基于集成极限学习机的脑电信号分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-16页 |
| 1.1 脑电信号研究背景及意义 | 第8-9页 |
| 1.2 脑电信号基本知识及分析方法概述 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-15页 |
| 1.3.1 脑电信号特征提取研究现状 | 第11-13页 |
| 1.3.2 分类算法研究现状 | 第13-15页 |
| 1.4 本文的主要内容及结构 | 第15-16页 |
| 2 脑电信号特征提取 | 第16-29页 |
| 2.1 自回归模型 | 第16-19页 |
| 2.1.1 自回归模型基本原理 | 第16-17页 |
| 2.1.2 模型阶数确定及参数选择 | 第17-18页 |
| 2.1.3 基于自回归模型的脑电信号特征提取 | 第18-19页 |
| 2.2 小波变换和小波包 | 第19-22页 |
| 2.2.1 小波变换原理 | 第19-20页 |
| 2.2.2 小波包分解 | 第20-21页 |
| 2.2.3 基于小波包分解的脑电信号特征提取 | 第21-22页 |
| 2.3 近似熵和样本熵 | 第22-25页 |
| 2.3.1 近似熵 | 第23-24页 |
| 2.3.2 样本熵 | 第24页 |
| 2.3.3 基于样本熵的脑电信号特征提取 | 第24-25页 |
| 2.4 基于小波包和样本熵混合特征提取算法 | 第25-28页 |
| 2.4.1 混合实现原理 | 第25-27页 |
| 2.4.2 小波包和样本熵混合特征提取实验 | 第27-28页 |
| 2.5 小结 | 第28-29页 |
| 3 基于线性判别分析的集成极限学习机 | 第29-45页 |
| 3.1 极限学习机 | 第29-31页 |
| 3.1.1 基本原理 | 第29-30页 |
| 3.1.2 实现步骤 | 第30-31页 |
| 3.2 基于线性判别分析的集成极限学习机分类算法 | 第31-38页 |
| 3.2.1 线性判别分析 | 第31-32页 |
| 3.2.2 方法实现原理 | 第32-34页 |
| 3.2.3 算法误差分析 | 第34-35页 |
| 3.2.4 公用数据集分类实验 | 第35-38页 |
| 3.3 脑电数据仿真实验 | 第38-44页 |
| 3.3.1 数据介绍及实验环境 | 第38-39页 |
| 3.3.2 UCIEEG数据二分类实验 | 第39-41页 |
| 3.3.3 波恩大学癫痫脑电数据多分类实验 | 第41-44页 |
| 3.4 小结 | 第44-45页 |
| 4 基于互信息的Adaboost极限学习机 | 第45-53页 |
| 4.1 Adaboost算法 | 第45页 |
| 4.2 基于互信息的Adaboost极限学习机 | 第45-49页 |
| 4.2.1 信息变量选择 | 第46-47页 |
| 4.2.2 方法实现原理 | 第47-49页 |
| 4.3 脑电数据仿真实验 | 第49-52页 |
| 4.4 小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期参与项目情况 | 第59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-61页 |
