基于EEG&fNIRS的多模态脑机接口应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 引言 | 第11-12页 |
| 1.2 多模态脑机接口概述 | 第12-16页 |
| 1.2.1 脑机接口的定义 | 第12-13页 |
| 1.2.2 脑机接口的分类 | 第13-14页 |
| 1.2.3 常见的多模态组合方式 | 第14-16页 |
| 1.3 基于脑机接口的康复机器人 | 第16-17页 |
| 1.3.1 国内外研究现状 | 第16-17页 |
| 1.3.2 面临的问题及挑战 | 第17页 |
| 1.4 本文研究内容 | 第17-19页 |
| 第2章 多模态信号的采集 | 第19-27页 |
| 2.1 大脑结构及功能分区 | 第19-20页 |
| 2.2 实验设备 | 第20-22页 |
| 2.2.1 EEG信号采集设备 | 第20-21页 |
| 2.2.2 fNIRS信号采集设备 | 第21-22页 |
| 2.3 多模态信号的采集 | 第22-25页 |
| 2.3.1 采集通道的布局设计 | 第22-25页 |
| 2.3.2 实验范式的设计 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 多模态信号的预处理 | 第27-39页 |
| 3.1 EEG信号的消噪 | 第27-31页 |
| 3.1.1 集合经验模态分解 | 第27-28页 |
| 3.1.2 小波阈值消噪 | 第28-29页 |
| 3.1.3 基于EEMD和小波阈值的消噪方法 | 第29-31页 |
| 3.2 EEG信号的频段分解 | 第31-34页 |
| 3.3 fNIRS信号数据转换 | 第34-38页 |
| 3.3.1 原始信号的滤波 | 第34-36页 |
| 3.3.2 近红外光的传播模型 | 第36-37页 |
| 3.3.3 fNIRS信号数据分析 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 多模态信号的特征提取 | 第39-48页 |
| 4.1 时频域分析 | 第39-40页 |
| 4.1.1 频域分析 | 第39页 |
| 4.1.2 时域分析 | 第39-40页 |
| 4.1.3 时频域分析 | 第40页 |
| 4.2 非线性动力学分析 | 第40-42页 |
| 4.2.1 熵原理 | 第40-41页 |
| 4.2.2 样本熵算法描述 | 第41-42页 |
| 4.2.3 基于SampEn的特征提取 | 第42页 |
| 4.3 空间域分析 | 第42-47页 |
| 4.3.1 CSP算法 | 第43-44页 |
| 4.3.2 R-CSP算法 | 第44-45页 |
| 4.3.3 实验结果及分析 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 多模态信号的特征分类 | 第48-56页 |
| 5.1 BP神经网络 | 第48-51页 |
| 5.1.1 BP神经网络模型结构 | 第49-50页 |
| 5.1.2 BP神经网络算法实现 | 第50-51页 |
| 5.1.3 多模态信号的分类比较 | 第51页 |
| 5.2 GA优化神经网络 | 第51-55页 |
| 5.2.1 遗传算法的简介 | 第52页 |
| 5.2.2 GA优化BP的实现 | 第52-54页 |
| 5.2.3 优化效果分析 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第6章 临床实验及数据分析 | 第56-64页 |
| 6.1 脑卒中患者的康复训练 | 第56-59页 |
| 6.1.1 康复机器人疗法 | 第56-57页 |
| 6.1.2 运动想象疗法 | 第57-59页 |
| 6.2 脑卒中患者与健康人运动时的差异性 | 第59-61页 |
| 6.2.1 功能性近红外成像的差异 | 第59页 |
| 6.2.2 特征向量之间的差异 | 第59-61页 |
| 6.3 多模态脑机接口的实用性研究 | 第61-63页 |
| 6.4 本章小结 | 第63-64页 |
| 第7章 总结与展望 | 第64-66页 |
| 7.1 本文工作总结 | 第64页 |
| 7.2 研究展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 附录 | 第72页 |
