| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| §1.1 研究背景及问题 | 第9-10页 |
| §1.2 国内外研究现状 | 第10-12页 |
| §1.3 本文研究内容与结构安排 | 第12-14页 |
| 第二章 癫痫性发作的自动检测 | 第14-29页 |
| §2.1 脑电图(EEG) | 第14-18页 |
| §2.2 基于熵的脑电特征提取方法 | 第18-23页 |
| §2.2.1 熵 | 第18-20页 |
| §2.2.2 近似熵 | 第20-21页 |
| §2.2.3 样本熵 | 第21-23页 |
| §2.3 分类器 | 第23-28页 |
| §2.3.1 极限学习机 | 第23-26页 |
| §2.3.2 支撑向量机 | 第26-28页 |
| §2.4 本章小结 | 第28-29页 |
| 第三章 基于延迟庞加莱散点图的脑电特征提取方法(LPBF) | 第29-45页 |
| §3.1 LPBF算法 | 第29-34页 |
| §3.1.1 延迟Poincare散点图 | 第29-31页 |
| §3.1.2 基于Poincare散点图的脑电特征提取方法 | 第31-34页 |
| §3.2 数值实验 | 第34-43页 |
| §3.2.1 数据集 | 第35-36页 |
| §3.2.2 数值实验结果 | 第36-43页 |
| §3.3 本章小结 | 第43-45页 |
| 第四章 基于样本熵与马氏相似性的脑电特征提取方法(MS-SE-FF) | 第45-62页 |
| §4.1 基于马氏相似性的脑电特征 | 第45-50页 |
| §4.1.1 基本概念 | 第45-46页 |
| §4.1.2 小波变换 | 第46-49页 |
| §4.1.3 基于马氏相似性的脑电特征 | 第49-50页 |
| §4.2 基于样本熵的脑电特征 | 第50页 |
| §4.3 融合脑电特征MS-SE-FF | 第50-52页 |
| §4.4 数值实验 | 第52-60页 |
| §4.5 本章小结 | 第60-62页 |
| 第五章 基于模糊条件Renyi熵的脑电特征提取方法(FCRE) | 第62-71页 |
| §5.1 基于模糊条件Renyi熵的特征提取方法 | 第62-65页 |
| §5.2 数值实验 | 第65-69页 |
| §5.3 本章小结 | 第69-71页 |
| 论文总结与前景展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间取得的科研成果 | 第77-78页 |
| 致谢 | 第78页 |
