基于脑机接口的自然人机交互系统研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 课题研究意义 | 第9页 |
| 1.2.1 理论意义 | 第9页 |
| 1.2.2 实际应用价值 | 第9页 |
| 1.3 发展现状 | 第9-13页 |
| 1.3.1 脑机接口技术发展现状 | 第10-11页 |
| 1.3.2 人机交互技术发展现状 | 第11-13页 |
| 1.4 本文的主要研究内容及组织结构安排 | 第13-15页 |
| 2 脑电信号的特点与采集 | 第15-23页 |
| 2.1 脑电信号特点 | 第15-17页 |
| 2.1.1 信号的产生机理 | 第15页 |
| 2.1.2 脑电信号的分类 | 第15-16页 |
| 2.1.3 脑电信号的特征 | 第16-17页 |
| 2.2 脑电信号的采集 | 第17-21页 |
| 2.2.1 脑电信号的采集设备 | 第17页 |
| 2.2.2 脑电信号的采集实验设计 | 第17-19页 |
| 2.2.3 脑电信号的数据存储 | 第19-21页 |
| 2.3 本章小结 | 第21-23页 |
| 3 脑电信号的预处理 | 第23-29页 |
| 3.1 脑电信号的噪声干扰 | 第23页 |
| 3.2 数字滤波器基本原理 | 第23-25页 |
| 3.3 数字滤波器的计算机辅助设计 | 第25-27页 |
| 3.3.1 FIR数字滤波器设计方法 | 第25页 |
| 3.3.2 Matlab仿真 | 第25-27页 |
| 3.4 本章小结 | 第27-29页 |
| 4 脑电信号的特征提取与模式识别 | 第29-47页 |
| 4.1 脑电信号的特征提取 | 第29-37页 |
| 4.1.1 特征提取背景 | 第29-30页 |
| 4.1.2 基于参数模型类的AR模型特征提取 | 第30-34页 |
| 4.1.3 基于小波包能量熵的特征提取 | 第34-37页 |
| 4.2 脑电信号的模式识别 | 第37-45页 |
| 4.2.1 基于卷积神经神经网络的分类识别方法 | 第37-39页 |
| 4.2.2 基于约束超限学习机的模式识别 | 第39-43页 |
| 4.2.3 实验结果及分析 | 第43-45页 |
| 4.3 本章小结 | 第45-47页 |
| 5 人机交互系统实现与测试 | 第47-59页 |
| 5.1 人机交互系统总体设计 | 第47-53页 |
| 5.1.1 人机交互系统功能说明 | 第48页 |
| 5.1.2 人机交互系统架构设计 | 第48-49页 |
| 5.1.3 人机交互系统流程 | 第49-51页 |
| 5.1.4 人机交互系统平台搭建 | 第51-52页 |
| 5.1.5 人机交互系统实现 | 第52-53页 |
| 5.2 系统测试 | 第53-58页 |
| 5.2.1 系统训练及测试 | 第53-54页 |
| 5.2.2 实验结果及分析 | 第54-58页 |
| 5.3 本章总结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录 MindWave设备二次开发程序清单 | 第65-69页 |
| 本人攻读学位期间发表学术论文清单 | 第69-71页 |
| 致谢 | 第71页 |
