| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究目的与意义 | 第13-14页 |
| 1.3 研究现状 | 第14-16页 |
| 1.4 主要研究内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17-18页 |
| 2 相关知识理论基础 | 第18-37页 |
| 2.0 脑电信号的基础知识 | 第18-22页 |
| 2.0.1 大脑的生理结构 | 第18-19页 |
| 2.0.2 脑电信号的产生机理 | 第19-20页 |
| 2.0.3 脑电信号的检测 | 第20-21页 |
| 2.0.4 脑电信号的基本节律 | 第21-22页 |
| 2.1 睡眠分期 | 第22-25页 |
| 2.1.1 睡眠分期准则 | 第23-24页 |
| 2.1.2 整夜的睡眠结构 | 第24-25页 |
| 2.1.3 不同睡眠时期之间的异同点 | 第25页 |
| 2.2 深度学习相关理论 | 第25-30页 |
| 2.2.1 深度学习 | 第26-27页 |
| 2.2.2 卷积神经网络 | 第27-28页 |
| 2.2.3 长短期记忆网络 | 第28-30页 |
| 2.3 脑电信号的时频分析 | 第30-36页 |
| 2.3.1 脑电信号分析方法 | 第30-32页 |
| 2.3.2 短时傅里叶变换 | 第32页 |
| 2.3.3 小波变换 | 第32-34页 |
| 2.3.4 希尔伯特-黄变换 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 3 自动睡眠分期算法 | 第37-51页 |
| 3.1 问题定义 | 第37-38页 |
| 3.2 总体研究思路 | 第38-39页 |
| 3.3 基于时域分析和LSTM的自动睡眠分期方法 | 第39-42页 |
| 3.3.1 脑电信号一维时域特征分析 | 第39-41页 |
| 3.3.2 基于LSTM的自动睡眠分期模型 | 第41-42页 |
| 3.4 基于时域分析和CNN的自动睡眠分期方法 | 第42-44页 |
| 3.4.1 脑电信号时域特征矩阵构造 | 第42-43页 |
| 3.4.2 基于时域信息矩阵和CNN的自动睡眠分期模型 | 第43-44页 |
| 3.5 基于时频分析和CNN的自动睡眠分期方法 | 第44-50页 |
| 3.5.1 基于HHT和CNN的自动睡眠分期模型 | 第44-46页 |
| 3.5.2 基于STFT和CNN的自动睡眠分期模型 | 第46-48页 |
| 3.5.3 基于WT和CNN的自动睡眠分期模型 | 第48-50页 |
| 3.6 本章小结 | 第50-51页 |
| 4 实验及结果分析 | 第51-70页 |
| 4.1 数据集处理 | 第51-53页 |
| 4.1.1 原始数据概述 | 第51-52页 |
| 4.1.2 数据预处理与样本集构建 | 第52-53页 |
| 4.2 实验平台介绍 | 第53-54页 |
| 4.3 实验评价指标 | 第54页 |
| 4.4 时域模型实验及结果分析 | 第54-57页 |
| 4.4.1 1DT-LSTM模型实验及结果分析 | 第55-56页 |
| 4.4.2 2DT-CNN模型实验及结果分析 | 第56-57页 |
| 4.5 时频域模型实验及结果分析 | 第57-62页 |
| 4.5.1 HHT-CNN模型实验及结果分析 | 第58-59页 |
| 4.5.2 STFT-CNN模型实验及结果分析 | 第59-61页 |
| 4.5.3 WT-CNN模型实验及结果分析 | 第61-62页 |
| 4.6 不同睡眠分期模型间实验结果的对比分析 | 第62-66页 |
| 4.6.1 不同模型间的实验结果对比分析 | 第63-65页 |
| 4.6.2 与传统睡眠分期研究的对比实验及结果分析 | 第65-66页 |
| 4.7 自动睡眠分期模型的应用 | 第66-69页 |
| 4.7.1 自动睡眠分期模型的应用结果分析 | 第67-68页 |
| 4.7.2 自动睡眠分期模型的应用展望 | 第68-69页 |
| 4.8 本章小结 | 第69-70页 |
| 5 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70-71页 |
| 5.2 展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 学位论文数据集 | 第79页 |
