基于机器学习方法的脑电信号自动分类研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·脑电信号概述 | 第8-12页 |
| ·脑电信号研究历史 | 第9页 |
| ·脑电信号基本特点 | 第9-10页 |
| ·脑电信号分析方法 | 第10-12页 |
| ·癫痫脑电信号自动分类 | 第12-15页 |
| ·脑电信号在癫痫诊疗中的价值 | 第12-13页 |
| ·癫痫脑电信号自动分类方法的发展 | 第13-15页 |
| ·本文主要研究内容 | 第15-16页 |
| 2 基于系统辨识的脑电信号特征提取 | 第16-30页 |
| ·基于自回归模型的脑电信号特征提取 | 第16-21页 |
| ·自回归模型 | 第16-17页 |
| ·自回归模型参数估计 | 第17-19页 |
| ·基于自回归模型的脑电信号特征提取 | 第19-21页 |
| ·基于回声状态网络的脑电信号特征提取 | 第21-30页 |
| ·脑电信号特征提取策略 | 第21-23页 |
| ·回声状态网络 | 第23-25页 |
| ·基于回声状态网络的单导联脑电信号特征提取 | 第25-28页 |
| ·基于回声状态网络的多元脑电信号特征提取 | 第28-30页 |
| 3 脑电信号特征变换 | 第30-36页 |
| ·特征变换方法 | 第30-33页 |
| ·主成分分析 | 第30-32页 |
| ·线性判别分析 | 第32-33页 |
| ·特征变换在脑电信号自动分类中的应用 | 第33-36页 |
| ·脑电信号特征空间降维 | 第33-34页 |
| ·仿真结果与比较 | 第34-36页 |
| 4 癫痫脑电信号自动分类 | 第36-52页 |
| ·基于支持向量机的癫痫脑电信号自动分类 | 第36-40页 |
| ·支持向量机 | 第36-38页 |
| ·实验设计及参数选择 | 第38-39页 |
| ·仿真结果与比较 | 第39-40页 |
| ·基于关联向量机的癫痫脑电信号自动分类 | 第40-45页 |
| ·关联向量机 | 第41-42页 |
| ·实验设计及参数选择 | 第42-43页 |
| ·仿真结果与比较 | 第43-45页 |
| ·基于极限学习机的癫痫脑电信号自动分类 | 第45-52页 |
| ·极限学习机 | 第46-47页 |
| ·实验设计及参数选择 | 第47-48页 |
| ·仿真结果与比较 | 第48-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录A 波恩大学癫痫研究中心脑电数据库 | 第57-59页 |
| 攻读硕士学位期间参与项目情况 | 第59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-61页 |
