| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-23页 |
| ·课题背景 | 第11-20页 |
| ·脑电信号 | 第11-13页 |
| ·EEG生理生化基础 | 第11-12页 |
| ·EEG信号特征 | 第12-13页 |
| ·EEG应用 | 第13页 |
| ·脑机接口 | 第13-18页 |
| ·BCI类型及特点 | 第15-17页 |
| ·BCI研究现状 | 第17-18页 |
| ·BCI技术难题 | 第18页 |
| ·运动想象 | 第18-19页 |
| ·事件相关去同步/同步 | 第19-20页 |
| ·研究目的及意义 | 第20页 |
| ·研究内容与章节安排 | 第20-23页 |
| ·研究内容 | 第20-21页 |
| ·章节安排 | 第21-23页 |
| 2 运动想象实验和实验数据预处理 | 第23-31页 |
| ·运动想象实验 | 第23-24页 |
| ·实验数据预处理 | 第24-30页 |
| ·滤波器选择 | 第25-27页 |
| ·通阻带衰减值选定 | 第27-28页 |
| ·时间段选取 | 第28-30页 |
| ·小结 | 第30-31页 |
| 3 实验数据的特征提取 | 第31-63页 |
| ·脑电信号特征提取方法简介 | 第31-32页 |
| ·常见的脑电信号特征提取方法 | 第31页 |
| ·现有特征提取方法存在的不足 | 第31-32页 |
| ·时域特征提取 | 第32-34页 |
| ·时域滑动窗 | 第33-34页 |
| ·算法改进:局部阈值优化 | 第34页 |
| ·频域特征提取 | 第34-35页 |
| ·传统功率谱估计 | 第34-35页 |
| ·自适应自回归模型(Adaptive Antoregessive model，AAR) | 第35页 |
| ·小波变换 | 第35-43页 |
| ·小波变换理论 | 第36-38页 |
| ·小波变换的特征表现形式 | 第38-39页 |
| ·基于子带系数和系数均值的特征 | 第39-40页 |
| ·小波去噪 | 第40-42页 |
| ·算法改进: DWT特定频带系数优化并重构 | 第42-43页 |
| ·小波包分解 | 第43-51页 |
| ·小波包原理 | 第44-46页 |
| ·小波包 | 第46-48页 |
| ·小波包应用 | 第48-49页 |
| ·小波包重构系数能量特征 | 第49-50页 |
| ·算法改进:小波包系数均值和能量的组合特征 | 第50-51页 |
| ·实验结果及分析 | 第51-60页 |
| ·局部阈值优化滤波 | 第51-53页 |
| ·DWT特定频带重构系数阈值优化 | 第53-56页 |
| ·小波包重构系数能量特征 | 第56-58页 |
| ·小波包子带系数均值和能量的组合特征 | 第58-60页 |
| ·小结 | 第60-63页 |
| 4 分类器选择 | 第63-73页 |
| ·线性判别分析 | 第63-66页 |
| ·Mahalanobis距离 | 第64页 |
| ·基于小波包分解和Mahalanobis距离的分类算法 | 第64-66页 |
| ·支持向量机 | 第66-72页 |
| ·最优分类超平面 | 第66-68页 |
| ·最优广义分类面 | 第68-69页 |
| ·支持向量机 | 第69-72页 |
| ·结合小波包分解和SVM的分类算法 | 第72页 |
| ·小结 | 第72-73页 |
| 5 实验结果及分析 | 第73-75页 |
| ·基于能量差的分类结果 | 第73页 |
| ·结合小波包重构系数和Mahalanobis距离的分类结果 | 第73-74页 |
| ·结合小波包分解和SVM的分类结果 | 第74页 |
| ·小结 | 第74-75页 |
| 6 总结及展望 | 第75-77页 |
| ·总结 | 第75-76页 |
| ·展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 作者简历 | 第83-87页 |
| 学位论文数据集 | 第87页 |
