基于LSTM的脑电特征学习及癫痫发作预测系统研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 癫痫发作的研究背景和意义 | 第9-10页 |
| 1.2 深度学习的发展 | 第10-11页 |
| 1.3 基于深度学习的脑电信号处理 | 第11-14页 |
| 1.3.1 基于深信度网络的脑电信号处理 | 第11页 |
| 1.3.2 基于RNN的脑电信号处理 | 第11-12页 |
| 1.3.3 基于CNN的脑电信号处理 | 第12-13页 |
| 1.3.4 基于LSTM的脑电信号处理 | 第13-14页 |
| 1.4 癫痫发作预测流程 | 第14-15页 |
| 1.5 论文结构和章节安排 | 第15-17页 |
| 第二章 癫痫脑电信号 | 第17-21页 |
| 2.1 脑电信号的概述 | 第17页 |
| 2.2 癫痫脑电图的特征 | 第17-19页 |
| 2.3 颞叶癫痫 | 第19页 |
| 2.4 本章小结 | 第19-21页 |
| 第三章 基于双向LSTM深度网络的癫痫脑电分析 | 第21-39页 |
| 3.1 机器学习与神经网络 | 第21页 |
| 3.2 循环神经网络 | 第21-27页 |
| 3.2.1 神经网络 | 第21-25页 |
| 3.2.2 循环神经网络 | 第25-27页 |
| 3.3 用于癫痫脑电分析的双向LSTM深度网络 | 第27-37页 |
| 3.3.1 LSTM单元结构 | 第27-30页 |
| 3.3.2 双向LSTM的深层网络 | 第30-32页 |
| 3.3.3 网络训练 | 第32-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 实验结果与分析 | 第39-53页 |
| 4.1 实验数据来源 | 第39-41页 |
| 4.2 癫痫发作预测系统 | 第41-45页 |
| 4.2.1 实验数据预处理 | 第41页 |
| 4.2.2 训练数据和测试数据 | 第41-42页 |
| 4.2.3 脑电波形特征计算 | 第42-44页 |
| 4.2.4 基于深度双向LSTM的特征学习 | 第44页 |
| 4.2.5 后处理 | 第44-45页 |
| 4.3 癫痫预测的性能评价方法 | 第45-47页 |
| 4.4 实验结果与分析 | 第47-51页 |
| 4.4.1 实验结果 | 第47-49页 |
| 4.4.2 结果分析 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61页 |
