| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第14-29页 |
| 1.1 脑-机接.的背景介绍 | 第14-19页 |
| 1.1.1 脑-机接.系统的构成框架 | 第14-15页 |
| 1.1.2 脑-机接.的类型 | 第15-19页 |
| 1.2 运动想象的脑机制 | 第19-21页 |
| 1.2.1 运动想象的脑功能区定位 | 第19-20页 |
| 1.2.2 运动想象的脑网络研究 | 第20-21页 |
| 1.3 运动想象脑-机接 | 第21-24页 |
| 1.3.1 特征提取 | 第21-22页 |
| 1.3.2 模式分类 | 第22-23页 |
| 1.3.3 被试间差异 | 第23页 |
| 1.3.4 MI-BCI的知名研究机构 | 第23-24页 |
| 1.4 运动想象脑-机接.的应用方向 | 第24-26页 |
| 1.4.1 运动辅助 | 第24-25页 |
| 1.4.2 神经康复 | 第25-26页 |
| 1.5 本文主要工作 | 第26-28页 |
| 1.6 论文结构 | 第28-29页 |
| 第二章 静息态EEG谱熵指标预测MI-BCI控制表现的研究 | 第29-47页 |
| 2.1 引言 | 第29-30页 |
| 2.2 材料与方法 | 第30-36页 |
| 2.2.1 实验被试 | 第30-31页 |
| 2.2.2 实验范式及数据采集 | 第31-32页 |
| 2.2.3 被试的MI-BCI控制表现 | 第32-34页 |
| 2.2.4 静息态EEG谱熵 | 第34-35页 |
| 2.2.5 基于静息态EEG谱熵预测被试的MI-BCI控制表现 | 第35-36页 |
| 2.2.6 两轮实验间被试MI-BCI控制表现和预测指标的变化 | 第36页 |
| 2.2.7 相关的研究工作 | 第36页 |
| 2.3 结果 | 第36-42页 |
| 2.3.1 被试的MI-BCI控制表现 | 第36-37页 |
| 2.3.2 静息态EEG谱熵与MI-BCI控制表现的关系 | 第37-38页 |
| 2.3.3 同一实验轮次内的MI-BCI控制表现预测 | 第38-40页 |
| 2.3.4 不同实验轮次间的MI-BCI控制表现预测 | 第40-41页 |
| 2.3.5 两轮实验间被试的MI-BCI控制表现与预测指标的变化 | 第41-42页 |
| 2.4 讨论 | 第42-46页 |
| 2.4.1 MI-BCI“盲”现象 | 第43页 |
| 2.4.2 静息态EEG谱熵指标的特点 | 第43-45页 |
| 2.4.3 不同实验轮次间的预测性能 | 第45页 |
| 2.4.4 SMR，ATR和谱熵预测指标 | 第45-46页 |
| 2.4.5 局限性 | 第46页 |
| 2.5 本章小结 | 第46-47页 |
| 第三章 基于静息态EEG脑网络的MI-BCI控制表现研究 | 第47-60页 |
| 3.1 引言 | 第47-48页 |
| 3.2 材料与方法 | 第48-51页 |
| 3.2.1 实验数据 | 第48页 |
| 3.2.2 被试的MI-BCI控制表现 | 第48页 |
| 3.2.3 静息态EEG脑网络的构建 | 第48-49页 |
| 3.2.4 图论分析 | 第49-50页 |
| 3.2.5 基于多元线性回归模型的MI-BCI控制表现预测 | 第50-51页 |
| 3.3 结果 | 第51-54页 |
| 3.3.1 MI-BCI控制表现与脑网络的关系：平均功能连接强度 | 第51页 |
| 3.3.2 MI-BCI控制表现与脑网络的关系：节点度与边连接强度 | 第51-52页 |
| 3.3.3 MI-BCI控制表现与脑网络的关系：网络传输效率 | 第52-54页 |
| 3.3.4 静息态EEG脑网络属性的稳定性 | 第54页 |
| 3.3.5 基于脑网络传输效率指标预测MI-BCI控制表现 | 第54页 |
| 3.4 讨论 | 第54-59页 |
| 3.4.1 节点度、连接边与偏侧性 | 第55-57页 |
| 3.4.2 网络信息传输效率与MI-BCI控制表现 | 第57页 |
| 3.4.3 MI-BCI控制能力预测 | 第57-58页 |
| 3.4.4 与SSVEP-BCI研究的关系 | 第58页 |
| 3.4.5 参考电极对EEG脑网络的影响 | 第58-59页 |
| 3.4.6 容积传导效应对EEG脑网络的影响 | 第59页 |
| 3.5 本章小结 | 第59-60页 |
| 第四章 基于长程FCD的MI-BCI控制表现研究 | 第60-66页 |
| 4.1 引言 | 第60-61页 |
| 4.2 材料与方法 | 第61-63页 |
| 4.2.1 实验被试 | 第61页 |
| 4.2.2 被试分组 | 第61页 |
| 4.2.3 fMRI数据采集 | 第61-62页 |
| 4.2.4 fMRI数据预处理 | 第62页 |
| 4.2.5 功能连接密度分析 | 第62-63页 |
| 4.3 结果 | 第63-65页 |
| 4.3.1 长程FCD的组间差异 | 第63-64页 |
| 4.3.2 基于长程FCD预测MI-BCI控制表现 | 第64-65页 |
| 4.4 讨论 | 第65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 基于LTCCSP的MI-BCI特征提取算法 | 第66-76页 |
| 5.1 引言 | 第66-67页 |
| 5.2 材料与方法 | 第67-70页 |
| 5.2.1 CSP算法原理 | 第67-68页 |
| 5.2.2 LTCCSP算法原理 | 第68-70页 |
| 5.2.3 LTCCSP算法在MI-BCI在线系统中的应用 | 第70页 |
| 5.3 结果 | 第70-74页 |
| 5.3.1 仿真噪声干扰的MI-BCI数据集 | 第70-73页 |
| 5.3.2 真实MI-BCI数据集 | 第73-74页 |
| 5.4 讨论 | 第74-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 基于Z-LDA的MI-BCI分类识别算法 | 第76-88页 |
| 6.1 引言 | 第76-77页 |
| 6.2 材料与方法 | 第77-79页 |
| 6.2.1 LDA算法原理 | 第77-78页 |
| 6.2.2 Z-LDA的原理 | 第78-79页 |
| 6.2.3 Z-LDA与LDA之间的关系 | 第79页 |
| 6.3 结果 | 第79-84页 |
| 6.3.1 仿真实验结果 | 第79-82页 |
| 6.3.2 真实的MI-BCI数据集分类结果 | 第82-84页 |
| 6.4 讨论 | 第84-87页 |
| 6.5 本章小结 | 第87-88页 |
| 第七章 总结与展望 | 第88-92页 |
| 7.1 全文总结 | 第88-89页 |
| 7.2 未来展望 | 第89-92页 |
| 致谢 | 第92-93页 |
| 参考文献 | 第93-108页 |
| 附录 基于PLI的脑网络与MI-BCI控制表现间的关系 | 第108-111页 |
| 攻读博士学位期间取得的成果 | 第111-114页 |
