| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 引言 | 第12-14页 |
| 1.2 脑机接口计算平台研究概述 | 第14-18页 |
| 1.2.1 人类脑计划 | 第14-15页 |
| 1.2.2 现有脑机接口平台 | 第15-18页 |
| 1.3 困难与挑战 | 第18-19页 |
| 1.3.1 灵活通用的神经解码平台开发 | 第18-19页 |
| 1.3.2 神经信号大数据高速计算方法 | 第19页 |
| 1.4 本文的研究内容 | 第19-20页 |
| 1.5 全文内容安排 | 第20-22页 |
| 第2章 猕猴运动脑机接口实验平台的搭建 | 第22-36页 |
| 2.1 引言 | 第22-23页 |
| 2.2 实验流程与数据处理 | 第23-27页 |
| 2.3 硬件平台 | 第27-28页 |
| 2.4 范式系统 | 第28-31页 |
| 2.5 在线解码系统 | 第31-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 计算流程可配置的神经解码系统设计 | 第36-51页 |
| 3.1 引言 | 第36页 |
| 3.2 流程可配置的神经解码系统 | 第36-50页 |
| 3.2.1 架构设计 | 第37-39页 |
| 3.2.2 设计模块 | 第39-42页 |
| 3.2.3 执行模块 | 第42-44页 |
| 3.2.4 数据接口设计 | 第44-46页 |
| 3.2.5 系统界面设计 | 第46-50页 |
| 3.3 本章小结 | 第50-51页 |
| 第4章 基于Hadoop的并行计算架构设计与解码算法的实现 | 第51-62页 |
| 4.1 引言 | 第51-52页 |
| 4.2 神经信号大数据参数训练中的困难 | 第52页 |
| 4.3 Hadoop并行计算架构及其优势 | 第52-54页 |
| 4.4 基于Hadoop的并行计算架构的实现 | 第54-57页 |
| 4.4.1 整体架构的设计 | 第54-56页 |
| 4.4.2 数据的封装与传递 | 第56-57页 |
| 4.5 基于Hadoop的算法实现 | 第57-60页 |
| 4.5.1 基于GRNN运动轨迹解码 | 第57-59页 |
| 4.5.2 基于KNN的运动手势分类 | 第59-60页 |
| 4.6 解码结果及并行效率分析 | 第60-61页 |
| 4.7 本章小结 | 第61-62页 |
| 第5章 流程可配置分布式脑机接口计算实例：猴子运动解码系统 | 第62-69页 |
| 5.1 引言 | 第62页 |
| 5.2 基于可配置系统的猴子运动轨迹解码算法实现 | 第62-67页 |
| 5.2.1 算法介绍 | 第62-64页 |
| 5.2.2 算法实现 | 第64-66页 |
| 5.2.3 性能分析 | 第66-67页 |
| 5.3 基于Hadoop平台的参数训练 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 工作总结 | 第69页 |
| 6.2 主要创新点 | 第69-70页 |
| 6.3 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74页 |