| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 课题研究背景和意义 | 第13-15页 |
| 1.2 脑机接口的结构以及关键技术 | 第15-17页 |
| 1.2.1 脑机接口的结构 | 第15-16页 |
| 1.2.2 脑机接口的关键技术 | 第16-17页 |
| 1.3 提高MI-BCI的分类的性能的现状 | 第17-19页 |
| 1.3.1 虚拟环境与MI-BCI结合 | 第17-18页 |
| 1.3.2 MI-BCI的算法 | 第18-19页 |
| 1.4 本论文的研究目标与挑战 | 第19-20页 |
| 1.4.1 非算法方案 | 第19-20页 |
| 1.4.2 算法方案 | 第20页 |
| 1.5 本文的组织结构 | 第20-22页 |
| 第2章 行走想象的训练模式的设计与实现 | 第22-32页 |
| 2.1 基于文字引导的训练模式的设计与实现 | 第22-24页 |
| 2.1.1 文字模式的前端的设计 | 第22-23页 |
| 2.1.2 文字模式的后端程序的开发 | 第23-24页 |
| 2.2 基于VE引导的训练模式的设计与实现 | 第24-31页 |
| 2.2.1 Unity3D引擎的介绍 | 第24-25页 |
| 2.2.2 虚拟对象的构建 | 第25-26页 |
| 2.2.3 VE的编程以及组件属性的设置 | 第26-31页 |
| 2.3 小结 | 第31-32页 |
| 第3章 行走想象的脑电数据的采集 | 第32-38页 |
| 3.1 被试者 | 第32-33页 |
| 3.1.1 被试者的基本情况 | 第32页 |
| 3.1.2 实验前被试者的准备工作 | 第32-33页 |
| 3.2 行走想象的脑电信号的采集装置 | 第33-36页 |
| 3.2.1 采集行走想象的脑电信号的电极 | 第33-35页 |
| 3.2.2 行走想象的脑电信号的传送以及接收装置 | 第35-36页 |
| 3.3 采集行走想象的脑电信号的实验流程 | 第36-37页 |
| 3.3.1 在流程中两种模式的各个阶段的对比 | 第36页 |
| 3.3.2 在流程中的各个阶段的详解 | 第36-37页 |
| 3.4 小结 | 第37-38页 |
| 第4章 基于多视角特征的行走想象的脑电数据的处理 | 第38-49页 |
| 4.1 脑电信号预处理 | 第38页 |
| 4.2 基于多模式特征的特征提取 | 第38-43页 |
| 4.2.1 基于公共空间模式提取单一特征 | 第39-40页 |
| 4.2.2 基于功率频谱密度提取单一特征 | 第40-41页 |
| 4.2.3 基于小波包变换提取单一特征 | 第41-42页 |
| 4.2.4 多视角特征的实现 | 第42-43页 |
| 4.3 实验结果与分析 | 第43-48页 |
| 4.3.1 实验设置 | 第43页 |
| 4.3.2 评估指标 | 第43-44页 |
| 4.3.3 基于多视角特征的两种训练模式的对比 | 第44-46页 |
| 4.3.4 多视角特征与单一特征的对比 | 第46-48页 |
| 4.4 小结 | 第48-49页 |
| 第5章 基于多视角多级深度多项式网络的行走想象的脑电数据的处理 | 第49-63页 |
| 5.1 基于深度学习的编码方法 | 第49-52页 |
| 5.1.1 深度信念网络 | 第49-50页 |
| 5.1.2 堆叠自编码器 | 第50页 |
| 5.1.3 卷积神经网络 | 第50-51页 |
| 5.1.4 深度多项式网络 | 第51-52页 |
| 5.2 实验结果与分析 | 第52-62页 |
| 5.2.1 实验设置 | 第52-54页 |
| 5.2.2 MVF、MDPN、MMDPN的两两对比 | 第54-56页 |
| 5.2.3 MMDPN与其它多视角多级深度方法对比 | 第56-62页 |
| 5.3 小结 | 第62-63页 |
| 第6章 总结和展望 | 第63-64页 |
| 6.1 本文研究总结 | 第63页 |
| 6.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间的研究成果 | 第73页 |
