| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 脑－机接口 | 第8-9页 |
| 1.1.1 脑－机接口的定义 | 第8页 |
| 1.1.2 脑－机接口的科学意义 | 第8-9页 |
| 1.2 事件相关电位 | 第9-10页 |
| 1.3 跨感觉通道刺激 | 第10-15页 |
| 1.3.1 单一感觉通道刺激 | 第10-12页 |
| 1.3.2 跨感觉通道刺激 | 第12-13页 |
| 1.3.3 跨感觉通道刺激机制假设 | 第13-15页 |
| 1.4 本文主要研究内容与章节安排 | 第15-16页 |
| 1.4.1 主要研究内容 | 第15页 |
| 1.4.2 主要章节安排 | 第15-16页 |
| 第二章 视－听联合刺激诱发ERP 实验方案与信号初步分析 | 第16-27页 |
| 2.1 实验设计与信号采集 | 第16-21页 |
| 2.1.1 传统的实验方案 | 第16-17页 |
| 2.1.2 本文实验方案 | 第17-19页 |
| 2.1.3 数据记录和预处理 | 第19-21页 |
| 2.2 数据的预处理 | 第21-24页 |
| 2.2.1 改变参考电位 | 第21-22页 |
| 2.2.2 脑电信号中噪声的滤除 | 第22-24页 |
| 2.3 数据分析方法 | 第24-27页 |
| 2.3.1 P300 信号的进一步滤噪处理 | 第24页 |
| 2.3.2 P300 信号的时域分析 | 第24-27页 |
| 第三章 视－听联合刺激诱发ERP 的特征提取 | 第27-42页 |
| 3.1 事件相关电位与P300 信号的特点 | 第27-28页 |
| 3.2 脑电信号的相干平均 | 第28-30页 |
| 3.3 独立分量分析 | 第30-31页 |
| 3.4 受约束的独立分量分析 | 第31-38页 |
| 3.4.1 拉格朗日乘子算法 | 第32-33页 |
| 3.4.2 无约束的ICA | 第33-34页 |
| 3.4.3 受约束的独立分量分析 | 第34-38页 |
| 3.5 利用cICA 算法对信号进行特征提取 | 第38-39页 |
| 3.6 特征向量组成 | 第39-42页 |
| 3.6.1 导联的选取 | 第39-40页 |
| 3.6.2 数据进一步降维 | 第40-41页 |
| 3.6.3 特征向量的组成 | 第41-42页 |
| 第四章 视－听联合刺激诱发ERP 的分类识别 | 第42-65页 |
| 4.1 Fisher 线性分类器 | 第42-48页 |
| 4.1.1 线性投影与Fisher 准则函数 | 第42-44页 |
| 4.1.2 求解w~* | 第44-48页 |
| 4.2 统计学习理论及支持向量机 | 第48-58页 |
| 4.2.1 统计学习理论 | 第48-52页 |
| 4.2.2 支持向量机 | 第52-58页 |
| 4.3 分类正确率的比较 | 第58-64页 |
| 4.3.1 两种分类器正确率的比较 | 第58-59页 |
| 4.3.2 基于支持向量机的分类比较 | 第59-64页 |
| 4.4 结论 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65-66页 |
| 5.2 对未来工作的展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 发表论文和科研情况说明 | 第70-72页 |
| 致谢 | 第72页 |