的应用 | 第35-41页 |
| 3.1 CSP算法介绍 | 第35-36页 |
| 3.2 实验数据描述 | 第36页 |
| 3.3 实验数据处理 | 第36-38页 |
| 3.3.1 预处理 | 第36-37页 |
| 3.3.2 传统的特征提取方法 | 第37页 |
| 3.3.3 用CSP算法进行特征提取 | 第37-38页 |
| 3.4 结果分析 | 第38-40页 |
| 3.4.1 两种特征提取方式的分类结果散点图 | 第38-39页 |
| 3.4.2 被试控制表现比较 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 mVEP-BCI系统中的动态停止策略研究 | 第41-51页 |
| 4.1 引言 | 第41-42页 |
| 4.2 材料与方法 | 第42-44页 |
| 4.2.1 实验设计 | 第42页 |
| 4.2.2 预处理 | 第42页 |
| 4.2.3 数据分析 | 第42页 |
| 4.2.4 实验数据按固定叠加次数的方法分析 | 第42-43页 |
| 4.2.5 动态停止策略 | 第43-44页 |
| 4.3 实验结果 | 第44-46页 |
| 4.3.1 mVEP的信号特征 | 第44-45页 |
| 4.3.2 mVEP-BCI控制表现 | 第45-46页 |
| 4.3.3 mVEP的3种成分对脑-机接口系统表现的影响 | 第46页 |
| 4.4 讨论 | 第46-50页 |
| 4.4.1 动态停止策略对脑-机接口系统性能的提升 | 第47-49页 |
| 4.4.2 被试的个体偏差 | 第49-50页 |
| 4.4.3 对于异步BCI的控制 | 第50页 |
| 4.4.4 参考电极的影响 | 第50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 全文总结 | 第51页 |
| 5.2 未来展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间取得的成果 | 第59页 |