| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 脑机接口的背景介绍 | 第11-14页 |
| 1.1.1 脑机接口系统的结构 | 第11-12页 |
| 1.1.2 脑机接口的类型 | 第12-14页 |
| 1.1.2.1 基于P300的脑机接口系统 | 第13页 |
| 1.1.2.2 基于稳态视觉诱发电位的脑机接口系统 | 第13-14页 |
| 1.1.2.3 基于运动想象的脑机接口系统 | 第14页 |
| 1.2 运动想象脑机接口中的模式识别算法研究现状 | 第14-16页 |
| 1.2.1 特征提取算法简介 | 第15页 |
| 1.2.2 模式分类方法简介 | 第15-16页 |
| 1.3 本文主要工作 | 第16页 |
| 1.4 论文结构 | 第16-17页 |
| 第二章 基于运动想象的在线分类与识别算法基础 | 第17-27页 |
| 2.1 基于运动想象的在线分类与识别算法 | 第17-18页 |
| 2.2 基于共空间模式特征提取算法 | 第18-20页 |
| 2.2.1 共空间模式(CSP)特征提取算法基本理论 | 第18-20页 |
| 2.3 支持向量机分类算法 | 第20-25页 |
| 2.3.1 支持向量机(SVM)基本理论 | 第20-25页 |
| 2.4 高斯混合模型(GMM)基本理论 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于Stacking融合的在线分类与识别算法研究 | 第27-40页 |
| 3.1 基于Stacking融合的在线分类与识别算法 | 第27-30页 |
| 3.1.1 Stacking融合的基本理论 | 第27-29页 |
| 3.1.2 基于Stacking融合的在线分类与识别算法 | 第29-30页 |
| 3.2 Stacking融合算法中的初级学习器算法基础 | 第30-33页 |
| 3.2.1 Logistic回归 | 第30-31页 |
| 3.2.2 梯度提升树 | 第31-32页 |
| 3.2.3 随机森林 | 第32页 |
| 3.2.4 极端随机树 | 第32-33页 |
| 3.3 数据分析与结果 | 第33-39页 |
| 3.3.1 对第三次国际脑机接口比赛的IVa数据集的应用 | 第33-34页 |
| 3.3.1.1 数据描述 | 第33-34页 |
| 3.3.1.2 实验结果 | 第34页 |
| 3.3.2 对第四次国际脑机接口比赛的IIa数据集的应用 | 第34-36页 |
| 3.3.2.1 数据描述 | 第34-35页 |
| 3.3.2.2 实验结果 | 第35-36页 |
| 3.3.3 对实验室运动想象脑电数据的应用 | 第36-37页 |
| 3.3.3.1 数据描述 | 第36-37页 |
| 3.3.3.2 实验结果 | 第37页 |
| 3.3.4 讨论 | 第37-39页 |
| 3.4 本章总结 | 第39-40页 |
| 第四章 基于bagging的在线分类与识别算法研究 | 第40-50页 |
| 4.1 基于bagging/ga_bagging的在线分类与识别算法 | 第40-43页 |
| 4.1.1 基于bagging的运动想象分类算法基础 | 第40-42页 |
| 4.1.2 基于ga_bagging的运动想象分类算法基础 | 第42-43页 |
| 4.1.3 基于bagging/ga_bagging的在线分类与识别算法 | 第43页 |
| 4.2 数据分析与结果 | 第43-49页 |
| 4.2.1 对第三次国际脑机接口比赛的IVa数据集的应用 | 第44-45页 |
| 4.2.2 对第四次国际脑机接口比赛的IIa数据集的应用 | 第45页 |
| 4.2.3 对实验运动想象脑电数据的应用 | 第45-46页 |
| 4.2.4 讨论 | 第46-49页 |
| 4.3 本章总结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间取得的成果 | 第58-59页 |
