| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 注释表 | 第11-12页 |
| 第1章 引言 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-16页 |
| 1.1.1 BCI的概念和组成 | 第12-13页 |
| 1.1.2 脑电信号简介 | 第13-14页 |
| 1.1.3 BCI系统的应用 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 常用的EEG特征提取算法 | 第16-18页 |
| 1.2.2 常用的EEG分类算法 | 第18-19页 |
| 1.3 论文主要内容 | 第19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第2章 EEG特征提取与分类的深度学习模型 | 第21-35页 |
| 2.1 深度学习简介 | 第21-22页 |
| 2.2 基于深度信念网络的脑电信号识别 | 第22-27页 |
| 2.2.1 受限玻尔兹曼机 | 第22-25页 |
| 2.2.2 深度信念网络对脑电信号的分类 | 第25-27页 |
| 2.3 基于SAE神经网络的脑电信号识别 | 第27-32页 |
| 2.3.1 稀疏编码简介 | 第27-28页 |
| 2.3.2 ZCA白化在稀疏编码中的作用 | 第28-30页 |
| 2.3.3 SAE神经网络对脑电信号的分类 | 第30-32页 |
| 2.4 基于卷积神经网络的脑电信号识别 | 第32-34页 |
| 2.4.1 卷积神经网络 | 第32-33页 |
| 2.4.2 卷积神经网络对脑电信号的分类 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于PSO优化隐层部分可见深层堆叠网络的EEG分类 | 第35-53页 |
| 3.1 深层堆叠网络 | 第35-38页 |
| 3.1.1 深层堆叠网络的基本模型 | 第35-37页 |
| 3.1.2 输入权值的初始化 | 第37页 |
| 3.1.3 参数学习方法 | 第37-38页 |
| 3.2 基于PSO优化的隐层部分可见深层堆叠网络 | 第38-42页 |
| 3.2.1 深层堆叠网络中间层可视化建模 | 第38-39页 |
| 3.2.2 粒子群优化算法 | 第39-40页 |
| 3.2.3 基于PSO的HVDSN参数优化 | 第40-42页 |
| 3.3 实验结果与分析 | 第42-52页 |
| 3.3.1 脑电信号采集与预处理 | 第42-44页 |
| 3.3.2 参数设置 | 第44-45页 |
| 3.3.3 结果和分析 | 第45-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 基于深层堆叠网络的EEG半监督特征提取及识别 | 第53-61页 |
| 4.1 半监督学习研究背景 | 第53-54页 |
| 4.1.1 半监督学习相关知识 | 第53-54页 |
| 4.1.2 半监督分类方法在EEG识别中的应用 | 第54页 |
| 4.2 基于半监督特征学习的EEG分类 | 第54-57页 |
| 4.2.1 基于RBM的无监督预训练 | 第54-56页 |
| 4.2.2 基于批量梯度下降的监督微调 | 第56-57页 |
| 4.3 实验结果与分析 | 第57-60页 |
| 4.3.1 实验数据描述 | 第57页 |
| 4.3.2 结果和分析 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 结束语 | 第61-63页 |
| 5.1 论文内容总结 | 第61-62页 |
| 5.2 未来工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第70页 |