| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-38页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外现状 | 第13-15页 |
| 1.3 脑机接口系统原理 | 第15-16页 |
| 1.3.1 国际10-20系统 | 第15-16页 |
| 1.3.2 单极导联与双极导联 | 第16页 |
| 1.4 脑机接口分类与特点 | 第16-18页 |
| 1.5 脑电信号处理常用方法 | 第18-25页 |
| 1.5.1 预处理 | 第18-19页 |
| 1.5.2 特征提取 | 第19-21页 |
| 1.5.3 分类识别 | 第21-25页 |
| 1.6 神经网络脑电信号处理方法 | 第25-29页 |
| 1.6.1 BP-Adaboost | 第25-26页 |
| 1.6.2 深度神经网络结构 | 第26-29页 |
| 1.7 脑机接口的评价标准 | 第29-31页 |
| 1.7.1 混淆矩阵 | 第29-30页 |
| 1.7.2 分类准确率 | 第30页 |
| 1.7.3 信息传输速率 | 第30页 |
| 1.7.4 受试者工作特征曲线 | 第30-31页 |
| 1.7.5 相关系数 | 第31页 |
| 1.8 典型脑机接口及系统 | 第31-35页 |
| 1.8.1 基于事件关联电位的脑机接口 | 第31页 |
| 1.8.2 基于SSVEP的脑机接口 | 第31-32页 |
| 1.8.3 混合脑机接口 | 第32页 |
| 1.8.4 基于P300和运动想象的二维光标 | 第32-33页 |
| 1.8.5 基于P300和自动导航的轮椅 | 第33页 |
| 1.8.6 脑机接口鼠标控制的网页浏览器 | 第33-34页 |
| 1.8.7 基于运动想象的四旋翼飞行器 | 第34-35页 |
| 1.9 本文的主要研究内容及组织结构 | 第35-38页 |
| 第二章 基于事件关联电位脑机接口的电视遥控异步系统 | 第38-48页 |
| 2.1 系统组成 | 第38-39页 |
| 2.2 用户界面 | 第39-40页 |
| 2.3 脑电信号实时处理算法 | 第40-41页 |
| 2.4 遥控器硬件设计 | 第41页 |
| 2.5 系统实验 | 第41-43页 |
| 2.5.1 实验准备 | 第41-42页 |
| 2.5.2 训练实验 | 第42-43页 |
| 2.5.3 评估实验 | 第43页 |
| 2.6 数据分析与结果 | 第43-46页 |
| 2.6.1 分类器选择 | 第43-44页 |
| 2.6.2 循环次数与识别准确率的关系 | 第44-45页 |
| 2.6.3 导联选择 | 第45-46页 |
| 2.7 本章小结 | 第46-48页 |
| 第三章 基于脑电与单音协同控制的轮椅控制系统及其辅助避障设计 | 第48-60页 |
| 3.1 引言 | 第48-49页 |
| 3.2 系统概述 | 第49-55页 |
| 3.2.1 脑电信号数据采集 | 第50页 |
| 3.2.2 轮椅通讯模块硬件设计 | 第50-51页 |
| 3.2.3 非特定人孤词识别 | 第51-52页 |
| 3.2.4 用户界面 | 第52页 |
| 3.2.5 协同控制机制 | 第52-55页 |
| 3.3 实验与结果分析 | 第55-56页 |
| 3.4 超声波辅助避障 | 第56-57页 |
| 3.4.1 辅助避障方法 | 第57页 |
| 3.4.2 反馈界面 | 第57页 |
| 3.5 本章小结 | 第57-60页 |
| 第四章 基于脑电-眼电的混合脑机接口轮椅控制系统 | 第60-78页 |
| 4.1 引言 | 第60-61页 |
| 4.2 脑控轮椅结构 | 第61-67页 |
| 4.2.1 脑电信号采集 | 第62页 |
| 4.2.2 用户界面 | 第62-63页 |
| 4.2.3 通讯模块 | 第63页 |
| 4.2.4 眼电-脑电混合脑机接口 | 第63-67页 |
| 4.3 实验设计及实验结果 | 第67-74页 |
| 4.3.1 系统校准 | 第68-70页 |
| 4.3.2 前进,后退,停止评估实验 | 第70-72页 |
| 4.3.3 轮椅性能综合实验 | 第72-74页 |
| 4.4 讨论 | 第74-76页 |
| 4.5 本章小结 | 第76-78页 |
| 第五章 脑电信号分析方法研究 | 第78-96页 |
| 5.1 基于时-空-频联合选择的运动想象相关向量机分析方法 | 第78-83页 |
| 5.1.1 被试、实验范式和数据采集 | 第79页 |
| 5.1.2 数据预处理 | 第79-80页 |
| 5.1.3 时间窗与频带优化 | 第80页 |
| 5.1.4 空间滤波与特征提取 | 第80-81页 |
| 5.1.5 分类器 | 第81-83页 |
| 5.2 实验结果 | 第83-86页 |
| 5.2.1 实验分析 | 第83-86页 |
| 5.3 基于降噪自编码神经网络的事件关联电位分析方法 | 第86-95页 |
| 5.3.1 被试、实验范式和数据采集 | 第86-87页 |
| 5.3.2 数据预处理 | 第87-88页 |
| 5.3.3 神经网络结构及初始化 | 第88-89页 |
| 5.3.4 神经网络训练与分类 | 第89-91页 |
| 5.3.5 实验结果 | 第91-92页 |
| 5.3.6 实验分析 | 第92-95页 |
| 5.4 本章小结 | 第95-96页 |
| 第六章 总结与展望 | 第96-98页 |
| 6.1 总结 | 第96-97页 |
| 6.2 展望 | 第97-98页 |
| 参考文献 | 第98-114页 |
| 攻读博士学位期间取得的研究成果 | 第114-116页 |
| 致谢 | 第116-117页 |
| 答辩委员会对论文的评定意见 | 第117页 |
