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 |
