| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语表 | 第11-12页 |
| 1 绪论 | 第12-20页 |
| 1.1 课题的研究背景及研究意义 | 第12-13页 |
| 1.1.1 脑机接.技术简介 | 第12-13页 |
| 1.1.2 脑机接.技术研究意义 | 第13页 |
| 1.2 脑机接.系统的组成与分类 | 第13-15页 |
| 1.2.1 脑机接.系统的组成 | 第13-14页 |
| 1.2.2 脑机接.系统的分类 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-18页 |
| 1.3.1 脑电信号的研究方法 | 第15-16页 |
| 1.3.2 脑电信号的特征提取 | 第16-17页 |
| 1.3.3 脑电信号分类识别 | 第17-18页 |
| 1.4 本课题各章节内容安排 | 第18-20页 |
| 2 脑电信号与P300 | 第20-29页 |
| 2.1 脑电信号的概述 | 第20-23页 |
| 2.1.1 人脑的结构 | 第20-21页 |
| 2.1.2 脑电信号的产生 | 第21页 |
| 2.1.3 脑电信号的特点 | 第21-22页 |
| 2.1.4 脑电信号的分类 | 第22页 |
| 2.1.5 脑电图的科学记录 | 第22-23页 |
| 2.2 事件相关电位P300 | 第23-25页 |
| 2.3 P300脑电信号数据集 | 第25页 |
| 2.4 P300脑电信号预处理 | 第25-28页 |
| 2.4.1 低通滤波 | 第25-27页 |
| 2.4.2 平均叠加滤波 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 脑电信号特征提取技术的实现 | 第29-43页 |
| 3.1 基于小波变换的特征提取 | 第29-34页 |
| 3.1.1 小波分析基本理论 | 第30-31页 |
| 3.1.2 小波分析对P300脑电信号特征提取 | 第31-34页 |
| 3.2 基于AR模型的特征提取 | 第34-37页 |
| 3.2.1 AR模型的构建原理 | 第34-35页 |
| 3.2.2 AR模型算法对P300脑电信号特征提取参数选择 | 第35-37页 |
| 3.3 基于主成分分析的特征提取 | 第37-40页 |
| 3.3.1 主成分分析的原理 | 第37-39页 |
| 3.3.2 主成分分析算法对P300脑电信号特征提取 | 第39-40页 |
| 3.4 基于近似熵的特征提取 | 第40-42页 |
| 3.4.1 近似熵算法的原理 | 第40-42页 |
| 3.4.2 近似熵算法对P300脑电信号特征提取 | 第42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 脑电信号特征分类识别技术的实现 | 第43-57页 |
| 4.1 基于支持向量机分类器的信号特征分类 | 第43-46页 |
| 4.1.1 支持向量机的原理 | 第43-45页 |
| 4.1.2 支持向量机分类器对信号特征进行分类 | 第45-46页 |
| 4.2 基于BP神经网络分类器的信号特征分类 | 第46-50页 |
| 4.2.1 BP神经网络的原理 | 第47-49页 |
| 4.2.2 BP神经网络分类器对信号特征进行分类 | 第49-50页 |
| 4.3 基于径向基神经网络分类器的信号特征分类 | 第50-53页 |
| 4.3.1 径向基神经网络的原理 | 第50-52页 |
| 4.3.2 径向基神经网络分类器对信号特征进行分类 | 第52-53页 |
| 4.4 基于朴素贝叶斯分类器的信号特征分类 | 第53-56页 |
| 4.4.1 朴素贝叶斯分类器的工作原理 | 第53-54页 |
| 4.4.2 朴素贝叶斯分类器对信号特征进行分类 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 数据处理结果及讨论 | 第57-62页 |
| 5.1 基于小波变换算法特征提取的信号处理模型 | 第57-58页 |
| 5.2 基于AR模型算法特征提取的信号处理模型 | 第58-59页 |
| 5.3 基于主成分分析算法特征提取的信号处理模型 | 第59页 |
| 5.4 基于近似熵算法特征提取的信号处理模型 | 第59-60页 |
| 5.5 综合分析 | 第60-62页 |
| 6 总结与展望 | 第62-65页 |
| 6.1 本文的工作总结 | 第62-63页 |
| 6.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第68页 |
