| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-27页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 脑机接口的基本原理 | 第12-19页 |
| 1.2.1 组成及工作原理 | 第12-14页 |
| 1.2.2 脑电信号的采集方式 | 第14-16页 |
| 1.2.3 脑电信号的分类 | 第16-17页 |
| 1.2.4 脑电信号的生理基础 | 第17-19页 |
| 1.3 研究现状 | 第19-23页 |
| 1.3.1 BCI系统研究现状 | 第19-21页 |
| 1.3.2 脑电特征提取方法研究现状 | 第21-22页 |
| 1.3.3 存在的问题 | 第22-23页 |
| 1.4 本文研究内容及组织结构 | 第23-27页 |
| 第2章 基于LLE和DWT的脑电信号特征提取的研究 | 第27-43页 |
| 2.1 引言 | 第27页 |
| 2.2 流形学习的概述 | 第27-29页 |
| 2.2.1 流形学习的背景 | 第27页 |
| 2.2.2 流形学习的提出 | 第27-28页 |
| 2.2.3 流形学习在脑电信号处理中的引入 | 第28-29页 |
| 2.3 基础理论 | 第29-32页 |
| 2.3.1 离散小波变换 | 第29-30页 |
| 2.3.2 局部线性嵌入 | 第30-32页 |
| 2.4 数据分析 | 第32-35页 |
| 2.4.1 实验数据 | 第32-33页 |
| 2.4.2 基于Wigner-Ville分布的时频分析 | 第33-34页 |
| 2.4.3 MI-EEG信号的功率谱分析 | 第34-35页 |
| 2.5 特征提取与可视化 | 第35-37页 |
| 2.5.1 时频特征 | 第35-36页 |
| 2.5.2 非线性特征及可视化 | 第36-37页 |
| 2.6 实验研究与分析 | 第37-41页 |
| 2.6.1 LLE算法中参数的优化选择 | 第37-39页 |
| 2.6.2 特征组合与分类器匹配实验研究 | 第39-40页 |
| 2.6.3 多种识别方法的对比研究 | 第40页 |
| 2.6.4 多种特征提取方法的对比研究 | 第40-41页 |
| 2.7 本章小结 | 第41-43页 |
| 第3章 基于参数化t-SNE的多域融合特征提取方法 | 第43-57页 |
| 3.1 引言 | 第43页 |
| 3.2 基础理论 | 第43-47页 |
| 3.2.1 随机邻嵌入 | 第44-45页 |
| 3.2.2 t分布随机邻嵌入 | 第45-46页 |
| 3.2.3 参数化t分布随机邻嵌入 | 第46-47页 |
| 3.3 特征提取与融合 | 第47-49页 |
| 3.3.1 具体步骤 | 第47-48页 |
| 3.3.2 算法流程 | 第48-49页 |
| 3.4 实验研究与分析 | 第49-55页 |
| 3.4.1 特征可视化结果的比较 | 第49-52页 |
| 3.4.2 算法参数选择 | 第52-53页 |
| 3.4.3 模式分类比较 | 第53-54页 |
| 3.4.4 计算效率比较 | 第54-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第4章 基于运动想象脑电信号的BCI系统设计 | 第57-73页 |
| 4.1 引言 | 第57页 |
| 4.2 基于DWT-LLE的BCI家电控制系统 | 第57-62页 |
| 4.2.1 脑电信号采集 | 第58-60页 |
| 4.2.2 信号采集过程 | 第60-61页 |
| 4.2.3 信号处理过程 | 第61-62页 |
| 4.2.4 实验结果 | 第62页 |
| 4.3 基于DWT和P.t-SNE的BCI手臂康复系统 | 第62-72页 |
| 4.3.1 系统框架 | 第63-64页 |
| 4.3.2 脑电信号采集 | 第64-65页 |
| 4.3.3 机械手臂及其控制模块 | 第65-67页 |
| 4.3.4 系统软件设计 | 第67-68页 |
| 4.3.5 实验步骤 | 第68-71页 |
| 4.3.6 实验结果 | 第71-72页 |
| 4.4 本章小结 | 第72-73页 |
| 结论 | 第73-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间所发表的学术论文 | 第83-85页 |
| 致谢 | 第85页 |
