| 摘要 | 第7-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 复杂网络及其统计特性 | 第16-24页 |
| 2.1 复杂网络 | 第16-18页 |
| 2.2 复杂网络的统计特性 | 第18-23页 |
| 2.2.1 度及度分布 | 第19-20页 |
| 2.2.2 度分布的熵 | 第20-21页 |
| 2.2.3 聚类系数 | 第21-22页 |
| 2.2.4 紧密中心度 | 第22页 |
| 2.2.5 权差异性 | 第22-23页 |
| 2.3 小结 | 第23-24页 |
| 第三章 时间序列复杂网络的构造算法 | 第24-30页 |
| 3.1 时间序列复杂网络构造算法的研究现状 | 第24-25页 |
| 3.2 相似性网络算法 | 第25-26页 |
| 3.3 转移网络算法 | 第26-27页 |
| 3.4 可视图算法 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于复杂网络统计特性的癫痫脑电特征提取方法 | 第30-48页 |
| 4.1 研究现状 | 第30页 |
| 4.2 癫痫脑电分类算法流程图 | 第30-33页 |
| 4.2.1 水平可视图算法 | 第31-33页 |
| 4.2.2 度中心度 | 第33页 |
| 4.3 数据集描述 | 第33-34页 |
| 4.4 基于多特征和水平可视图的癫痫脑电特征分类算法 | 第34-46页 |
| 4.4.1 度中心度以及其数学变换对癫痫脑电的分类性能分析 | 第36-38页 |
| 4.4.2 多特征融合对癫痫脑电的分类性能分析 | 第38-41页 |
| 4.4.3 度平方的中心度对癫痫脑电的分类性能分析 | 第41-42页 |
| 4.4.4 特征和对癫痫脑电的分类性能分析 | 第42-46页 |
| 4.5 本章所提的特征分类算法与其他方法的比较 | 第46-47页 |
| 4.6 小结 | 第47-48页 |
| 第五章 基于复杂网络统计特性的心颤与心动信号特征提取方法 | 第48-57页 |
| 5.1 研究现状 | 第48-49页 |
| 5.2 心颤和心动信号算法流程图 | 第49-50页 |
| 5.3 实验数据集 | 第50-51页 |
| 5.4 基于度中心度和水平可视图的心颤与心动信号特征分类算法 | 第51-56页 |
| 5.5 本章所提分类方法与其他方法的比较 | 第56-57页 |
| 第六章 结论与展望 | 第57-59页 |
| 6.1 全文总结 | 第57页 |
| 6.2 前景展望 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 附录 | 第67-68页 |
