| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究历史和现状 | 第11-13页 |
| 1.2.1 脑-机接.技术的研究历史和现状 | 第11-12页 |
| 1.2.2 超限学习机的研究历史和现状 | 第12-13页 |
| 1.3 课题来源 | 第13页 |
| 1.4 主要研究内容及组织结构 | 第13-16页 |
| 第2章 神经网络和超限学习机 | 第16-24页 |
| 2.1 神经网络 | 第16-21页 |
| 2.1.1 神经网络模型 | 第16-17页 |
| 2.1.2 神经网络结构 | 第17-19页 |
| 2.1.3 BP神经网络 | 第19-20页 |
| 2.1.4 自编码神经网络 | 第20-21页 |
| 2.2 超限学习机 | 第21-23页 |
| 2.2.1 超限学习机方法概述 | 第21页 |
| 2.2.2 超限学习机方法基本原理 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 脑电信号分析与超限学习机 | 第24-30页 |
| 3.1 脑电的基本特征 | 第24-27页 |
| 3.1.1 脑电信号产生的神经原理 | 第24-25页 |
| 3.1.2 脑电信号的类别 | 第25-27页 |
| 3.1.3 脑电信号的特征 | 第27页 |
| 3.2 超限学习机方法在脑电信号分析中的作用 | 第27-29页 |
| 3.2.1 脑电信号的分析过程 | 第27-28页 |
| 3.2.2 超限学习机在脑电信号分析中的应用 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 基于超限学习机自编码的脑电信号特征提取方法 | 第30-44页 |
| 4.1 脑电信号传统的特征提取方法 | 第30-31页 |
| 4.2 基于超限学习机自编码的脑电信号特征提取方法 | 第31-38页 |
| 4.2.1 基于超限学习机自编码的脑电信号特征提取方法研究框架 | 第32-33页 |
| 4.2.2 超限学习机自编码方法 | 第33-36页 |
| 4.2.3 基于超限学习机自编码的特征提取方法 | 第36-38页 |
| 4.3 基于超限学习机自编码的脑电信号特征提取方法应用及评价 | 第38-43页 |
| 4.3.1 实验数据描述 | 第38-39页 |
| 4.3.2 实验性能评价 | 第39-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 约束超限学习机和多层超限学习机在脑电信号分类中的应用 | 第44-58页 |
| 5.1 脑电信号传统的分类方法 | 第44-45页 |
| 5.2 基于约束超限学习机的脑电信号分类方法框架 | 第45-50页 |
| 5.3 基于约束超限学习机的脑电信号分类方法应用及评价 | 第50-53页 |
| 5.4 基于多层超限学习机的脑电信号分类方法框架 | 第53-55页 |
| 5.5 基于多层超限学习机的脑电信号分类方法应用及评价 | 第55-57页 |
| 5.6 本章小结 | 第57-58页 |
| 第6章 基于超限学习机的脑电信号处理系统 | 第58-68页 |
| 6.1 基于超限学习机的脑电信号处理系统的需求分析 | 第58-59页 |
| 6.2 基于超限学习机的脑电信号处理系统的设计 | 第59-60页 |
| 6.3 基于超限学习机的脑电信号处理系统的实现 | 第60-66页 |
| 6.3.1 数据加载模块的实现 | 第60-61页 |
| 6.3.2 传统特征提取模块的实现 | 第61-62页 |
| 6.3.3 ELM特征提取模块的实现 | 第62-64页 |
| 6.3.4 传统分类模块的实现 | 第64-65页 |
| 6.3.5 ELM分类模块的实现 | 第65-66页 |
| 6.4 本章小节 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-78页 |
| 攻读硕士学位期间发表的学术论文 | 第78-80页 |
| 致谢 | 第80页 |
