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 |