癫痫发作自动检测方法的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-23页 |
| ·癫痫发作自动检测的背景及意义 | 第11-15页 |
| ·癫痫分类 | 第11页 |
| ·全身性癫痫的发病机制 | 第11-13页 |
| ·部分性癫痫的发病机制 | 第13-14页 |
| ·癫痫发作自动检测的意义 | 第14-15页 |
| ·脑电信号与癫痫 | 第15-18页 |
| ·脑电信号的基本知识 | 第15-17页 |
| ·癫痫脑电信号 | 第17-18页 |
| ·癫痫发作自动检测方法的研究现状 | 第18-21页 |
| ·基于非线性动力学的检测方法 | 第18-19页 |
| ·拟态法 | 第19页 |
| ·基于时频分析的检测方法 | 第19-20页 |
| ·基于能量特征的检测方法 | 第20-21页 |
| ·四种方法的比较 | 第21页 |
| ·本文的主要工作 | 第21-23页 |
| 第2章 脑电信号的时频能量特征定义 | 第23-35页 |
| ·实验数据及预处理 | 第23-28页 |
| ·皮层脑电及预处理 | 第23-26页 |
| ·头皮脑电及预处理 | 第26-28页 |
| ·基于短时傅里叶变换的时频能量特征定义 | 第28-30页 |
| ·能量特征的时间长度选择 | 第28-29页 |
| ·基于短时傅里叶变换的时频能量特征定义 | 第29-30页 |
| ·基于经验模态分解的时频能量特征定义 | 第30-32页 |
| ·两种时频能量特征的比较 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 时频能量特征的特征选择 | 第35-41页 |
| ·序列前向选择方法 | 第36-37页 |
| ·最大相关最小冗余准则 | 第37-38页 |
| ·基于分类准确率的特征子集选择 | 第38页 |
| ·最优特征子集选择与结果讨论 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 分类器优化与测试 | 第41-59页 |
| ·交叉验证及粒子群算法 | 第41-43页 |
| ·交叉验证 | 第41-43页 |
| ·粒子群算法 | 第43页 |
| ·基于粒子群算法的支持向量机的分类器设计 | 第43-49页 |
| ·二分类支持向量机 | 第44-46页 |
| ·多分类支持向量机 | 第46-47页 |
| ·基于粒子群算法的支持向量机设计流程及分类结果 | 第47-49页 |
| ·基于粒子群算法的BP神经网络的分类器设计 | 第49-53页 |
| ·BP神经网络的原理 | 第49-51页 |
| ·基于粒子群算法的BP神经网络设计流程及分类结果 | 第51-53页 |
| ·基于带参数的极限学习机的分类器设计 | 第53-58页 |
| ·极限学习机原理 | 第53-55页 |
| ·基于带参数的极限学习机的分类器设计 | 第55-56页 |
| ·基于带参数的极限学习机的分类结果 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 癫痫发作检测 | 第59-66页 |
| ·三种分类器在癫痫自动检测中的适用性比较 | 第59-62页 |
| ·分类准确率 | 第59-61页 |
| ·所用时间比较 | 第61-62页 |
| ·长程脑电检测的结果及评价 | 第62-64页 |
| ·检测结果的影响因素 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| ·总结 | 第66-67页 |
| ·展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 在学期间学术成果情况 | 第72-73页 |
| 指导教师及作者简介 | 第73-74页 |
| 致谢 | 第74页 |
