| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 缩略词表 | 第13-14页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 引言 | 第14-16页 |
| 1.1.1 课题研究的背景和意义 | 第15-16页 |
| 1.2 睡眠研究现状 | 第16-23页 |
| 1.2.1 睡眠电生理研究现状 | 第17-18页 |
| 1.2.2 睡眠分期现状 | 第18-19页 |
| 1.2.3 不同清醒-睡眠状态下的脑活动和动物行为 | 第19-20页 |
| 1.2.4 睡眠各时期LFP特点 | 第20-23页 |
| 1.3 小波变换算法的发展历史 | 第23-25页 |
| 1.4 机器学习简介 | 第25-27页 |
| 1.4.1 机器学习的应用现状 | 第26-27页 |
| 1.5 论文的研究内容和编排 | 第27-30页 |
| 1.5.1 论文的研究内容 | 第27-28页 |
| 1.5.2 论文的编排 | 第28-30页 |
| 第2章 LFP的产生及其睡眠生理意义 | 第30-38页 |
| 2.1 局部场电位介绍 | 第30-37页 |
| 2.1.1 局部场电位的产生以及生理意义 | 第32-34页 |
| 2.1.2 场电位与EEG的时空特性一致性 | 第34-36页 |
| 2.1.3 局部场电位和神经元活动的相关性 | 第36-37页 |
| 2.2 本章小结 | 第37-38页 |
| 第3章 实验系统及实验方法 | 第38-44页 |
| 3.1 引言 | 第38-42页 |
| 3.1.1 实验系统简介 | 第38-39页 |
| 3.1.2 实验数据采集 | 第39-42页 |
| 3.1.3 自动分期系统流程 | 第42页 |
| 3.2 本章小结 | 第42-44页 |
| 第4章 基于TQWT小波变换LFP特征提取的研究 | 第44-58页 |
| 4.1 TQWT变换的原理 | 第44-48页 |
| 4.1.1 TQWT变换的优点 | 第47-48页 |
| 4.2 TQWT算法的实现 | 第48-57页 |
| 4.2.1 利用TQWT变换提取睡眠状态特征 | 第48-52页 |
| 4.2.2 子带sub-bands特征统计分析 | 第52-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第5章 基于集成学习的分类算法的研究和实现 | 第58-68页 |
| 5.1 基于单一学习模型的睡眠自动分期的实现和评估 | 第58-65页 |
| 5.1.1 基于AdaBoost算法的睡眠自动分期实现 | 第58-61页 |
| 5.1.2 基于随机森林算法的睡眠自动分期实现和评估 | 第61-63页 |
| 5.1.3 基于GBDT算法的睡眠自动分期实现和评估 | 第63-65页 |
| 5.2 基于集成学习模型的睡眠自动分期的实现和测试 | 第65-67页 |
| 5.3 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 论文总结 | 第68页 |
| 未来的展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 作者简历 | 第75页 |
