| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文的研究内容 | 第16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 癫痫脑电信号基础知识与分析方法 | 第18-29页 |
| 2.1 脑电信号的基础知识与分类 | 第18-20页 |
| 2.2 癫痫脑电信号及其特征波 | 第20-21页 |
| 2.3 脑电信号的采集与应用 | 第21-24页 |
| 2.3.1 脑电信号采集 | 第22-23页 |
| 2.3.2 脑电信号应用 | 第23-24页 |
| 2.4 脑电信号分析方法 | 第24-27页 |
| 2.4.1 时域分析法 | 第25页 |
| 2.4.2 频域分析法 | 第25-26页 |
| 2.4.3 时频分析法 | 第26-27页 |
| 2.4.4 非线性分析法 | 第27页 |
| 2.5 癫痫脑电信号分类研究意义与难点 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于PSO的癫痫脑电信号的特征优化 | 第29-39页 |
| 3.1 样本熵 | 第29-32页 |
| 3.1.1 熵 | 第29-30页 |
| 3.1.2 近似熵 | 第30-31页 |
| 3.1.3 样本熵 | 第31-32页 |
| 3.2 Lyapunov指数 | 第32-33页 |
| 3.3 Hurst指数 | 第33-34页 |
| 3.4 多重分形去趋势分析法 | 第34-35页 |
| 3.5 基于粒子群算法的癫痫脑电信号特征优化 | 第35-38页 |
| 3.5.1 粒子群优化算法的基本原理 | 第36页 |
| 3.5.2 粒子群算法的步骤 | 第36-37页 |
| 3.5.3 特征优化算法流程 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于PSO-RBF神经网络的癫痫脑电信号分类 | 第39-51页 |
| 4.1 人工神经网络基础 | 第39-41页 |
| 4.1.1 人工神经元模型 | 第39-40页 |
| 4.1.2 神经网络的基本原理与分类 | 第40-41页 |
| 4.2 RBF神经网络原理 | 第41-42页 |
| 4.3 RBF神经网络构成 | 第42-44页 |
| 4.4 RBF神经网络学习算法 | 第44-46页 |
| 4.5 基于PSO-RBF神经网络的癫痫脑电信号分类 | 第46-50页 |
| 4.5.1 基于PSO-RBF神经网络模型的算法 | 第46-48页 |
| 4.5.2 癫痫脑电信号的分帧算法 | 第48-49页 |
| 4.5.3 交叉验证方法 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 实验过程与结果分析 | 第51-62页 |
| 5.1 实验数据集 | 第51-52页 |
| 5.2 实验结果 | 第52-57页 |
| 5.2.1 实验过程 | 第52-53页 |
| 5.2.2 特征提取与选择结果 | 第53-55页 |
| 5.2.3 分类结果 | 第55-57页 |
| 5.3 癫痫脑电分帧分类结果与分析 | 第57-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 硕士期间发表学术论文情况 | 第69-70页 |
| 致谢 | 第70-71页 |