| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 癫痫疾病介绍 | 第12-13页 |
| 1.2 癫痫脑电概述 | 第13-15页 |
| 1.3 癫痫脑电自动检测研究意义及研究现状 | 第15-18页 |
| 1.4 论文组织结构安排 | 第18-19页 |
| 第二章 脑电信号的时频分析 | 第19-30页 |
| 2.1 短时傅里叶变换 | 第19-20页 |
| 2.2 小波变换 | 第20-25页 |
| 2.2.1 连续小波变换 | 第20-21页 |
| 2.2.2 多分辨率展开 | 第21-23页 |
| 2.2.3 快速小波变换 | 第23-24页 |
| 2.2.4 小波包变换 | 第24-25页 |
| 2.3 脑电信号的小波特征分析 | 第25-28页 |
| 2.3.1 小波函数的选择 | 第25-28页 |
| 2.3.2 小波包能量 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 脑电信号的非线性特征分析 | 第30-38页 |
| 3.1 相空间重构 | 第30-31页 |
| 3.2 排列熵 | 第31-32页 |
| 3.3 近似熵 | 第32-33页 |
| 3.4 样本熵 | 第33-37页 |
| 3.4.1 样本熵算法原理 | 第33-35页 |
| 3.4.2 样本熵算法的优化 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 脑电信号的分类方法 | 第38-51页 |
| 4.1 Fisher线性判别分析 | 第38-40页 |
| 4.2 支持向量机 | 第40-42页 |
| 4.3 Bosting算法 | 第42-44页 |
| 4.3.1 算法概述 | 第42-43页 |
| 4.3.2 Real AdaBoost算法 | 第43-44页 |
| 4.4 基于纠错编码的多类分类 | 第44-49页 |
| 4.4.1 概述 | 第45-47页 |
| 4.4.2 Real AdaBoost与纠错编码相结合的多类分类方法 | 第47-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 基于小波包能量和熵特征的癫痫脑电识别实验过程 | 第51-65页 |
| 5.1 实验数据 | 第51页 |
| 5.2 实验过程 | 第51-59页 |
| 5.2.1 癫痫脑电识别流程 | 第51-52页 |
| 5.2.2 数据处理及特征提取 | 第52-58页 |
| 5.2.3 模式分类 | 第58-59页 |
| 5.3 实验结果及分析 | 第59-62页 |
| 5.4 讨论 | 第62-63页 |
| 5.5 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-68页 |
| 6.1 本文总结 | 第65-66页 |
| 6.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士研究生期间的研究成果 | 第75-76页 |
| 附件 | 第76页 |