基于运动想象的单通道脑电分类方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 本文研究模型及章节安排 | 第16-18页 |
| 第2章 运动想象脑电信号 | 第18-29页 |
| 2.1 脑电信号 | 第18-21页 |
| 2.1.1 脑电信号的产生及成分 | 第18-20页 |
| 2.1.2 脑电信号的应用及优缺点 | 第20-21页 |
| 2.2 运动想象脑电产生机理 | 第21-24页 |
| 2.2.1 大脑结构及功能区 | 第21-23页 |
| 2.2.2 事件相关去同步与同步 | 第23-24页 |
| 2.3 运动想象脑电信号的采集 | 第24-28页 |
| 2.3.1 脑电信号的采集方法 | 第24-26页 |
| 2.3.2 运动想象实验方法及数据结构 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 运动想象单通道脑电特征提取 | 第29-52页 |
| 3.1 基于共同空间模型的特征提取 | 第29-33页 |
| 3.1.1 经典共同空间模型 | 第29-32页 |
| 3.1.2 多类共空间模型 | 第32页 |
| 3.1.3 拓展的共同空间模型 | 第32-33页 |
| 3.2 单通道脑电数据预处理 | 第33-45页 |
| 3.2.1 短时傅里叶变换 | 第33-36页 |
| 3.2.2 希尔伯特-黄变换 | 第36-40页 |
| 3.2.3 小波变换 | 第40-44页 |
| 3.2.4 预处理方法的确定及实现方法 | 第44-45页 |
| 3.3 脑电实验数据筛选算法 | 第45-52页 |
| 3.3.1 数据筛选由来 | 第45-47页 |
| 3.3.2 基于近似联合对角化的数据筛选研究 | 第47-50页 |
| 3.3.3 本文提出的加强的数据筛选方法 | 第50-52页 |
| 3.4 本章小结 | 第52页 |
| 第4章 运动想象单通道脑电分类 | 第52-65页 |
| 4.1 基于支持向量机的脑电分类 | 第52-57页 |
| 4.1.1 线性可分问题 | 第52-54页 |
| 4.1.2 广义最优平面 | 第54-55页 |
| 4.1.3 基于核函数的SVM | 第55-57页 |
| 4.2 本文结果及与相关文献的对比分析 | 第57-59页 |
| 4.2.1 加入数据筛选后的实验结果 | 第58页 |
| 4.2.2 加强的数据筛选的实验结果 | 第58-59页 |
| 4.3 频率成分和时间尺度对于分类结果的影响 | 第59-64页 |
| 4.3.1 研究方法描述 | 第60-61页 |
| 4.3.2 频率成分对于分类结果的影响 | 第61-62页 |
| 4.3.3 时间尺度对于分类结果的影响 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
