| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题的背景和意义 | 第12-13页 |
| 1.2 运动功能障碍评估的研究现状 | 第13-17页 |
| 1.2.1 基于量表的评价方法 | 第13-14页 |
| 1.2.2 基于生物运动力学的评价方法 | 第14-16页 |
| 1.2.3 基于生物电信号的评价方法 | 第16-17页 |
| 1.3 课题研究面临的问题 | 第17-18页 |
| 1.4 研究内容与论文框架 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 课题研究方案设计的前期理论准备 | 第20-29页 |
| 2.1 EEG基础理论介绍 | 第20-24页 |
| 2.1.1 脑结构与功能 | 第20-21页 |
| 2.1.2 EEG的产生原理与特点介绍 | 第21-22页 |
| 2.1.3 EEG与运动功能的关系 | 第22-24页 |
| 2.2 常见造成运动功能障碍的脑损伤疾病及选择实验对象 | 第24-26页 |
| 2.2.1 脑卒中 | 第24页 |
| 2.2.2 帕金森病 | 第24-25页 |
| 2.2.3 癫痫 | 第25-26页 |
| 2.3 实验数据 | 第26-28页 |
| 2.3.1 CHB-MIT数据采集过程介绍 | 第26-27页 |
| 2.3.2 德国波恩大学癫痫数据库的数据采集过程介绍 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 EEG的消噪方法及特征提取方法 | 第29-52页 |
| 3.1 基于降噪源分离的EEG消噪方法设计 | 第29-39页 |
| 3.1.1 基于小波变换的消噪方法 | 第29页 |
| 3.1.2 基于盲源分离的消噪方法 | 第29-30页 |
| 3.1.3 基于降噪源分离的EEG消噪方法 | 第30-32页 |
| 3.1.4 EEG消噪实验 | 第32-39页 |
| 3.1.4.1 降噪函数的选取 | 第32-35页 |
| 3.1.4.2 仿真消噪实验 | 第35-36页 |
| 3.1.4.3 真实信号的消噪分析 | 第36-39页 |
| 3.2 EEG的特征提取方法 | 第39-49页 |
| 3.2.1 熵理论在EEG中的应用综述 | 第39-41页 |
| 3.2.2 基于多种熵融合的EEG特征提取方法 | 第41-49页 |
| 3.2.2.1 基于香农熵的幅值复杂度测量 | 第41-43页 |
| 3.2.2.2 基于香农熵的相位同步复杂度测量 | 第43-45页 |
| 3.2.2.3 小波能量熵 | 第45-47页 |
| 3.2.2.4 样本熵 | 第47-49页 |
| 3.3 多种熵融合处理 | 第49-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第4章 基于极限学习机的集成分类方法 | 第52-60页 |
| 4.1 EEG分析中常用的分类算法综述 | 第52-53页 |
| 4.1.1 K近邻算法 | 第52页 |
| 4.1.2 支持向量机 | 第52-53页 |
| 4.1.3 人工神经网络 | 第53页 |
| 4.2 极限学习机 | 第53-55页 |
| 4.2.1 极限学习机算法原理 | 第53-55页 |
| 4.2.2 ELM在EEG中的应用介绍 | 第55页 |
| 4.3 基于极限学习机的集成分类算法 | 第55-59页 |
| 4.3.1 基于Bagging的集成学习方法 | 第56-57页 |
| 4.3.2 基于Adaboost的集成学习方法 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 实验结果分析 | 第60-67页 |
| 5.1 实验数据处理 | 第60-61页 |
| 5.1.1 波恩大学数据集 | 第60页 |
| 5.1.2 CHB-MIT数据集 | 第60-61页 |
| 5.2 实验结果与分析 | 第61-66页 |
| 5.2.1 ELM的隐含层神经元个数选择实验 | 第61-62页 |
| 5.2.2 特征融合实验 | 第62-65页 |
| 5.2.3 集成分类方法实验 | 第65-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-70页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 研究展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-78页 |
| 附录 | 第78页 |