| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| ·脑-机接口的研究背景和研究意义 | 第9页 |
| ·脑-机接口的研究历史和国内外现状 | 第9-10页 |
| ·脑-机接口的基本原理和结构 | 第10-11页 |
| ·本文的主要研究内容以及章节安排 | 第11-13页 |
| 第二章 脑电信号和P300 视觉诱发电位 | 第13-19页 |
| ·引言 | 第13页 |
| ·脑的结构和功能 | 第13-14页 |
| ·人脑的研究技术 | 第14-16页 |
| ·诱发电位 | 第16-18页 |
| ·事件相关电位（ERP，Event-Related potential） | 第16-17页 |
| ·P300 诱发电位 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 支持向量机理论 | 第19-32页 |
| ·引言 | 第19页 |
| ·统计学习理论 | 第19-24页 |
| ·机器学习问题 | 第19-20页 |
| ·统计学习基本知识 | 第20-24页 |
| ·支持向量机 | 第24-31页 |
| ·线性分类器 | 第24-26页 |
| ·支持向量机原理 | 第26-29页 |
| ·基于遗传算法和支持向量机的分类算法 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 P300 字符拼写的算法描述 | 第32-38页 |
| ·引言 | 第32页 |
| ·数据描述 | 第32-34页 |
| ·数据处理方法介绍 | 第34-36页 |
| ·P300 数据预处理方法 | 第34-35页 |
| ·构建特征向量的关键技术 | 第35-36页 |
| ·基于支持向量机的脑电信号算法实现 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第五章 基于独立分量分析的脑电特征提取算法 | 第38-47页 |
| ·引言 | 第38页 |
| ·盲信号处理问题 | 第38-39页 |
| ·独立分量分析理论 | 第39-42页 |
| ·各种ICA 算法 | 第42-45页 |
| ·基于信息论的算法 | 第42-43页 |
| ·基于最大信噪比的盲源分离算法 | 第43页 |
| ·快速ICA 算法(FastICA) | 第43-45页 |
| ·仿真实验与分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第六章 基于小波分析的脑电特征提取算法 | 第47-53页 |
| ·引言 | 第47页 |
| ·信号的变换 | 第47-48页 |
| ·小波变换 | 第48-51页 |
| ·连续小波变换 | 第49页 |
| ·离散小波变换 | 第49-50页 |
| ·小波函数与小波空间 | 第50-51页 |
| ·算法与仿真实验分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读学位期间发表的学术论文 | 第57-58页 |
| 致谢 | 第58页 |