摘要 | 第5-7页 |
Abstract | 第7-8页 |
第一章 绪论 | 第13-26页 |
1.1 脑机接口研究背景 | 第13-20页 |
1.1.1 脑机接口的定义 | 第13页 |
1.1.2 脑机接口的组成 | 第13-16页 |
1.1.3 基于脑电信号的脑机接口系统分类 | 第16-20页 |
1.2 基于SSVEP的脑机接口研究现状 | 第20-23页 |
1.2.1 SSVEP信号检测区域研究 | 第20-21页 |
1.2.2 刺激范式相关参数研究 | 第21-22页 |
1.2.3 刺激范式编码方式研究 | 第22-23页 |
1.2.4 分类正确率提高方式研究 | 第23页 |
1.3 论文的主要研究内容和布局 | 第23-26页 |
第二章 SSVEP型BCI系统的实验设计 | 第26-34页 |
2.1 实验环境 | 第26页 |
2.2 实验被试 | 第26-27页 |
2.3 视觉刺激 | 第27-28页 |
2.3.1 SSVEP视觉刺激界面布局 | 第27页 |
2.3.2 基于正弦波调制产生刺激频率的方法 | 第27-28页 |
2.4 刺激范式 | 第28-29页 |
2.5 脑电采集方式 | 第29-33页 |
2.5.1 脑电信号产生的生理基础简介 | 第29-31页 |
2.5.2 10-20国际标准导联系统 | 第31-32页 |
2.5.3 脑电信号的采集装置 | 第32-33页 |
2.6 本章小结 | 第33-34页 |
第三章 SSVEP型BCI的信号预处理方法 | 第34-45页 |
3.1 SSVEP型脑机接口的通道选择 | 第34-35页 |
3.2 脑电信号的预处理 | 第35-37页 |
3.2.1 重参考处理 | 第35页 |
3.2.2 基于ICA的眼电伪迹去除 | 第35-37页 |
3.2.3 带通滤波 | 第37页 |
3.3 基于SA-MEMD算法的SSVEP信号纯化处理 | 第37-44页 |
3.3.1 经验模态分解及其改进算法 | 第38-40页 |
3.3.2 SA-MEMD算法简介 | 第40-41页 |
3.3.3 SA-MEMD对SSVEP信号纯化的结果分析 | 第41-44页 |
3.4 本章小结 | 第44-45页 |
第四章 SSVEP信号的识别及其改进方法 | 第45-68页 |
4.1 基于CCA的SSVEP信号的特征提取与识别 | 第45-49页 |
4.1.1 经典CCA算法的基本原理简介 | 第45-47页 |
4.1.2 基于经典CCA的SSVEP信号分类检测算法 | 第47-49页 |
4.2 典型SSVEP信号特性对CCA算法影响的分析 | 第49-56页 |
4.2.1 不同起始时间条件下经典CCA算法检测SSVEP信号的效果分析 | 第49-54页 |
4.2.2 典型SSVEP信号的特征及其在CCA中的体现 | 第54-56页 |
4.3 基于SSVEP信号特性改进CCA算法 | 第56-61页 |
4.3.1 SA-MEMD分解EEG信号的IMF特征分析 | 第56-57页 |
4.3.2 基于SSVEP特性的SA-MEMD多子带CCA算法 | 第57-61页 |
4.4 实验结果 | 第61-67页 |
4.5 本章小结 | 第67-68页 |
第五章 扰动影响的相关系数序列的过滤方法 | 第68-84页 |
5.1 无明显最大值的相关系数序列的定义 | 第68页 |
5.2 支持向量机(SVM)基本原理 | 第68-74页 |
5.2.1 支持向量机简介 | 第68-73页 |
5.2.2 One-classSVM基本原理简介 | 第73-74页 |
5.3 基于One-classSVM的SSVEP无明显最大值相关系数序列过滤模块设计 | 第74-76页 |
5.4 实验结果 | 第76-83页 |
5.4.1 基于经典CCA算法提取相关系数序列过滤效果分析 | 第76-79页 |
5.4.2 基于SSVEP特性的SA-MEMD多子带CCA算法提取相关系数序列过滤效果分析 | 第79-81页 |
5.4.3 不同BCI相关系数序列提取条件下过滤结果分析 | 第81-83页 |
5.5 本章小结 | 第83-84页 |
第六章 总结与展望 | 第84-86页 |
6.1 总结 | 第84-85页 |
6.2 展望 | 第85-86页 |
致谢 | 第86-87页 |
参考文献 | 第87-92页 |
在校期间发表论文情况 | 第92页 |