注意力相关脑电的特征提取及分类方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题背景及研究意义 | 第7-8页 |
| ·脑电信号的基本知识 | 第8-11页 |
| ·脑电信号的分类和特点 | 第8-10页 |
| ·脑电信号的采集方法和研究现状 | 第10-11页 |
| ·本文研究内容和章节安排 | 第11-13页 |
| 第二章 脑电信号的分析方法和实验介绍 | 第13-23页 |
| ·脑电信号的分析方法概述 | 第13-16页 |
| ·时域分析 | 第13页 |
| ·频域分析 | 第13-14页 |
| ·时频分析 | 第14-16页 |
| ·模式识别中的支持向量机方法 | 第16-19页 |
| ·支持向量机的基本原理 | 第17页 |
| ·线性支持向量机 | 第17-18页 |
| ·非线性支持向量机 | 第18-19页 |
| ·实验设计及数据采集 | 第19-23页 |
| ·实验内容设计 | 第19-20页 |
| ·实验数据采集 | 第20-23页 |
| 第三章 小波变换在注意脑电分类中的应用 | 第23-35页 |
| ·小波变换理论 | 第23-28页 |
| ·傅里叶变换 | 第23页 |
| ·短时傅里叶变换 | 第23-24页 |
| ·连续小波变换 | 第24-25页 |
| ·离散小波变换 | 第25-26页 |
| ·多分辨率分析 | 第26-27页 |
| ·Mallat 快速算法 | 第27-28页 |
| ·实验数据预处理和特征提取 | 第28-31页 |
| ·预处理 | 第28-30页 |
| ·特征提取 | 第30-31页 |
| ·SVM 分类结果 | 第31-35页 |
| ·SVM 核函数选择和参数优化 | 第32-33页 |
| ·分类结果及评价指标 | 第33-35页 |
| 第四章 经验模式分解在注意脑电分类中的应用 | 第35-43页 |
| ·经验模式分解理论 | 第35-39页 |
| ·EMD 基本概念 | 第35-36页 |
| ·EMD 算法介绍 | 第36-39页 |
| ·实验数据预处理和特征提取 | 第39-41页 |
| ·脑电信号的 EMD 分解 | 第39-40页 |
| ·特征提取 | 第40-41页 |
| ·SVM 分类结果 | 第41-43页 |
| ·SVM 核函数选择和参数优化 | 第41-42页 |
| ·分类结果和评价指标 | 第42-43页 |
| 第五章 局域均值分解在注意脑电分类中的应用 | 第43-55页 |
| ·局域均值分解理论 | 第43-51页 |
| ·LMD 方法概述 | 第43页 |
| ·LMD 算法介绍 | 第43-48页 |
| ·EMD 、LMD 算法比较 | 第48-51页 |
| ·实验数据预处理和特征提取 | 第51-53页 |
| ·脑电信号的 LMD 分解 | 第51-52页 |
| ·特征提取 | 第52-53页 |
| ·SVM 分类结果 | 第53-55页 |
| ·SVM 核函数选择和参数优化 | 第53页 |
| ·分类结果和评价指标 | 第53-54页 |
| ·小波分解、EMD、LMD 分类结果比较 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 研究生在读期间研究成果 | 第62-63页 |
