| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 脑电信号熵分析研究现状 | 第11-13页 |
| 1.3 论文的主要安排 | 第13-15页 |
| 第2章 脑电信号基础知识及熵算法简介 | 第15-23页 |
| 2.1 引言 | 第15页 |
| 2.2 脑电信号的基本知识 | 第15-17页 |
| 2.2.1 脑电信号产生机理及特点 | 第15-16页 |
| 2.2.2 伪迹分类 | 第16-17页 |
| 2.3 脑电信号预处理算法 | 第17-21页 |
| 2.3.1 统计去噪 | 第17-18页 |
| 2.3.2 小波分析的方法 | 第18页 |
| 2.3.3 独立分量分解方法 | 第18-19页 |
| 2.3.4 WICA方法 | 第19-21页 |
| 2.4 熵分析方法在EEG中的应用 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 轻度认知障碍脑电信号研究对象 | 第23-29页 |
| 3.1 引言 | 第23页 |
| 3.2 脑电信号的采集与分区 | 第23-25页 |
| 3.3 2型糖尿病MCI纳入和排除标准 | 第25-26页 |
| 3.4 认知功能评估的常用量表 | 第26-28页 |
| 3.4.1 综合认知能力功能评估量表 | 第26页 |
| 3.4.2 单项认知功能评估量表 | 第26-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第4章 基于双谱熵的EEG分析 | 第29-44页 |
| 4.1 引言 | 第29页 |
| 4.2 双谱 | 第29-32页 |
| 4.2.1 双谱定义及其性质 | 第29-31页 |
| 4.2.2 AR模型双谱的估计方法 | 第31-32页 |
| 4.3 双谱熵及其性质 | 第32-33页 |
| 4.4 算法仿真分析 | 第33-40页 |
| 4.4.1 Logistic映射模型及非线性动力学行为 | 第33-36页 |
| 4.4.2 参数nfft和阶次l的选取 | 第36-38页 |
| 4.4.3 噪声对双谱熵算法的影响 | 第38-39页 |
| 4.4.4 数据长度对双谱熵算法的影响 | 第39-40页 |
| 4.5 糖尿病MCI的双谱熵分析 | 第40-43页 |
| 4.5.1 认知功能量表的统计分析 | 第40-41页 |
| 4.5.2 双谱熵与认知功能的相关性分析 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第5章 基于多尺度样本熵的EEG分析 | 第44-57页 |
| 5.1 引言 | 第44页 |
| 5.2 方法 | 第44-46页 |
| 5.2.1 样本熵 | 第44-45页 |
| 5.2.2 多尺度样本熵 | 第45-46页 |
| 5.3 算法仿真分析 | 第46-49页 |
| 5.3.1 Logistic映射模型 | 第46页 |
| 5.3.2 嵌入维数和阈值对样本熵算法的影响 | 第46-47页 |
| 5.3.3 数据长度L对样本熵算法的影响 | 第47页 |
| 5.3.4 尺度对多尺度样本熵算法的影响 | 第47-48页 |
| 5.3.5 噪声对多尺度样本熵的影响 | 第48-49页 |
| 5.4 糖尿病MCI的样本熵和多尺度样本熵分析 | 第49-56页 |
| 5.4.1 认知功能量表的统计分析 | 第49-50页 |
| 5.4.2 样本熵与认知功能的相关性分析 | 第50-51页 |
| 5.4.3 多尺度样本熵与认知功能的相关性分析 | 第51-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第65-66页 |
| 致谢 | 第66页 |