摘要 | 第3-4页 |
Abstract | 第4-5页 |
第1章 绪论 | 第8-16页 |
1.1 研究背景 | 第8-11页 |
1.1.1 癫痫 | 第8-9页 |
1.1.2 癫痫的治疗 | 第9页 |
1.1.3 脑电信号与癫痫 | 第9-11页 |
1.2 癫痫脑电信号处理和机器学习 | 第11-14页 |
1.2.1 癫痫脑电信号特征提取与分类方法 | 第11-13页 |
1.2.2 机器学习的发展与其在信号上的应用 | 第13-14页 |
1.3 研究意义与研究思路 | 第14-15页 |
1.4 内容安排 | 第15-16页 |
第2章 基于支持向量机的癫痫脑电信号分类 | 第16-38页 |
2.1 数据集 | 第16-17页 |
2.2 实验数据预处理 | 第17-19页 |
2.3 脑电信号特征提取 | 第19-23页 |
2.3.1 时域信号方差 | 第19-21页 |
2.3.2 频域能量 | 第21-22页 |
2.3.3 小波能量 | 第22-23页 |
2.4 支持向量机理论 | 第23-26页 |
2.4.1 最优分类面 | 第23-26页 |
2.4.2 核函数 | 第26页 |
2.5 SVM方法实验过程 | 第26-36页 |
2.5.1 SVM训练及测试过程 | 第26-28页 |
2.5.2 单阈值分类 | 第28-29页 |
2.5.3 SVM测试结果 | 第29-31页 |
2.5.4 患者特异的最佳阈值分类方法 | 第31-34页 |
2.5.5 癫痫发作起止点判断 | 第34-36页 |
2.6 本章小结 | 第36-38页 |
第3章 基于深度学习的癫痫脑电信号分类 | 第38-56页 |
3.1 深度学习理论 | 第38-39页 |
3.2 脑电信号的时频联合分析 | 第39-41页 |
3.3 卷积神经网络框架 | 第41-44页 |
3.3.1 卷积神经网络模型 | 第42-44页 |
3.3.2 多通道联合方法 | 第44页 |
3.4 CNN方法实验过程 | 第44-52页 |
3.4.1 数据集分类 | 第44页 |
3.4.2 模型的训练过程 | 第44-45页 |
3.4.3 模型的测试过程 | 第45-52页 |
3.5 卷积神经网络识别方法与支持向量机识别方法的对比 | 第52-55页 |
3.6 本章小结 | 第55-56页 |
第4章 深度学习模型的关键参数讨论 | 第56-64页 |
4.1 运行环境与运行时间 | 第56-57页 |
4.2 关键参数讨论 | 第57-62页 |
4.2.1 训练参数 | 第57-60页 |
4.2.2 时频图特征尺度 | 第60-61页 |
4.2.3 算法自适应优化 | 第61-62页 |
4.3 本章小结 | 第62-64页 |
第5章 总结与展望 | 第64-68页 |
5.1 总结 | 第64-65页 |
5.2 展望 | 第65-68页 |
参考文献 | 第68-74页 |
发表论文和参加科研情况说明 | 第74-76页 |
致谢 | 第76页 |