| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 脑机接口概述 | 第14-15页 |
| 1.2 脑机接口分类 | 第15-17页 |
| 1.3 SSVEP-BCI介绍 | 第17-20页 |
| 1.3.1 SSVEP-BCI的组成及工作原理 | 第18-19页 |
| 1.3.2 SSVEP-BCI的研究现状 | 第19-20页 |
| 1.3.3 SSVEP-BCI有待解决的问题 | 第20页 |
| 1.4 本文研究内容与创新点 | 第20-22页 |
| 1.5 本文结构 | 第22-24页 |
| 第二章 相关理论与技术 | 第24-36页 |
| 2.1 脑电信号介绍 | 第24-28页 |
| 2.1.1 脑电信号的产生 | 第24-25页 |
| 2.1.2 脑电信号的特点 | 第25-26页 |
| 2.1.3 脑电信号的采集 | 第26-28页 |
| 2.2 Emotiv EPOC设备 | 第28-31页 |
| 2.3 SSVEP分析方法 | 第31-34页 |
| 2.3.1 快速傅里叶变换 | 第31-32页 |
| 2.3.2 典型相关分析 | 第32-34页 |
| 2.4 模糊数学简介 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 刺激频率调制方式的研究 | 第36-44页 |
| 3.1 基于帧序列的刺激频率调制方式 | 第36-37页 |
| 3.2 基于灰度值的刺激频率调制方式 | 第37-38页 |
| 3.3 两种方法的比较 | 第38-43页 |
| 3.3.1 刺激界面 | 第38-40页 |
| 3.3.2 实验过程 | 第40-41页 |
| 3.3.3 结果分析 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于典型相关分析的SSVEP分类算法的研究 | 第44-60页 |
| 4.1 传统CCA分类算法 | 第44-48页 |
| 4.1.1 算法实现 | 第44-46页 |
| 4.1.2 算法测试 | 第46-48页 |
| 4.2 基于频率间距的CCA分类算法 | 第48-51页 |
| 4.2.1 算法实现 | 第48-50页 |
| 4.2.2 算法测试 | 第50-51页 |
| 4.3 基于模糊集的CCA分类算法 | 第51-56页 |
| 4.3.1 算法实现 | 第52-54页 |
| 4.3.2 算法测试 | 第54-56页 |
| 4.4 基于个体信号模板的CCA分类算法 | 第56-59页 |
| 4.4.1 算法实现 | 第57-58页 |
| 4.4.2 算法测试 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 基于SSVEP的便携式脑控智能小车系统 | 第60-70页 |
| 5.1 系统实现 | 第60-66页 |
| 5.1.1 系统组成 | 第60-61页 |
| 5.1.2 刺激界面 | 第61-63页 |
| 5.1.3 EEG处理程序 | 第63-64页 |
| 5.1.4 智能小车 | 第64-66页 |
| 5.2 系统测试 | 第66-68页 |
| 5.2.1 实验设计 | 第66-67页 |
| 5.2.2 结果分析 | 第67-68页 |
| 5.3 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 研究工作总结 | 第70-71页 |
| 6.2 未来研究展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 附录 硕士期间取得的科研成果 | 第78-80页 |
| 致谢 | 第80页 |