基于脑电信号的自动睡眠分期研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 学术背景及研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 本文研究的主要内容及结构安排 | 第17-19页 |
| 1.3.1 课题来源及研究内容 | 第17页 |
| 1.3.2 论文结构 | 第17-19页 |
| 第二章 睡眠脑电分期原理 | 第19-27页 |
| 2.1 睡眠及脑电的分析 | 第19-22页 |
| 2.1.1 睡眠的概述 | 第19页 |
| 2.1.2 脑电信号的特征 | 第19-21页 |
| 2.1.3 睡眠脑电分期指标 | 第21-22页 |
| 2.2 脑电信号特征提取方法 | 第22-23页 |
| 2.2.1 频域和时域分析的分析方法 | 第22-23页 |
| 2.2.2 时频域分析方法 | 第23页 |
| 2.2.3 非线性动力学方法 | 第23页 |
| 2.3 特征分类方法 | 第23-24页 |
| 2.3.1 决策树 | 第23-24页 |
| 2.3.2 人工神经网络 | 第24页 |
| 2.3.3 支持向量机 | 第24页 |
| 2.4 脑电信号数据来源 | 第24-25页 |
| 2.5 睡眠脑电自动分期系统 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 脑电信号的预处理与特征提取 | 第27-37页 |
| 3.1 脑电信号的预处理 | 第27-32页 |
| 3.1.1 小波变换理论分析 | 第27-29页 |
| 3.1.2 小波阈值去噪 | 第29-32页 |
| 3.2 睡眠脑电基本节律的提取 | 第32-35页 |
| 3.2.1 小波包理论分析 | 第32-33页 |
| 3.2.2 节律特征提取 | 第33-35页 |
| 3.3 能量特征提取实验 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于样本熵与模糊熵的睡眠脑电研究 | 第37-54页 |
| 4.1 样本熵特征提取分析 | 第37-44页 |
| 4.1.1 样本熵算法描述 | 第37-40页 |
| 4.1.2 样本熵特征提取 | 第40-44页 |
| 4.2 模糊熵特征提取分析 | 第44-53页 |
| 4.2.1 模糊熵算法描述 | 第44-46页 |
| 4.2.2 模糊熵特征提取可行性分析 | 第46-48页 |
| 4.2.3 模糊熵特征提取 | 第48-51页 |
| 4.2.4 样本熵与模糊熵特征提取的比较 | 第51-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第五章 基于SVM睡眠脑电自动分期研究 | 第54-65页 |
| 5.1 支持向量机的理论基础 | 第54-55页 |
| 5.1.1 VC维理论 | 第54-55页 |
| 5.1.2 结构风险最小化原则 | 第55页 |
| 5.2 支持向量机的算法描述 | 第55-58页 |
| 5.3 SVM模型的构造 | 第58-59页 |
| 5.4 基于SVM睡眠脑电分期结果分析 | 第59-64页 |
| 5.4.1 SVM支持向量机分类器实验 | 第59-61页 |
| 5.4.2 睡眠脑电分期结果分析 | 第61-64页 |
| 5.5 本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表论文 | 第71-73页 |
| 致谢 | 第73页 |
