| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究的目的与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 MCI脑电数据分类研究现状 | 第11-14页 |
| 1.2.2 MCI脑电信号耦合特征分析研究现状 | 第14-16页 |
| 1.3 本文的研究目标与主要研究内容 | 第16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第2章 脑电数据识别方法基础 | 第18-28页 |
| 2.1 常用脑电信号分类的基本方法 | 第18-22页 |
| 2.1.1 快速学习网络FLN | 第18-20页 |
| 2.1.2 极限学习机ELM | 第20-21页 |
| 2.1.3 支持向量机SVM | 第21页 |
| 2.1.4 BP神经网络 | 第21-22页 |
| 2.2 常用耦合特征提取的基本方法 | 第22-27页 |
| 2.2.1 PCMI方法 | 第22-25页 |
| 2.2.2 GCA方法 | 第25-26页 |
| 2.2.3 MVGC方法 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于PCMI与FLN的EEG数据分类方法 | 第28-32页 |
| 3.1 PCMI与传统分类器构成最优分类方法实验 | 第28-31页 |
| 3.1.1 受试者样本 | 第28-30页 |
| 3.1.2 预处理 | 第30-31页 |
| 3.1.3 实验过程 | 第31页 |
| 3.2 本章小结 | 第31-32页 |
| 第4章 基于MPCMI的EEG数据耦合特征提取方法 | 第32-41页 |
| 4.1 MPCMI方法 | 第32-36页 |
| 4.2 模型仿真分析 | 第36-38页 |
| 4.2.1 多通道神经元群模型 | 第36-37页 |
| 4.2.2 仿真数据实验 | 第37-38页 |
| 4.3 MCI真实EEG数据实验 | 第38-40页 |
| 4.3.1 样本 | 第38-39页 |
| 4.3.2 预处理过程 | 第39页 |
| 4.3.3 分类实验过程 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 基于MPCMI的EEG信号分类方法 | 第41-77页 |
| 5.1 基于PCMI的EEG信号分类方法实验结果与分析 | 第41-61页 |
| 5.1.1 alpha1频段结果 | 第41-51页 |
| 5.1.2 alpha2频段结果 | 第51-61页 |
| 5.2 基于MPCMI的EEG信号耦合特征仿真实验结果与分析 | 第61-68页 |
| 5.2.1 延迟时间与嵌入维数对MPCMI与PCMI方法的影响 | 第61-64页 |
| 5.2.2 耦合系数对MPCMI、PCMI、MVGC与GCA方法的影响 | 第64-66页 |
| 5.2.3 频段对MPCMI、PCMI、MVGC与GCA方法的影响 | 第66页 |
| 5.2.4 噪声对MPCMI、PCMI、MVGC与GCA方法的影响 | 第66-68页 |
| 5.2.5 基于MNMM模型的对比实验结果分析 | 第68页 |
| 5.3 基于MPCMI的真实EEG信号分类方法实验结果 | 第68-76页 |
| 5.3.1 alpha1频段 | 第68-71页 |
| 5.3.2 alpha2频段 | 第71-75页 |
| 5.3.3 基于MPCMI的真实EEG信号分类方法实验结果分析 | 第75-76页 |
| 5.4 本章小结 | 第76-77页 |
| 结论 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第84-85页 |
| 致谢 | 第85页 |
