| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 注释表 | 第10-11页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景 | 第11-16页 |
| 1.1.1 脑机接口的定义 | 第11页 |
| 1.1.2 脑机接口的系统结构 | 第11-13页 |
| 1.1.3 脑机接口的分类 | 第13-16页 |
| 1.2 基于SSVEP的BCI系统 | 第16-18页 |
| 1.2.1 稳态视觉诱发电位 | 第16-17页 |
| 1.2.2 基于SSVEP的BCI系统结构 | 第17页 |
| 1.2.3 基于SSVEP的BCI系统的研究现状及研究意义 | 第17-18页 |
| 1.3 本文的主要研究内容和布局 | 第18-20页 |
| 2 基于SSVEP的BCI系统的实验设计 | 第20-27页 |
| 2.1 视觉刺激模块 | 第20-22页 |
| 2.1.1 视觉刺激频率 | 第20-21页 |
| 2.1.2 视觉刺激源 | 第21页 |
| 2.1.3 视觉刺激模式 | 第21-22页 |
| 2.2 电极安放方法 | 第22-25页 |
| 2.2.1 10-20国际标准导联系统 | 第22-23页 |
| 2.2.2 电极的导联方式 | 第23-24页 |
| 2.2.3 常用的SSVEP信号采集方法 | 第24-25页 |
| 2.3 实验设计 | 第25-26页 |
| 2.3.1 被试 | 第25页 |
| 2.3.2 视觉刺激 | 第25页 |
| 2.3.3 实验范式 | 第25-26页 |
| 2.3.4 脑电采集方式 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 SSVEP空间特征提取方法 | 第27-41页 |
| 3.1 脑电信号的预处理 | 第27-29页 |
| 3.2 现有的空间特征提取算法 | 第29-32页 |
| 3.2.1 空间滤波模型 | 第29-30页 |
| 3.2.2 双极融合 | 第30-31页 |
| 3.2.3 最小能量融合 | 第31-32页 |
| 3.2.4 最大对比融合 | 第32页 |
| 3.3 基于偏最小二乘回归的空间滤波算法 | 第32-37页 |
| 3.3.1 PLS的基本思想 | 第32-33页 |
| 3.3.2 PLS的建模 | 第33-35页 |
| 3.3.3 简单PLS算法 | 第35-36页 |
| 3.3.4 PLS空间滤波器的设计 | 第36-37页 |
| 3.4 空间滤波算法对比 | 第37-40页 |
| 3.4.1 分类结果对比 | 第37-39页 |
| 3.4.2 判别特征对比 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 SSVEP的频率识别算法 | 第41-59页 |
| 4.1 现有的SSVEP频率识别算法 | 第41-45页 |
| 4.1.1 功率谱密度分析 | 第41-42页 |
| 4.1.2 典型相关分析 | 第42-43页 |
| 4.1.3 基于LASSO稀疏表征的SSVEP频率识别模型 | 第43-45页 |
| 4.2 基于偏最小二乘回归的SSVEP频率识别 | 第45-50页 |
| 4.2.1 基于PLS的SSVEP频率识别算法及D-PLS模型 | 第45-46页 |
| 4.2.2 基于PLS的SSVEP频率识别结果分析 | 第46-50页 |
| 4.3 基于联合判别算法的SSVEP频率识别模型 | 第50-57页 |
| 4.3.1 联合判别算法的可行性及必要性 | 第50-51页 |
| 4.3.2 基于PSD、CCA及PLS的联合判别算法 | 第51-53页 |
| 4.3.3 实验结果分析 | 第53-57页 |
| 4.4 本章小结 | 第57-59页 |
| 5 全文总结及展望 | 第59-61页 |
| 5.1 全文总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67页 |
| 附录A. 参加科研情况 | 第67页 |
| 附录B. 发表论文情况 | 第67页 |
