| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-28页 |
| ·脑-机接口的研究目的 | 第11-14页 |
| ·脑-机接口概述 | 第11页 |
| ·脑-机接口系统组成与工作原理 | 第11-12页 |
| ·脑-机接口的重要意义 | 第12-13页 |
| ·目前国内外脑-机接口的研究状况和存在主要问题 | 第13-14页 |
| ·脑-机接口涉及到的方法 | 第14-17页 |
| ·大脑活动测量方法 | 第14-17页 |
| ·在线和离线研究方法 | 第17页 |
| ·脑电信号的分析 | 第17-20页 |
| ·脑电简介 | 第17-18页 |
| ·脑电的主要频率成份和特点 | 第18-20页 |
| ·基于脑电的脑-机接口研究方法 | 第20-24页 |
| ·运动想象及其神经生理学基础 | 第20-22页 |
| ·脑-机接口研究的主要方法 | 第22-23页 |
| ·数据来源 | 第23-24页 |
| ·本文的研究内容 | 第24-28页 |
| ·本文的研究目标 | 第24-25页 |
| ·本文的内容安排 | 第25-27页 |
| ·论文的创新点 | 第27-28页 |
| 第二章 脑电信号的预处理方法 | 第28-50页 |
| ·脑电预处理中常用空间滤波 | 第28-33页 |
| ·主成分分析(PCA)法 | 第33-42页 |
| ·主分量的求解过程 | 第33-35页 |
| ·PCA处理算法——协方差特征向量 | 第35-37页 |
| ·PCA处理算法—奇异值分解(SVD) | 第37-38页 |
| ·SVD和协方差法之间的关系 | 第38-39页 |
| ·运用PCA进行脑电噪音消除 | 第39-42页 |
| ·独立成分分离 | 第42-46页 |
| ·盲源信号分离的原理 | 第42页 |
| ·测量信号白化 | 第42-43页 |
| ·联合近似对角化(JADE)算法原理 | 第43-44页 |
| ·盲源信号分离算法剔除脑电信号中的眼电噪音 | 第44-46页 |
| ·PCA方法与ICA方法的比较 | 第46-50页 |
| 第三章 HMM-AR对BCI数据的时域分析 | 第50-71页 |
| ·HMM模型介绍 | 第50-55页 |
| ·HMM模型 | 第50-51页 |
| ·HMM基本算法 | 第51-54页 |
| ·算法下溢问题的处理 | 第54-55页 |
| ·HMM-AR模型 | 第55-62页 |
| ·Kalman-AR模型 | 第56-57页 |
| ·参数估计 | 第57-58页 |
| ·模型初始化方法 | 第58-59页 |
| ·HMM-AR算法 | 第59-61页 |
| ·HMM-AR模型状态监测方法 | 第61-62页 |
| ·模拟实验 | 第62-64页 |
| ·基于HMM-AR区分运动相关和非运动脑电信号 | 第64-66页 |
| ·运动相关脑电信号的一般特性 | 第64页 |
| ·EEG手部运动数据测试 | 第64-66页 |
| ·讨论 | 第66-71页 |
| 第四章 公共空间模型算法在BCI中应用 | 第71-99页 |
| ·特征提取 | 第71-72页 |
| ·公共空间模型算法 | 第72-76页 |
| ·公共空间模型算法 | 第72-75页 |
| ·公共空间模型评价 | 第75-76页 |
| ·公共空间模型空间分解数据 | 第76-84页 |
| ·第一个测试包的公共空间分解 | 第77-79页 |
| ·第二个测试包的公共空间分解 | 第79-83页 |
| ·各种情况公共空间模型的讨论 | 第83-84页 |
| ·分类器的设计 | 第84-90页 |
| ·线性判别分析(Linear Discriminant Analysis LOA) | 第85页 |
| ·支持向量机(Support Vector Machine) | 第85-88页 |
| ·线性与非线性分类器 | 第88-89页 |
| ·鲁棒性 | 第89-90页 |
| ·BCI Competition 2003 data set Ⅳ数据处理 | 第90-93页 |
| ·实验数据描述 | 第90-91页 |
| ·特征提取 | 第91-92页 |
| ·分类结果讨论 | 第92-93页 |
| ·BCI Competition Ⅲ data set Ⅰ实验数据处理 | 第93-99页 |
| ·实验数据描述和数据预处理 | 第93-95页 |
| ·特征提取 | 第95-97页 |
| ·分类结果和讨论 | 第97-99页 |
| 第五章 公共空间模型算法的改进 | 第99-115页 |
| ·多类任务分离的神经生理学背景 | 第99-100页 |
| ·多类分离技术 | 第100-107页 |
| ·多类分离理论 | 第100-101页 |
| ·方法论 | 第101-104页 |
| ·实验模拟 | 第104-107页 |
| ·多类任务分离算法在BCI中的应用 | 第107-110页 |
| ·数据描述 | 第107-108页 |
| ·分类方法 | 第108-109页 |
| ·分类结果 | 第109-110页 |
| ·时变公共空间滤波算法 | 第110-112页 |
| ·时变公共空间滤波器 | 第110-111页 |
| ·最优算法计算 | 第111-112页 |
| ·传统公共空间模型算法与时变公共空间滤波算法比较 | 第112-115页 |
| ·实验设计 | 第112-113页 |
| ·参数选择 | 第113页 |
| ·实验结果 | 第113-115页 |
| 第六章 时间-频率-空间滤波器以及应用 | 第115-129页 |
| ·频率分析的神经生理学背景 | 第115-116页 |
| ·公共空间自适应滤波模型算法研究 | 第116-126页 |
| ·非线性时间序列分析 | 第116-117页 |
| ·公共空间自适应滤波模型算法 | 第117-121页 |
| ·公共空间自适应滤波模型在BCI中的应用 | 第121-125页 |
| ·实验小结 | 第125-126页 |
| ·时间-频率-空间滤波器 | 第126-129页 |
| ·方法论 | 第126页 |
| ·时间-频率-空间滤波器在BCI中的应用 | 第126-129页 |
| 第七章 总结与展望 | 第129-132页 |
| ·工作总结 | 第129-130页 |
| ·后续研究工作 | 第130-132页 |
| 参考文献 | 第132-140页 |
| 致谢 | 第140-141页 |
| 攻读学位期间主要的研究成果 | 第141-143页 |
