第1章 基于人工智能的時(shí)頻分布和卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于睡眠階段分類 1
1.1 前言 1
1.2 材料和方法 4
1.2.1 睡眠-EDF數(shù)據(jù)集EEG信號(hào) 4
1.2.2 EEG時(shí)頻變換技術(shù) 5
1.2.3 卷積神經(jīng)網(wǎng)絡(luò) 7
1.3 結(jié)果 9
1.4 討論 13
1.5 小結(jié) 15
原著參考文獻(xiàn) 15
第2章 運(yùn)動(dòng)想象BCI方法綜合評述：挑戰(zhàn)與未來方向 19
2.1 前言 19
2.2 系統(tǒng)評述和薈萃分析的優(yōu)選報(bào)告項(xiàng)目（PRISMA）指南 20
2.3 薈萃分析結(jié)果：常用的基準(zhǔn)MI-BCI數(shù)據(jù)集及方法 20
2.4 討論 61
2.5 小結(jié) 62
原著參考文獻(xiàn) 62
第3章 運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)中一種新特征提取方法 81
3.1 前言 81
3.2 BCI類型和應(yīng)用 82
3.2.1 腦電信號(hào) 82
3.2.2 其他用于記錄大腦活動(dòng)的方法 82
3.2.3 BCI應(yīng)用 83
3.3 盲源分離（BSS）及其在BCI中的應(yīng)用 83
3.4 MI-BCI相關(guān)工作 84
3.4.1 去除噪聲和偽跡 84
3.4.2 擴(kuò)展輸入維度 84
3.4.3 共空間模式（CSP） 85
3.4.4 空間濾波 87
3.5 所提方法 88
3.5.1 用于評估的數(shù)據(jù)集：BCI競賽Ⅲ中的標(biāo)準(zhǔn)數(shù)據(jù)集IVa 90
3.5.2 數(shù)據(jù)預(yù)處理 90
3.5.3 中間處理方法 92
3.5.4 最終處理 94
3.6 計(jì)算機(jī)仿真與結(jié)果 94
3.6.1 實(shí)驗(yàn)1 94
3.6.2 實(shí)驗(yàn)2 95
3.7 討論 96
3.8 小結(jié) 97
原著參考文獻(xiàn) 97
第4章 針對個(gè)性化BCI開發(fā)：評估功率譜分析和機(jī)器學(xué)習(xí)技術(shù) 100
4.1 前言 100
4.2 數(shù)據(jù)來源：BCI競賽Ⅲ中的標(biāo)準(zhǔn)數(shù)據(jù)集IVa 104
4.3 分析方法 105
4.3.1 步驟1：數(shù)據(jù)預(yù)處理 105
4.3.2 步驟2：通道選擇 106
4.3.3 步驟3：特征提取 107
4.3.4 步驟4：分類 108
4.4 性能驗(yàn)證/評估 109
4.5 參數(shù)選擇 109
4.5.1 多尺度主成分分析（MSPCA） 110
4.5.2 邏輯回歸（LR） 110
4.5.3 多層感知器（MLP） 110
4.5.4 Welch方法 110
4.5.5 Burg方法 110
4.5.6 MUSIC方法 110
4.6 結(jié)果 110
4.7 討論 114
4.8 小結(jié) 115
原著參考文獻(xiàn) 116
第5章 人工智能在BCI中非侵入式模態(tài)獲取與建模的概念 119
5.1 前言 119
5.2 腦電圖 121
5.3 人工智能用于EEG信號(hào)分析 123
5.4 腦與機(jī)器之間的通信接口 125
5.5 EEG信號(hào)采集和分析方法 127
5.5.1 EEG信號(hào)采集 127
5.5.2 EEG信號(hào)分析 128
5.5.3 EEG信號(hào)表征 132
5.6 結(jié)果 133
5.7 討論與未來展望 133
5.8 小結(jié) 134
原著參考文獻(xiàn) 134
第6章 Bi-LSTM-深度CNN檢測精神分裂癥：基于EEG信號(hào)的MSST
頻譜圖 139
6.1 前言 139
6.2 數(shù)據(jù)集和研究方法 140
6.2.1 精神分裂癥受試者和普通受試者EEG數(shù)據(jù)集描述 140
6.2.2 多重同步擠壓變換（MSST） 141
6.2.3 基于VGG-16和Bi-LSTM的卷積神經(jīng)網(wǎng)絡(luò)（CNN） 142
6.3 結(jié)果與討論 145
6.4 小結(jié) 149
原著參考文獻(xiàn) 150
第7章 基于EEG信號(hào)的癲癇發(fā)作檢測 153
7.1 前言 153
7.2 EEG信號(hào)的背景知識(shí)及其作為癲癇發(fā)作預(yù)測的絕佳選擇 155
7.2.1 EEG信號(hào)的分析技術(shù) 156
7.2.2 EEG信號(hào)分析癲癇發(fā)作及其不同階段 157
7.3 機(jī)器學(xué)習(xí)方法在癲癇檢測中的應(yīng)用 158
7.3.1 EEG信號(hào)預(yù)處理 158
7.3.2 EEG信號(hào)特征提取 158
7.3.3 基于EEG信號(hào)的癲癇發(fā)作分類方法 159
7.4 深度學(xué)習(xí)方法在癲癇檢測中的應(yīng)用 160
7.4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 161
7.4.2 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 161
7.5 EEG信號(hào)檢測癲癇發(fā)作相關(guān)工作與比較分析 162
7.5.1 EEG信號(hào)檢測癲癇發(fā)作面臨的挑戰(zhàn) 165
7.5.2 未來展望 166
7.6 小結(jié) 166
原著參考文獻(xiàn) 166
第8章 基于單通道EEG信號(hào)的個(gè)性化深度學(xué)習(xí)算法用于困倦檢測 175
8.1 前言 175
8.2 困倦檢測（DD） 176
8.2.1 困倦與EEG 176
8.2.2 困倦和清醒狀態(tài)EEG模式及其深度學(xué)習(xí)分類 177
8.3 困倦和清醒狀態(tài)的EEG數(shù)據(jù)庫 178
8.4 提出的預(yù)處理方法和CNN 架構(gòu) 179
8.4.1 采用帶通濾波預(yù)處理EEG信號(hào) 179
8.4.2 用于分類的CNN架構(gòu) 179
8.5 實(shí)驗(yàn)結(jié)果 181
8.5.1 CNN的性能 181
8.5.2 所提方法與現(xiàn)有技術(shù)的比較 182
8.6 小結(jié) 183
原著參考文獻(xiàn) 183
第9章 基于EEG信號(hào)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)用于睡眠呼吸暫停檢測 185
9.1 前言 185
9.2 多導(dǎo)睡眠呼吸暫停和正常呼吸檢測數(shù)據(jù)庫 188
9.3 睡眠呼吸暫停狀態(tài)檢測方法：基于CNN和LSTM 189
9.3.1 多導(dǎo)睡眠EEG信號(hào)預(yù)處理 189
9.3.2 LSTM和CNN并行組合分類器 189
9.4 實(shí)驗(yàn)結(jié)果 190
9.4.1 預(yù)處理：提取和合并EEG子帶 190
9.4.2 性能參數(shù)：基于混淆矩陣評價(jià) 191
9.4.3 深度學(xué)習(xí)模型的參數(shù)調(diào)整 192
9.4.4 CNN-LSTM的性能 192
9.4.5 與相關(guān)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的性能比較 193
9.5 小結(jié) 193
原著參考文獻(xiàn) 194
第10章 基于EEG信號(hào)的心理狀態(tài)分類：采用理性擴(kuò)張小波變換與
裝袋樹分類器 196
10.1 前言 196
10.2 檢測心理狀態(tài)的方法：基于RDWT-EBT的AIS 198
10.2.1 心理狀態(tài)（專注、分心和困倦）EEG數(shù)據(jù)集 199
10.2.2 理性擴(kuò)張小波變換（RDWT） 200
10.2.3 心理狀態(tài)的EEG特征 203
10.2.4 集成分類器 204
10.3 結(jié)果和討論 205
10.4 小結(jié) 209
原著參考文獻(xiàn) 210
第11章 一種新的元啟發(fā)式優(yōu)化方法：用于EEG-BCI中言語想象任務(wù)的
魯棒空間濾波器設(shè)計(jì)與分類 213
11.1 前言 213
11.2 實(shí)驗(yàn) 215
11.2.1 受試者 215
11.2.2 言語想象實(shí)驗(yàn)范式 216
11.2.3 數(shù)據(jù)獲取 216
11.3 多次實(shí)驗(yàn)、多試次EEG數(shù)據(jù)的魯棒空間濾波器設(shè)計(jì) 217
11.3.1 共空間模式（CSP） 217
11.3.2 Devlaminck提出的CSP 218
11.3.3 Lotte和Guan提出的CSP 218
11.3.4 加權(quán)CSP 218
11.3.5 優(yōu)化框架 219
11.3.6 混合優(yōu)化 220
11.3.7 選擇合適的CSP準(zhǔn)則 222
11.4 自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng) 222
11.4.1 磷蝦群算法 223
11.4.2 基于磷蝦群算法的自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（ANFIS）參數(shù)優(yōu)化 225
11.5 實(shí)驗(yàn)結(jié)果 226
11.5.1 不同魯棒空間濾波優(yōu)化方法的精度比較 226
11.5.2 磷蝦群算法應(yīng)用的效果 228
11.6 小結(jié) 229
原著參考文獻(xiàn) 229
第12章 基于變分模態(tài)分解的皮層腦電信號(hào)手指屈伸檢測 231
12.1 前言 231
12.2 變分模態(tài)分解的原理 232
12.3 研究中提取的特征 233
12.3.1 相關(guān)熵和交叉信息勢 233
12.3.2 Kozachenko-Leonenko熵 234
12.4 支持向量機(jī)在分類中的應(yīng)用 234
12.5 數(shù)據(jù)集及相關(guān)處理 235
12.5.1 手指屈曲運(yùn)動(dòng)數(shù)據(jù)集 235
12.5.2 通道選擇和數(shù)據(jù)分割 235
12.6 提出的方法 236
12.7 結(jié)果與討論 237
12.8 小結(jié) 243
原著參考文獻(xiàn) 244
第13章 BCI硬件與軟件：超低功耗OTA與Gm-C濾波器設(shè)計(jì)及AI/ML
進(jìn)度 247
13.1 前言 247
13.2 BCI系統(tǒng)中信號(hào)采集、預(yù)處理、特征提取與選擇及分類技術(shù) 248
13.2.1 信號(hào)采集 248
13.2.2 信號(hào)預(yù)處理 249
13.2.3 信號(hào)特征提取與選擇 251
13.2.4 信號(hào)分類 252
13.3 BCI系統(tǒng)硬件分析：用于EEG信號(hào)處理的低功耗OTA與Gm-C
濾波器設(shè)計(jì) 253
13.3.1 亞閾值操作 254
13.3.2 傳統(tǒng)的體驅(qū)動(dòng)FC-OTA 255
13.3.3 本章提出的OTA 256
13.3.4 仿真結(jié)果 258
13.3.5 Gm-C濾波器的應(yīng)用 263
13.4 小結(jié) 267
原著參考文獻(xiàn) 268
第14章 基于深度自編碼器的MRI腦腫瘤自動(dòng)檢測方法 275
14.1 前言 275
14.1.1 基于機(jī)器學(xué)習(xí)的腦腫瘤分類研究評述 276
14.1.2 提出的卷積自編碼器模型研究的問題、貢獻(xiàn)與局限性 279
14.2 提出的研究方法框架、數(shù)據(jù)集和技術(shù) 280
14.2.1 方法框架 280
14.2.2 腦腫瘤和正常大腦的MR圖像數(shù)據(jù)集 280
14.2.3 卷積自編碼器模型 281
14.2.4 訓(xùn)練優(yōu)化器 282
14.2.5 方差閾值（VT）和RF算法進(jìn)行特征降維和選擇 284
14.3 分類方法 286
14.3.1 支持向量機(jī)（SVM） 286
14.3.2 k最近鄰（kNN） 290
14.3.3 決策樹（DT） 291
14.4 混淆矩陣評價(jià)及所提分類模型性能 292
14.5 實(shí)驗(yàn)研究及結(jié)果 293
14.6 小結(jié) 297
原著參考文獻(xiàn) 298
第15章 評估機(jī)器智能技術(shù)在腦腫瘤疾病預(yù)測中的卓越表現(xiàn) 303
15.1 前言 303
15.2 機(jī)器智能技術(shù)在腦腫瘤疾病預(yù)測中的相關(guān)工作 304
15.3 材料和方法 305
15.3.1 腦腫瘤MR圖像數(shù)據(jù)描述 305
15.3.2 腦部病變MR區(qū)域的分割過程 305
15.3.3 機(jī)器智能算法描述 306
15.4 結(jié)果與討論 310
15.5 小結(jié) 313
原著參考文獻(xiàn) 313