| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 符号说明 | 第10-11页 |
| 第一章 绪论 | 第11-20页 |
| ·概述 | 第11页 |
| ·脑电信号(EEG)概述 | 第11-16页 |
| ·脑电信号的基本性质 | 第13页 |
| ·脑电信号的频谱成分 | 第13-14页 |
| ·癫痫脑电信号 | 第14-16页 |
| ·研究癫痫脑电信号的背景及意义 | 第16页 |
| ·脑电信号的分析处理方法 | 第16-18页 |
| ·时域分析方法 | 第17页 |
| ·频域分析方法 | 第17页 |
| ·小波变换 | 第17页 |
| ·人工神经网络 | 第17-18页 |
| ·非线性动力学方法 | 第18页 |
| ·本文的主要工作 | 第18-20页 |
| 第二章 支持向量机原理 | 第20-29页 |
| ·支持向量机的历史 | 第20-23页 |
| ·SVM分类基本原理 | 第23-29页 |
| ·线性支持向量机 | 第24-26页 |
| ·非线性支持向量机 | 第26-29页 |
| 第三章 小波分析方法 | 第29-40页 |
| ·脑电信号的频域分析 | 第29-32页 |
| ·测不准原理 | 第29-31页 |
| ·短时傅里叶变换(Short-Time Fourier Transform,STFT) | 第31-32页 |
| ·小波分析方法 | 第32-36页 |
| ·一维连续小波变换 | 第32-35页 |
| ·二进正交小波变换 | 第35-36页 |
| ·小波变换的Mallat算法 | 第36-40页 |
| ·双尺度方程 | 第36页 |
| ·尺度空间的分解 | 第36-37页 |
| ·分解算法 | 第37-38页 |
| ·重构算法 | 第38-40页 |
| 第四章 支持向量机和小波分析结合的脑电信号分类 | 第40-46页 |
| ·引言 | 第40页 |
| ·实验数据 | 第40-41页 |
| ·用SVM方法对脑电信号进行分类的算法 | 第41页 |
| ·以波形为特征的SVM和小波分析结合的分类算法 | 第41-43页 |
| ·以波动系数和变化系数为基础的SVM和小波分析分类算法 | 第43-44页 |
| ·实验结果分析 | 第44-46页 |
| 第五章 基于非线性能量算子(NEO)和经验模态分解(EMD)的脑电信号分类 | 第46-53页 |
| ·非线性能量算子(NEO) | 第46-47页 |
| ·基于非线性能量算子和SVM对脑电信号分类 | 第47-49页 |
| ·实验数据 | 第47页 |
| ·分类算法 | 第47-49页 |
| ·经验模态分解(EMD) | 第49-52页 |
| ·EMD的基本原理 | 第49-50页 |
| ·EMD的算法实现 | 第50-52页 |
| ·基于EMD和SVM的脑电信号分类 | 第52-53页 |
| ·实验数据 | 第52页 |
| ·分类算法 | 第52-53页 |
| 第六章 结论与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 附录:本人硕士研究生期间发表的论文情况 | 第60-61页 |
| 学位论文评阅及答辩情况表 | 第61页 |
