脑电信号特征生成优化算法的研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-16页 |
| ·脑电信号分析的作用和目的 | 第7-8页 |
| ·脑电信号的分析方法和研究现状 | 第8-12页 |
| ·线性分析方法 | 第9-10页 |
| ·非线性分析方法 | 第10-12页 |
| ·特征子集选择方法和研究现状 | 第12-14页 |
| ·论文的主要研究内容 | 第14-16页 |
| 第二章 脑电信号非线性特征提取 | 第16-33页 |
| ·小波包变换 | 第16-18页 |
| ·小波包的定义 | 第16-17页 |
| ·小波包的正交性质 | 第17页 |
| ·小波包算法 | 第17-18页 |
| ·近似熵 | 第18-19页 |
| ·支持向量机 | 第19-27页 |
| ·线性支持向量机原理 | 第20-24页 |
| ·非线性支持向量机 | 第24-27页 |
| ·脑电数据 | 第27-28页 |
| ·EEG信号的非线性特征提取 | 第28-31页 |
| ·对EEG信号进行小波包分解 | 第29-30页 |
| ·计算各频段小波包系数的近似熵值 | 第30-31页 |
| ·使用SVM对特征提取后的EEG信号分类 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 最优特征子集选择 | 第33-52页 |
| ·特征子集选择体系结构 | 第33-34页 |
| ·搜索策略 | 第34-41页 |
| ·遗传算法 | 第35-36页 |
| ·微粒群算法 | 第36-38页 |
| ·离散二进制微粒群算法 | 第38-39页 |
| ·基于一维PSO搜索的特征选择算法 | 第39-41页 |
| ·子集评估度量 | 第41页 |
| ·停止搜索标准 | 第41-42页 |
| ·实验结果及分析 | 第42-51页 |
| ·EEG信号的特征子集选择 | 第42-44页 |
| ·二分类UCI数据集的特征子集选择 | 第44-48页 |
| ·多分类UCI数据集的特征子集选择 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 总结与展望 | 第52-54页 |
| ·总结 | 第52-53页 |
| ·展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士期间已发表或撰写的论文 | 第61-62页 |
| 个人简历 | 第62页 |
