| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 特征提取的主要原理 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-18页 |
| 1.4 应用前景 | 第18-19页 |
| 1.5 论文的主要工作与贡献 | 第19-20页 |
| 1.6 论文结构安排 | 第20-21页 |
| 第二章 脑电信号的特征提取方法 | 第21-33页 |
| 2.1 脑电信号简介 | 第21-27页 |
| 2.1.1 脑电信号的产生 | 第21页 |
| 2.1.2 脑电信号的采集 | 第21-22页 |
| 2.1.3 脑电信号的噪声及去噪 | 第22-23页 |
| 2.1.4 脑电信号的基本特征 | 第23页 |
| 2.1.5 P300信号特征 | 第23-26页 |
| 2.1.6 麻醉脑电信号特征 | 第26-27页 |
| 2.2 脑电信号特征提取的方式 | 第27-32页 |
| 2.2.1 P300信号的特征提取与分类 | 第27-28页 |
| 2.2.2 麻醉脑电信号特征提取方法 | 第28-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于半监督判别分析的脑电信号特征提取 | 第33-39页 |
| 3.1 引言 | 第33页 |
| 3.2 半监督判别分析算法 | 第33-34页 |
| 3.3 基于半监督判别分析的P300信号特征提取与分类 | 第34-38页 |
| 3.3.1 实验数据预处理 | 第34-35页 |
| 3.3.2 算法步骤 | 第35页 |
| 3.3.3 实验流程图 | 第35-36页 |
| 3.3.4 实验结果分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于收缩半监督判别分析的脑电信号特征提取 | 第39-45页 |
| 4.1 引言 | 第39页 |
| 4.2 收缩半监督判别分析算法 | 第39-40页 |
| 4.3 基于收缩半监督判别分析的P300信号特征提取与分类 | 第40-44页 |
| 4.3.1 实验数据预处理 | 第40页 |
| 4.3.2 算法步骤 | 第40页 |
| 4.3.3 实验流程图 | 第40-41页 |
| 4.3.4 实验结果分析 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于LSTM的麻醉脑电信号特征提取 | 第45-57页 |
| 5.1 引言 | 第45页 |
| 5.2 基本原理 | 第45-50页 |
| 5.2.1 人工神经网络模型 | 第45-47页 |
| 5.2.2 递归神经网络模型 | 第47-48页 |
| 5.2.3 长短时记忆神经网络模型 | 第48-50页 |
| 5.3 基于LSTM的麻醉脑电信号特征提取与麻醉深度监测 | 第50-56页 |
| 5.3.1 麻醉脑电信号预处理 | 第50-52页 |
| 5.3.2 实验过程 | 第52-53页 |
| 5.3.3 基于LSTM的麻醉深度监测流程 | 第53-54页 |
| 5.3.4 评估方法 | 第54页 |
| 5.3.5 模型参数选择 | 第54-55页 |
| 5.3.6 实验结果分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术成果 | 第66-67页 |
| 学位论文评阅及答辩情况表 | 第67页 |
