| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景 | 第10-20页 |
| 1.1.1 多元模式分析在脑信号分析中的应用 | 第10-13页 |
| 1.1.2 多元模式分析用于fMRI信号重建视觉刺激信号 | 第13-16页 |
| 1.1.3 多元模式分析用于高时间分辨率的脑信号 | 第16-18页 |
| 1.1.4 稳态视觉诱发电位 | 第18-19页 |
| 1.1.5 基于特征的视觉注意 | 第19-20页 |
| 1.2 本文的研究目的及意义 | 第20-22页 |
| 第二章 实验设计与数据采集 | 第22-29页 |
| 2.1 实验设置 | 第22-27页 |
| 2.1.1 刺激材料 | 第23-25页 |
| 2.1.2 实验流程 | 第25-26页 |
| 2.1.3 被试和准备工作 | 第26页 |
| 2.1.4 刺激呈现和脑电数据采集 | 第26-27页 |
| 2.2 行为数据分析 | 第27页 |
| 2.3 脑电数据预处理 | 第27-29页 |
| 第三章 数据处理方法 | 第29-39页 |
| 3.1 脑电信号的多元模式分析方法 | 第29-34页 |
| 3.1.1 正向编码模型 | 第29-30页 |
| 3.1.2 栈式自编码神经网络 | 第30-34页 |
| 3.2 数据预处理和基本的特征提取 | 第34-38页 |
| 3.2.1 功率谱特征和信噪比特征 | 第35-36页 |
| 3.2.2 时频特征 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 数据分析结果 | 第39-51页 |
| 4.1 SSVEP信号的ERP及功率谱密度 | 第39-41页 |
| 4.2 使用正向编码模型的方向和颜色预测效果 | 第41-43页 |
| 4.3 使用栈式自编码神经网络的分类结果 | 第43-45页 |
| 4.4 线性判别分析的分类结果 | 第45-49页 |
| 4.5 不同实验条件之间使用SVM的分类结果 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 结论和展望 | 第51-54页 |
| 5.1 结论 | 第51-52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读书硕士学位期间取得的成果 | 第58-59页 |