新生儿振幅整合脑电自动识别研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文内容与组织结构 | 第13页 |
| 1.4 本章小结 | 第13-15页 |
| 第2章 新生儿脑功能状态检测理论基础与研究方案 | 第15-25页 |
| 2.1 振幅整合脑电简介 | 第15-17页 |
| 2.2 EEG与AEEG的区别与联系 | 第17-18页 |
| 2.3 振幅整合脑电判读方法 | 第18-20页 |
| 2.4 振幅整合脑电信号自动识别研究方案 | 第20-24页 |
| 2.4.1 数据采集 | 第21-22页 |
| 2.4.2 数据预处理和特征提取 | 第22-23页 |
| 2.4.3 分类实验简介 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 特征提取 | 第25-33页 |
| 3.1 特征类别 | 第25-26页 |
| 3.2 基本特征 | 第26页 |
| 3.3 直方图特征 | 第26-27页 |
| 3.4 分段特征 | 第27-31页 |
| 3.4.1 信号振幅的上、下边界 | 第28-29页 |
| 3.4.2 近似熵 | 第29-31页 |
| 3.5 特征评价指标 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第4章 分类器训练与调优 | 第33-52页 |
| 4.1 线性判别模型与逻辑斯谛回归模型 | 第34-36页 |
| 4.1.1 线性判别分析模型 | 第34-35页 |
| 4.1.2 逻辑斯谛回归模型 | 第35-36页 |
| 4.2 支持向量机 | 第36-39页 |
| 4.2.1 支持向量机基本方法 | 第37-38页 |
| 4.2.2 核函数和松弛变量 | 第38页 |
| 4.2.3 SVM参数调优 | 第38-39页 |
| 4.3 随机森林理论 | 第39-50页 |
| 4.3.1 决策树模型 | 第39-40页 |
| 4.3.2 决策树的学习 | 第40-45页 |
| 4.3.3 集成学习与Bagging方法 | 第45-46页 |
| 4.3.4 随机森林 | 第46-48页 |
| 4.3.5 随机森林模型分析 | 第48-50页 |
| 4.3.6 随机森林调优策略 | 第50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 实验结果与讨论 | 第52-61页 |
| 5.1 分类器参数调优实验 | 第52-54页 |
| 5.2 正负样本权重调节实验 | 第54-55页 |
| 5.3 特征有效性验证实验 | 第55-56页 |
| 5.4 特征选择实验 | 第56-57页 |
| 5.5 分类效果横向对比实验 | 第57-59页 |
| 5.6 实验结果总结 | 第59-60页 |
| 5.7 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-64页 |
| 6.1 本文研究总结 | 第61-62页 |
| 6.2 存在的问题及研究展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 在校期间学术成果 | 第68页 |
