声明
目 录
1 绪论
1.1 研究背景与意义
1.2 BCI 系统概述
1.2.1 BCI系统的组成
1.2.2 BCI系统的分类
1.3 BCI 系统的国内外研究现状
（1）基于视觉诱发电位的BCI系统
（2）基于事件相关电位的BCI系统
（3）基于运动想象的BCI系统
1.4 运动想象BCI系统最新研究进展
（1）开发混合BCI系统
（2）采用自动导航功能进行辅助控制
（3）对运动想象模式进行编码和解码，使用较少的运动想象模式输出较多的指令
1.5 运动想象BCI统系研究所面临的挑战
（1）系统信息传输速度低
（2）系统分类正确率低
（3）系统输出指令少
（4）异步系统的实现较为困难
1.6 本文主要内容和章节安排
2 运动想象及脑电信号的采集
2.1 脑电信号的产生机制和特点
2.1.1 大脑的结构和分区
2.1.2 脑电信号产生的生理基础
2.1.3 脑电信号的分类和基本特点
2.2 运动想象脑电信号特性
2.2.1 ERS/ERD现象产生的基本原理
2.2.2 ERS/ERD现象的时空特性
2.3 脑电信号的采集
2.3.1 电极配置方法
2.3.2 信源通道选择
2.3.3 运动想象脑电数据来源
2.4 BCI 系统的评价标准
（1）分类正确率
（2）Kappa值
（3）互信息
（4）信息传输率
2.5 本章小结
3 基于运动想象的BCI系统设计
3.1 EEG信号预处理
3.1.1 盲源分离算法原理
3.1.2 基于独立成分分析的盲源分离算法
3.1.3 基于二阶盲辨识的盲源分离算法
3.1.4 预处理结果与分析
3.2 运动想象模式编码系统设计
3.2.1 编码与解码系统
3.2.2 运动想象模式编码系统的性能
3.3 静息态特征提取方法
3.3.1 多窗谱分析法
3.3.2 信息熵及其特性
3.4 本章小结
4 自用型运动想象BCI系统分类方法研究
4.1 基于SVM 的分类器设计
4.1.1 支持向量机算法原理
4.1.2 SVM的空间特征分布特性
4.2 基于AR-SVM的分类器设计
4.2.1 自回归模型原理
4.2.2 自回归模型的特征提取
4.3 基于运动想象模式的分类方法性能验证
4.3.1 SVM与AR-SVM的分类结果对比
4.3.2 不同时段脑电信号的分类结果对比
4.4 基于静息态模式的分类方法性能验证
4.5 本章小结
5 公用型运动想象BCI系统分类方法研究
5.1 基于小波变换的分类方法
5.1.1 小波变换原理
5.1.2 基于ERS/ERD现象的分类器设计
5.2 基于希尔伯特-黄变换的分类方法
5.2.1 经验模态分解
5.2.2 希尔伯特-黄变换
5.2.3 加权投票分类器设计
5.3 基于运动想象模式的分类方法性能验证
5.3.1 小波变换与HHT的分类结果对比
5.3.2 AR-SVM与HHT的分类结果对比
5.4 基于静息态模式的分类方法性能验证
5.5 本章小结
6 基于运动想象BCI的智能轮椅系统
6.1 控制系统
6.2 信号处理与通讯系统
6.3 信号采集系统
6.4 系统性能测试
6.5 本章小结
7 总结与展望
7.1 论文工作总结
7.2 未来工作展望
参考文献
致谢
个人简历、在学期间发表的学术论文与研究成果
郑州大学;
