首页--工业技术论文--无线电电子学、电信技术论文--通信论文--通信理论论文--信号处理论文

便携式脑电系统的睡眠自动分期方法研究

摘要第5-6页
abstract第6-7页
第一章 绪论第11-17页
    1.1 论文研究意义与背景第11-12页
    1.2 睡眠脑电的研究现状第12-15页
        1.2.1 睡眠监测研究现状第12-14页
        1.2.2 睡眠分期研究现状第14-15页
    1.3 论文的主要研究内容第15-16页
    1.4 论文的组织架构第16-17页
第二章 睡眠基本理论概述第17-28页
    2.1 脑电信号简介第17-22页
        2.1.1 脑电信号的产生第17页
        2.1.2 脑电信号的采集第17-18页
        2.1.3 脑电信号的基本波形第18-21页
        2.1.4 脑电信号的分析方法第21-22页
    2.2 睡眠分期基础理论第22-25页
        2.2.1 睡眠分期准则第22-23页
        2.2.2 睡眠各期特点第23-25页
    2.3 睡眠自动分期的关键问题第25-26页
    2.4 Sleep-EDF数据库第26-27页
    2.5 本章小结第27-28页
第三章 基于多分析域的脑电多参数特征提取方法第28-53页
    3.1 单通道脑电信号去噪方法研究第28-31页
        3.1.1 单通道脑电信号去噪方法概述第28-29页
        3.1.2 基于小波变换的原始信号去噪第29-31页
    3.2 CEEMDAN算法概述第31-37页
        3.2.1 EMD算法概述第32-35页
        3.2.2 EEMD算法概述第35-36页
        3.2.3 CEEMDAN算法基本原理第36-37页
    3.3 基于多分析域的脑电多参数特征提取方法第37-42页
        3.3.1 睡眠脑电特征提取概述第37-39页
        3.3.2 算法描述与信号归一化第39-40页
        3.3.3 基于原始信号的特征提取第40-41页
        3.3.4 基于CEEMDAN算法的特征提取第41-42页
    3.4 实验效果分析第42-52页
        3.4.1 去噪效果分析第42-47页
        3.4.2 信号特征提取效果分析第47-52页
    3.5 本章小结第52-53页
第四章 基于Bagging算法的睡眠自动分期第53-69页
    4.1 分类算法概述第53-58页
        4.1.1 人工神经网络第54-55页
        4.1.2 支持向量机第55-58页
    4.2 集成学习算法概述第58-62页
        4.2.1 Boosting算法基本原理第59-61页
        4.2.2 Bagging算法基本原理第61-62页
    4.3 睡眠自动分期结果分析第62-68页
        4.3.1 数据来源与实验流程第62-63页
        4.3.2 结果分析第63-68页
    4.4 本章小结第68-69页
第五章 睡眠自动分期原型系统的设计与实现第69-80页
    5.1 系统设计第69-72页
        5.1.1 需求分析第69页
        5.1.2 总体框架设计与功能模块划分第69-72页
    5.2 睡眠自动分期原型系统实现第72-79页
        5.2.1 文件处理模块实现第72-74页
        5.2.2 数据预处理模块实现第74-77页
        5.2.3 分类效果模块实现第77-78页
        5.2.4 睡眠自动分期模块实现第78-79页
    5.3 本章小结第79-80页
第六章 系统测试与分析第80-85页
    6.1 测试环境与数据第80页
    6.2 测试内容第80页
    6.3 测试结果分析第80-84页
    6.4 本章小结第84-85页
第七章 总结与展望第85-87页
    7.1 全文总结第85-86页
    7.2 未来展望第86-87页
致谢第87-88页
参考文献第88-92页
攻读硕士学位期间取得的成果第92页

论文共92页,点击 下载论文
上一篇:美国统治菲律宾时期在菲开展的体育项目研究
下一篇:企业移动办公管理系统设计与实现