| 中文摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 符号说明 | 第11-12页 |
| 第一章 前言 | 第12-18页 |
| 第一节 研究背景 | 第12-16页 |
| ·神经振荡 | 第12-13页 |
| ·神经信息流 | 第13-16页 |
| ·神经元建模 | 第16页 |
| 第二节 研究内容及目的 | 第16-17页 |
| 第三节 论文的创新之处 | 第17页 |
| 第四节 论文的结构安排 | 第17-18页 |
| 第二章 脑电信号建模与数据分析方法 | 第18-29页 |
| 第一节 神经元群模型 | 第18-24页 |
| ·神经元群模型的基本模型 | 第18-21页 |
| ·神经元群基本模型的数学表达 | 第18-20页 |
| ·神经元群基本模型的实现 | 第20-21页 |
| ·单通道多状态神经元群模型 | 第21-22页 |
| ·双通道双状态神经元群模型 | 第22-24页 |
| 第二节 数据分析算法 | 第24-27页 |
| ·广义一致性算法 | 第24-25页 |
| ·排列熵算法 | 第25-27页 |
| 第三节 算法比较的指标 | 第27-28页 |
| ·敏感度 | 第27-28页 |
| ·变异系数(coefficient of variation, C.V.) | 第28页 |
| 第四节 统计方法 | 第28-29页 |
| 第三章 结果 | 第29-46页 |
| 第一节 数值仿真结果 | 第29-40页 |
| ·算法敏感度比较 | 第29-33页 |
| ·算法估值与真值的比较 | 第33-37页 |
| ·数据点个数对算法的影响 | 第37-40页 |
| ·仿真比较小结 | 第40页 |
| 第二节 In vivo实验结果 | 第40-46页 |
| ·信息流指数的度量 | 第41-44页 |
| ·数据长度 | 第44-45页 |
| ·In vivo实验小结 | 第45-46页 |
| 第四章 讨论 | 第46-50页 |
| 第一节 排列熵算法在度量神经信息流时的优势 | 第46-47页 |
| 第二节 广义方向一致性算法在度量神经信息流时的优势 | 第47-49页 |
| 第三节 总结与展望 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 致谢 | 第56-58页 |
| 附录A 神经元群模型的建立公式 | 第58-60页 |
| 个人简历 | 第60页 |