基于递归脉冲神经网络的脑时空数据分类研究
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 监督学习算法研究现状 | 第11-13页 |
| 1.3 脑时空模式数据分类研究现状 | 第13-14页 |
| 1.4 本文的研究工作 | 第14-15页 |
| 1.5 论文的组织架构 | 第15-16页 |
| 2 递归脉冲神经网络的监督学习算法 | 第16-29页 |
| 2.1 递归脉冲神经网络结构 | 第16-21页 |
| 2.1.1 网络结构 | 第17-18页 |
| 2.1.2 神经元模型 | 第18-19页 |
| 2.1.3 脉冲序列转换关系 | 第19-21页 |
| 2.2 多脉冲监督学习算法 | 第21-26页 |
| 2.2.1 误差函数 | 第21-22页 |
| 2.2.2 输出层突触权值学习规则 | 第22-23页 |
| 2.2.3 输入层突触权值学习规则 | 第23-24页 |
| 2.2.4 隐含层（上下文层）突触权值的学习规则 | 第24-26页 |
| 2.3 脉冲序列学习实验与分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 脑时空数据的脉冲序列编码方法 | 第29-40页 |
| 3.1 脑时空数据的编码 | 第29-30页 |
| 3.2 EEG数据脉冲序列编码 | 第30-37页 |
| 3.2.1 EEG数据的编码方法 | 第30-33页 |
| 3.2.2 EEG数据编码实验与分析 | 第33-37页 |
| 3.3 fMRI数据脉冲序列编码 | 第37-39页 |
| 3.3.1 fMRI数据编码方法 | 第37-38页 |
| 3.3.2 fMRI数据编码实验与分析 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 EEG和fMRI数据的分类 | 第40-49页 |
| 4.1 分类模型及实现 | 第40-41页 |
| 4.2 EEG单模式分类 | 第41-44页 |
| 4.2.1 SNR特征选择 | 第41页 |
| 4.2.2 EEG分类实验结果及分析 | 第41-44页 |
| 4.3 fMRI单模式分类 | 第44-48页 |
| 4.3.1 SNR特征选择 | 第44-45页 |
| 4.3.2 fMRI分类实验结果及分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 5.1 本文工作总结 | 第49页 |
| 5.2 今后工作展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间的成果 | 第56-57页 |
| 致谢 | 第57页 |
