基于深度学习的SSVEP分类算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 基于SSVEP的脑机接口系统 | 第11-12页 |
| 1.2.2 基于SSVEP的脑机接口分类算法 | 第12-13页 |
| 1.3 研究内容与创新点 | 第13-14页 |
| 1.4 论文安排 | 第14-15页 |
| 第二章 基于SSVEP的脑机接口系统设计 | 第15-23页 |
| 2.1 稳态视觉诱发电位简介 | 第15-17页 |
| 2.2 基于SSVEP的脑机接口系统结构 | 第17-18页 |
| 2.3 SSVEP的视觉刺激器设计 | 第18-21页 |
| 2.3.1 刺激器种类的选择 | 第18-19页 |
| 2.3.2 刺激频率的选择 | 第19-20页 |
| 2.3.3 刺激界面的实现 | 第20-21页 |
| 2.4 脑电信号采集系统及刺激范式设计 | 第21-22页 |
| 2.4.1 脑电信号采集系统 | 第21-22页 |
| 2.4.2 实验刺激范式 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 SSVEP信号处理算法研究 | 第23-30页 |
| 3.1 SSVEP的预处理 | 第23-25页 |
| 3.1.1 频域滤波器 | 第23-24页 |
| 3.1.2 空域滤波器 | 第24-25页 |
| 3.2 分类算法 | 第25-29页 |
| 3.2.1 基于快速傅里叶变换的SSVEP分类 | 第25-26页 |
| 3.2.2 基于典型相关性分析的SSVEP分类 | 第26-27页 |
| 3.2.3 基于卷积神经网络的SSEVP分类 | 第27-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 基于深度混合模型的SSVEP分类 | 第30-49页 |
| 4.1 无监督预训练算法简介 | 第30-33页 |
| 4.1.1 无监督预训练 | 第30-31页 |
| 4.1.2 受限玻尔兹曼机网络 | 第31-32页 |
| 4.1.3 自编码器网络 | 第32-33页 |
| 4.2 改进的无监督预训练 | 第33-39页 |
| 4.2.1 多通道受限玻尔兹曼机(MCRBM) | 第33-36页 |
| 4.2.2 降噪稀疏自编码器(DSAE) | 第36-39页 |
| 4.3 基于深度混合模型的SSVEP分类 | 第39-41页 |
| 4.3.1 MCRBM-CNN | 第39-40页 |
| 4.3.2 DSAE-CNN | 第40-41页 |
| 4.4 实验与结果 | 第41-47页 |
| 4.4.1 实验数据集的获取 | 第41-42页 |
| 4.4.2 实验分析 | 第42-47页 |
| 4.5 讨论 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 基于半监督阶梯网络的SSVEP分类 | 第49-60页 |
| 5.1 阶梯网络简介 | 第49-51页 |
| 5.1.1 阶梯网络概述 | 第49-50页 |
| 5.1.2 无监督阶梯网络 | 第50-51页 |
| 5.2 基于半监督阶梯网络的SSVEP分类 | 第51-54页 |
| 5.3 实验与结果 | 第54-59页 |
| 5.3.1 实验数据集的获取 | 第54页 |
| 5.3.2 实验结果分析 | 第54-59页 |
| 5.4 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 总结 | 第60页 |
| 展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 答辩委员会对论文的评定意见 | 第69页 |
