| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题研究背景及意义 | 第10-11页 |
| 1.3 国内外脑机接口技术研究现状 | 第11-15页 |
| 1.3.1 国外研究现状 | 第12-14页 |
| 1.3.2 国内研究现状 | 第14-15页 |
| 1.4 论文研究内容及组织结构 | 第15-17页 |
| 第2章 脑电信号及其分析方法研究 | 第17-25页 |
| 2.1 大脑结构及功能简介 | 第17-19页 |
| 2.2 脑电信号简介 | 第19-21页 |
| 2.3 脑电信号的特点及其分析方法 | 第21-24页 |
| 2.3.1 脑电信号的特点 | 第21-22页 |
| 2.3.2 脑电信号分析方法 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于CSP的脑电信号特征提取算法研究 | 第25-42页 |
| 3.1 小波包分解 | 第25-28页 |
| 3.2 谐波小波包分解 | 第28-35页 |
| 3.2.1 谐波小波分解 | 第28-31页 |
| 3.2.2 谐波小波包分解及其快速算法 | 第31-35页 |
| 3.3 基于公共空间模式的脑电数据选择 | 第35-36页 |
| 3.4 脑电特征提取 | 第36-38页 |
| 3.4.1 基于CSP的特征提取 | 第36-37页 |
| 3.4.2 Hjorth参数 | 第37页 |
| 3.4.3 频带能量 | 第37-38页 |
| 3.5 基于主成分分析的特征选择 | 第38-41页 |
| 3.5.1 主成分分析简介 | 第38页 |
| 3.5.2 主成分分析算法研究 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 基于知识累积的脑电信号分类研究 | 第42-50页 |
| 4.1 多尺度脑电信号分割 | 第42-44页 |
| 4.2 基于群体智慧的模型训练方法研究 | 第44页 |
| 4.3 基于线性判决的脑电信号分类 | 第44-47页 |
| 4.3.1 Fisher线性分类算法 | 第44-46页 |
| 4.3.2 基于知识累积的线性分类算法研究 | 第46-47页 |
| 4.4 基于支持向量机的脑电信号分类 | 第47-49页 |
| 4.4.1 支持向量机分类算法 | 第47-48页 |
| 4.4.2 基于知识累积的SVM算法 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 实验及结果分析 | 第50-60页 |
| 5.1 实验数据集简介 | 第50-52页 |
| 5.1.1 第二届国际脑-机接口竞赛数据集III | 第50页 |
| 5.1.2 第四届国际脑-机接口竞赛数据集IIB | 第50-52页 |
| 5.2 分类系统整体结构说明 | 第52页 |
| 5.3 基于Fisher准则的线性分类实验结果分析 | 第52-55页 |
| 5.4 基于知识累积的SVM算法实验结果分析 | 第55-57页 |
| 5.5 主成分分析及谐波小波包分解层数对系统性能的影响 | 第57-59页 |
| 5.6 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 1 总结 | 第60页 |
| 2 展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的论文 | 第67-69页 |
| 致谢 | 第69页 |