基于ERD/ERS脑—机接口的特征提取和分类算法研究
| 中文摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 脑-机接口的基本内容及意义 | 第10-13页 |
| 1.1.1 脑-机接口的基本内容 | 第10-11页 |
| 1.1.2 脑-机接口的研究背景及意义 | 第11-12页 |
| 1.1.3 脑-机接口的应用前景 | 第12-13页 |
| 1.2 脑-机接口的研究现状和面临的挑战 | 第13-14页 |
| 1.3 论文的主要研究内容 | 第14-16页 |
| 第2章 脑电信号的特点及分析方法 | 第16-24页 |
| 2.1 脑电概述 | 第16-18页 |
| 2.1.1 脑电信号的基础 | 第16页 |
| 2.1.2 脑电信号的基本特征 | 第16-18页 |
| 2.2 相关事件去同步/相关事件同步 | 第18-20页 |
| 2.2.1 ERD/ERS基本原理 | 第18-19页 |
| 2.2.2 ERD/ERS表征方法 | 第19-20页 |
| 2.3 脑电信号分析方法 | 第20-22页 |
| 2.3.1 时域分析法 | 第21页 |
| 2.3.2 频域分析法 | 第21页 |
| 2.3.3 时频域分析法 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 想象左右手运动实验方案的设计 | 第24-32页 |
| 3.1 脑-机接口系统的组成 | 第24-25页 |
| 3.2 脑电信号采集系统的设计 | 第25-28页 |
| 3.2.1 脑电信号的采集方式 | 第25-26页 |
| 3.2.2 脑电信号的采集系统 | 第26-27页 |
| 3.2.3 具体实验方案的设计 | 第27-28页 |
| 3.3 脑电信号的预处理 | 第28-31页 |
| 3.3.1 小波去噪的基本理论 | 第29-30页 |
| 3.3.2 运用小波去噪的结果 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 脑电信号的特征提取 | 第32-50页 |
| 4.1 短时傅里叶变换 | 第32-35页 |
| 4.1.1 傅里叶变换内容简介 | 第32-33页 |
| 4.1.2 短时傅里叶变换 | 第33-35页 |
| 4.2 小波变换 | 第35-45页 |
| 4.2.1 小波变换的定义及性质 | 第35-38页 |
| 4.2.2 小波系数的特征提取 | 第38-43页 |
| 4.2.3 相对小波能量的特征提取 | 第43-45页 |
| 4.3 AAR模型系数的特征提取 | 第45-49页 |
| 4.3.1 AR模型 | 第45-47页 |
| 4.3.2 AAR模型算法 | 第47-48页 |
| 4.3.3 最小二乘法估计法的AAR模型估计 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 脑-机接口分类方法的研究 | 第50-68页 |
| 5.1 分类方法的研究现状 | 第50页 |
| 5.2 基于贝叶斯决策理论的分类 | 第50-55页 |
| 5.2.1 贝叶斯分类原理 | 第51-52页 |
| 5.2.2 最小分类错误率的贝叶斯决策规则 | 第52-53页 |
| 5.2.3 最小风险的贝叶斯决策规则 | 第53-54页 |
| 5.2.4 贝叶斯分类算法的实现 | 第54-55页 |
| 5.3 基于支持向量机理论的分类 | 第55-60页 |
| 5.3.1 统计学习理论 | 第55-57页 |
| 5.3.2 支持向量机的理论基础 | 第57-59页 |
| 5.3.3 核函数的选择 | 第59-60页 |
| 5.4 分类结果与讨论 | 第60-67页 |
| 5.4.1 小波系数特征提取的分类结果 | 第61-62页 |
| 5.4.2 RWE特征提取的分类结果 | 第62-64页 |
| 5.4.3 AAR系数特征提取的分类结果 | 第64-66页 |
| 5.4.4 实验对比和结论 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第6章 总结和展望 | 第68-72页 |
| 6.1 本文主要研究工作的总结 | 第68-69页 |
| 6.2 关于BCI系统的展望 | 第69-72页 |
| 参考文献 | 第72-73页 |
