首页--医药、卫生论文--基础医学论文--医用一般科学论文--生物医学工程论文

运动想象脑电模式识别算法研究

摘要第5-7页
Abstract第7-9页
符号注释表第12-14页
第一章 绪论第14-28页
    1.1 脑机接口研究背景及意义第14-16页
    1.2 脑机接口系统概述第16-20页
        1.2.1 脑电信号种类概述第17-18页
        1.2.2 头皮脑电EEG信号分类概述第18-19页
        1.2.3 运动想象脑电模式识别系统框架概述第19-20页
        1.2.4 脑机接口系统的输出模块及反馈机制概述第20页
    1.3 运动想象脑电模式识别算法研究现状概述第20-23页
        1.3.1 运动想象脑电信号预处理第21页
        1.3.2 运动想象脑电信号特征提取第21-22页
        1.3.3 运动想象脑电信号特征分类第22-23页
    1.4 本文要解决的问题及研究内容第23-26页
        1.4.1 基于群体智能算法的运动想象脑电时域、时频域全局参数优化第23-24页
        1.4.2 运动想象脑电特征提取CSP算法改进方案设计第24页
        1.4.3 基于稀疏表示的分类算法的字典优化方案设计第24-25页
        1.4.4 运动想象脑电模式识别中的复合核和多核学习第25页
        1.4.5 基于深度学习理论的运动想象脑电模式识别研究第25-26页
    1.5 论文结构第26-28页
第二章 基于群体智能算法的脑电参数优化第28-56页
    2.1 基于双树复小波变换及粒子群优化的脑电模式识别第28-39页
        2.1.1 实验数据描述第29-30页
        2.1.2 双树复小波变换第30-31页
        2.1.3 运动想象脑电信号特征分析与分类第31-36页
        2.1.4 结果分析第36-39页
    2.2 基于人工蜂群算法的运动想象脑电特征优化方案第39-55页
        2.2.1 实验数据描述第40-41页
        2.2.2 算法描述第41-47页
        2.2.3 实验结果和讨论第47-55页
    2.3 本章小结第55-56页
第三章 运动想象脑电特征提取算法优化第56-82页
    3.1 基于稀疏回归的运动想象脑电空-时-频特征提取和分类第56-70页
        3.1.1 实验数据描述第57页
        3.1.2 算法描述第57-62页
        3.1.3 实验结果和讨论第62-70页
    3.2 运动想象脑电模式识别中一种空时频域优化特征稀疏表示分类方法第70-81页
        3.2.1 实验数据描述第71页
        3.2.2 算法描述第71-77页
        3.2.3 实验结果和讨论第77-81页
    3.3 本章小结第81-82页
第四章 基于字典清理稀疏表示分类的手指运动想象脑电模式识别第82-96页
    4.1 实验数据描述第82-84页
    4.2 算法流程第84页
    4.3 数据预处理和重要导联选择第84-86页
    4.4 特征提取第86-87页
    4.5 特征分类第87-89页
    4.6 实验结果与分析第89-94页
        4.6.1 重要导联的空间分布和ERD现象第89页
        4.6.2 特征模式和分类准确率第89-92页
        4.6.3 稀疏表示分类中字典清理的效果第92-94页
    4.7 本章小结第94-96页
第五章 运动想象脑电模式识别中的复合核和多核学习第96-110页
    5.1 实验数据描述第96-97页
    5.2 算法描述第97-103页
        5.2.1 数据预处理第99页
        5.2.2 特征提取和选择第99-101页
        5.2.3 特征分类第101-103页
    5.3 实验结果与分析第103-108页
        5.3.1 本研究算法和其他算法的分类性能比较第103-105页
        5.3.2 重要时频块选择的效果第105-106页
        5.3.3 MKDA算法的效果第106-108页
    5.4 本章小结第108-110页
第六章 运动想象脑电空频特征深度学习及模式分类第110-122页
    6.1 实验数据描述及数据预处理第110-114页
    6.2 CNN结构设计第114-115页
    6.3 CNN部分细节说明第115-116页
    6.4 实验结果与分析第116-121页
        6.4.1 CNN第一层滤波器参数的空间特性分析第116-118页
        6.4.2 训练过程分析第118页
        6.4.3 分类结果分析第118-121页
    6.5 本章小结第121-122页
第七章 总结与展望第122-126页
    7.1 本文工作总结第122-123页
    7.2 未来工作展望第123-126页
致谢第126-128页
参考文献第128-136页
作者攻读博士学位期间发表的学术论文及成果第136页
    第一作者发表论文第136页
    发明专利第136页

论文共136页,点击 下载论文
上一篇:过渡金属氟化物的磁性、光学、电化学物性研究
下一篇:新型二维材料结构设计与物性的理论研究