运动想象脑电分析算法研究及实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及研究意义 | 第11-13页 |
| 1.1.1 课题研究背景 | 第11页 |
| 1.1.2 课题研究意义 | 第11-13页 |
| 1.2 EEG信号概述 | 第13-16页 |
| 1.2.1 EEG信号的产生 | 第13页 |
| 1.2.2 EEG信号的分类 | 第13-15页 |
| 1.2.3 EEG信号的特点 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-17页 |
| 1.4 本文的主要内容与结构安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 相关理论基础 | 第19-29页 |
| 2.1 EEG信号特征提取方法介绍 | 第19-21页 |
| 2.1.1 时域分析 | 第19页 |
| 2.1.2 频域分析 | 第19-20页 |
| 2.1.3 时频分析 | 第20-21页 |
| 2.2 EEG信号的模式分类方法介绍 | 第21-22页 |
| 2.3 小波变换法理论基础 | 第22-27页 |
| 2.3.1 连续小波变换 | 第22-24页 |
| 2.3.2 离散小波变换 | 第24-25页 |
| 2.3.3 多分辨率分析 | 第25-26页 |
| 2.3.4 Mallat算法 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 运动想象脑电信号的特征提取 | 第29-45页 |
| 3.1 运动想象脑电数据的预处理 | 第29-31页 |
| 3.1.1 运动想象脑电数据描述 | 第29-30页 |
| 3.1.2 原始数据截取和导联的选择 | 第30-31页 |
| 3.2 ERD/ERS与滤波 | 第31-33页 |
| 3.2.1 事件相关同步/去同步现象 | 第31-32页 |
| 3.2.2 滤波频段的确定 | 第32-33页 |
| 3.3 基于小波变换+主成分分析的特征提取 | 第33-38页 |
| 3.3.1 脑电信号的小波分解 | 第33-35页 |
| 3.3.2 脑电特征的主成分分析 | 第35-38页 |
| 3.4 基于CSP算法的特征提取研究 | 第38-43页 |
| 3.4.1 两类问题的CSP算法流程 | 第38-41页 |
| 3.4.2 四类运动想象的CSP特征提取 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于SVM的运动想象分类 | 第45-57页 |
| 4.1 最优分类超平面 | 第45-46页 |
| 4.2 SVM的分类 | 第46-48页 |
| 4.2.1 线性支持向量机 | 第46-48页 |
| 4.2.2 非线性支持向量机 | 第48页 |
| 4.3 两套特征提取方案的SVM分类 | 第48-51页 |
| 4.3.1 数据的归一化处理 | 第48-49页 |
| 4.3.2 核函数的选择 | 第49页 |
| 4.3.3 SVM中参数的确定 | 第49-50页 |
| 4.3.4 四类运动想象SVM分类器设计 | 第50-51页 |
| 4.4 仿真结果分析 | 第51-56页 |
| 4.4.1 仿真一 | 第51-53页 |
| 4.4.2 仿真二 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 相关算法的FPGA设计 | 第57-67页 |
| 5.1 FPGA设计思想 | 第57-58页 |
| 5.2 Mallat算法的FPGA设计 | 第58-62页 |
| 5.3 主成分分析法的FPGA设计 | 第62-65页 |
| 5.4 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 工作总结 | 第67页 |
| 6.2 设计中存在的不足及工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
