| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 课题研究背景及意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-11页 |
| 1.2.1 脑电数据的预处理 | 第8-9页 |
| 1.2.2 脑电特征的提取与选择 | 第9-10页 |
| 1.2.4 脑电特征的分类识别 | 第10-11页 |
| 1.3 论文主要研究内容 | 第11页 |
| 1.4 论文组织结构及章节安排 | 第11-12页 |
| 2 实验数据介绍及脑电特征提取 | 第12-29页 |
| 2.1 实验数据 | 第12-13页 |
| 2.2 脑电数据的特征提取方法 | 第13-21页 |
| 2.2.1 基于时域分析的脑电特征提取 | 第13-14页 |
| 2.2.2 基于频域或时频域分析的脑电特征提取 | 第14-16页 |
| 2.2.3 基于熵理论与复杂度的特征提取 | 第16-20页 |
| 2.2.4 基于经验模态分解的脑电特征提取 | 第20-21页 |
| 2.3 提取的脑电特征 | 第21-28页 |
| 2.3.1 提取的脑电特征列表汇总 | 第21-22页 |
| 2.3.2 脑电特征的图形化对比 | 第22-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于矩阵分解的脑电特征选择 | 第29-40页 |
| 3.1 基于矩阵分解的脑电特征选择方法及原理介绍 | 第29-32页 |
| 3.1.1 矩阵分解选择脑电特征的方法原理 | 第29-30页 |
| 3.1.2 基于信息熵最大的独立分量分析的方法介绍 | 第30-32页 |
| 3.2 InfomaxICA选取脑电特征 | 第32-39页 |
| 3.2.1 算法稳定性分析及成分数选择 | 第32-35页 |
| 3.2.2 可分性脑电特征的选取 | 第35-39页 |
| 3.3 本章小结 | 第39-40页 |
| 4 脑电特征的分类识别 | 第40-46页 |
| 4.1 三种分类识别算法的简单介绍 | 第40-43页 |
| 4.2 特征样本的分类识别及结果 | 第43-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5 总结与展望 | 第46-48页 |
| 5.1 本论文的主要工作和创新点 | 第46页 |
| 5.1.1 主要工作 | 第46页 |
| 5.1.2 主要创新点 | 第46页 |
| 5.2 未来工作展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-54页 |