| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-18页 |
| 1.3.1 癫痫脑电概述 | 第14-15页 |
| 1.3.2 脑电特征提取研究现状 | 第15-17页 |
| 1.3.3 脑电分类研究现状 | 第17-18页 |
| 1.4 论文研究内容及组织结构 | 第18-20页 |
| 第2章 基本理论 | 第20-36页 |
| 2.1 脑电信号特征提取 | 第20-23页 |
| 2.1.1 小波包变换 | 第20-21页 |
| 2.1.2 样本熵 | 第21-22页 |
| 2.1.3 频带能量 | 第22-23页 |
| 2.1.4 标准差 | 第23页 |
| 2.2 脑电信号分类 | 第23-28页 |
| 2.2.1 集成学习概述 | 第23-24页 |
| 2.2.2 Bagging与随机森林 | 第24页 |
| 2.2.3 Boosting与 AdaBoost | 第24-26页 |
| 2.2.4 结合策略 | 第26-28页 |
| 2.3 XGBoost算法与参数优化 | 第28-33页 |
| 2.3.1 决策树 | 第28-30页 |
| 2.3.2 XGBoost算法 | 第30-32页 |
| 2.3.3 参数优化 | 第32-33页 |
| 2.4 卷积神经网络 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于小波包和XGBoost的癫痫脑电分类 | 第36-46页 |
| 3.1 评价指标 | 第36-37页 |
| 3.2 实验数据 | 第37-38页 |
| 3.3 特征提取 | 第38-40页 |
| 3.4 分类实验 | 第40-45页 |
| 3.4.1 特征对比实验 | 第40-41页 |
| 3.4.2 模型参数优化 | 第41-42页 |
| 3.4.3 实验结果与分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于1DCNN-XGBoost的癫痫脑电分类 | 第46-54页 |
| 4.1 一维卷积神经网络模型 | 第46-50页 |
| 4.1.1 一维卷积神经网络设置 | 第46-47页 |
| 4.1.2 一维卷积神经网络实验 | 第47-50页 |
| 4.2 1DCNN-XGBoost混合分类模型 | 第50-51页 |
| 4.3 结果与分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 附录A 攻读学位期间所发表的学术论文 | 第62页 |