| 摘要 | 第7-9页 |
| abstract | 第9-11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 癫痫脑电信号描述 | 第13-15页 |
| 1.2.1 脑电信号的特点与分类 | 第13-14页 |
| 1.2.2 癫痫脑电信号的特征波 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-18页 |
| 1.4 本文研究内容和创新点 | 第18-19页 |
| 1.5 论文组织结构安排 | 第19-20页 |
| 第二章 癫痫脑电信号分类识别方法 | 第20-32页 |
| 2.1 癫痫脑电信号分析方法 | 第20-22页 |
| 2.2 癫痫脑电信号的非线性特征提取方法 | 第22-24页 |
| 2.3 支持向量机分类模型 | 第24-26页 |
| 2.4 稀疏表示理论 | 第26-30页 |
| 2.4.1 稀疏表示概述 | 第26页 |
| 2.4.2 稀疏表示分类（SRC）模型 | 第26-28页 |
| 2.4.3 字典学习 | 第28-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于RQA的癫痫脑电特征提取方法 | 第32-47页 |
| 3.1 递归图（Recurrence plot） | 第32-35页 |
| 3.1.1 相空间重构 | 第32-33页 |
| 3.1.2 递归图方法 | 第33-35页 |
| 3.2 递归量化分析（RQA）指标 | 第35-37页 |
| 3.3 实验过程及结果 | 第37-45页 |
| 3.3.1 直接基于递归量化特征的分类结果 | 第37-44页 |
| 3.3.2 结合SVM的癫痫脑电分类结果 | 第44-45页 |
| 3.3.3 线性特征与非线性特征相结合的癫痫脑电分类结果 | 第45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于稀疏表示和小波变换的癫痫脑电分类识别方法 | 第47-55页 |
| 4.1 小波分析方法 | 第47-50页 |
| 4.2 基于小波变换的癫痫脑电稀疏表示分类方法 | 第50-51页 |
| 4.2.1 信号预处理 | 第50页 |
| 4.2.2 SRC实现流程 | 第50-51页 |
| 4.3 实验结果分析 | 第51-54页 |
| 4.3.1 实验数据 | 第51-52页 |
| 4.3.2 稀疏重构误差容限对分类准确率的影响 | 第52页 |
| 4.3.3 组合小波子带实验结果与分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于模态分解和稀疏表示的癫痫脑电自动检测方法 | 第55-63页 |
| 5.1 EMD分解 | 第55-57页 |
| 5.2 基于特征提取构建字典 | 第57-58页 |
| 5.3 基于K-SVD字典学习的稀疏表示分类方法 | 第58-59页 |
| 5.4 实验结果与分析 | 第59-62页 |
| 5.4.1 频谱分析 | 第59-61页 |
| 5.4.2 参数选取与分析 | 第61页 |
| 5.4.3 实验结果 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 结论与展望 | 第63-65页 |
| 6.1 论文总结 | 第63-64页 |
| 6.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 附录 | 第71页 |
