基于中潜伏期听觉诱发电位的脑—机接口研究
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 引言 | 第9-14页 |
1.1 脑-机接口概述 | 第9页 |
1.2 听觉诱发相关电位 | 第9-11页 |
1.3 研究意义及国内外研究现状和发展趋势 | 第11-12页 |
1.4 本文研究的内容 | 第12-14页 |
第二章 脑电信号处理的理论 | 第14-30页 |
2.1 数据预处理 | 第14-17页 |
2.1.1 小波变换的理论 | 第14-15页 |
2.1.2 小波变换的算法 | 第15-17页 |
2.1.3 小波函数的选取 | 第17页 |
2.2 特征提取理论 | 第17-20页 |
2.2.1 AR模型 | 第17-19页 |
2.2.2 能量 | 第19页 |
2.2.3 面积 | 第19页 |
2.2.4 幅值 | 第19-20页 |
2.2.5 方差 | 第20页 |
2.3 分类算法的理论 | 第20-29页 |
2.3.1 交叉验证 | 第21-22页 |
2.3.2 归一化算法 | 第22-23页 |
2.3.3 支持向量机 | 第23-26页 |
2.3.4 BP神经网络 | 第26-29页 |
2.4 本章小节 | 第29-30页 |
第三章 实验方案的设计与特征提取 | 第30-43页 |
3.1 试验范式的设计 | 第30-32页 |
3.2 数据来源 | 第32页 |
3.3 小波去噪的应用与分析 | 第32-39页 |
3.3.1 相干平均 | 第36-38页 |
3.3.2 阈值法 | 第38-39页 |
3.4 特征提取应用 | 第39-40页 |
3.5 特征提取结果与分析 | 第40-41页 |
3.6 本章小结 | 第41-43页 |
第四章 基于SVM和ANN的实现与分析 | 第43-54页 |
4.1 支持向量机 | 第43-46页 |
4.1.1 支持向量机的Matlab算法实现 | 第43-45页 |
4.1.2 支持向量机的分类结果与分析 | 第45-46页 |
4.1.3 影响SVM识别率的因素分析 | 第46页 |
4.2 人工神经网络 | 第46-52页 |
4.2.1 人工神经网络的Matlab仿真实现 | 第46-49页 |
4.2.2 人工神经网络的分类结果与分析 | 第49-52页 |
4.2.3 影响ANN识别率的因素分析 | 第52页 |
4.3 SVM和ANN分类结果对比与分析 | 第52-53页 |
4.4 本章小结 | 第53-54页 |
第五章 总结与展望 | 第54-56页 |
5.1 全文总结 | 第54页 |
5.2 未来工作的展望 | 第54-56页 |
参考文献 | 第56-60页 |
攻读硕士学位期间主要研究成果 | 第60-61页 |
致谢 | 第61页 |