基于P300的脑机接口指令识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 引言 | 第11页 |
| 1.2 脑机接口的概念和与结构 | 第11-14页 |
| 1.2.1 脑机接口的定义与类型 | 第11-13页 |
| 1.2.2 脑机接口的结构 | 第13-14页 |
| 1.3 脑机接口研究意义 | 第14-16页 |
| 1.4 脑机接口国内外研究现状与挑战 | 第16-19页 |
| 1.4.1 脑机接口国内外研究现状 | 第16-18页 |
| 1.4.2 脑机接口面临的困难与挑战 | 第18-19页 |
| 1.5 基于P300脑机接口的优势 | 第19页 |
| 1.6 本论文的内容安排 | 第19-21页 |
| 1.6.1 主要研究内容 | 第19-20页 |
| 1.6.2 论文结构 | 第20-21页 |
| 第2章 P300脑电信号与数据集 | 第21-29页 |
| 2.1 脑电信号概述 | 第21-23页 |
| 2.1.1 脑电信号神经基础 | 第21-22页 |
| 2.1.2 脑电信号类别 | 第22-23页 |
| 2.2 P300事件相关电位 | 第23-25页 |
| 2.2.1 事件相关电位 | 第23-24页 |
| 2.2.2 P300电位的概念和特性 | 第24-25页 |
| 2.3 P300标准数据集 | 第25-28页 |
| 2.3.1 P300Speller | 第25-26页 |
| 2.3.2 数据集介绍 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 P300脑电信号的处理方法 | 第29-38页 |
| 3.1 数据集预处理 | 第29-30页 |
| 3.1.1 带通滤波 | 第29页 |
| 3.1.2 数据分段 | 第29-30页 |
| 3.2 通道选取算法 | 第30-33页 |
| 3.2.1 通道敏感度指标 | 第30-31页 |
| 3.2.2 相位同步指标 | 第31-33页 |
| 3.3 数据的特征处理方法 | 第33-36页 |
| 3.3.1 叠加平均法 | 第33-34页 |
| 3.3.2 主成分分析方法 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第4章 基于贝叶斯LDA的指令识别 | 第38-47页 |
| 4.1 线性分类器概述 | 第38-40页 |
| 4.1.1 线性最小二乘回归 | 第38-39页 |
| 4.1.2 Fisher线性判别 | 第39-40页 |
| 4.2 基于贝叶斯线性判别的P300指令识别 | 第40-43页 |
| 4.2.1 BLDA算法理论介绍 | 第40-43页 |
| 4.2.2 BLDA算法的P300指令识别过程 | 第43页 |
| 4.3 实验结果与分析 | 第43-46页 |
| 4.3.1 特征提取方法对比 | 第43-44页 |
| 4.3.2 FLDA与BLDA字符指令识别对比 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于权重极限学习机的指令识别 | 第47-58页 |
| 5.1 极限学习机概述 | 第47-50页 |
| 5.1.1 人工神经网络 | 第47-48页 |
| 5.1.2 极限学习机 | 第48-50页 |
| 5.2 权重极限学习机在P300指令识别上的应用 | 第50-54页 |
| 5.2.1 权重极限学习机算法介绍 | 第50-53页 |
| 5.2.2 权重极限学习机的P300指令识别过程 | 第53-54页 |
| 5.3 实验结果与分析 | 第54-57页 |
| 5.3.1 ELM与WELM结果对比 | 第54页 |
| 5.3.2 kernelWELM实验结果 | 第54-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 总结和展望 | 第58-60页 |
| 6.1 全文总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |
