| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外现状 | 第11-13页 |
| 1.2.1 国外现状 | 第11-12页 |
| 1.2.2 国内现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 本文结构框架 | 第14-15页 |
| 2 相关工作 | 第15-26页 |
| 2.1 脑电信号特征提取的方法 | 第15-20页 |
| 2.1.1 近似熵 | 第15-16页 |
| 2.1.2 样本熵 | 第16-17页 |
| 2.1.3 自回归模型 | 第17-19页 |
| 2.1.4 小波包分解 | 第19-20页 |
| 2.2 分类方法 | 第20-22页 |
| 2.2.1 支持向量机 | 第20-21页 |
| 2.2.2 极限学习机 | 第21-22页 |
| 2.3 有效性评价指标 | 第22-26页 |
| 3 基于SampEn和AR的脑电信号分类 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 五种思维任务数据来源 | 第26-27页 |
| 3.3 算法设计与描述 | 第27-31页 |
| 3.3.1 算法描述 | 第27-28页 |
| 3.3.2 去噪 | 第28-29页 |
| 3.3.3 特征提取 | 第29-31页 |
| 3.4 实验结果及分析 | 第31-37页 |
| 3.4.1 基于SampEn的特征提取方法分析 | 第31-34页 |
| 3.4.2 基于AR的特征提取方法分析 | 第34-37页 |
| 3.5 小结 | 第37-38页 |
| 4 基于小波包分解的样本熵和极限学习机的脑电信号分类方法 | 第38-53页 |
| 4.1 引言 | 第38页 |
| 4.2 癫痫数据来源 | 第38-39页 |
| 4.3 算法设计与描述 | 第39-41页 |
| 4.4 特征提取方法参数的选取 | 第41-45页 |
| 4.4.1 样本熵与近似熵标准差的选取 | 第41-43页 |
| 4.4.2 小波基与分解层数的选取 | 第43-45页 |
| 4.5 实验结果及分析 | 第45-52页 |
| 4.5.1 基于癫痫信号的实验分析 | 第45-49页 |
| 4.5.2 基于五种思维任务的实验分析 | 第49-52页 |
| 4.6 小结 | 第52-53页 |
| 5 结论与展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61页 |