| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-18页 |
| 1．1 课题的研究背景 | 第8页 |
| 1．2 研究概况及存在的问题 | 第8-10页 |
| 1．3 脑电信号分析基础 | 第10-14页 |
| 1．3．1 脑电信号的采集 | 第10-12页 |
| 1．3．2 脑电信号分类及各类特征 | 第12-14页 |
| 1．4 脑电信号的一般分析方法 | 第14-16页 |
| 1．5 本文所做的工作 | 第16-18页 |
| 2 时频分析的基本方法及研究进展 | 第18-39页 |
| 2．1 已有的主要时频分析方法 | 第18-24页 |
| 2．1．1 线性时频分布 | 第18-19页 |
| 2．1．2 二次时频分布 | 第19-23页 |
| 2．1．3 其它时频分布类型 | 第23-24页 |
| 2．2 时频分布中交叉项抑制的研究进展 | 第24-32页 |
| 2．2．1 Wigner-Ville分布及其交叉项 | 第24页 |
| 2．2．2 原有的时频分析方法 | 第24-25页 |
| 2．2．3 新的抑制交叉项方法的研究进展 | 第25-32页 |
| 2．3 基于AR模型的时频分布及其参数的优化选择 | 第32-39页 |
| 2．3．1 基于AR模型的时频分布 | 第33-35页 |
| 2．3．2 AR模型阶数p的选取 | 第35-39页 |
| 3 基于经验模态分解(EMD)的癫痫特征波检测方法 | 第39-53页 |
| 3．1 Hilbert-Huang变换及经验模态分解法 | 第39-40页 |
| 3．2 一种基于经验模态分解的时频分布及其在EEG分析中的应用 | 第40-45页 |
| 3．2．1 基于经验模态分解的时频分布 | 第40-41页 |
| 3．2．2 基于经验模态分解的时频分布在EEG信号中的应用 | 第41-45页 |
| 3．3 一种基于经验模态分解的非线性能量算子方法 | 第45-53页 |
| 3．3．1 非线性能量算子(NEO) | 第45-47页 |
| 3．3．2 基于经验模态分解的癫痫棘波检测方法 | 第47页 |
| 3．3．3 基于经验模态分解的癫痫棘波检测方法在脑电信号中的应用 | 第47-53页 |
| 4 基于时频分析的癫痫特征波检测方法 | 第53-70页 |
| 4．1 基于奇异值分解的癫痫棘波检测方法 | 第53-61页 |
| 4．1．1 信号的奇异值分解、重构原理 | 第53-55页 |
| 4．1．2 时频分布的差异度量 | 第55-56页 |
| 4．1．3 时频分析的类型选择 | 第56页 |
| 4．1．4 基于奇异值分解的癫痫棘波检测方法 | 第56-61页 |
| 4．1．5 实验结果 | 第61页 |
| 4．2 基于人工神经网络的癫痫棘波检测方法 | 第61-70页 |
| 4．2．1 减小交叉项分布 | 第61-62页 |
| 4．2．2 背景信号频谱的确定 | 第62-63页 |
| 4．2．3 棘波的检测 | 第63-65页 |
| 4．2．4 人工神经网络(ANN)技术 | 第65-67页 |
| 4．2．5 实验结果及分析 | 第67-70页 |
| 5 癫痫脑电特征波检测系统 | 第70-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-80页 |
| 攻读硕士学位期间发表学术论文的情况 | 第80-81页 |
| 致谢 | 第81-82页 |
| 大连理工大学学位论文版权使用授权书 | 第82页 |
