幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於人工智慧的腦機介面(精)/腦科學與人工智慧叢書

  • 作者：(印)瓦倫·巴賈吉//G.R.辛哈|責編:李敏|譯者:伏雲發//黃涌//范芳芳//謝平//張語涵
  • 出版社：電子工業
  • ISBN：9787121516993
  • 出版日期：2025/12/01
  • 裝幀：精裝
  • 頁數：315
人民幣：RMB 149 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    隨著腦機介面（BCI）與人工智慧（AI）技術的迅猛發展，出現了二者交叉融合的新興研究方向。本書通過將AI技術引入BCI系統並整合其優勢，有望顯著提升系統性能，特別是增強其智能化水平，從而提高BCI系統的可用性、用戶體驗和滿意度，推動BCI技術向實際應用轉化。本書全面探討了BCI與AI技術的交叉融合及其在醫學、健康檢測、神經疾病診斷等領域的應用。內容涵蓋從EEG信號分析、腦狀態分類、運動想象BCI（MI-BCI）到深度學習在癲癇、睡眠呼吸暫停、腦腫瘤檢測等方面的應用，詳細闡述了人工智慧方法在非侵入式BCI中的應用、特徵提取與分類技術，以及機器學習與深度學習模型的構建等關鍵技術。本書適合以下讀者：腦機介面、人工智慧、神經科學、醫學工程等相關學科的本科生、研究生及相關領域的科研人員；從事腦機介面系統開發、人工智慧演算法優化、EEG信號處理等工作的工程師；從事神經疾病、睡眠障礙、癲癇等疾病診斷和治療的醫學專家。
作者介紹
(印)瓦倫·巴賈吉//G.R.辛哈|責編:李敏|譯者:伏雲發//黃涌//范芳芳//謝平//張語涵
目錄
第1章  基於人工智慧的時頻分佈和卷積神經網路（CNN）用於睡眠階段分類
  1.1  前言
  1.2  材料和方法
    1.2.1  睡眠-EDF數據集EEG信號
    1.2.2  EEG時頻變換技術
    1.2.3  卷積神經網路
  1.3  結果
  1.4  討論
  1.5  小結
  原著參考文獻
第2章  運動想象BCI方法綜合評述：挑戰與未來方向
  2.1  前言
  2.2  系統評述和薈萃分析的優選報告項目（PRISMA）指南
  2.3  薈萃分析結果：常用的基準MI-BCI數據集及方法
  2.4  討論
  2.5  小結
  原著參考文獻
第3章  運動想象腦機介面系統中一種新特徵提取方法
  3.1  前言
  3.2  BCI類型和應用
    3.2.1  腦電信號
    3.2.2  其他用於記錄大腦活動的方法
    3.2.3  BCI應用
  3.3  盲源分離（BSS）及其在BCI中的應用
  3.4  MI-BCI相關工作
    3.4.1  去除雜訊和偽跡
    3.4.2  擴展輸入維度
    3.4.3  共空間模式（CSP）
    3.4.4  空間濾波
  3.5  所提方法
    3.5.1  用於評估的數據集：BCI競賽Ⅲ中的標準數據集IVa
    3.5.2  數據預處理
    3.5.3  中間處理方法
    3.5.4  最終處理
  3.6  電腦模擬與結果
    3.6.1  實驗1
    3.6.2  實驗2
  3.7  討論
  3.8  小結
  原著參考文獻
第4章  針對個性化BCI開發：評估功率譜分析和機器學習技術
  4.1  前言
  4.2  數據來源：BCI競賽Ⅲ中的標準數據集IVa
  4.3  分析方法
    4.3.1  步驟1：數據預處理
    4.3.2  步驟2：通道選擇
    4.3.3  步驟3：特徵提取
    4.3.4  步驟4：分類
  4.4  性能驗證/評估
  4.5  參數選擇

    4.5.1  多尺度主成分分析（MSPCA）
    4.5.2  邏輯回歸（LR）
    4.5.3  多層感知器（MLP）
    4.5.4  Welch方法
    4.5.5  Burg方法
    4.5.6  MUSIC方法
  4.6  結果
  4.7  討論
  4.8  小結
  原著參考文獻
第5章  人工智慧在BCI中非侵入式模態獲取與建模的概念
  5.1  前言
  5.2  腦電圖
  5.3  人工智慧用於EEG信號分析
  5.4  腦與機器之間的通信介面
  5.5  EEG信號採集和分析方法
    5.5.1  EEG信號採集
    5.5.2  EEG信號分析
    5.5.3  EEG信號表徵
  5.6  結果
  5.7  討論與未來展望
  5.8  小結
  原著參考文獻
第6章  Bi-LSTM-深度CNN檢測精神分裂症：基於EEG信號的MSST頻譜圖
  6.1  前言
  6.2  數據集和研究方法
    6.2.1  精神分裂症受試者和普通受試者EEG數據集描述
    6.2.2  多重同步擠壓變換（MSST）
    6.2.3  基於VGG-16和Bi-LSTM的卷積神經網路（CNN）
  6.3  結果與討論
  6.4  小結
  原著參考文獻
第7章  基於EEG信號的癲癇發作檢測
  7.1  前言
  7.2  EEG信號的背景知識及其作為癲癇發作預測的絕佳選擇
    7.2.1  EEG信號的分析技術
    7.2.2  EEG信號分析癲癇發作及其不同階段
  7.3  機器學習方法在癲癇檢測中的應用
    7.3.1  EEG信號預處理
    7.3.2  EEG信號特徵提取
    7.3.3  基於EEG信號的癲癇發作分類方法
  7.4  深度學習方法在癲癇檢測中的應用
    7.4.1  循環神經網路（RNN）
    7.4.2  卷積神經網路（CNN）
  7.5  EEG信號檢測癲癇發作相關工作與比較分析
    7.5.1  EEG信號檢測癲癇發作面臨的挑戰
    7.5.2  未來展望
  7.6  小結
  原著參考文獻
第8章  基於單通道EEG信號的個性化深度學習演算法用於困倦檢測

  8.1  前言
  8.2  困倦檢測（DD）
    8.2.1  困倦與EEG
    8.2.2  困倦和清醒狀態EEG模式及其深度學習分類
  8.3  困倦和清醒狀態的EEG資料庫
  8.4  提出的預處理方法和CNN架構
    8.4.1  採用帶通濾波預處理EEG信號
    8.4.2  用於分類的CNN架構
  8.5  實驗結果
    8.5.1  CNN的性能
    8.5.2  所提方法與現有技術的比較
  8.6  小結
  原著參考文獻
第9章  基於EEG信號的深度學習神經網路用於睡眠呼吸暫停檢測
  9.1  前言
  9.2  多導睡眠呼吸暫停和正常呼吸檢測資料庫
  9.3  睡眠呼吸暫停狀態檢測方法：基於CNN和LSTM
    9.3.1  多導睡眠EEG信號預處理
    9.3.2  LSTM和CNN並行組合分類器
  9.4  實驗結果
    9.4.1  預處理：提取和合併EEG子帶
    9.4.2  性能參數：基於混淆矩陣評價
    9.4.3  深度學習模型的參數調整
    9.4.4  CNN-LSTM的性能
    9.4.5  與相關機器學習和深度學習演算法的性能比較
  9.5  小結
  原著參考文獻
第10章  基於EEG信號的心理狀態分類：採用理性擴張小波變換與裝袋樹分類器
  10.1  前言
  10.2  檢測心理狀態的方法：基於RDWT-EBT的AIS
    10.2.1  心理狀態（專註、分心和困倦）EEG數據集
    10.2.2  理性擴張小波變換（RDWT）
    10.2.3  心理狀態的EEG特徵
    10.2.4  集成分類器
  10.3  結果和討論
  10.4  小結
  原著參考文獻
第11章  一種新的元啟髮式優化方法：用於EEG-BCI中言語想象任務的魯棒空間濾波器設計與分類
  11.1  前言
  11.2  實驗
    11.2.1  受試者
    11.2.2  言語想象實驗範式
    11.2.3  數據獲取
  11.3  多次實驗、多試次EEG數據的魯棒空間濾波器設計
    11.3.1  共空間模式（CSP）
    11.3.2  Devlaminck提出的CSP
    11.3.3  Lotte和Guan提出的CSP
    11.3.4  加權CSP
    11.3.5  優化框架
    11.3.6  混合優化

    11.3.7  選擇合適的CSP準則
  11.4  自適應網路模糊推理系統
    11.4.1  磷蝦群演算法
    11.4.2  基於磷蝦群演算法的自適應網路模糊推理系統（ANFIS）參數優化
  11.5  實驗結果
    11.5.1  不同魯棒空間濾波優化方法的精度比較
    11.5.2  磷蝦群演算法應用的效果
  11.6  小結
  原著參考文獻
第12章  基於變分模態分解的皮層腦電信號手指屈伸檢測
  12.1  前言
  12.2  變分模態分解的原理
  12.3  研究中提取的特徵
    12.3.1  相關熵和交叉信息勢
    12.3.2  Kozachenko-Leonenko熵
  12.4  支持向量機在分類中的應用
  12.5  數據集及相關處理
    12.5.1  手指屈曲運動數據集
    12.5.2  通道選擇和數據分割
  12.6  提出的方法
  12.7  結果與討論
  12.8  小結
  原著參考文獻
第13章  BCI硬體與軟體：超低功耗OTA與Gm-C濾波器設計及AI/ML進度
  13.1  前言
  13.2  BCI系統中信號採集、預處理、特徵提取與選擇及分類技術
    13.2.1  信號採集
    13.2.2  信號預處理
    13.2.3  信號特徵提取與選擇
    13.2.4  信號分類
  13.3  BCI系統硬體分析：用於EEG信號處理的低功耗OTA與Gm濾波器設計
    13.3.1  亞閾值操作
    13.3.2  傳統的體驅動FC-OTA
    13.3.3  本章提出的OTA
    13.3.4  模擬結果
    13.3.5  Gm-C濾波器的應用
  13.4  小結
  原著參考文獻
第14章  基於深度自編碼器的MRI腦腫瘤自動檢測方法
  14.1  前言
    14.1.1  基於機器學習的腦腫瘤分類研究評述
    14.1.2  提出的卷積自編碼器模型研究的問題、貢獻與局限性
  14.2  提出的研究方法框架、數據集和技術
    14.2.1  方法框架
    14.2.2  腦腫瘤和正常大腦的MR圖像數據集
    14.2.3  卷積自編碼器模型
    14.2.4  訓練優化器
    14.2.5  方差閾值（VT）和RF演算法進行特徵降維和選擇
  14.3  分類方法
    14.3.1  支持向量機（SVM）

    14.3.2  k最近鄰（kNN）
    14.3.3  決策樹（DT）
  14.4  混淆矩陣評價及所提分類模型性能
  14.5  實驗研究及結果
  14.6  小結
  原著參考文獻
第15章  評估機器智能技術在腦腫瘤疾病預測中的卓越表現
  15.1  前言
  15.2  機器智能技術在腦腫瘤疾病預測中的相關工作
  15.3  材料和方法
    15.3.1  腦腫瘤MR圖像數據描述
    15.3.2  腦部病變MR區域的分割過程
    15.3.3  機器智能演算法描述
  15.4  結果與討論
  15.5  小結
  原著參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032