基于深度学习的癫痫脑电信号分类方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 癫痫脑电特征提取的研究发展 | 第9-12页 |
| 1.2.1 时域分析方法 | 第9-10页 |
| 1.2.2 频域分析方法 | 第10页 |
| 1.2.3 时频域分析方法 | 第10-11页 |
| 1.2.4 非线性分析方法 | 第11-12页 |
| 1.2.5 其他分析方法 | 第12页 |
| 1.3 基于深度学习的脑电分类研究发展 | 第12-13页 |
| 1.4 本文的主要内容和章节安排 | 第13-15页 |
| 第2章 癫痫脑电信号 | 第15-23页 |
| 2.1 脑电信号概述 | 第15-18页 |
| 2.1.1 脑电信号的产生机理 | 第15页 |
| 2.1.2 脑电信号的特性与分类 | 第15-17页 |
| 2.1.3 脑电信号的采集方式 | 第17-18页 |
| 2.2 癫痫脑电信号的特性与分类 | 第18-19页 |
| 2.3 实验数据来源 | 第19-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第3章 神经网络与深度学习 | 第23-33页 |
| 3.1 机器学习与神经网络 | 第23-24页 |
| 3.1.1 机器学习 | 第23-24页 |
| 3.1.2 机器学习与神经网络 | 第24页 |
| 3.2 神经网络 | 第24-28页 |
| 3.2.1 神经网络的基本结构 | 第24-26页 |
| 3.2.2 激活函数 | 第26-27页 |
| 3.2.3 结构风险函数 | 第27-28页 |
| 3.3 神经网络的训练 | 第28-30页 |
| 3.3.1 前向传播过程 | 第28-29页 |
| 3.3.2 反向传播过程 | 第29-30页 |
| 3.3.3 梯度下降算法 | 第30页 |
| 3.4 深度学习训练面对的困难问题 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第4章 基于SAE提取癫痫脑电信号特征 | 第33-45页 |
| 4.1 理论基础 | 第33-35页 |
| 4.2 栈式自编码 | 第35-37页 |
| 4.2.1 概述 | 第35-36页 |
| 4.2.2 训练过程 | 第36-37页 |
| 4.3 实验数据预处理 | 第37-38页 |
| 4.3.1 归一化处理 | 第37-38页 |
| 4.3.2 分段存储处理 | 第38页 |
| 4.4 网络设计及实验结果分析 | 第38-44页 |
| 4.4.1 网络结构设计与调整 | 第38-39页 |
| 4.4.2 实验结果分析 | 第39-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于LSTM-RNN分析SAE提取的特征 | 第45-59页 |
| 5.1 循环神经网络 | 第45-47页 |
| 5.1.1 循环神经网络 | 第45-46页 |
| 5.1.2 RNN的长时依赖问题 | 第46-47页 |
| 5.2 长短时记忆循环神经网络 | 第47-53页 |
| 5.2.1 LSTM-RNN概述 | 第47-48页 |
| 5.2.2 LSTM网络结构 | 第48-49页 |
| 5.2.3 LSTM记忆模块的运行过程 | 第49-51页 |
| 5.2.4 LSTM网络的推理 | 第51-53页 |
| 5.3 softmax分类器 | 第53-55页 |
| 5.3.1 softmax算法 | 第53-54页 |
| 5.3.2 softmax算法的代价函数 | 第54-55页 |
| 5.4 实验数据预处理 | 第55-56页 |
| 5.4.1 分段存储处理 | 第55-56页 |
| 5.4.2 标签化处理 | 第56页 |
| 5.5 网络设计及实验结果 | 第56-58页 |
| 5.6 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士期间取得的科研成果 | 第65-67页 |
| 致谢 | 第67页 |
