本书提出并实现了一套结合运动想象BCI与运动起始视觉诱发电位BCI的混合BCI系统，分别针对组成多模态系统的各单模态BCI提出或改进了特征提取与识别方法。

段莹，汉族，河南郑州人，现任郑州航空工业管理学院智能工程学院教师，主讲((java程序设计》、《离散数学))等课程。主要研究方向为工业物联网、智能算法，已发表’论文12篇，其中SCI／EI检索论文10篇，获国家授权发明专利1项。

第1章 脑机接口研究现状及前景
1.1 脑机接口相关背景及系统框架
1.1.1 脑机接口相关背景介绍
1.1.2 脑机接口系统框架
1.2 主要的单模态脑机接口类别
1.2.1 运动想象-脑机接口系统（MI-BCI系统）
1.2.2 稳态视觉诱发电位-脑机接口系统（SSVEP-BCI系统）
1.2.3 皮质慢电位-脑机接口系统（SCP-BCI系统）
1.2.4 彩色瞬态视觉诱发电位-脑机接口系统（CTUEP-BCI系统）
1.2.5 P300电位-脑机接口系统
1.2.6 运动起始视觉诱发电位-脑机接口系统（mVEP-BCI系统）
1.3 混合脑机接口研究现状
1.4 脑机接口的应用前景
1.4.1 康复医学方面
1.4.2 生活娱乐方面
1.4.3 军事方面
1.5 本书主要研究工作
第2章 结合运动想象与运动起始视觉诱发电位的多模态BCI在线运动控制系统
2.1 引言
2.2 方法
2.2.1 MI和mVEP的融合方案
2.2.2 EEG信号处理
2.2.3 实验方案
2.3 结果
2.3.1 离线测试
2.3.2 多模态BCI系统的在线评估
2.4 讨论
2.5 本章小结
第3章 基于深度学习与压缩感知的运动起始视觉诱发电位BCI特征提取
3.1 引言
3.2 方法
3.2.1 实验数据
3.2.2 EEG信号处理
3.2.3 结合压缩感知和深度学习的特征提取
3.2.4 多层压缩感知
3.2.5 基于多层RBM和稀疏降噪的深度特征提取
3.3 结果
3.3.1 压缩感知特征
3.3.2 深度特征
3.3.3 基于多模态特征的mVEP-BCI系统的表现
3.4 讨论
3.5 本章小结
第4章 基于运动起始视觉诱发电位BCI的自适应校准框架
4.1 引言
4.2 方法与材料
4.2.1 BCI分类器的传统训练方案
4.2.2 实验过程中的分类器自适应校准框架
4.2.3 实验范式及被试
4.3 结果
4.3.1 校准间隔的影响
4.3.2 可靠样本选择阈值的影响
4.4 讨论
4.5 本章小结
第5章 基于半监督卷积深信度网络特征提取的跨被试运动想象BCI实现
5.1 引言
5.2 方法
5.2.1 卷积深信度网络
5.2.2 改进的半监督卷积深信度网络
5.3 实验结果
5.3.1 实验数据
5.3.2 EEG数据处理
5.3.3 结果比较
5.4 讨论
5.5 本章小结
第6章 总结和展望
6.1 全文总结
6.2 未来展望