基于脑电信号的癫痫疾病智能诊断与研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 脑电信号概述 | 第11-13页 |
| 1.2.1 脑电信号种类 | 第11-12页 |
| 1.2.2 癫痫脑电特征波 | 第12页 |
| 1.2.3 脑电信号特征 | 第12-13页 |
| 1.3 癫痫疾病智能诊断研究概况 | 第13-15页 |
| 1.4 本文研究路线和主要内容 | 第15-16页 |
| 第2章 癫痫脑电信号预处理 | 第16-24页 |
| 2.1 癫痫脑电数据来源 | 第16-18页 |
| 2.2 脑电信号的时频域分析 | 第18-20页 |
| 2.2.1 短时傅里叶变换 | 第18-19页 |
| 2.2.2 连续小波变换 | 第19页 |
| 2.2.3 离散小波变换 | 第19-20页 |
| 2.3 小波变换在EEG分析中的应用 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 癫痫脑电信号特征分析 | 第24-33页 |
| 3.1 线性特征提取 | 第24-25页 |
| 3.2 非线性特征提取 | 第25-27页 |
| 3.2.1 近似熵 | 第25-26页 |
| 3.2.2 样本熵 | 第26-27页 |
| 3.3 构建特征向量 | 第27-32页 |
| 3.3.1 混合特征提取 | 第28-29页 |
| 3.3.2 设置特征向量权重 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 癫痫疾病诊断算法 | 第33-43页 |
| 4.1 支持向量机 | 第33-37页 |
| 4.1.1 SVM理论基础 | 第33-35页 |
| 4.1.2 核函数 | 第35-37页 |
| 4.2 多分类问题 | 第37-40页 |
| 4.2.1 “一对多”算法 | 第37-39页 |
| 4.2.2 “一对一”算法 | 第39-40页 |
| 4.3 粒子群优化算法 | 第40-42页 |
| 4.3.1 粒子群算法理论基础 | 第40-41页 |
| 4.3.2 粒子群优化实现流程 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 实验结果与分析 | 第43-61页 |
| 5.1 训练样本测试样本的选取 | 第43-44页 |
| 5.2 实验评价指标 | 第44-45页 |
| 5.3 实验仿真结果 | 第45-53页 |
| 5.3.1 实验一 | 第46-47页 |
| 5.3.2 实验二 | 第47-48页 |
| 5.3.3 实验三 | 第48-49页 |
| 5.3.4 实验四 | 第49-50页 |
| 5.3.5 实验五 | 第50-51页 |
| 5.3.6 实验六 | 第51-52页 |
| 5.3.7 实验七 | 第52-53页 |
| 5.4 实验结果对比 | 第53-55页 |
| 5.5 操作界面设计 | 第55-60页 |
| 5.5.1 配置开发环境 | 第55-57页 |
| 5.5.2 用户界面 | 第57-60页 |
| 5.6 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的学术论文及获得成果 | 第66-67页 |
| 致谢 | 第67页 |
