| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-20页 |
| ·课题研究背景、目的和意义 | 第13-14页 |
| ·癫痫波自动检测研究进展 | 第14-17页 |
| ·发作间期癫痫样放电 | 第14页 |
| ·癫痫波分析方法研究 | 第14-16页 |
| ·癫痫波检测中存在的主要困难 | 第16-17页 |
| ·本文的主要研究内容 | 第17-20页 |
| 第2章 脑电信号基础 | 第20-27页 |
| ·引言 | 第20页 |
| ·脑电信号的采集 | 第20-23页 |
| ·脑电采集器结构 | 第20-21页 |
| ·电极的放置 | 第21-23页 |
| ·采集脑电的导联选择 | 第23页 |
| ·脑电信号中的伪差 | 第23-24页 |
| ·脑电图分类与发作间期癫痫样放电特征 | 第24-25页 |
| ·脑电图分类 | 第24页 |
| ·发作间期癫痫样放电特征 | 第24-25页 |
| ·小结 | 第25-27页 |
| 第3章 统计学习理论与支持向量机 | 第27-45页 |
| ·引言 | 第27-28页 |
| ·支持向量机模型 | 第28-29页 |
| ·标准SVM及其变形 | 第28页 |
| ·用于多类别分类问题的SVM | 第28页 |
| ·在线学习SVM | 第28-29页 |
| ·预处理SVM | 第29页 |
| ·支持向量机的应用 | 第29页 |
| ·统计学习理论发展脉络 | 第29-34页 |
| ·感知器的创立 | 第29-32页 |
| ·学习理论基础的创立 | 第32-33页 |
| ·神经网络的创立 | 第33-34页 |
| ·支持向量机的创立 | 第34页 |
| ·学习问题的一般表示 | 第34-38页 |
| ·学习问题的传统解决模式 | 第34-35页 |
| ·学习问题的表示 | 第35-36页 |
| ·风险最小化问题 | 第36-37页 |
| ·学习问题的一般表示 | 第37页 |
| ·经验风险最小化归纳原则 | 第37-38页 |
| ·支持向量机模型 | 第38-43页 |
| ·最大间隔超平面 | 第38-39页 |
| ·线性可分支持向量分类机(线性硬间隔分类机) | 第39-40页 |
| ·线性不可分支持向量分类机(线性软间隔分类机) | 第40页 |
| ·非线性可分支持向量分类机(非线性硬间隔分类机) | 第40-41页 |
| ·非线性不可分支持向量分类机(非线性软间隔分类机) | 第41-42页 |
| ·核函数 | 第42-43页 |
| ·小结 | 第43-45页 |
| 第4章 支持向量机算法改进 | 第45-74页 |
| ·引言 | 第45-51页 |
| ·选块算法 | 第46页 |
| ·分解算法 | 第46页 |
| ·序列最小优化算法 | 第46页 |
| ·Platt-SMO算法 | 第46-50页 |
| ·Keerthi-SMO算法 | 第50-51页 |
| ·大规模样本训练的支持向量机快速算法 | 第51-74页 |
| ·KSMO2算法分析1 | 第51-56页 |
| ·基于动态筛选策略的SMO加速算法 | 第56-57页 |
| ·DFSMO算法和KSMO2算法比较分析 | 第57-62页 |
| ·方法一小结 | 第62-63页 |
| ·KSMO2算法分析2 | 第63-66页 |
| ·基于先验知识的SMO加速算法 | 第66-67页 |
| ·TKSMO算法和KSMO2算法比较分析 | 第67-70页 |
| ·方法二小结 | 第70-71页 |
| ·惩罚系数可变的SMO加速算法 | 第71页 |
| ·C_i的选取 | 第71-72页 |
| ·SMO算法的修改 | 第72页 |
| ·实验结果及分析 | 第72-73页 |
| ·方法三小结 | 第73-74页 |
| 第5章 基于合并增减序列和支持向量机的癫痫波自动检测算法 | 第74-90页 |
| ·引言 | 第74-75页 |
| ·时域合并算法 | 第75-79页 |
| ·增减序列 | 第75页 |
| ·完整波及不完整波定义 | 第75页 |
| ·合并规则 | 第75-77页 |
| ·合并算法 | 第77-78页 |
| ·合并结果 | 第78-79页 |
| ·脑电癫痫波的自动检测过程 | 第79-83页 |
| ·IED特征 | 第79页 |
| ·尖形波特征 | 第79页 |
| ·尖形波与其后慢波的关系 | 第79-80页 |
| ·某一导联的IED检测过程 | 第80-81页 |
| ·检测数据及结果 | 第81-83页 |
| ·特征提取 | 第83-84页 |
| ·尖形波及其后慢波的特征 | 第83-84页 |
| ·结果及分析 | 第84-88页 |
| ·已被标记的IED检测 | 第84-86页 |
| ·20分钟浅睡期IED检测 | 第86-87页 |
| ·算法复杂度分析 | 第87-88页 |
| ·讨论 | 第88页 |
| ·小结 | 第88-90页 |
| 第6章 基于合并增减序列和变长序列相似性的癫痫波自动检测算法 | 第90-96页 |
| ·引言 | 第90页 |
| ·脑电癫痫波的自动检测过程 | 第90-95页 |
| ·IED特征 | 第90页 |
| ·尖形波特征 | 第90-92页 |
| ·变长片段的相似性度量 | 第92页 |
| ·某一导联的IED检测过程 | 第92-93页 |
| ·检测数据及结果 | 第93-95页 |
| ·结果及分析 | 第95页 |
| ·小结 | 第95-96页 |
| 第7章 总结与展望 | 第96-99页 |
| ·工作总结 | 第96-97页 |
| ·研究展望 | 第97-99页 |
| 参考文献 | 第99-108页 |
| 致谢 | 第108-109页 |
| 攻读博士学位期间发表、完成的学术论文、申请专利及项目 | 第109页 |
