首页--工业技术论文--无线电电子学、电信技术论文--通信论文--通信理论论文--信号处理论文

N-back诱发脑力负荷信息检测与识别技术研究

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

论文共67页,点击 下载论文
上一篇:水下无线传感器网络MAC协议与定位算法研究
下一篇:一种12-bit高速数模转换器的设计与实现