基于卷积神经网络的癫痫发作预测
| 中文摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 癫痫发作的研究背景和意义 | 第10-11页 |
| 1.2 脑电信号的概述 | 第11-12页 |
| 1.3 癫痫脑电的特征 | 第12页 |
| 1.4 脑电信号处理方法 | 第12-14页 |
| 1.4.1 时域分析方法 | 第13页 |
| 1.4.2 频域分析方法 | 第13-14页 |
| 1.4.3 时频域分析方法 | 第14页 |
| 1.4.4 非线性动力学方法 | 第14页 |
| 1.5 深度学习的发展 | 第14-15页 |
| 1.6 癫痫发作预测的研究现状 | 第15-16页 |
| 1.7 癫痫发作预测的一般流程 | 第16-17页 |
| 1.8 本文的主要工作和章节安排 | 第17-18页 |
| 第二章 小波变换 | 第18-22页 |
| 2.1 小波分析的基本原理 | 第18-20页 |
| 2.1.1 傅里叶变换 | 第18-19页 |
| 2.1.2 短时傅里叶变换 | 第19页 |
| 2.1.3 小波变换 | 第19-20页 |
| 2.2 小波变换 | 第20-21页 |
| 2.2.1 连续小波变换 | 第20页 |
| 2.2.2 离散小波变换 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 卷积神经网络 | 第22-32页 |
| 3.1 人工神经网络 | 第22-27页 |
| 3.1.1 生物神经元 | 第22页 |
| 3.1.2 人工神经元 | 第22-23页 |
| 3.1.3 神经网络 | 第23-25页 |
| 3.1.4 反向传播算法 | 第25-27页 |
| 3.2 深度学习的原理和常用算法 | 第27-28页 |
| 3.2.1 深度学习的原理 | 第27页 |
| 3.2.2 深度学习的常用算法和模型 | 第27-28页 |
| 3.3 卷积神经网络 | 第28-31页 |
| 3.3.1 卷积神经网络的网络结构 | 第28-30页 |
| 3.3.2 局部感受野和权值共享 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于卷积神经网络的癫痫脑电自动识别 | 第32-38页 |
| 4.1 数据来源 | 第32-33页 |
| 4.2 基于卷积神经网络的癫痫脑电自动识别 | 第33-34页 |
| 4.2.1 预处理 | 第33-34页 |
| 4.2.2 神经网络结构 | 第34页 |
| 4.3 实验结果与分析 | 第34-36页 |
| 4.3.1 癫痫分类的评估标准 | 第34-35页 |
| 4.3.2 实验结果及分析 | 第35-36页 |
| 4.4 本章小结 | 第36-38页 |
| 第五章 基于卷积神经网络的癫痫发作预测 | 第38-52页 |
| 5.1 实验数据 | 第38-40页 |
| 5.1.1 数据来源 | 第38页 |
| 5.1.2 训练数据和测试数据 | 第38-40页 |
| 5.2 基于卷积神经网络的癫痫发作预测 | 第40-42页 |
| 5.2.1 预处理 | 第40页 |
| 5.2.2 神经网络结构 | 第40-41页 |
| 5.2.3 后处理 | 第41-42页 |
| 5.3 实验结果及分析 | 第42-50页 |
| 5.3.1 癫痫预测的评估标准 | 第42-43页 |
| 5.3.2 实验结果 | 第43-47页 |
| 5.3.3 结果分析 | 第47-50页 |
| 5.4 本章小结 | 第50-52页 |
| 第六章 总结和展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的论文 | 第58-60页 |
| 致谢 | 第60页 |
