摘要 | 第4-6页 |
ABSTRACT | 第6页 |
第1章 绪论 | 第9-18页 |
1.1 课题背景及研究意义 | 第9页 |
1.2 癫痫机理简介 | 第9-10页 |
1.3 脑电图概述 | 第10-11页 |
1.4 脑电分析的常用方法 | 第11-13页 |
1.5 癫痫预测方法综述 | 第13-16页 |
1.6 本文研究内容 | 第16-18页 |
第2章 基于小波能量的癫痫发病EEG信号分析 | 第18-32页 |
2.1 小波变换原理 | 第18-22页 |
2.2 小波能量 | 第22-23页 |
2.3 实验数据 | 第23-25页 |
2.4 癫痫EEG信号的小波分解 | 第25-28页 |
2.5 癫痫EEG信号的小波能量特征提取 | 第28-31页 |
2.6 本章小结 | 第31-32页 |
第3章 基于信号预处理和SVM的癫痫发病预测 | 第32-51页 |
3.1 支持向量机理论 | 第32-37页 |
3.1.1 统计学习理论 | 第32页 |
3.1.2 支持向量分类器 | 第32-34页 |
3.1.3 最优分类超平面 | 第34-37页 |
3.2 LIBSVM简述 | 第37-39页 |
3.2.1 LIBSVM采用的模型 | 第37-38页 |
3.2.2 LIBSVM中使用的常见核函数 | 第38-39页 |
3.3 基于小波能量及SVM的癫痫发作预测 | 第39-42页 |
3.4 小波能量算法的优化 | 第42-47页 |
3.4.1 相对小波能量 | 第42-44页 |
3.4.2 基于相对小波能量和支持向量机的癫痫发病预测 | 第44-47页 |
3.5 基于谱功率及SVM的癫痫的发病预测算法 | 第47-50页 |
3.5.1 谱功率原理 | 第47-48页 |
3.5.2 癫痫发病预测算法及仿真 | 第48-50页 |
3.6 本章小结 | 第50-51页 |
第4章 癫痫发病的实时仿真测试及算法优化 | 第51-59页 |
4.1 癫痫发病预测的实时仿真与分析 | 第51-54页 |
4.2 基于癫痫预测的EEG通道相关性分析及算法优化 | 第54-57页 |
4.3 本章小结 | 第57-59页 |
结论 | 第59-60页 |
参考文献 | 第60-65页 |
攻读硕士学位期间发表的论文及其它成果 | 第65-67页 |
致谢 | 第67页 |