| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 脑-机接口研究现状及概述 | 第11-15页 |
| 1.2.1 应用现状及进展 | 第11-13页 |
| 1.2.2 BCI系统简介 | 第13-14页 |
| 1.2.3 脑电信号 | 第14-15页 |
| 1.3 脑电信号处理算法研究现状 | 第15-16页 |
| 1.3.1 特征提取算法 | 第15-16页 |
| 1.3.2 模式分类算法 | 第16页 |
| 1.4 脑-机接口技术中尚待解决的主要问题 | 第16-18页 |
| 1.4.1 通道选择 | 第17页 |
| 1.4.2 自适应分类算法 | 第17-18页 |
| 1.5 研究内容及论文结构 | 第18-19页 |
| 1.6 本章小结 | 第19-20页 |
| 第2章 基于非线性多尺度表示的脑电信号去噪分析 | 第20-26页 |
| 2.1 信号的线性多尺度表示 | 第20-21页 |
| 2.2 信号的非线性多尺度表示 | 第21页 |
| 2.3 基于NMR的去噪方法 | 第21-22页 |
| 2.4 实验结果与分析 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于感兴趣脑区Lasso-Granger因果关系的脑电特征提取 | 第26-39页 |
| 3.1 脑网络的基本概念 | 第26-29页 |
| 3.1.1 功能性网络 | 第27-28页 |
| 3.1.2 效用性网络 | 第28-29页 |
| 3.2 Granger理论 | 第29-32页 |
| 3.2.1 时域Granger因果分析 | 第29-30页 |
| 3.2.2 频域Granger因果分析 | 第30页 |
| 3.2.3 模型求解—Lasso理论 | 第30-31页 |
| 3.2.4 显著性检验 | 第31-32页 |
| 3.3 感兴趣区域的选择 | 第32-33页 |
| 3.4 实验步骤 | 第33页 |
| 3.5 结果分析 | 第33-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 基于增量孪生支持向量机的脑电分类方法 | 第39-54页 |
| 4.1 SVM算法在生物电信号方面的应用 | 第39-40页 |
| 4.2 孪生支持向量机 | 第40-44页 |
| 4.3 增量学习 | 第44-48页 |
| 4.4 基于粒子群算法的TSVM参数优化 | 第48页 |
| 4.5 实验结果 | 第48-53页 |
| 4.5.1 UCI标准数据测试与分析 | 第48-50页 |
| 4.5.2 脑电分析与结论 | 第50-51页 |
| 4.5.3 孪生支持向量机的粒子群参数优化结果 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54页 |
| 5.2 研究展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-64页 |
| 附录 | 第64页 |