| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-17页 |
| 1 研究现状 | 第11-15页 |
| 2 研究内容 | 第15页 |
| 3 论文结构 | 第15-17页 |
| 第二章 背景知识 | 第17-33页 |
| 1 时频转换方法 | 第17-23页 |
| 1.1 傅里叶变换 | 第17-20页 |
| 1.2 小波变换 | 第20-23页 |
| 2 信号特征提取方法 | 第23-28页 |
| 2.1 功率谱 | 第24-26页 |
| 2.2 信息熵 | 第26-28页 |
| 3 机器学习算法 | 第28-33页 |
| 3.1 支持向量机(SVM) | 第29-31页 |
| 3.2 随机森林(RF) | 第31-33页 |
| 第三章 实验设计 | 第33-39页 |
| 1 原始EEG信号获取过程 | 第33-35页 |
| 2 数据描述 | 第35-37页 |
| 3 性能评估标准 | 第37-39页 |
| 第四章 基于beta波特征提取的脑电波大脑年龄预测 | 第39-53页 |
| 1 引言 | 第39-40页 |
| 2 方法理论 | 第40-43页 |
| 2.1 Beta数据集获取方法 | 第40-41页 |
| 2.2 核极限学习机(KELM) | 第41-42页 |
| 2.3 Gini指数特征重要性 | 第42-43页 |
| 3 模型和实验设计 | 第43-45页 |
| 3.1 Beta数据集的模型设计 | 第43-44页 |
| 3.2 数据描述 | 第44-45页 |
| 3.3 实验设置 | 第45页 |
| 4 实验结果与分析 | 第45-52页 |
| 4.1 beta数据集 | 第46-47页 |
| 4.2 beta数据集的分类结果 | 第47-51页 |
| 4.3 特征重要性 | 第51-52页 |
| 5 本章小结 | 第52-53页 |
| 第五章 改进的功率谱熵特征提取用于脑电波大脑年龄诊断 | 第53-61页 |
| 1 引言 | 第53-54页 |
| 2 方法理论 | 第54-55页 |
| 2.1 功率谱信息熵 | 第54页 |
| 2.2 XGBoost算法 | 第54-55页 |
| 2.3 特征重要性 | 第55页 |
| 3 实验设计 | 第55-56页 |
| 4 实验结果与分析 | 第56-60页 |
| 4.1 特征分析 | 第56-58页 |
| 4.2 分类结果分析 | 第58-60页 |
| 5 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士学位期间发表的论文 | 第73页 |