基于脑电信号的身份认证
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 引言 | 第9页 |
| 1.2 生物特征识别简介 | 第9-11页 |
| 1.3 脑电信号 | 第11-13页 |
| 1.3.1 脑电信号分类 | 第11-13页 |
| 1.3.2 脑电信号用于身份识别的可行性 | 第13页 |
| 1.4 研究现状 | 第13-15页 |
| 1.5 章节安排 | 第15-16页 |
| 第二章 脑电信号的采集与预处理 | 第16-23页 |
| 2.1 脑电信号的采集设备 | 第16-18页 |
| 2.2 脑电信号的预处理 | 第18-21页 |
| 2.2.1 脑电信号中的噪声分析 | 第18-20页 |
| 2.2.2 脑电信号噪声去除 | 第20-21页 |
| 2.3 实验数据库介绍 | 第21-23页 |
| 第三章 脑电信号的特征提取 | 第23-44页 |
| 3.1 功率谱密度(PSD) | 第23-27页 |
| 3.2 小波变换 | 第27-31页 |
| 3.3 自回归模型 | 第31-34页 |
| 3.4 Fz-AR——AR模型的改进 | 第34-35页 |
| 3.5 实验结果及分析 | 第35-44页 |
| 3.5.1 AR 模型 | 第37-38页 |
| 3.5.2 Fz-AR 模型 | 第38-40页 |
| 3.5.3 小波变换 | 第40-41页 |
| 3.5.4 功率谱密度 | 第41-42页 |
| 3.5.5 不同特征的效果对比 | 第42-44页 |
| 第四章 脑电信号的特征降维 | 第44-59页 |
| 4.1 主成分分析 | 第45-48页 |
| 4.2 线性判别分析 | 第48-50页 |
| 4.3 度量学习——最大边界近邻分类法 | 第50-53页 |
| 4.4 不同特征选择方法的实验结果对比 | 第53-59页 |
| 4.4.1 PCA实验结果 | 第54-55页 |
| 4.4.2 LDA实验结果 | 第55-56页 |
| 4.4.3 LMNN实验结果 | 第56-59页 |
| 第五章 脑电信号开集身份识别中的分类器 | 第59-72页 |
| 5.1 支撑向量机 | 第59-64页 |
| 5.2 神经网络 | 第64-66页 |
| 5.3 Ada-boost | 第66-68页 |
| 5.4 不同分类器性能对比 | 第68-72页 |
| 5.4.1 实验朴素贝叶斯分类 | 第68-69页 |
| 5.4.2 K近邻 | 第69页 |
| 5.4.3 Ada-boost | 第69-70页 |
| 5.4.4 支撑向量机 | 第70页 |
| 5.4.5 神经网络 | 第70-71页 |
| 5.4.6 不同分类器的最佳策略对比 | 第71-72页 |
| 第六章 基于脑电信号的开集身份识别系统 | 第72-77页 |
| 6.1 开集身份识别系统框架 | 第72-74页 |
| 6.2 开集身份识别实验 | 第74-77页 |
| 第七章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |
