| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-19页 |
| 第一章 绪论 | 第19-31页 |
| 1.1 生物医学信息学 | 第19-21页 |
| 1.2 生物医学信号 | 第21-23页 |
| 1.3 人工神经网络与深度学习 | 第23-27页 |
| 1.4 主要研究内容和章节安排 | 第27-31页 |
| 1.4.1 主要研究内容 | 第27-29页 |
| 1.4.2 章节安排 | 第29-31页 |
| 第二章 基于CNN特征表示的乳腺肿块分类 | 第31-49页 |
| 2.1 引言 | 第31-33页 |
| 2.2 深度学习与CNN特征表示 | 第33-35页 |
| 2.3 基于视觉特征表示的乳腺肿块分类 | 第35-36页 |
| 2.4 基于CNN特征表示的乳腺肿块分类方法 | 第36-43页 |
| 2.4.1 乳腺肿块CNN特征表示网络 | 第36-40页 |
| 2.4.2 乳腺肿块CNN特征决策机制 | 第40-43页 |
| 2.5 实验结果与分析 | 第43-46页 |
| 2.5.1 乳腺肿块图像数据 | 第43页 |
| 2.5.2 客观评价 | 第43-45页 |
| 2.5.3 主观评价 | 第45-46页 |
| 2.6 本章小结 | 第46-49页 |
| 第三章 基于大间隔度量CNN的乳腺肿块分类方法 | 第49-63页 |
| 3.1 引言 | 第49-50页 |
| 3.2 度量学习和深度度量CNN | 第50-54页 |
| 3.3 基于大间隔度量CNN的乳腺肿块分类方法 | 第54-58页 |
| 3.3.1 大间隔度量学习层 | 第55-56页 |
| 3.3.2 侧重疑难病例的网络训练迭代策略 | 第56-58页 |
| 3.4 实验结果与分析 | 第58-60页 |
| 3.5 本章小结 | 第60-63页 |
| 第四章 基于时空融合CNN的EEG信号分类 | 第63-81页 |
| 4.1 引言 | 第63-65页 |
| 4.2 EEG信号分类 | 第65-67页 |
| 4.3 工作记忆和心理负荷分类 | 第67页 |
| 4.4 基于时空融合CNN的EEG分类方法 | 第67-74页 |
| 4.4.1 多通道输入EEG分类网络 | 第68-70页 |
| 4.4.2 单通道输入EEG分类网络 | 第70-71页 |
| 4.4.3 基于时空融合CNN的EEG信号分类 | 第71-74页 |
| 4.5 实验结果与分析 | 第74-79页 |
| 4.5.1 EEG信号数据集 | 第75-76页 |
| 4.5.2 CNN模型训练 | 第76-77页 |
| 4.5.3 分类错误率 | 第77-78页 |
| 4.5.4 特征向量分布 | 第78-79页 |
| 4.6 本章小结 | 第79-81页 |
| 第五章 基于EEG和生成对抗CNN的视觉刺激重构 | 第81-99页 |
| 5.1 引言 | 第81-82页 |
| 5.2 基于神经影像信号的视觉解码 | 第82-83页 |
| 5.3 生成对抗CNN | 第83-85页 |
| 5.4 基于EEG和生成对抗CNN的视觉刺激重构方法 | 第85-91页 |
| 5.4.1 视觉引导的EEG信号分类 | 第86-89页 |
| 5.4.2 基于生成对抗CNN的视觉刺激生成 | 第89-91页 |
| 5.5 实验结果与分析 | 第91-97页 |
| 5.5.1 实验数据 | 第91-92页 |
| 5.5.2 GAN网络结构与训练方法 | 第92-93页 |
| 5.5.3 结果分析 | 第93-97页 |
| 5.6 本章小结 | 第97-99页 |
| 第六章 总结与展望 | 第99-103页 |
| 6.1 本文总结 | 第99-101页 |
| 6.1.1 乳腺肿块分类总结 | 第99-100页 |
| 6.1.2 脑电信号解码总结 | 第100-101页 |
| 6.2 研究展望 | 第101-103页 |
| 6.2.1 乳腺肿块分类展望 | 第101页 |
| 6.2.2 脑电信号解码展望 | 第101-103页 |
| 参考文献 | 第103-115页 |
| 致谢 | 第115-117页 |
| 作者简介 | 第117-120页 |