首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于多通道EEG信号的癫痫特征提取与识别方法研究

摘要第4-5页
abstract第5-6页
第1章 绪论第9-17页
    1.1 课题来源第9页
    1.2 课题研究背景、目的和意义第9-10页
    1.3 相关领域国内外研究现状第10-15页
    1.4 本文的主要研究工作及结构第15-17页
第2章 脑电信号的采集与预处理第17-33页
    2.1 脑电信号的采集第17-19页
        2.1.1 电极的放置第17-18页
        2.1.2 实验数据第18-19页
    2.2 脑电信号的采集噪声类型第19页
    2.3 基于FastICA-MARA的脑电伪迹自动去除第19-32页
        2.3.1 独立分量分析第20-23页
        2.3.2 快速独立分量分析第23-25页
        2.3.3 MARA工具箱简介第25-26页
        2.3.4 FastICA-MARA在多通道脑电伪迹去除中的应用第26-27页
        2.3.5 仿真结果及比较第27-32页
    2.4 本章小结第32-33页
第3章 基于熵分析的癫痫脑电特征提取第33-47页
    3.1 熵算法第33-34页
    3.2 基于多元多尺度熵算法的癫痫特征提取方法第34-38页
        3.2.1 多元多尺度熵算法第34-36页
        3.2.2 基于多元多尺度熵算法的癫痫特征提取结果第36-38页
    3.3 基于模式熵算法的癫痫特征提取方法研究第38-46页
        3.3.1 模式的概念第38-39页
        3.3.2 模式熵算法第39-40页
        3.3.3 模式熵算法性能的仿真分析第40-43页
        3.3.4 基于模式熵算法的癫痫特征提取结果第43-46页
    3.4 熵特征集的构建第46页
    3.5 本章小结第46-47页
第4章 基于参数优化支持向量机的癫痫脑电信号识别第47-61页
    4.1 支持向量机理论第47-51页
        4.1.1 线性可分问题第47-49页
        4.1.2 线性不可分问题第49页
        4.1.3 核函数第49-50页
        4.1.4 支持向量机参数优化的必要性第50-51页
    4.2 支持向量机的参数优化方法第51-56页
        4.2.1 基于网格搜索的支持向量机第51-52页
        4.2.2 基于遗传算法的支持向量机第52-54页
        4.2.3 基于粒子群优化算法的支持向量机第54-56页
    4.3 结果分析与比较第56-60页
    4.4 本章小结第60-61页
第5章 总结与展望第61-63页
    5.1 全文工作总结第61-62页
    5.2 未来研究展望第62-63页
致谢第63-64页
参考文献第64-67页
攻读硕士学位期间的研究成果第67页

论文共67页,点击 下载论文
上一篇:模块化人工心脏瓣膜脉动流性能测试系统的研制
下一篇:基于SEM的商业银行高净值客户协同创新价值评价研究