| 第一章 绪论 | 第1-12页 |
| 1．1 脑电信号分类的背景——脑机接口 | 第6-7页 |
| 1．1．1 脑机接口的组成与特点 | 第6-7页 |
| 1．1．2 脑机接口的应用 | 第7页 |
| 1．2 脑电信号分类的研究现状 | 第7-10页 |
| 1．2．1 不同脑电信号分类的研究进展 | 第7-9页 |
| 1．2．2 脑电信号分类的性能评价准则 | 第9页 |
| 1．2．3 脑电信号分类存在的主要问题和未来发展方向 | 第9-10页 |
| 1．3 论文研究内容 | 第10-12页 |
| 第二章 事件相关电位与P300 | 第12-18页 |
| 2．1 事件相关电位 | 第12-14页 |
| 2．1．1 事件相关电位的定义 | 第12页 |
| 2．1．2 事件相关电位的构成 | 第12-13页 |
| 2．1．3 事件相关电位的提取 | 第13-14页 |
| 2．2 P300脑电信号 | 第14-17页 |
| 2．2．1 P300脑电信号的特点 | 第14-15页 |
| 2．2．2 P300脑电信号的辨认及测量 | 第15-16页 |
| 2．2．3 P300脑电信号的常用识别方法及特点 | 第16-17页 |
| 2．3 小结 | 第17-18页 |
| 第三章 支持向量机理论 | 第18-31页 |
| 3．1 模式识别 | 第18-21页 |
| 3．1．1 模式识别的定义 | 第18-19页 |
| 3．1．2 统计模式识别系统的组成 | 第19-20页 |
| 3．1．3 分类器的性能因素及面临的问题 | 第20-21页 |
| 3．2 统计学习理论 | 第21-24页 |
| 3．2．1 统计学习理论的核心内容 | 第22页 |
| 3．2．2 统计学习理论的基础 | 第22-23页 |
| 3．2．3 统计学习理论的基本理论 | 第23-24页 |
| 3．2．4 分类器设计原则 | 第24页 |
| 3．3 支持向量机 | 第24-30页 |
| 3．3．1 最优分类面与广义最优分类面 | 第24-26页 |
| 3．3．2 支持向量机的介绍 | 第26-28页 |
| 3．3．3 支持向量机的性能与特点 | 第28-29页 |
| 3．3．4 支持向量机现有实现算法及应用 | 第29-30页 |
| 3．4 小结 | 第30-31页 |
| 第四章 P300仿真信号的分类 | 第31-39页 |
| 4．1 P300信号的仿真 | 第31-32页 |
| 4．2 仿真信号分类算法 | 第32-35页 |
| 4．2．1 信号预处理 | 第32-33页 |
| 4．2．2 特征提取与选择 | 第33-34页 |
| 4．2．3 支持向量机分类器设计 | 第34-35页 |
| 4．3 仿真信号分类结果 | 第35-37页 |
| 4．4 小结 | 第37-39页 |
| 第五章 P300拼写范例分类实验 | 第39-53页 |
| 5．1 P300拼写范例 | 第39-43页 |
| 5．1．1 拼写范例介绍 | 第39-40页 |
| 5．1．2 信号的采集与存储 | 第40-42页 |
| 5．1．3 分类实验的目标 | 第42-43页 |
| 5．1．4 分类方法实例 | 第43页 |
| 5．2 P300实验信号的分析 | 第43-46页 |
| 5．3 P300实验信号分类算法 | 第46-50页 |
| 5．3．1 算法设计 | 第47页 |
| 5．3．2 信号获取 | 第47-48页 |
| 5．3．3 信号预处理 | 第48-49页 |
| 5．3．4 特征提取和选择 | 第49页 |
| 5．3．5 分类器设计 | 第49-50页 |
| 5．4 实验信号分类结果 | 第50-51页 |
| 5．5 小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6．1 主要工作总结 | 第53-54页 |
| 6．2 展望 | 第54-55页 |
| 在学期间发表论文情况 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 SVM-CHEN2．0程序操作界面 | 第60-61页 |