| 摘要 | 第1-12页 |
| ABSTRACT | 第12-15页 |
| 符号说明 | 第15-16页 |
| 缩略语简表 | 第16-18页 |
| 第一章 绪论 | 第18-31页 |
| ·研究背景和意义 | 第18-19页 |
| ·脑电信号的概述 | 第19-21页 |
| ·癫痫脑电的特征波 | 第21-23页 |
| ·癫痫发作自动检测的研究现状 | 第23-27页 |
| ·时域分析方法 | 第23-24页 |
| ·频域分析方法 | 第24页 |
| ·时频分析方法 | 第24-25页 |
| ·非线性分析方法 | 第25-27页 |
| ·存在的主要问题 | 第27-29页 |
| ·本文结构与主要研究内容 | 第29-31页 |
| 第二章 基于分形理论的脑电特征提取 | 第31-45页 |
| ·分形几何理论 | 第31-33页 |
| ·分形概念 | 第31-32页 |
| ·分形维数 | 第32-33页 |
| ·脑电信号的微分盒维数及其分形截距 | 第33-37页 |
| ·盒维数定义及微分盒维算法 | 第33-34页 |
| ·脑电信号的微分盒维算法 | 第34-37页 |
| ·毯子维 | 第37-40页 |
| ·脑电信号的毯子维及其分形截距 | 第40-43页 |
| ·本章小结 | 第43-45页 |
| 第三章 基于脑电分形特征的癫痫发作检测与预测方法 | 第45-72页 |
| ·基于盒维分形截距与ELM的癫痫发作检测方法 | 第45-51页 |
| ·预处理 | 第45-46页 |
| ·特征提取 | 第46页 |
| ·极端学习机(ELM) | 第46-49页 |
| ·分类器设计及后处理 | 第49-51页 |
| ·实验评价及分析 | 第51-59页 |
| ·实验数据 | 第51-54页 |
| ·实验结果及分析 | 第54-59页 |
| ·基于毯子维与BLDA的癫痫发作预测方法 | 第59-62页 |
| ·预处理 | 第60页 |
| ·特征提取 | 第60页 |
| ·分类器 | 第60-61页 |
| ·后处理 | 第61-62页 |
| ·实验评价及分析 | 第62-70页 |
| ·发作预测评价方法 | 第62-63页 |
| ·实验结果 | 第63-67页 |
| ·实验分析 | 第67-70页 |
| ·本章小结 | 第70-72页 |
| 第四章 基于稀疏表示的癫痫脑电识别 | 第72-87页 |
| ·压缩感知理论及稀疏表示 | 第72-73页 |
| ·基于稀疏表示的分类方法(SRC) | 第73-74页 |
| ·Kernel稀疏表示分类方法(Kernel SRC) | 第74-76页 |
| ·脑电信号的稀疏表示分类 | 第76-81页 |
| ·实验评价及分析 | 第81-86页 |
| ·实验数据 | 第81-82页 |
| ·实验结果及分析 | 第82-86页 |
| ·本章小结 | 第86-87页 |
| 第五章 基于Kernel协作表示的癫痫发作检测方法 | 第87-100页 |
| ·基于协作表示的分类方法(CRC) | 第87-90页 |
| ·Kernel协作表示分类方法(Kernel CRC) | 第90-91页 |
| ·基于Kernel协作表示的癫痫发作检测方法 | 第91-93页 |
| ·实验结果及分析 | 第93-99页 |
| ·本章小结 | 第99-100页 |
| 第六章 总结和展望 | 第100-103页 |
| ·论文总结 | 第100-101页 |
| ·研究展望 | 第101-103页 |
| 参考文献 | 第103-114页 |
| 致谢 | 第114-115页 |
| 攻读学位期间发表的学术论文和参与的科研项目 | 第115-117页 |
| 附件：外文论文两篇 | 第117-138页 |
| 学位论文评阅及答辩情况表 | 第138页 |
