| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 脑-机接口系统基本组成与工作原理 | 第13-14页 |
| 1.3 脑-机接口系统国内外研究现状 | 第14-15页 |
| 1.4 脑-机接口系统范式分析 | 第15-17页 |
| 1.5 论文主要工作和贡献 | 第17-18页 |
| 1.6 论文结构安排 | 第18-20页 |
| 第二章 脑电信号基本特征与传统分类算法 | 第20-37页 |
| 2.1 脑电信号基本特征 | 第20-23页 |
| 2.1.1 脑电信号基本特征 | 第20-22页 |
| 2.1.2 脑电信号特征提取方法 | 第22-23页 |
| 2.2 脑电信号传统分类算法 | 第23-26页 |
| 2.2.1 线性判别分析算法 | 第23-24页 |
| 2.2.2 逐步线性判别分析算法 | 第24-25页 |
| 2.2.3 收缩线性判别分析算法 | 第25页 |
| 2.2.4 支持向量机 | 第25-26页 |
| 2.3 P300信号数据处理 | 第26-29页 |
| 2.3.1 P300信号数据获取 | 第26-28页 |
| 2.3.2 基于PCA算法的P300信号预处理 | 第28-29页 |
| 2.4 传统分类算法结果分析 | 第29-37页 |
| 2.4.1 基于LDA算法的P300信号检测结果分析 | 第29-31页 |
| 2.4.2 基于SWLDA算法的P300信号检测结果分析 | 第31-33页 |
| 2.4.3 基于SKLDA算法的P300信号检测结果分析 | 第33-34页 |
| 2.4.4 传统分类算法结果对比 | 第34-37页 |
| 第三章 基于卷积神经网络的P300信号检测 | 第37-50页 |
| 3.1 传统人工神经网络 | 第37-38页 |
| 3.2 反向传播算法 | 第38-39页 |
| 3.3 基于卷积神经网络的P300信号检测模型 | 第39-45页 |
| 3.4 基于卷积神经网络的P300信号结果分析 | 第45-47页 |
| 3.4.1 信号信噪比随叠加平均数结果分析 | 第45-46页 |
| 3.4.2 算法性能随叠加平均数结果分析 | 第46-47页 |
| 3.5 实验结果对比分析 | 第47-49页 |
| 3.6 实验结论 | 第49-50页 |
| 第四章 基于SSVEP的脑-机接口系统设计与实现 | 第50-57页 |
| 4.1 概述 | 第50页 |
| 4.2 基于SSVEP的脑-机接口系统设计与实现 | 第50-55页 |
| 4.2.1 基于LED的视觉刺激器设计 | 第51-52页 |
| 4.2.2 SSVEP脑电信号采集 | 第52页 |
| 4.2.3 SSVEP脑电数据桥接传输 | 第52-53页 |
| 4.2.4 基于OMAP3530的开发平台环境搭建 | 第53页 |
| 4.2.5 基于典型相关分析算法的频率识别 | 第53-55页 |
| 4.3 实验结果 | 第55-56页 |
| 4.4 结论 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的论文与参与的科研项目 | 第66-67页 |
| 学位论文评阅及答辩情况表 | 第67页 |
