基于系统辨识的癫痫脑电信号分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题的理论意义及应用价值 | 第8-9页 |
| 1.1.1 背景 | 第8页 |
| 1.1.2 意义及应用价值 | 第8-9页 |
| 1.2 国内外的研究概况及发展趋势 | 第9-12页 |
| 1.2.1 研究脑电信号对于癫痫的价值 | 第9-10页 |
| 1.2.2 国内外的研究历史与现状 | 第10-11页 |
| 1.2.3 脑电研究发展趋势 | 第11-12页 |
| 1.3 本文组织结构与主要内容 | 第12-13页 |
| 2 癫痫脑电信号与分析方法概述 | 第13-18页 |
| 2.1 癫痫脑电信号的基本知识 | 第13-15页 |
| 2.1.1 脑电信号 | 第13-14页 |
| 2.1.2 癫痫脑电信号 | 第14页 |
| 2.1.3 处理脑电信号的难点 | 第14-15页 |
| 2.2 主要研究方法 | 第15-16页 |
| 2.2.1 时域与频域分析 | 第15页 |
| 2.2.2 人工神经网络 | 第15-16页 |
| 2.2.3 非线性动力学 | 第16页 |
| 2.3 脑电信号的处理流程 | 第16-18页 |
| 3 基于AR-ELM的脑电信号处理方法 | 第18-36页 |
| 3.1 基于自回归模型的脑电信号特征提取 | 第18-26页 |
| 3.1.1 自回归模型 | 第18页 |
| 3.1.2 自回归模型参数估计 | 第18-22页 |
| 3.1.3 仿真实验 | 第22-26页 |
| 3.2 基于多层感知器网络的脑电信号特征提取 | 第26-31页 |
| 3.2.1 感知器模型 | 第26-27页 |
| 3.2.2 感知器模型参数估计 | 第27-28页 |
| 3.2.3 仿真实验 | 第28-31页 |
| 3.3 基于极限学习机的癫痫脑电信号自动分类 | 第31-36页 |
| 3.3.1 极限学习机 | 第31-33页 |
| 3.3.2 参数选择 | 第33页 |
| 3.3.3 仿真实验 | 第33-36页 |
| 4 基于ESN-SVM的脑电信号处理方法 | 第36-50页 |
| 4.1 基于回声状态网络的脑电信号特征提取 | 第36-43页 |
| 4.1.1 回声状态网络模型 | 第36-39页 |
| 4.1.2 回声状态网络模型参数估计 | 第39页 |
| 4.1.3 仿真实验 | 第39-43页 |
| 4.2 基于支持向量机的癫痫脑电信号自动分类 | 第43-50页 |
| 4.2.1 支持向量机 | 第43-46页 |
| 4.2.2 参数选择 | 第46-47页 |
| 4.2.3 仿真实验 | 第47-50页 |
| 结论与展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录A 本文所用的脑电信号 | 第54-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-58页 |
