| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第16-27页 |
| 1.1 研究背景 | 第16-17页 |
| 1.2 传统癫痫疗法概述 | 第17-20页 |
| 1.2.1 传统治疗手段及其局限 | 第17-19页 |
| 1.2.2 传统电刺激癫痫抑制技术及其不足 | 第19-20页 |
| 1.3 新突破：基于癫痫预警的反应性电刺激 | 第20-24页 |
| 1.3.1 反应性电刺激概述 | 第20-21页 |
| 1.3.2 反应性电刺激的关键：自动癫痫预警技术 | 第21-22页 |
| 1.3.3 反应性电刺激研究现状 | 第22-23页 |
| 1.3.4 困难和挑战 | 第23-24页 |
| 1.4 本文的研究目标与贡献 | 第24-26页 |
| 1.5 论文的结构和内容 | 第26-27页 |
| 第2章 癫痫预警的困难及核心问题 | 第27-37页 |
| 2.1 癫痫预警概述 | 第27-28页 |
| 2.2 癫痫预警中的关键问题 | 第28-36页 |
| 2.2.1 鲁棒的特征学习方法 | 第29-32页 |
| 2.2.2 噪声及时序信息建模 | 第32-34页 |
| 2.2.3 稳定的在线快速预警 | 第34-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第3章 基于深度神经网络的癫痫特征提取 | 第37-59页 |
| 3.1 深度学习与深度神经网络 | 第37-38页 |
| 3.2 基于最大相关熵目标的鲁棒深度自编码神经网络 | 第38-44页 |
| 3.2.1 传统深度自编码模型 | 第38-40页 |
| 3.2.2 传统自编码模型的不足 | 第40页 |
| 3.2.3 相关熵及最大相关熵目标 | 第40-41页 |
| 3.2.4 基于最大相关熵的鲁棒稀疏自编码模型 | 第41-43页 |
| 3.2.5 鲁棒的深度自编码模型训练 | 第43-44页 |
| 3.3 仿真实验 | 第44-49页 |
| 3.3.1 MNIST数据集 | 第45页 |
| 3.3.2 算法配置 | 第45-46页 |
| 3.3.3 特征学习结果 | 第46-49页 |
| 3.4 基于R-SAE模型的癫痫特征提取 | 第49-58页 |
| 3.4.1 数据集 | 第49-50页 |
| 3.4.2 算法配置 | 第50-53页 |
| 3.4.3 实验结果 | 第53-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 基于柯西噪声的癫痫检测时序模型 | 第59-84页 |
| 4.1 状态空间模型及其状态估计 | 第60-62页 |
| 4.1.1 状态空间模型概述 | 第60-61页 |
| 4.1.2 贝叶斯滤波 | 第61-62页 |
| 4.2 基于柯西观察噪声的状态空间模型(SSMC) | 第62-68页 |
| 4.2.1 状态空间建模 | 第63页 |
| 4.2.2 噪声模型 | 第63-65页 |
| 4.2.3 基于粒子滤波的状态估计 | 第65-68页 |
| 4.3 基于SSMC的癫痫检测方法 | 第68-83页 |
| 4.3.1 数据集 | 第69-70页 |
| 4.3.2 分段和特征提取 | 第70-71页 |
| 4.3.3 状态定义 | 第71-73页 |
| 4.3.4 模型训练 | 第73页 |
| 4.3.5 癫痫检测 | 第73-75页 |
| 4.3.6 癫痫检测结果 | 第75-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第5章 在线预警及预警-抑制电刺激癫痫诊疗系统 | 第84-104页 |
| 5.1 反应性电刺激癫痫治疗系统框架 | 第84-85页 |
| 5.2 硬件平台 | 第85-87页 |
| 5.2.1 多通道脑电放大器 | 第85-86页 |
| 5.2.2 神经电刺激器 | 第86-87页 |
| 5.3 软件平台 | 第87-94页 |
| 5.3.1 功能分析 | 第88-89页 |
| 5.3.2 流程分析 | 第89页 |
| 5.3.3 模块设计 | 第89-91页 |
| 5.3.4 界面设计 | 第91-94页 |
| 5.4 青霉素诱发皮层局灶性癫痫大鼠模型 | 第94-96页 |
| 5.4.1 手术方案与癫痫建模 | 第94-95页 |
| 5.4.2 有效电刺激参数预实验 | 第95-96页 |
| 5.5 基于反应性电刺激系统的癫痫抑制 | 第96-103页 |
| 5.5.1 在线癫痫预警 | 第96-98页 |
| 5.5.2 对照实验设计 | 第98页 |
| 5.5.3 实验结果与分析 | 第98-103页 |
| 5.6 本章小节 | 第103-104页 |
| 第6章 总结与展望 | 第104-107页 |
| 6.1 本文工作总结 | 第104-105页 |
| 6.2 未来工作展望 | 第105-107页 |
| 参考文献 | 第107-115页 |
| 攻读博士学位期间主要研究成果 | 第115-118页 |
| 致谢 | 第118-119页 |