| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-12页 |
| 1.2.1 癫痫脑电图自动分类的现状 | 第10-11页 |
| 1.2.2 相位-幅度耦合研究现状 | 第11-12页 |
| 1.3 癫痫发作的类型及治疗方法 | 第12-13页 |
| 1.4 本研究要解决的问题 | 第13页 |
| 1.5 本文主要研究工作 | 第13-14页 |
| 第2章 癫痫脑电节律特点及分析方法 | 第14-21页 |
| 2.1 脑电信号基本特点 | 第14-18页 |
| 2.1.1 脑电信号频率及形成条件 | 第15-16页 |
| 2.1.2 癫痫脑电节律波形 | 第16-18页 |
| 2.2 癫痫脑电节律的分析方法 | 第18-20页 |
| 2.2.1 时域分析方法 | 第18页 |
| 2.2.2 频域分析方法 | 第18页 |
| 2.2.3 时频分析方法 | 第18-19页 |
| 2.2.4 非线性动力学分析方法 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 癫痫脑电图相位-幅度耦合分析 | 第21-35页 |
| 3.1 数据集介绍 | 第21-22页 |
| 3.2 相位-幅度耦合指数的计算 | 第22-25页 |
| 3.2.1 相位和幅度的提取 | 第22-23页 |
| 3.2.2 复数小波变换 | 第23-24页 |
| 3.2.3 相位-幅度耦合指数 | 第24-25页 |
| 3.3 机器学习方法的介绍 | 第25-27页 |
| 3.3.1 支持向量机的理论 | 第25-27页 |
| 3.4 统计分析结果 | 第27-30页 |
| 3.4.1 方差分析 | 第28-29页 |
| 3.4.2 受试者工作特性曲线 | 第29-30页 |
| 3.5 分类结果 | 第30-34页 |
| 3.5.1 建立分类模型 | 第30页 |
| 3.5.2 交叉验证参数对分类结果的影响 | 第30-33页 |
| 3.5.3 实验结果分析 | 第33页 |
| 3.5.4 对比分析结果 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 癫痫脑电图非线性排列熵分析 | 第35-42页 |
| 4.1 排列熵算法介绍 | 第35-36页 |
| 4.2 数据集介绍 | 第36页 |
| 4.3 数据分析 | 第36-40页 |
| 4.4 实验结果分析 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 癫痫脑电图多特征分类研究 | 第42-48页 |
| 5.1 癫痫狗脑电图分类研究 | 第42-44页 |
| 5.1.1 癫痫狗脑电数据介绍 | 第42-43页 |
| 5.1.2 癫痫狗的分析与分类结果 | 第43-44页 |
| 5.2 癫痫患者的颅内脑电数据的分析 | 第44-47页 |
| 5.2.1 癫痫患者颅内脑电数据介绍 | 第44-45页 |
| 5.2.2 基于相位-幅度耦合方法和排列熵联合特征分类研究 | 第45-47页 |
| 5.3 本章小结 | 第47-48页 |
| 第6章 结论与展望 | 第48-50页 |
| 6.1 结论 | 第48-49页 |
| 6.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 在学研究成果 | 第53-54页 |
| 致谢 | 第54页 |