| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 目录 | 第10-13页 |
| 图目录 | 第13-15页 |
| 表目录 | 第15-16页 |
| 1 绪论 | 第16-28页 |
| 1.1 课题的研究背景及研究意义 | 第16-17页 |
| 1.2 课题研究现状 | 第17-25页 |
| 1.2.1 脑功能监测方法 | 第17-19页 |
| 1.2.2 声音信号分析和特征提取方法 | 第19-24页 |
| 1.2.3 声音分析诊断流程图 | 第24页 |
| 1.2.4 国内外研究现状 | 第24-25页 |
| 1.3 论文的主要内容及各章节简介 | 第25-28页 |
| 2 脑与声音分析和脑卒中患者声样采集处理 | 第28-42页 |
| 2.1 大脑对语言功能的影响 | 第28-31页 |
| 2.1.1 言语功能的神经机制 | 第28-30页 |
| 2.1.2 语言机制的脑功能成像 | 第30-31页 |
| 2.2 大脑的非线性 | 第31-33页 |
| 2.3 声样的采集 | 第33-34页 |
| 2.4 本课题的采集样本 | 第34-37页 |
| 2.4.1 样本采集装置 | 第34-37页 |
| 2.5 声音信号增强处理 | 第37-41页 |
| 2.5.1 噪声的特性 | 第38-39页 |
| 2.5.2 声音去噪方法之小波去噪 | 第39-41页 |
| 2.6 本章小结 | 第41-42页 |
| 3 非线性时间序列分析及其在嗓音信号分析中的应用 | 第42-62页 |
| 3.1 混沌理论概述 | 第42-44页 |
| 3.2 相空间重构理论 | 第44-46页 |
| 3.3 延迟时间的计算和应用 | 第46-51页 |
| 3.4 嵌入维数的计算和应用 | 第51-56页 |
| 3.4.1 计算嵌入维数的方法 | 第51-53页 |
| 3.4.2 时间序列计算嵌入维数 | 第53-54页 |
| 3.4.3 根据延迟时间和嵌入维数重构相空间 | 第54-56页 |
| 3.5 李雅普诺夫指数的计算和应用 | 第56-61页 |
| 3.5.1 李雅普诺夫指数的定义 | 第56-57页 |
| 3.5.2 李雅普诺夫指数的计算 | 第57-60页 |
| 3.5.3 时间序列的李雅普诺夫指数 | 第60-61页 |
| 3.6 本章小结 | 第61-62页 |
| 4 改进的替代数据法在嗓音分析中的应用 | 第62-74页 |
| 4.1 替代数据法 | 第62-64页 |
| 4.2 关联维数的计算和应用 | 第64-69页 |
| 4.2.1 计算关联维数 | 第64-66页 |
| 4.2.2 对时间序列计算关联维数 | 第66-69页 |
| 4.3 改进替代数据法得到归一化检测量 | 第69-72页 |
| 4.3.1 基本概念 | 第69页 |
| 4.3.2 归一化方差的检测量的提出和计算 | 第69-71页 |
| 4.3.3 声音时间序列的归一化方差的检测量计算 | 第71-72页 |
| 4.4 本章小节 | 第72-74页 |
| 5 脑卒中病人和健康人声音样本分析和分类 | 第74-84页 |
| 5.1 非线性参数在脑卒中病人和健康人样本中的对比 | 第74-79页 |
| 5.1.1 互信息图的第一个最小值对比 | 第74-75页 |
| 5.1.2 重构相空间的吸引子对比 | 第75-76页 |
| 5.1.3 最大Lyapunov指数对比 | 第76-77页 |
| 5.1.4 归一化方差的检测量对比 | 第77-79页 |
| 5.2 k近邻分类算法 | 第79-81页 |
| 5.2.1 什么是K近邻算法 | 第79-80页 |
| 5.2.2 k近邻的距离度量表示法 | 第80-81页 |
| 5.2.3 K值的选择 | 第81页 |
| 5.3 脑卒中病人和健康人声音样本分类 | 第81-82页 |
| 5.4 本章小节 | 第82-84页 |
| 6 总结与展望 | 第84-86页 |
| 6.1 研究工作总结 | 第84-85页 |
| 6.2 进一步工作展望 | 第85-86页 |
| 7 参考文献 | 第86-92页 |
| 附录 攻读硕士学位期间的研究成果及作者简介 | 第92页 |