摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第11-12页 |
缩略语对照表 | 第12-15页 |
第一章 绪论 | 第15-19页 |
1.1 脑机接口研究的背景和意义 | 第15-16页 |
1.2 脑机接口研究的现状和进展 | 第16-17页 |
1.3 本论文的主要内容和结构 | 第17-19页 |
第二章 基于运动想象任务的脑机接口系统 | 第19-27页 |
2.1 脑电信号与BCI系统 | 第19-23页 |
2.1.1 人脑的构成及功能 | 第19-20页 |
2.1.2 脑电信号的划分 | 第20-21页 |
2.1.3 BCI系统构成 | 第21-23页 |
2.2 事件同步相关和事件去同步相关 | 第23-26页 |
2.2.1 运动想象脑电信号与事件去同步相关 | 第23-24页 |
2.2.2 基于频带能量的ERD检测方法 | 第24-25页 |
2.2.3 运动想象信号在 μ 节律的ERD/ERS现象 | 第25-26页 |
2.3 基于运动想象的脑机接口的经典实验范式 | 第26页 |
2.4 本章小结 | 第26-27页 |
第三章 运动想象脑电信号的特征提取及分类方法 | 第27-49页 |
3.1 脑电信号的预处理 | 第27-29页 |
3.1.1 空间滤波的预处理方法 | 第27-28页 |
3.1.2 脑电信号的时频滤波预处理 | 第28-29页 |
3.2 脑电信号的特征提取方法 | 第29-42页 |
3.2.1 频带能量(Band power)特征提取方法 | 第29-32页 |
3.2.2 傅里叶变化和短时傅里叶变换方法 | 第32-34页 |
3.2.3 共空间模式滤波方法 | 第34-37页 |
3.2.4 基于小波变换和共空间模式的脑电信号特征提取方法 | 第37-39页 |
3.2.5 AAR模型参数估计方法 | 第39-42页 |
3.3 脑电信号的分类方法 | 第42-48页 |
3.3.1 线性判别分类 | 第42-45页 |
3.3.2 支持向量机分类 | 第45-48页 |
3.4 本章小结 | 第48-49页 |
第四章 运动想象脑电信号处理 | 第49-63页 |
4.1 两类运动想象脑电信号的分类识别 | 第49-53页 |
4.1.1 CSP + LDA与CSP+SVM | 第49-52页 |
4.1.2 Wavelet CSP + LDA | 第52-53页 |
4.2 多类运动想象脑电信号分类识别 | 第53-61页 |
4.2.1 OVO分类方法和OVR分类方法 | 第53-55页 |
4.2.2 特征重组和小波变换的多类运动想象脑电信号分类方法 | 第55-61页 |
4.3 本章小结 | 第61-63页 |
第五章 基于运动想象的在线学习脑机接口 | 第63-73页 |
5.1 自适应共空间模式(ACSP)的在线学习方法 | 第63-64页 |
5.2 BCI在线系统设计 | 第64-65页 |
5.3 试验范式的设计 | 第65-68页 |
5.3.1 经典的试验范式和时序 | 第65-66页 |
5.3.2 不同的试验范式结果对比 | 第66-68页 |
5.4 在线系统的实现 | 第68-70页 |
5.4.1 基于监督学习的模型训练 | 第68-69页 |
5.4.2 在线测试和反馈的设计 | 第69-70页 |
5.5 在线测试结果和分析 | 第70-71页 |
5.6 本章小结 | 第71-73页 |
第六章 总结与展望 | 第73-75页 |
6.1 完成的工作 | 第73页 |
6.2 未完成的工作和改进计划 | 第73-75页 |
参考文献 | 第75-79页 |
致谢 | 第79-81页 |
作者简介 | 第81-82页 |
1.基本情况 | 第81页 |
2.教育背景 | 第81页 |
3.攻读硕士期间的研究成果 | 第81-82页 |