文摘
英文文摘
声明
第一章绪论
1.1脑-机接口的研究目的
1.1.1脑-机接口概述
1.1.2脑-机接口系统组成与工作原理
1.1.3脑-机接口的重要意义
1.1.4目前国内外脑-机接口的研究状况和存在主要问题
1.2脑-机接口涉及到的方法
1.2.1大脑活动测量方法
1.2.2在线和离线研究方法
1.3脑电信号的分析
1.3.1脑电简介
1.3.2脑电的主要频率成份和特点
1.4基于脑电的脑-机接口研究方法
1.4.1运动想象及其神经生理学基础
1.4.2脑-机接口研究的主要方法
1.4.3数据来源
1.5本文的研究内容
1.5.1本文的研究目标
1.5.2本文的内容安排
1.5.3论文的创新点
第二章脑电信号的预处理方法
2.1脑电预处理中常用空间滤波
2.2主成分分析(PCA)法
2.2.1主分量的求解过程
2.2.2 PCA处理算法——协方差特征向量
2.2.3 PCA处理算法—奇异值分解(SVD)
2.2.4 SVD和协方差法之间的关系
2.2.5运用PCA进行脑电噪音消除
2.3独立成分分离
2.3.1盲源信号分离的原理
2.3.2测量信号白化
2.3.3联合近似对角化(JADE)算法原理
2.3.4盲源信号分离算法剔除脑电信号中的眼电噪音
2.4 PCA方法与ICA方法的比较
第三章HMM-AR对BCI数据的时域分析
3.1HMM模型介绍
3.1.1 HMM模型
3.1.2 HMM基本算法
3.1.3算法下溢问题的处理
3.2 HMM-AR模型
3.2.1 Kalman-AR模型
3.2.2参数估计
3.2.3模型初始化方法
3.2.4 HMM-AR算法
3.2.5 HMM-AR模型状态监测方法
3.3模拟实验
3.4基于HMM-AR区分运动相关和非运动脑电信号
3.4.1运动相关脑电信号的一般特性
3.4.2 EEG手部运动数据测试
3.5讨论
第四章公共空间模型算法在BCI中应用
4.1特征提取
4.2公共空间模型算法
4.2.1公共空间模型算法
4.2.2公共空间模型评价
4.3公共空间模型空间分解数据
4.3.1第一个测试包的公共空间分解
4.3.2第二个测试包的公共空间分解
4.3.3各种情况公共空间模型的讨论
4.4分类器的设计
4.4.1线性判别分析(Linear Discriminant Analysis LDA)
4.4.2支持向量机(Support Vector Machine)
4.4.3线性与非线性分类器
4.4.4鲁棒性
4.5 BCI Competition 2003 data set Ⅳ数据处理
4.5.1实验数据描述
4.5.2特征提取
4.5.3分类结果讨论
4.6 BCI Competition Ⅲ data set Ⅰ实验数据处理
4.6.1实验数据描述和数据预处理
4.6.2特征提取
4.6.3分类结果和讨论
第五章公共空间模型算法的改进
5.1多类任务分离的神经生理学背景
5.2多类分离技术
5.2.1多类分离理论
5.2.2方法论
5.2.3实验模拟
5.3多类任务分离算法在BCI中的应用
5.3.1数据描述
5.3.2分类方法
5.3.3分类结果
5.4时变公共空间滤波算法
5.4.1时变公共空间滤波器
5.4.2最优算法计算
5.5传统公共空间模型算法与时变公共空间滤波算法比较
5.5.1实验设计
5.5.2参数选择
5.5.3实验结果
第六章时间-频率-空间滤波器以及应用
6.1频率分析的神经生理学背景
6.2公共空间自适应滤波模型算法研究
6.2.1非线性时间序列分析
6.2.2公共空间自适应滤波模型算法
6.2.3公共空间自适应滤波模型在BCI中的应用
6.2.4实验小结
6.3时间-频率-空间滤波器
6.3.1方法论
6.3.2时问-频率-空间滤波器在BCI中的应用
第七章总结与展望
7.1工作总结
7.2后续研究工作
参考文献
致谢
攻读学位期间主要的研究成果