誘發(fā)式腦：機接口技術(shù)

目錄
前言
第1章 緒論 1
1.1 BCI技術(shù)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(shù)手段的分類 5
1.2.2 基于大腦信號產(chǎn)生方式的分類 7
1.3 基于EEG的誘發(fā)式BCI 7
1.3.1 刺激模態(tài)分析 7
1.3.2 SSVEP-BCI技術(shù) 8
1.3.3 P300-BCI技術(shù) 9
1.3.4 ErrP-BCI技術(shù) 11
1.3.5 誘發(fā)式BCI的性能評價指標(biāo) 11
1.4 誘發(fā)式BCI研究方法分析 14
參考文獻 17
第2章 嚴(yán)格視線限定條件下的SSVEP神經(jīng)機制 25
2.1 引言 25
2.2 方法與材料 26
2.2.1 范式設(shè)計 26
2.2.2 實驗流程 28
2.3 數(shù)據(jù)分析 30
2.3.1 典型相關(guān)性分析 30
2.3.2 基于典型相關(guān)性分析的單通道貢獻估計 31
2.3.3 對側(cè)效應(yīng)估計 32
2.4 實驗結(jié)果 32
2.4.1 基于SSVEP響應(yīng)的視場構(gòu)建 32
2.4.2 刺激位置影響 35
2.5 結(jié)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(shè)計 38
2.5.5 不足之處 39
2.5.6 未來工作 39
2.6 本章小結(jié) 39
參考文獻 40
第3章 SSVEP-BCI的實時信息反饋與動態(tài)優(yōu)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(shè)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(biāo)選擇時間優(yōu)化設(shè)計 46
3.2.5 實驗范式設(shè)計 48
3.3 實驗結(jié)果與分析 50
3.3.1 在線結(jié)果 50
3.3.2 離線性能分析 51
3.4 結(jié)果分析與討論 52
3.4.1 系統(tǒng)性能提升的原因分析 52
3.4.2 行列目標(biāo)識別過程準(zhǔn)確率對比 53
3.4.3 當(dāng)前方法局限和未來研究方向 54
3.5 本章小結(jié) 55
參考文獻 55
第4章 基于DS策略的SSVEP-BCI目標(biāo)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(jié)果 67
4.3.1 模擬在線結(jié)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(shù)據(jù)庫的驗證 70
4.4 結(jié)果分析與討論 73
4.5 本章小結(jié) 74
參考文獻 74
第5章 基于聽觸覺雙模態(tài)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(tǒng)設(shè)計 78
5.2.2 實驗設(shè)計 80
5.2.3 數(shù)據(jù)分析 82
5.3 實驗結(jié)果與分析 85
5.3.1 在線實驗結(jié)果 85
5.3.2 離線性能分析 85
5.4 結(jié)果討論 86
5.5 本章小結(jié) 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(shè)計 96
6.2.2 實驗流程 97
6.2.3 信號處理 99
6.3 實驗結(jié)果 103
6.3.1 在線性能 103
6.3.2 離線分析 104
6.4 結(jié)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(tài)變化對系統(tǒng)性能的影響 108
6.5 本章小結(jié) 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(shè)計 113
7.2.2 實驗設(shè)計 114
7.2.3 信號處理 116
7.2.4 *優(yōu)刺激輪次選擇 118
7.3 實驗結(jié)果 119
7.3.1 在線性能 119
7.3.2 離線分析 120
7.4 結(jié)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(dāng)前方法局限與未來研究方向 124
7.5 本章小結(jié) 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(biāo)識別方法 132
8.2.4 得分融合方法 133
8.3 實驗結(jié)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(xué)者的學(xué)習(xí)過程 137
8.4 結(jié)果分析與討論 138
8.5 本章小結(jié) 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(shù)據(jù)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(tài)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(jié)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(jié)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(jié) 157
參考文獻 158
第10章 基于ErrP得分的半監(jiān)督自適應(yīng)P300-BCI 161
10.1 引言 161
10.1.1 分類器自適應(yīng)——P300-BCI拼寫器 161
10.1.2 基于ErrP的自動校正 162
10.1.3 目標(biāo)：基于ErrP的自適應(yīng) 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(jié)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(jié)果分析與討論 175
10.4.1 在線SOA優(yōu)化 175
10.4.2 是否采用自適應(yīng) 175
10.4.3 半監(jiān)督的優(yōu)勢 176
10.4.4 ErrP的貢獻 177
10.5 本章小結(jié) 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(shù)據(jù)采集 181
11.2.3 任務(wù)流程 181
11.2.4 信號預(yù)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(jié)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(jié)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(xué) 195
11.4.6 局限性與未來工作 196
11.5 本章小結(jié) 197
參考文獻 197
第12章 總結(jié)與展望 201
12.1 本書工作總結(jié) 201
12.2 未來工作展望 205
參考文獻 206