摘要 | 第4-6页 |
Abstract | 第6-8页 |
第1章 绪论 | 第12-28页 |
1.1 研究背景及意义 | 第12-16页 |
1.1.1 脑电研究背景 | 第12-13页 |
1.1.2 癫痫脑电信号 | 第13-15页 |
1.1.3 本文研究意义 | 第15-16页 |
1.2 癫痫检测系统研究现状及算法发展趋势 | 第16-22页 |
1.2.1 癫痫检测系统国内外研究现状 | 第16-18页 |
1.2.2 研究算法概述 | 第18-21页 |
1.2.3 癫痫脑电分析算法存在的问题 | 第21-22页 |
1.3 本文研究内容及技术路线 | 第22-28页 |
1.3.1 本文研究内容 | 第22-24页 |
1.3.2 技术路线 | 第24-25页 |
1.3.3 章节安排 | 第25-28页 |
第2章 癫痫脑电信号分析算法框架及实验数据来源 | 第28-38页 |
2.1 癫痫脑电信号处理流程 | 第28-31页 |
2.1.1 预处理 | 第28-29页 |
2.1.2 特征提取 | 第29页 |
2.1.3 分类 | 第29-31页 |
2.2 算法性能评价方法 | 第31-33页 |
2.2.1 交叉验证 | 第31-32页 |
2.2.2 评价标准 | 第32-33页 |
2.2.3 Wilcoxon秩和检验 | 第33页 |
2.3 癫痫脑电数据来源 | 第33-37页 |
2.3.1 波恩大学癫痫脑电数据 | 第33-34页 |
2.3.2 CHB-MIT长程癫痫脑电数据 | 第34-37页 |
2.4 本章小结 | 第37-38页 |
第3章 基于小波-包络谱的癫痫脑电分析模型 | 第38-62页 |
3.1 引言 | 第38-39页 |
3.2 小波分析 | 第39-43页 |
3.2.1 小波变换定义 | 第39-41页 |
3.2.2 双密度离散小波变换 | 第41-43页 |
3.3 包络谱分析 | 第43页 |
3.4 集成BP神经网络设计 | 第43-47页 |
3.4.1 BP神经网络 | 第44-46页 |
3.4.2 Adaboost-BP分类模型搭建 | 第46-47页 |
3.5 基于DDDWT-HT的癫痫脑电信号检测算法 | 第47-54页 |
3.5.1 脑电信号的小波包络谱分析 | 第48-50页 |
3.5.2 统计特征提取 | 第50-52页 |
3.5.3 Adaboost-BP网络设置 | 第52-54页 |
3.6 实验结果与分析 | 第54-61页 |
3.6.1 实验结果 | 第54-59页 |
3.6.2 讨论 | 第59-61页 |
3.7 本章小结 | 第61-62页 |
第4章 基于多阶次FrFT-WPT的癫痫脑电分析模型 | 第62-86页 |
4.1 引言 | 第62-63页 |
4.2 分数阶傅立叶变换 | 第63-64页 |
4.3 小波包变换 | 第64-68页 |
4.3.1 小波包变换基本原理 | 第64-65页 |
4.3.2 常用小波函数系 | 第65-68页 |
4.4 多阶次FrFT-WPT算法设计 | 第68-73页 |
4.4.1 FrFT和WPT联合分析 | 第68-69页 |
4.4.2 基于模糊熵的脑电信号特征提取 | 第69-70页 |
4.4.3 基于PCA-KW的特征选择 | 第70-72页 |
4.4.4 基于RF的特征分类 | 第72-73页 |
4.5 实验结果与分析 | 第73-85页 |
4.5.1 实验结果 | 第73-83页 |
4.5.2 讨论 | 第83-85页 |
4.6 本章小结 | 第85-86页 |
第5章 基于MODWT-KDE的癫痫脑电分析模型 | 第86-106页 |
5.1 引言 | 第86-87页 |
5.2 极大模值离散小波变换 | 第87-88页 |
5.3 核密度估计 | 第88-90页 |
5.4 基于MODWT-KDE的癫痫脑电检测算法 | 第90-96页 |
5.4.1 预处理 | 第91页 |
5.4.2 导联选择 | 第91-92页 |
5.4.3 数据分段 | 第92页 |
5.4.4 基于MODWT-KDE复合域的特征提取 | 第92-96页 |
5.4.5 分类方法 | 第96页 |
5.5 实验结果与分析 | 第96-105页 |
5.5.1 实验结果 | 第96-103页 |
5.5.2 讨论 | 第103-105页 |
5.6 本章小结 | 第105-106页 |
第6章 总结与展望 | 第106-108页 |
6.1 论文总结 | 第106-107页 |
6.2 研究展望 | 第107-108页 |
参考文献 | 第108-118页 |
在学期间研究成果 | 第118-120页 |
致谢 | 第120页 |