中文摘要 | 第1-3页 |
ABSTRACT | 第3-6页 |
第一章 绪论 | 第6-14页 |
·脑电研究的历史回顾 | 第6-8页 |
·脑电的发现 | 第6-7页 |
·脑电的分类 | 第7-8页 |
·诱发电位及其产生机制假设 | 第8页 |
·事件相关电位 P300 | 第8-9页 |
·P300 信号在BCI 系统中的应用 | 第9-12页 |
·BCI 系统的介绍 | 第9-10页 |
·BCI 系统中的控制信号 | 第10-11页 |
·P300 信号在 BCI 系统中的使用 | 第11-12页 |
·P300 信号的常用分析方法 | 第12页 |
·本课题的研究方法介绍 | 第12-14页 |
第二章 脑电信号中P300 的特征提取 | 第14-25页 |
·脑电信号与 P300 信号的特点 | 第14-15页 |
·相干平均技术 | 第15-18页 |
·主分量分析 | 第18-20页 |
·主分量分析的原理 | 第18-19页 |
·主分量的计算方法 | 第19-20页 |
·独立分量分析 | 第20-22页 |
·ICA 在脑电逆问题中的结构模型 | 第20-21页 |
·ICA 问题的先验知识 | 第21-22页 |
·ICA 中的不确定性 | 第22页 |
·ICA 中的独立判据 | 第22页 |
·时频分析在P300 特征提取中的应用 | 第22-24页 |
·利用正弦小波(Sinusoidal Wavelet)作时频分析 | 第23页 |
·ERSP 与 ITC 参数的定义 | 第23-24页 |
·P300 特征的组成形式 | 第24-25页 |
第三章 P300 特征分类技术的原理介绍 | 第25-46页 |
·P300 的分类特点与对学习器的要求 | 第25-26页 |
·脑电信号分类的性能评价准则 | 第25页 |
·脑电信号分类存在的主要问题和未来发展方向 | 第25-26页 |
·线性分类感知器 | 第26-29页 |
·线性感知器的数学描述 | 第26-27页 |
·线性感知器的实现方法 | 第27-29页 |
·人工神经网络技术 | 第29-33页 |
·人工神经元模型 | 第29-31页 |
·多层前向神经网络 | 第31页 |
·神经网络的 BP 学习算法 | 第31-33页 |
·统计学习理论与支持向量机 | 第33-45页 |
·统计学习理论(Statistical Learning Theory,SLT) | 第35-39页 |
·最优超平面 | 第39-42页 |
·核函数特征空间 | 第42-45页 |
·各个方法在 P300 特征分类上的优劣 | 第45-46页 |
第四章 实验方法与结果 | 第46-59页 |
·P300 信号的采集方法与数据格式 | 第46-47页 |
·传统方法 | 第47-48页 |
·本文所采用的数据分析处理方法 | 第48-59页 |
·P300 信号的滤噪处理 | 第48页 |
·P300 信号的分析与特征提取 | 第48-55页 |
·利用神经网络与 SVM 分类 | 第55-59页 |
第五章 总结与展望 | 第59-61页 |
·本文研究工作总结 | 第59-60页 |
·展望 | 第60-61页 |
参考文献 | 第61-64页 |
发表论文和参加科研情况说明 | 第64-65页 |
致谢 | 第65页 |