| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 符号说明 | 第9-10页 |
| 第一章 脑电概述及研究目的和意义 | 第10-15页 |
| 1．1 脑电概述 | 第10页 |
| 1．2 脑电图 | 第10-11页 |
| 1．3 思维脑电 | 第11-12页 |
| 1．4 睡眠脑电 | 第12-13页 |
| 1．4．1 睡眠及其作用 | 第12页 |
| 1．4．2 睡眠脑电的特征 | 第12-13页 |
| 1．5 本课题的研究意义 | 第13页 |
| 1．6 本课题的目的和任务 | 第13-15页 |
| 第二章 脑电的特征分析及处理 | 第15-43页 |
| 2．1 脑电数据的特征 | 第15页 |
| 2．2 数据预处理 | 第15-26页 |
| 2．2．1 小波变换基本原理 | 第15-19页 |
| 2．2．2 小波阈值去噪算法及噪声滤除实验 | 第19-23页 |
| 2．2．3 独立分量分析(ICA)基本原理 | 第23-24页 |
| 2．2．4 快速ICA算法 | 第24页 |
| 2．2．5 ICA眼动干扰分离实验 | 第24-26页 |
| 2．3 经典功率谱估计 | 第26-27页 |
| 2．3．1 间接法 | 第26-27页 |
| 2．3．2 周期图法 | 第27页 |
| 2．4 现代谱估计 | 第27-35页 |
| 2．4．1 参数模型法 | 第28页 |
| 2．4．2 AR(Auto-regressive)模型法 | 第28-33页 |
| 2．4．3 AR模型谱估计的性质 | 第33-34页 |
| 2．4．4 AR模型阶次的选择 | 第34页 |
| 2．4．5 EEG信号的 AR模型估计 | 第34-35页 |
| 2．5 复杂性测度分析 | 第35-38页 |
| 2．5．1 复杂度定义及算法 | 第35-37页 |
| 2．5．2 近似熵复杂性 | 第37-38页 |
| 2．6 BP神经网络 | 第38-39页 |
| 2．7 思维脑电特征分析及思维任务分类研究 | 第39-43页 |
| 2．7．1 思维脑电特征分析 | 第39-41页 |
| 2．7．2 思维任务分类研究 | 第41-43页 |
| 第三章 睡眠脑电分期研究 | 第43-55页 |
| 3．1 数据来源 | 第43页 |
| 3．2 分期准则 | 第43-44页 |
| 3．3 睡眠各期特点 | 第44-45页 |
| 3．4 睡眠脑电的复杂度分析及近似熵分期研究 | 第45-46页 |
| 3．5 近似熵分期阈值的选取 | 第46-48页 |
| 3．6 AR模型在近似熵分期结果中的应用 | 第48-49页 |
| 3．7 准确性检测 | 第49-52页 |
| 3．8 近似熵快速算法的讨论 | 第52-55页 |
| 第四章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 作者硕士期间发表的论文 | 第61-62页 |
| 学位论文评阅及答辩情况表 | 第62页 |