基于改进小波神经网络的自动癫痫检测
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 符号说明 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题背景及意义 | 第12-16页 |
| 1.1.1 脑电 | 第12-13页 |
| 1.1.2 癫痫 | 第13-14页 |
| 1.1.3 癫痫发作 | 第14-16页 |
| 1.2 国内外发展现状 | 第16-17页 |
| 1.3 研究的主要内容 | 第17-19页 |
| 1.4 论文结构安排 | 第19-20页 |
| 第二章 癫痫脑电信号的特征 | 第20-22页 |
| 2.1 相对幅度 | 第20-21页 |
| 2.2 相对波动指数 | 第21页 |
| 2.3 本章小节 | 第21-22页 |
| 第三章 癫痫脑电分类方法 | 第22-35页 |
| 3.1 改进小波神经网络 | 第22-31页 |
| 3.1.1 小波变换 | 第22-24页 |
| 3.1.2 神经网络 | 第24-28页 |
| 3.1.3 小波神经网络及小波神经网络的改进 | 第28-31页 |
| 3.2 小波神经网络转移系数初始化算法 | 第31-34页 |
| 3.2.1 传统的k均值和模糊c均值算法 | 第32页 |
| 3.2.2 基于对称的k均值和模糊c均值算法 | 第32-33页 |
| 3.2.3 改进的基于点对称的k均值算法 | 第33页 |
| 3.2.4 改进的基于点对称的模糊c均值算法 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 基于改进小波神经网络的癫痫检测实验过程 | 第35-49页 |
| 4.1 实验数据 | 第35-37页 |
| 4.1.1 数据来源 | 第35-36页 |
| 4.1.2 训练数据和测试数据的选取 | 第36-37页 |
| 4.2 原始数据的预处理和特征提取 | 第37-38页 |
| 4.3 后处理 | 第38-39页 |
| 4.4 实验结果 | 第39-43页 |
| 4.5 分析讨论 | 第43-48页 |
| 4.5.1 高代表性特征 | 第44-45页 |
| 4.5.2 高分类率分类器 | 第45-46页 |
| 4.5.3 有效的数据处理方法 | 第46页 |
| 4.5.4 和其他研究成果的比较 | 第46-48页 |
| 4.6 本章小节 | 第48-49页 |
| 第五章 全文总结和展望 | 第49-51页 |
| 5.1 全文总结 | 第49-50页 |
| 5.2 未解决的问题和以后工作展望 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士研究生期间研究成果 | 第58-59页 |
| 附件 | 第59页 |
