aEEG信号图像重构及基于集成SVM的分类研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 论文组织结构 | 第17页 |
| 1.4 本章小结 | 第17-19页 |
| 第2章 aEEG基础与本文研究方法 | 第19-29页 |
| 2.1 aEEG概述 | 第19-22页 |
| 2.2 aEEG的监测意义 | 第22页 |
| 2.3 aEEG医学判读方法 | 第22-24页 |
| 2.4 aEEG自动识别方案 | 第24-26页 |
| 2.5 数据采集与预处理 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 aEEG信号重构及特征提取 | 第29-38页 |
| 3.1 aEEG信号重构 | 第29-32页 |
| 3.2 图像特征 | 第32-33页 |
| 3.3 线性特征 | 第33-34页 |
| 3.4 直方图特征 | 第34-35页 |
| 3.5 复杂度特征 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 分类器选择与设计 | 第38-56页 |
| 4.1 集成学习 | 第38-48页 |
| 4.1.1 学习过程及理论依据 | 第39-40页 |
| 4.1.2 Bagging与Boosting | 第40-42页 |
| 4.1.3 随机森林算法 | 第42-47页 |
| 4.1.4 梯度提升树算法 | 第47-48页 |
| 4.2 Hybrid-SVM模型 | 第48-54页 |
| 4.2.1 支持向量机 | 第49-52页 |
| 4.2.2 Hybrid-SVM算法 | 第52-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第5章 实验与讨论 | 第56-72页 |
| 5.1 特征有效性分析实验 | 第56-62页 |
| 5.1.1 线性特征及下边界分析 | 第56-59页 |
| 5.1.2 复杂度特征分析 | 第59-60页 |
| 5.1.3 图像特征分析 | 第60-62页 |
| 5.2 参数调优实验 | 第62-66页 |
| 5.3 分类效果对比试验 | 第66-71页 |
| 5.3.1 特征组对比 | 第68-69页 |
| 5.3.2 分类器对比 | 第69-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 研究总结 | 第72-73页 |
| 6.2 未来展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 在校期间学术成果 | 第80页 |
