摘要 | 第4-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-31页 |
1.1 课题研究背景及意义 | 第11-13页 |
1.2 脑机接口技术的理论基础 | 第13-20页 |
1.2.1 脑机接口的组成及工作原理 | 第13-14页 |
1.2.2 脑电信号生理学原理及其特点 | 第14-16页 |
1.2.3 脑电信号的分类 | 第16-19页 |
1.2.4 脑电信号采集方法 | 第19-20页 |
1.3 基于运动想象脑电的手臂康复方法研究现状 | 第20-28页 |
1.3.1 国内外研究现状 | 第20-24页 |
1.3.2 常用的特征提取方法 | 第24-25页 |
1.3.3 常用的分类方法 | 第25-26页 |
1.3.4 基于深度学习的分析方法 | 第26-28页 |
1.3.5 脑电信号采集软件设计 | 第28页 |
1.4 本文主要研究内容及组织结构 | 第28-31页 |
第2章 基于小波包变换与深度信念网络的脑电特征提取方法 | 第31-45页 |
2.1 引言 | 第31-32页 |
2.2 基本原理 | 第32-36页 |
2.2.1 深度信念网络 | 第32-34页 |
2.2.2 小波包变换 | 第34-35页 |
2.2.3 Softmax分类器 | 第35-36页 |
2.3 基于WPTDBN的脑电特征提取方法 | 第36-38页 |
2.4 实验研究与结果分析 | 第38-43页 |
2.4.1 脑电数据来源 | 第38页 |
2.4.2 脑电信号的时域分析 | 第38-39页 |
2.4.3 网络深度与小波基函数的选择 | 第39-41页 |
2.4.4 WPT及Dropout对识别结果的对比研究 | 第41页 |
2.4.5 多种识别方法的对比研究 | 第41-42页 |
2.4.6 多种特征提取方法的对比研究 | 第42-43页 |
2.5 本章小结 | 第43-45页 |
第3章 基于最优小波包和LSTM型递归神经网络的脑电识别方法 | 第45-57页 |
3.1 引言 | 第45-46页 |
3.2 基本原理 | 第46-49页 |
3.2.1 递归神经网络 | 第46页 |
3.2.2 LSTM单元 | 第46-48页 |
3.2.3 基于改进距离准则的最优小波包选择 | 第48-49页 |
3.3 WLR脑电识别方法 | 第49-52页 |
3.3.1 WLR识别方法步骤 | 第49-51页 |
3.3.2 WLR识别方法流程 | 第51-52页 |
3.4 实验研究与结果分析 | 第52-56页 |
3.4.1 实验数据及分析 | 第52页 |
3.4.2 基于改进的距离准则求取小波包最优子空间 | 第52-54页 |
3.4.3 隐含层神经元数量对识别结果的影响 | 第54-55页 |
3.4.4 比对研究结果与分析 | 第55-56页 |
3.5 本章总结 | 第56-57页 |
第4章 基于人脸识别技术的脑电采集与分析 | 第57-69页 |
4.1 引言 | 第57页 |
4.2 基于人脸识别技术的脑电采集实验设计 | 第57-61页 |
4.2.1 脑电采集设备 | 第57-59页 |
4.2.2 人脸识别技术 | 第59页 |
4.2.3 采集系统结构与功能划分 | 第59-60页 |
4.2.4 采集时间间隔 | 第60-61页 |
4.2.5 脑电采集流程 | 第61页 |
4.3 想象手臂伸、屈运动脑电采集实验 | 第61-65页 |
4.3.1 实验环境及测试者 | 第63页 |
4.3.2 脑电极放置 | 第63-64页 |
4.3.3 实验方案设计 | 第64-65页 |
4.4 实验结果与分析 | 第65-67页 |
4.4.1 个性化采集结果 | 第65-66页 |
4.4.2 时域分析 | 第66页 |
4.4.3 研究结果与分析 | 第66-67页 |
4.5 本章小结 | 第67-69页 |
第5章 基于MI-BCI的手臂康复系统 | 第69-77页 |
5.1 引言 | 第69页 |
5.2 手臂康复系统整体设计方案 | 第69-71页 |
5.3 系统软件结构 | 第71-72页 |
5.4 系统硬件结构 | 第72-74页 |
5.4.1 脑电采集模块 | 第72-73页 |
5.4.2 机械手臂以及控制模块 | 第73-74页 |
5.5 在线手臂康复系统实验设计 | 第74-75页 |
5.6 实验结果及分析 | 第75-76页 |
5.7 本章总结 | 第76-77页 |
结论 | 第77-81页 |
参考文献 | 第81-87页 |
攻读硕士学位期间所发表的学术论文 | 第87-89页 |
致谢 | 第89页 |