首页--医药、卫生论文--神经病学与精神病学论文--脑部疾病论文--癫痫论文

基于机器学习的癫痫脑电信号分类

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

论文共76页,点击 下载论文
上一篇:商业银行O2O营销模式探析--以Y银行“白领贷”为例
下一篇:外资百货本土化竞争战略研究--以HoF为例