基于多任务学习的脑电信号分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 脑机接口技术概述 | 第12-17页 |
| 1.2.1 脑机接口系统的组成 | 第12-13页 |
| 1.2.2 脑机接口常见信号类型 | 第13-16页 |
| 1.2.3 脑机接口系统的分类 | 第16页 |
| 1.2.4 面临的问题和挑战 | 第16-17页 |
| 1.3 论文研究内容与结构安排 | 第17-19页 |
| 第二章 脑电信号的采集与处理 | 第19-25页 |
| 2.1 数据采集与预处理 | 第19-20页 |
| 2.1.1 EEG信号采集过程 | 第19页 |
| 2.1.2 EEG信号预处理 | 第19-20页 |
| 2.2 特征提取与模式分类 | 第20-24页 |
| 2.2.1 特征提取算法 | 第20-22页 |
| 2.2.2 模式分类算法 | 第22-24页 |
| 2.3 准确率 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 多任务学习及在脑机接口中的应用 | 第25-31页 |
| 3.1 多任务学习 | 第25-26页 |
| 3.1.1 多任务学习概述 | 第25-26页 |
| 3.1.2 与迁移学习的关系 | 第26页 |
| 3.2 多任务学习分类 | 第26-28页 |
| 3.2.1 基于特征的多任务学习 | 第26-27页 |
| 3.2.2 基于模型参数的多任务学习 | 第27页 |
| 3.2.3 基于深度学习的多任务学习 | 第27-28页 |
| 3.3 多任务学习在脑机接口中的应用 | 第28-30页 |
| 3.4 目前方法存在的问题 | 第30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 多任务主成分分析算法 | 第31-40页 |
| 4.1 单任务主成分分析 | 第31-32页 |
| 4.2 多任务主成分分析 | 第32-35页 |
| 4.2.1 多任务主成分算法框架 | 第32-33页 |
| 4.2.2 共享特征子空间研究 | 第33-34页 |
| 4.2.3 算法详细步骤 | 第34-35页 |
| 4.3 实验结果与分析 | 第35-39页 |
| 4.3.1 本实验室数据 | 第35-38页 |
| 4.3.2 国际BCI竞赛数据 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 多任务共空间模式算法 | 第40-51页 |
| 5.1 单任务共空间模式算法 | 第40-42页 |
| 5.2 多任务共空间模式算法 | 第42-46页 |
| 5.2.1 多任务共空间模式框架 | 第42-43页 |
| 5.2.2 共享特征子空间研究 | 第43-45页 |
| 5.2.3 算法详细步骤 | 第45-46页 |
| 5.3 实验数据与实验结果 | 第46-50页 |
| 5.3.1 实验数据集介绍 | 第46页 |
| 5.3.2 实验结果与分析 | 第46-50页 |
| 5.4 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 总结 | 第51页 |
| 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附件 | 第59页 |
