| 中文摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-29页 |
| 1.1 脑力负荷研究背景 | 第11-17页 |
| 1.1.1 脑力负荷概念 | 第11页 |
| 1.1.2 脑力负荷与认知资源理论 | 第11-13页 |
| 1.1.3 脑力负荷研究意义 | 第13-14页 |
| 1.1.4 脑力负荷检测与被动式脑-机接口 | 第14-15页 |
| 1.1.5 脑力负荷应用 | 第15-17页 |
| 1.2 脑力负荷评估或检测方法 | 第17-20页 |
| 1.2.1 主观量表法 | 第17-18页 |
| 1.2.2 任务绩效法 | 第18页 |
| 1.2.3 生理参数法 | 第18-20页 |
| 1.3 基于脑电的脑力负荷识别研究现状 | 第20-26页 |
| 1.3.1 单任务范式脑力负荷研究 | 第20-22页 |
| 1.3.2 双任务范式脑力负荷研究 | 第22-23页 |
| 1.3.3 基于脑电的脑力负荷识别存在的问题 | 第23-26页 |
| 1.4 本文研究目的与研究意义 | 第26-27页 |
| 1.5 主要研究内容与章节安排 | 第27-29页 |
| 2 自发脑电和ERP对脑力负荷变化的响应研究 | 第29-53页 |
| 2.1 引言 | 第29-30页 |
| 2.1.1 本章研究目的 | 第29页 |
| 2.1.2 脑力负荷实验的设计思路 | 第29-30页 |
| 2.2 单任务范式脑力负荷研究 | 第30-37页 |
| 2.2.1 单任务范式脑力负荷实验（实验一）设计与实施 | 第30-32页 |
| 2.2.2 脑电数据采集、预处理与特征分析方法 | 第32-33页 |
| 2.2.3 结果分析 | 第33-37页 |
| 2.3 双任务范式脑力负荷研究 | 第37-51页 |
| 2.3.1 双任务范式脑力负荷实验（实验二）设计与实施 | 第37-38页 |
| 2.3.2 脑电数据采集、预处理与分析方法 | 第38-42页 |
| 2.3.3 结果分析 | 第42-51页 |
| 2.4 本章小结 | 第51-53页 |
| 3 单任务范式下的跨任务脑力负荷识别研究 | 第53-67页 |
| 3.1 引言 | 第53-56页 |
| 3.1.1 本章研究目的 | 第53页 |
| 3.1.2 跨任务脑力负荷识别的可行性分析 | 第53-55页 |
| 3.1.3 针对跨任务脑力负荷识别问题的解决方案 | 第55-56页 |
| 3.2 跨任务特征筛选与识别方法 | 第56-59页 |
| 3.2.1 脑电数据来源 | 第56页 |
| 3.2.2 支持向量分类与支持向量回归 | 第56页 |
| 3.2.3 训练与测试方式 | 第56-57页 |
| 3.2.4 跨任务递归特征筛选方法 | 第57-59页 |
| 3.3 结果分析 | 第59-66页 |
| 3.3.1 两种N-back任务跨任务识别结果分析 | 第59-62页 |
| 3.3.2 N-back与MATB任务跨任务识别结果分析 | 第62-64页 |
| 3.3.3 特征筛选的目标函数与特征贡献率分析 | 第64-66页 |
| 3.4 本章小结 | 第66-67页 |
| 4 双任务范式下跨个体、跨任务脑力负荷识别研究 | 第67-84页 |
| 4.1 引言 | 第67-70页 |
| 4.1.1 本章研究目的 | 第67页 |
| 4.1.2 脑电功率谱与tir ERP特征可分性的跨任务、跨个体比较 | 第67-69页 |
| 4.1.3 双任务范式下跨任务、跨个体问题的解决方案 | 第69-70页 |
| 4.2 特征提取、特征筛选与机器学习方法 | 第70-76页 |
| 4.2.1 基于典型相关分析的ERP空间滤波方法 | 第70-72页 |
| 4.2.2 极限学习机 | 第72-74页 |
| 4.2.3 训练与测试方式 | 第74-75页 |
| 4.2.4 基于带符号Fisher系数的特征筛选方法 | 第75-76页 |
| 4.3 结果分析 | 第76-82页 |
| 4.3.1 同个体下同任务与跨任务识别结果分析 | 第76-78页 |
| 4.3.2 跨个体下同任务与跨任务识别结果分析 | 第78-80页 |
| 4.3.3 样本量、个体数量对跨个体识别的影响 | 第80-82页 |
| 4.4 本章小结 | 第82-84页 |
| 5 脑力负荷对ERP-BCI的影响及自适应BCI探究 | 第84-100页 |
| 5.1 引言 | 第84-85页 |
| 5.2 实验设计与实现 | 第85-87页 |
| 5.3 脑电数据采集、处理与ERP-BCI中的分类识别方法 | 第87-89页 |
| 5.3.1 脑电数据采集与处理 | 第87页 |
| 5.3.2 ERP特征可分性评价方法 | 第87-88页 |
| 5.3.3 ERP-BCI中的分类识别方法 | 第88页 |
| 5.3.4 ERP-BCI训练与测试方式 | 第88-89页 |
| 5.4 脑力负荷对ERP-BCI的影响分析 | 第89-95页 |
| 5.4.1 脑力负荷对ERP的影响 | 第89-90页 |
| 5.4.2 测试数据脑力负荷对ERP-BCI识别率的影响 | 第90-93页 |
| 5.4.3 训练数据的脑力负荷对ERP-BCI识别率影响 | 第93-95页 |
| 5.5 自适应ERP-BCI探究 | 第95-98页 |
| 5.5.1 基于脑状态的自适应BCI框架 | 第95-96页 |
| 5.5.2 离线模拟自适应ERP-BCI及其结果分析 | 第96-98页 |
| 5.6 本章小结 | 第98-100页 |
| 6 总结与展望 | 第100-104页 |
| 6.1 研究总结 | 第100-101页 |
| 6.2 未来展望 | 第101-104页 |
| 参考文献 | 第104-112页 |
| 发表论文和参加科研情况说明 | 第112-114页 |
| 致谢 | 第114-115页 |
