摘要 | 第1-7页 |
Abstract | 第7-14页 |
第1章 绪论 | 第14-23页 |
·课题产生背景 | 第14页 |
·脑机接口的基本知识 | 第14-16页 |
·脑机接口定义与原理 | 第14-15页 |
·脑机接口类型及特点 | 第15-16页 |
·基于自发脑电的脑机接口研究现状 | 第16-19页 |
·国外研究现状 | 第16-19页 |
·国内研究现状 | 第19页 |
·基于自发脑电的脑机接口存在问题 | 第19-20页 |
·本文研究的目的和意义 | 第20页 |
·本文主要研究内容及创新点 | 第20-23页 |
第2章 自发脑电脑机接口技术及系统设计 | 第23-33页 |
·自发脑电脑机接口组成 | 第23-24页 |
·自发脑电脑机接口技术 | 第24-29页 |
·信号产生与记录技术 | 第24-28页 |
·信号模式识别技术 | 第28-29页 |
·实际应用技术 | 第29页 |
·自发脑电脑机接口系统设计 | 第29-32页 |
·硬件系统 | 第30-31页 |
·软件系统 | 第31-32页 |
·本章小结 | 第32-33页 |
第3章 脑电信号特征提取方法 | 第33-56页 |
·特征提取方法的研究现状及存在不足 | 第33-35页 |
·特征提取方法研究现状 | 第33-34页 |
·存在不足 | 第34-35页 |
·基于小波变换系数及系数均值的特征提取 | 第35-38页 |
·小波变换简介 | 第35-36页 |
·小波变换特征表示 | 第36页 |
·特征提取方法 | 第36-38页 |
·方法特点 | 第38页 |
·基于小波包分解系数及子带能量的特征提取 | 第38-42页 |
·小波包分解 | 第39-40页 |
·初始特征的形成 | 第40页 |
·特征矢量的形成 | 第40-41页 |
·方法特点 | 第41-42页 |
·基于小波包最优基的自适应个性化特征提取 | 第42-47页 |
·基本理论 | 第42-43页 |
·小波包最优基 | 第43-44页 |
·自适应特征提取步骤 | 第44-45页 |
·自适应个性化特征提取步骤 | 第45页 |
·方法特点 | 第45-47页 |
·BCI2003竞赛Data Set Ia处理结果 | 第47-54页 |
·Data Set Ia数据描述 | 第47页 |
·不同方法数据处理结果 | 第47-54页 |
·本章小节 | 第54-56页 |
第4章 脑电信号特征选择与分类方法 | 第56-78页 |
·特征选择方法 | 第56-64页 |
·特征选择基本理论 | 第56-57页 |
·特征选择方法研究现状 | 第57页 |
·基于自适应遗传算法的特征选择(AGA-FS) | 第57-61页 |
·BCI2003竞赛Data Set Ia处理结果 | 第61-64页 |
·分类方法 | 第64-73页 |
·分类方法研究现状 | 第64-65页 |
·基于概率神经网络的分类 | 第65-67页 |
·基于AGA优化支持向量机模型的分类 | 第67-70页 |
·BCI2003竞赛Data Set Ia处理结果 | 第70-73页 |
·特征选择与分类的联合优化 | 第73-76页 |
·联合优化基本理论 | 第73-74页 |
·联合优化具体实现 | 第74-75页 |
·BCI2003竞赛Data Set Ia处理结果 | 第75-76页 |
·本章小节 | 第76-78页 |
第5章 实验设计及识别结果 | 第78-97页 |
·基于运动想象的实验范例设计 | 第78-81页 |
·实验范例设计基础 | 第78页 |
·实验范例设计 | 第78-81页 |
·实验数据简介 | 第81页 |
·实验数据的模式识别方法及结果 | 第81-94页 |
·特征提取方法及结果 | 第82-87页 |
·特征选择方法及结果 | 第87-90页 |
·分类方法及结果 | 第90-92页 |
·特征选择与分类联合优化方法及结果 | 第92-94页 |
·实验数据的处理结果分析 | 第94-96页 |
·特征提取结果分析 | 第94页 |
·特征选择结果分析 | 第94-95页 |
·分类结果分析 | 第95页 |
·特征选择与分类联合优化结果分析 | 第95-96页 |
·本章小节 | 第96-97页 |
第6章 总结与展望 | 第97-102页 |
·论文主要工作 | 第97-98页 |
·进一步研究内容 | 第98-102页 |
参考文献 | 第102-111页 |
致谢 | 第111-112页 |
攻读博士学位期间发表和录用的学术论文 | 第112-116页 |