| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 引言 | 第17页 |
| 1.2 脑电信号研究的背景和发展 | 第17-21页 |
| 1.2.1 脑电信号的产生与意义 | 第17-19页 |
| 1.2.2 脑电信号的研究现状和进展 | 第19-21页 |
| 1.3 论文的研究内容和组织结构 | 第21-23页 |
| 1.3.1 本文的主要贡献 | 第21-22页 |
| 1.3.2 本文组织结构 | 第22-23页 |
| 第二章 睡眠纺锤波概述 | 第23-37页 |
| 2.1 纺锤波的产生机制和研究意义 | 第23-32页 |
| 2.1.1 丘脑和丘脑皮质、脑干的产生机制 | 第23-24页 |
| 2.1.2 纺锤波与Delta活动、生理期的相互关系 | 第24-26页 |
| 2.1.3 在信息处理中的角色 | 第26-27页 |
| 2.1.4 个体发育、年龄、睡眠剥夺对纺锤波的影响 | 第27-29页 |
| 2.1.5 快慢两种纺锤波 | 第29-31页 |
| 2.1.6 个体间的差异和个体内的变化 | 第31页 |
| 2.1.7 结论 | 第31-32页 |
| 2.2 纺锤波的测量方法和理论进展 | 第32-37页 |
| 2.2.1 纺锤波的测量 | 第32页 |
| 2.2.2 视觉划分与自动算法的比较 | 第32-33页 |
| 2.2.3 自动算法 | 第33-37页 |
| 第三章 检测纺锤波Ⅰ：深度置信网与浅度分类器比较 | 第37-59页 |
| 3.1 分类器的理论和方法 | 第37-47页 |
| 3.1.1 K近邻法 | 第38-39页 |
| 3.1.2 决策树 | 第39-41页 |
| 3.1.3 支持向量机 | 第41-42页 |
| 3.1.4 神经网络 | 第42-44页 |
| 3.1.5 人工神经网络 | 第44-45页 |
| 3.1.6 后向传播算法 | 第45-47页 |
| 3.2 实验数据和方法 | 第47-50页 |
| 3.2.1 数据采集和分析 | 第47-49页 |
| 3.2.2 特征提取和性能指标 | 第49-50页 |
| 3.3 结果与讨论 | 第50-59页 |
| 3.3.1 众包的性能 | 第50-51页 |
| 3.3.2 特征分析与分类器的性能 | 第51-56页 |
| 3.3.3 深度学习模型的应用性 | 第56-59页 |
| 第四章 检测纺锤波Ⅱ：深度体系中不同模型的比较 | 第59-79页 |
| 4.1 多层感知机 | 第59-60页 |
| 4.1.1 逻辑斯蒂回归 | 第59页 |
| 4.1.2 多层感知机 | 第59-60页 |
| 4.2 自编码器 | 第60-63页 |
| 4.2.1 去噪声自编码 | 第62页 |
| 4.2.2 堆积去噪声自编码 | 第62-63页 |
| 4.3 基于能量的模型 | 第63-68页 |
| 4.3.1 限制玻尔兹曼机 | 第64-67页 |
| 4.3.2 深度置信网 | 第67-68页 |
| 4.4 实验数据和方法 | 第68-69页 |
| 4.5 结果与讨论 | 第69-79页 |
| 第五章 总结 | 第79-81页 |
| 5.1 论文的研究和贡献 | 第79-80页 |
| 5.2 论文的不足及未来的研究 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 作者简介 | 第89-90页 |