| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状和发展趋势 | 第12-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 研究目的与意义 | 第15-16页 |
| 1.4 主要创新点 | 第16页 |
| 1.5 论文的研究内容及结构安排 | 第16-18页 |
| 第二章 麻醉深度与脑电信号 | 第18-29页 |
| 2.1 麻醉与麻醉深度 | 第18-20页 |
| 2.1.1 麻醉机制 | 第18-19页 |
| 2.1.2 麻醉深度 | 第19-20页 |
| 2.2 麻醉深度监测的方法 | 第20-24页 |
| 2.2.1 临床体征信号 | 第20-21页 |
| 2.2.2 心率变异性 | 第21页 |
| 2.2.3 脑电信号 | 第21-23页 |
| 2.2.4 诱发电位 | 第23页 |
| 2.2.5 其他监测指标 | 第23-24页 |
| 2.3 麻醉对脑电信号的影响 | 第24-26页 |
| 2.4 脑电信号分析方法 | 第26-29页 |
| 2.4.1 时域分析方法 | 第26页 |
| 2.4.2 频域分析方法 | 第26-27页 |
| 2.4.3 时频域分析方法 | 第27页 |
| 2.4.4 非线性动力学方法 | 第27-28页 |
| 2.4.5 统计分析 | 第28-29页 |
| 第三章 脑电信号采集和预处理 | 第29-36页 |
| 3.1 研究对象 | 第29-31页 |
| 3.2 麻醉脑电信号的预处理 | 第31-35页 |
| 3.2.1 脑电信号去噪算法选择 | 第31-33页 |
| 3.2.2 脑电信号去噪流程 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于信息熵的麻醉脑电信号特征提取 | 第36-49页 |
| 4.1 近似熵特征差异分析 | 第37-40页 |
| 4.1.1 研究结果 | 第38-39页 |
| 4.1.2 讨论 | 第39-40页 |
| 4.2 样本熵特征差异分析 | 第40-42页 |
| 4.2.1 研究结果 | 第41-42页 |
| 4.2.2 讨论 | 第42页 |
| 4.3 排序熵特征差异分析 | 第42-45页 |
| 4.3.1 研究结果 | 第43-44页 |
| 4.3.2 讨论 | 第44-45页 |
| 4.4 小波熵特征差异分析 | 第45-47页 |
| 4.4.1 研究结果 | 第46-47页 |
| 4.4.2 讨论 | 第47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 基于人工神经网络的麻醉深度自动识别 | 第49-60页 |
| 5.1 人工神经网络 | 第49-53页 |
| 5.1.1 人工神经网络与BP神经网络 | 第49-53页 |
| 5.1.2 人工神经网络在麻醉深度监测研究中的应用 | 第53页 |
| 5.2 脑电信号单特征分类识别 | 第53-55页 |
| 5.2.1 分类结果 | 第54-55页 |
| 5.2.2 讨论 | 第55页 |
| 5.3 脑电信号多特征分类识别 | 第55-58页 |
| 5.3.1 特征选择 | 第56页 |
| 5.3.2 分类结果 | 第56-58页 |
| 5.4 本章小结 | 第58-60页 |
| 第六章 总结与讨论 | 第60-62页 |
| 展望 | 第62-63页 |
| 参考文献 | 第63-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-73页 |
| 附件 | 第73页 |