视觉诱发电位P100的提取与分类识别算法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 课题研究概况 | 第12-13页 |
| 1.3 本文研究内容与结构安排 | 第13-15页 |
| 第二章 诱发脑电信号 | 第15-23页 |
| 2.1 诱发脑电信号的定义与分类 | 第15-17页 |
| 2.1.1 自发脑电信号与诱发脑电信号 | 第15-16页 |
| 2.1.2 诱发脑电信号的分类 | 第16-17页 |
| 2.2 视觉诱发电位(VEP) | 第17-19页 |
| 2.2.1 VEP的特征与形成机制 | 第17-18页 |
| 2.2.2 VEP的临床意义 | 第18-19页 |
| 2.3 VEP的主要提取方法 | 第19-22页 |
| 2.3.1 叠加平均 | 第19页 |
| 2.3.2 子空间法 | 第19-20页 |
| 2.3.3 小波分析 | 第20页 |
| 2.3.4 独立分量分析 | 第20页 |
| 2.3.5 自适应滤波 | 第20-21页 |
| 2.3.6 其他分析方法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于自适应噪声抵消器的VEP信号预处理 | 第23-33页 |
| 3.1 自适应滤波器 | 第23-27页 |
| 3.1.1 自适应滤波器原理 | 第23页 |
| 3.1.2 自适应滤波算法 | 第23-27页 |
| 3.2 自适应噪声抵消器 | 第27-30页 |
| 3.2.1 自适应噪声抵消器原理 | 第27-29页 |
| 3.2.2 改进的自适应噪声抵消器 | 第29-30页 |
| 3.3 仿真实验 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于小波变换的VEP信号去噪 | 第33-49页 |
| 4.1 小波变换 | 第33-39页 |
| 4.1.1 小波变换的发展及特性 | 第33页 |
| 4.1.2 基于小波变换的信号去噪 | 第33-35页 |
| 4.1.3 Mallat算法及小波基的选取 | 第35-39页 |
| 4.2 小波阂值去噪 | 第39-43页 |
| 4.2.1 小波阈值去噪原理 | 第40页 |
| 4.2.2 最优分解层数的确定 | 第40-42页 |
| 4.2.3 阈值的选取 | 第42-43页 |
| 4.3 实验与分析 | 第43-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 基于支持向量机的VEP分类研究 | 第49-61页 |
| 5.1 正常与异常VEP | 第49-50页 |
| 5.2 基于小波分析的VEP特征提取 | 第50-52页 |
| 5.3 支持向量机 | 第52-54页 |
| 5.3.1 支持向量机的原理与算法 | 第52-54页 |
| 5.3.2 支持向量机分类器性能的影响因素 | 第54页 |
| 5.4 实验与结果分析 | 第54-59页 |
| 5.4.1 特征向量提取 | 第54-57页 |
| 5.4.2 分类结果与分析 | 第57-59页 |
| 5.5 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
