摘要 | 第4-5页 |
ABSTRACT | 第5页 |
第一章 绪论 | 第8-19页 |
1.1 脑力负荷的基本概念及研究意义 | 第8-9页 |
1.1.1 脑力负荷的基本概念 | 第8页 |
1.1.2 脑力负荷的研究意义 | 第8-9页 |
1.2 脑力负荷的研究方法及国内外研究现状 | 第9-16页 |
1.2.1 选择脑力负荷测量方法的标准 | 第9-10页 |
1.2.2 脑力负荷测量方法 | 第10-15页 |
1.2.3 国内外研究现状及存在的问题 | 第15-16页 |
1.3 主要研究内容与章节安排 | 第16-19页 |
1.3.1 主要研究内容 | 第16-17页 |
1.3.2 章节安排 | 第17-19页 |
第二章 脑力负荷诱发 EEG 实验设计 | 第19-27页 |
2.1 脑电信号简介 | 第19-20页 |
2.2 n-back 诱发脑力负荷实验设计 | 第20-22页 |
2.2.1 Verbal n-back 实验设计 | 第21页 |
2.2.2 Spatial n-back 实验设计 | 第21-22页 |
2.3 实验平台与脑电采集系统 | 第22-27页 |
2.3.1 实验设备 | 第22-23页 |
2.3.2 电极的选择 | 第23页 |
2.3.3 脑电信号的科学记录 | 第23-27页 |
第三章 脑电数据预处理与特征提取分析 | 第27-45页 |
3.1 脑电信号预处理 | 第27-29页 |
3.2 频域特征提取与分析 | 第29-35页 |
3.2.1 AR 功率谱估计 | 第30-31页 |
3.2.2 功率谱分析结果 | 第31-35页 |
3.3 时频特征提取与分析 | 第35-39页 |
3.3.1 事件相关去同步/同步定义(ERD/ERS) | 第35页 |
3.3.2 短时傅里叶变换(STFT) | 第35-36页 |
3.3.3 ERD/ERS 分析结果 | 第36-39页 |
3.4 非线性特征提取与分析 | 第39-45页 |
3.4.1 样本熵(SampEn) | 第40-42页 |
3.4.2 小波多尺度熵(WMSE) | 第42-45页 |
第四章 基于支持向量机的分类识别及优化 | 第45-59页 |
4.1 支持向量机概述 | 第45-51页 |
4.1.1 支持向量机的基本原理 | 第45-51页 |
4.2 基于支持向量机的分类结果讨论 | 第51-53页 |
4.2.1 Verbal n-back 的分类结果 | 第51-52页 |
4.2.2 Spatial n-back 的分类结果 | 第52-53页 |
4.3 基于 SVM-RFE 的导联优化 | 第53-59页 |
4.3.1 递归特征筛选算法基本原理 | 第54页 |
4.3.2 基于支持向量机的递归特征筛选 | 第54-55页 |
4.3.3 导联优化结果 | 第55-59页 |
第五章 总结与展望 | 第59-61页 |
5.1 工作总结 | 第59-60页 |
5.2 工作展望 | 第60-61页 |
参考文献 | 第61-65页 |
发表论文和科研情况说明 | 第65-67页 |
致谢 | 第67页 |