掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
誘發式腦-機接口技術 版權信息
- ISBN：9787030646187
- 條形碼：9787030646187 ; 978-7-03-064618-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
誘發式腦-機接口技術 內容簡介
腦-機接口(brain-computerinterface,BCI)是一種新的不依賴于外周神經和肌肉，與大腦直連的通信接口技術。誘發式BCI作為BCI領域的主要分支之一，其簡單、高效和多目標的信息傳輸特點，已經引起了學者的廣泛關注。但是近年來，盡管誘發式BCI技術的研究已經取得了較大進展，人機通信工效得到了顯著提高，其系統的通信控制能力仍難以滿足實際應用的需求。為了推動誘發式BCI向實用化的轉變，本書以人機通信工效的提高為目標牽引，以基于事件相關電位和穩態視覺誘發電位的BCI系統為研究對象，分別在多模態刺激、多模態特征電位，以及被試對BCI操控任務的主觀能動性三個方面展開了研究。
誘發式腦-機接口技術 目錄
目錄
前言
第1章 緒論 1
1.1 BCI技術概述 1
1.2 BCI的分類與類型特點分析 4
1.2.1 基于大腦信號采集技術手段的分類 5
1.2.2 基于大腦信號產生方式的分類 7
1.3 基于EEG的誘發式BCI 7
1.3.1 刺激模態分析 7
1.3.2 SSVEP-BCI技術 8
1.3.3 P300-BCI技術 9
1.3.4 ErrP-BCI技術 11
1.3.5 誘發式BCI的性能評價指標 11
1.4 誘發式BCI研究方法分析 14
參考文獻 17
第2章 嚴格視線限定條件下的SSVEP神經機制 25
2.1 引言 25
2.2 方法與材料 26
2.2.1 范式設計 26
2.2.2 實驗流程 28
2.3 數據分析 30
2.3.1 典型相關性分析 30
2.3.2 基于典型相關性分析的單通道貢獻估計 31
2.3.3 對側效應估計 32
2.4 實驗結果 32
2.4.1 基于SSVEP響應的視場構建 32
2.4.2 刺激位置影響 35
2.5 結果分析與討論 37
2.5.1 刺激形狀 37
2.5.2 刺激間距 37
2.5.3 指示位置 38
2.5.4 定制設計 38
2.5.5 不足之處 39
2.5.6 未來工作 39
2.6 本章小結 39
參考文獻 40
第3章 SSVEP-BCI的實時信息反饋與動態優化機制 42
3.1 引言 42
3.2 方法與材料 43
3.2.1 刺激范式設計 43
3.2.2 CCA-RV方法 45
3.2.3 實時信息反饋機制 46
3.2.4 目標選擇時間優化設計 46
3.2.5 實驗范式設計 48
3.3 實驗結果與分析 50
3.3.1 在線結果 50
3.3.2 離線性能分析 51
3.4 結果分析與討論 52
3.4.1 系統性能提升的原因分析 52
3.4.2 行列目標識別過程準確率對比 53
3.4.3 當前方法局限和未來研究方向 54
3.5 本章小結 55
參考文獻 55
第4章 基于DS策略的SSVEP-BCI目標識別方法 58
4.1 引言 58
4.2 方法與材料 59
4.2.1 實驗方案與實施 59
4.2.2 識別算法與DS策略 62
4.3 實驗結果 67
4.3.1 模擬在線結果 67
4.3.2 DS策略的提升分析 69
4.3.3 DS策略輸出有效性分析 69
4.3.4 公開數據庫的驗證 70
4.4 結果分析與討論 73
4.5 本章小結 74
參考文獻 74
第5章 基于聽觸覺雙模態刺激的非視覺P300-BCI 76
5.1 引言 76
5.2 方法與材料 78
5.2.1 聽觸覺P300-BCI系統設計 78
5.2.2 實驗設計 80
5.2.3 數據分析 82
5.3 實驗結果與分析 85
5.3.1 在線實驗結果 85
5.3.2 離線性能分析 85
5.4 結果討論 86
5.5 本章小結 90
參考文獻 91
第6章 基于P300和SSVEP的時頻特征融合決策機制 94
6.1 引言 94
6.2 方法與材料 96
6.2.1 混合刺激機制設計 96
6.2.2 實驗流程 97
6.2.3 信號處理 99
6.3 實驗結果 103
6.3.1 在線性能 103
6.3.2 離線分析 104
6.4 結果分析與討論 106
6.4.1 SSVEP特征引入的作用分析 106
6.4.2 被試狀態變化對系統性能的影響 108
6.5 本章小結 108
參考文獻 109
第7章 基于P300和SSVEP并行輸入的混合BCI 112
7.1 引言 112
7.2 方法與材料 113
7.2.1 混合刺激機制設計 113
7.2.2 實驗設計 114
7.2.3 信號處理 116
7.2.4 *優刺激輪次選擇 118
7.3 實驗結果 119
7.3.1 在線性能 119
7.3.2 離線分析 120
7.4 結果分析與討論 120
7.4.1 快速混合BCI拼寫方法的潛力 120
7.4.2 RC和SL范式性能差異的原因分析 121
7.4.3 當前方法局限與未來研究方向 124
7.5 本章小結 124
參考文獻 125
第8章 基于P300與SSVEP得分融合的混合BCI 128
8.1 引言 128
8.2 方法與材料 129
8.2.1 兩種混合刺激范式 129
8.2.2 實驗范式 130
8.2.3 P300和SSVEP目標識別方法 132
8.2.4 得分融合方法 133
8.3 實驗結果 135
8.3.1 BCI范式的性能對比 135
8.3.2 融合方法的性能對比 137
8.3.3 BCI初學者的學習過程 137
8.4 結果分析與討論 138
8.5 本章小結 140
參考文獻 140
第9章 基于ErrP的P300-BCI自動糾錯機制 142
9.1 引言 142
9.2 方法與材料 143
9.2.1 被試 143
9.2.2 數據采集 143
9.2.3 P300-BCI拼寫器 144
9.2.4 ErrP和P300得分 145
9.2.5 Bayes動態停止機制 145
9.2.6 輔助刺激 146
9.2.7 實驗方案 147
9.2.8 基于ErrP和P300融合的在線糾錯機制 148
9.2.9 進一步分析 149
9.3 實驗結果 150
9.3.1 在線性能 150
9.3.2 P300和ErrP對錯誤檢測的貢獻 152
9.3.3 輔助刺激的影響 153
9.3.4 ErrP波形特征 155
9.4 結果分析與討論 156
9.4.1 在線糾錯 156
9.4.2 基于ErrP和P300融合進行在線錯誤檢測 156
9.4.3 新型ErrP波形差異 156
9.4.4 限制 157
9.5 本章小結 157
參考文獻 158
第10章 基于ErrP得分的半監督自適應P300-BCI 161
10.1 引言 161
10.1.1 分類器自適應——P300-BCI拼寫器 161
10.1.2 基于ErrP的自動校正 162
10.1.3 目標：基于ErrP的自適應 162
10.2 方法與材料 163
10.2.1 被試 163
10.2.2 EEG采集 163
10.2.3 拼寫流程 164
10.2.4 P300和ErrP的評分 164
10.2.5 在線錯誤檢測 165
10.2.6 在線實驗 166
10.2.7 離線分析 167
10.2.8 模擬在線分析 168
10.3 實驗結果 171
10.3.1 在線分析 171
10.3.2 離線分析 172
10.3.3 模擬在線分析 172
10.4 結果分析與討論 175
10.4.1 在線SOA優化 175
10.4.2 是否采用自適應 175
10.4.3 半監督的優勢 176
10.4.4 ErrP的貢獻 177
10.5 本章小結 177
參考文獻 178
第11章 基于P300和ErrP的聽覺混合BCI 180
11.1 引言 180
11.2 方法與材料 181
11.2.1 被試 181
11.2.2 數據采集 181
11.2.3 任務流程 181
11.2.4 信號預處理 183
11.2.5 P300和ErrP評分 184
11.2.6 單次實驗期間ErrP的一致性 185
11.2.7 基于錯誤檢測的模擬自動校正 185
11.3 實驗結果 187
11.3.1 ErrP檢測 187
11.3.2 模擬自動校正 188
11.3.3 改變期望的誤報率 191
11.3.4 聽覺ErrP的時空特征 192
11.4 結果分析與討論 193
11.4.1 ErrP檢測 193
11.4.2 混合錯誤檢測 194
11.4.3 模擬自動校正 194
11.4.4 與自動校正視覺BCI的比較 195
11.4.5 生理學 195
11.4.6 局限性與未來工作 196
11.5 本章小結 197
參考文獻 197
第12章 總結與展望 201
12.1 本書工作總結 201
12.2 未來工作展望 205
參考文獻 206
前言
第1章 緒論 1
1.1 BCI技術概述 1
1.2 BCI的分類與類型特點分析 4
1.2.1 基于大腦信號采集技術手段的分類 5
1.2.2 基于大腦信號產生方式的分類 7
1.3 基于EEG的誘發式BCI 7
1.3.1 刺激模態分析 7
1.3.2 SSVEP-BCI技術 8
1.3.3 P300-BCI技術 9
1.3.4 ErrP-BCI技術 11
1.3.5 誘發式BCI的性能評價指標 11
1.4 誘發式BCI研究方法分析 14
參考文獻 17
第2章 嚴格視線限定條件下的SSVEP神經機制 25
2.1 引言 25
2.2 方法與材料 26
2.2.1 范式設計 26
2.2.2 實驗流程 28
2.3 數據分析 30
2.3.1 典型相關性分析 30
2.3.2 基于典型相關性分析的單通道貢獻估計 31
2.3.3 對側效應估計 32
2.4 實驗結果 32
2.4.1 基于SSVEP響應的視場構建 32
2.4.2 刺激位置影響 35
2.5 結果分析與討論 37
2.5.1 刺激形狀 37
2.5.2 刺激間距 37
2.5.3 指示位置 38
2.5.4 定制設計 38
2.5.5 不足之處 39
2.5.6 未來工作 39
2.6 本章小結 39
參考文獻 40
第3章 SSVEP-BCI的實時信息反饋與動態優化機制 42
3.1 引言 42
3.2 方法與材料 43
3.2.1 刺激范式設計 43
3.2.2 CCA-RV方法 45
3.2.3 實時信息反饋機制 46
3.2.4 目標選擇時間優化設計 46
3.2.5 實驗范式設計 48
3.3 實驗結果與分析 50
3.3.1 在線結果 50
3.3.2 離線性能分析 51
3.4 結果分析與討論 52
3.4.1 系統性能提升的原因分析 52
3.4.2 行列目標識別過程準確率對比 53
3.4.3 當前方法局限和未來研究方向 54
3.5 本章小結 55
參考文獻 55
第4章 基于DS策略的SSVEP-BCI目標識別方法 58
4.1 引言 58
4.2 方法與材料 59
4.2.1 實驗方案與實施 59
4.2.2 識別算法與DS策略 62
4.3 實驗結果 67
4.3.1 模擬在線結果 67
4.3.2 DS策略的提升分析 69
4.3.3 DS策略輸出有效性分析 69
4.3.4 公開數據庫的驗證 70
4.4 結果分析與討論 73
4.5 本章小結 74
參考文獻 74
第5章 基于聽觸覺雙模態刺激的非視覺P300-BCI 76
5.1 引言 76
5.2 方法與材料 78
5.2.1 聽觸覺P300-BCI系統設計 78
5.2.2 實驗設計 80
5.2.3 數據分析 82
5.3 實驗結果與分析 85
5.3.1 在線實驗結果 85
5.3.2 離線性能分析 85
5.4 結果討論 86
5.5 本章小結 90
參考文獻 91
第6章 基于P300和SSVEP的時頻特征融合決策機制 94
6.1 引言 94
6.2 方法與材料 96
6.2.1 混合刺激機制設計 96
6.2.2 實驗流程 97
6.2.3 信號處理 99
6.3 實驗結果 103
6.3.1 在線性能 103
6.3.2 離線分析 104
6.4 結果分析與討論 106
6.4.1 SSVEP特征引入的作用分析 106
6.4.2 被試狀態變化對系統性能的影響 108
6.5 本章小結 108
參考文獻 109
第7章 基于P300和SSVEP并行輸入的混合BCI 112
7.1 引言 112
7.2 方法與材料 113
7.2.1 混合刺激機制設計 113
7.2.2 實驗設計 114
7.2.3 信號處理 116
7.2.4 *優刺激輪次選擇 118
7.3 實驗結果 119
7.3.1 在線性能 119
7.3.2 離線分析 120
7.4 結果分析與討論 120
7.4.1 快速混合BCI拼寫方法的潛力 120
7.4.2 RC和SL范式性能差異的原因分析 121
7.4.3 當前方法局限與未來研究方向 124
7.5 本章小結 124
參考文獻 125
第8章 基于P300與SSVEP得分融合的混合BCI 128
8.1 引言 128
8.2 方法與材料 129
8.2.1 兩種混合刺激范式 129
8.2.2 實驗范式 130
8.2.3 P300和SSVEP目標識別方法 132
8.2.4 得分融合方法 133
8.3 實驗結果 135
8.3.1 BCI范式的性能對比 135
8.3.2 融合方法的性能對比 137
8.3.3 BCI初學者的學習過程 137
8.4 結果分析與討論 138
8.5 本章小結 140
參考文獻 140
第9章 基于ErrP的P300-BCI自動糾錯機制 142
9.1 引言 142
9.2 方法與材料 143
9.2.1 被試 143
9.2.2 數據采集 143
9.2.3 P300-BCI拼寫器 144
9.2.4 ErrP和P300得分 145
9.2.5 Bayes動態停止機制 145
9.2.6 輔助刺激 146
9.2.7 實驗方案 147
9.2.8 基于ErrP和P300融合的在線糾錯機制 148
9.2.9 進一步分析 149
9.3 實驗結果 150
9.3.1 在線性能 150
9.3.2 P300和ErrP對錯誤檢測的貢獻 152
9.3.3 輔助刺激的影響 153
9.3.4 ErrP波形特征 155
9.4 結果分析與討論 156
9.4.1 在線糾錯 156
9.4.2 基于ErrP和P300融合進行在線錯誤檢測 156
9.4.3 新型ErrP波形差異 156
9.4.4 限制 157
9.5 本章小結 157
參考文獻 158
第10章 基于ErrP得分的半監督自適應P300-BCI 161
10.1 引言 161
10.1.1 分類器自適應——P300-BCI拼寫器 161
10.1.2 基于ErrP的自動校正 162
10.1.3 目標：基于ErrP的自適應 162
10.2 方法與材料 163
10.2.1 被試 163
10.2.2 EEG采集 163
10.2.3 拼寫流程 164
10.2.4 P300和ErrP的評分 164
10.2.5 在線錯誤檢測 165
10.2.6 在線實驗 166
10.2.7 離線分析 167
10.2.8 模擬在線分析 168
10.3 實驗結果 171
10.3.1 在線分析 171
10.3.2 離線分析 172
10.3.3 模擬在線分析 172
10.4 結果分析與討論 175
10.4.1 在線SOA優化 175
10.4.2 是否采用自適應 175
10.4.3 半監督的優勢 176
10.4.4 ErrP的貢獻 177
10.5 本章小結 177
參考文獻 178
第11章 基于P300和ErrP的聽覺混合BCI 180
11.1 引言 180
11.2 方法與材料 181
11.2.1 被試 181
11.2.2 數據采集 181
11.2.3 任務流程 181
11.2.4 信號預處理 183
11.2.5 P300和ErrP評分 184
11.2.6 單次實驗期間ErrP的一致性 185
11.2.7 基于錯誤檢測的模擬自動校正 185
11.3 實驗結果 187
11.3.1 ErrP檢測 187
11.3.2 模擬自動校正 188
11.3.3 改變期望的誤報率 191
11.3.4 聽覺ErrP的時空特征 192
11.4 結果分析與討論 193
11.4.1 ErrP檢測 193
11.4.2 混合錯誤檢測 194
11.4.3 模擬自動校正 194
11.4.4 與自動校正視覺BCI的比較 195
11.4.5 生理學 195
11.4.6 局限性與未來工作 196
11.5 本章小結 197
參考文獻 197
第12章 總結與展望 201
12.1 本書工作總結 201
12.2 未來工作展望 205
參考文獻 206
展開全部
書友推薦
- >
名家帶你讀魯迅:朝花夕拾
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
煙與鏡
- >
二體千字文
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
有舍有得是人生
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
