| 摘要 | 第4-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 诸论 | 第12-17页 |
| 1.1 研究目的与意义 | 第12-13页 |
| 1.2 国内外相关领域的研究进展 | 第13-14页 |
| 1.3 脑电图检测在癫痫中的应用 | 第14-15页 |
| 1.4 本文主要的研究工作 | 第15-16页 |
| 1.5 论文结构 | 第16-17页 |
| 第二章 相关理论与技术介绍 | 第17-23页 |
| 2.1 问题定义 | 第17-18页 |
| 2.2 相关知识 | 第18-19页 |
| 2.2.1 非线性动力学 | 第18-19页 |
| 2.2.2 复杂性科学 | 第19页 |
| 2.3 自适应去趋势方法AFA | 第19-20页 |
| 2.3.1 分形理论 | 第19页 |
| 2.3.2 自适应分形分析 | 第19-20页 |
| 2.4 基于复杂性科学的递归时间方法 | 第20页 |
| 2.5 单分类支持向量机 | 第20-21页 |
| 2.6 功率谱密度PSD | 第21页 |
| 2.7 尺度相关的李雅普诺夫指数SDLE | 第21-23页 |
| 第三章 基于复杂性科学递归时间方法分析脑电数据 | 第23-51页 |
| 3.1 问题的分析与提出 | 第23页 |
| 3.2 数据来源与介绍 | 第23-24页 |
| 3.2.1 数据采集 | 第23-24页 |
| 3.2.2 数据介绍 | 第24页 |
| 3.3 数据预处理 | 第24-27页 |
| 3.3.1 构建双耳级导联 | 第24页 |
| 3.3.2 数据清洗 | 第24-26页 |
| 3.3.2.1 数据缺失处理 | 第25页 |
| 3.3.2.2 自适应去趋势方法去除伪差 | 第25-26页 |
| 3.3.3 数据集成-冗余分析 | 第26页 |
| 3.3.4 数据标记 | 第26页 |
| 3.3.5 数据标准化 | 第26-27页 |
| 3.4 基于复杂性科学递归时间方法提取特征 | 第27-30页 |
| 3.4.1 基于复杂性科学递归时间方法 | 第27-29页 |
| 3.4.2 参数选择 | 第29-30页 |
| 3.4.3 参数自适应 | 第30页 |
| 3.5 基于单分类支持向量机的生成模型 | 第30-33页 |
| 3.5.1 单分类支持向量机 | 第30-31页 |
| 3.5.2 参数选择 | 第31-33页 |
| 3.6 实验结果与算法性能分析 | 第33-42页 |
| 3.6.1 基于复杂性科学递归时间实验结果 | 第33-42页 |
| 3.6.2 单分类支持向量机实验结果 | 第42页 |
| 3.7 实验结果优化 | 第42-45页 |
| 3.7.1 癫痫信号进一步处理 | 第42页 |
| 3.7.2 PSD频段分析 | 第42-45页 |
| 3.8 实验应用 | 第45-50页 |
| 3.8.1 癫痫脑电数据离线分析发作情况 | 第45-46页 |
| 3.8.2 癫痫发作报警 | 第46-50页 |
| 3.9 本章小结 | 第50-51页 |
| 第四章 基于多尺度相关的李雅普诺夫指数的脑电分析对比实验 | 第51-64页 |
| 4.1 问题描述和分析 | 第51页 |
| 4.2 基本思想 | 第51-52页 |
| 4.3 实验结果和分析 | 第52-63页 |
| 4.3.1 实验结果 | 第53-62页 |
| 4.3.2 实验结果及性能分析 | 第62-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 研究工作总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72页 |