基于EEG的信号处理与疼痛识别研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 脑电信号研究现状 | 第14-16页 |
| 1.3 疼痛脑电信号的研究现状 | 第16-19页 |
| 1.4 论文安排 | 第19-21页 |
| 第2章 脑电信号分析与处理方法 | 第21-37页 |
| 2.1 脑电信号概述 | 第21-25页 |
| 2.1.1 大脑的结构与功能 | 第21-22页 |
| 2.1.2 脑电信号的产生机理及特点 | 第22页 |
| 2.1.3 脑电信号的频率组成 | 第22-23页 |
| 2.1.4 脑电信号的采集方法 | 第23-25页 |
| 2.2 小波变换理论 | 第25-32页 |
| 2.2.1 连续小波变换 | 第26-27页 |
| 2.2.2 离散小波变换 | 第27-28页 |
| 2.2.3 多分辨率分析 | 第28-29页 |
| 2.2.4 常用小波函数 | 第29-32页 |
| 2.3 独立分量分析 | 第32-36页 |
| 2.3.1 ICA定义 | 第32-33页 |
| 2.3.2 ICA判据 | 第33-35页 |
| 2.3.3 FastICA | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 疼痛脑电信号的特征提取 | 第37-49页 |
| 3.1 疼痛脑电信号的采集 | 第37-38页 |
| 3.1.1 实验对象与实验方法 | 第37-38页 |
| 3.1.2 数据集描述 | 第38页 |
| 3.2 数据预处理 | 第38-42页 |
| 3.3 基于离散小波变换的脑电特征提取 | 第42-48页 |
| 3.3.1 时频特征提取 | 第42-44页 |
| 3.3.2 相对小波能量 | 第44-45页 |
| 3.3.3 基于样本熵的脑电特征 | 第45-46页 |
| 3.3.4 基于锁相值的脑电特征 | 第46-48页 |
| 3.3.5 特征统计分析 | 第48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 疼痛脑电的特征选择与分类识别 | 第49-63页 |
| 4.1 特征选择概述 | 第49-50页 |
| 4.2 基于支持向量机的疼痛分类 | 第50-56页 |
| 4.2.1 支持向量机的基本原理 | 第50-52页 |
| 4.2.2 基于ANOVA-SVM的算法构建过程 | 第52-53页 |
| 4.2.3 基于支持向量机的分类结果 | 第53-56页 |
| 4.3 基于随机森林的特征选择与疼痛分类 | 第56-62页 |
| 4.3.1 随机森林的基本原理 | 第56-58页 |
| 4.3.2 随机森林用于特征选择 | 第58页 |
| 4.3.3 基于RF-SBS特征选择算法构建过程 | 第58-59页 |
| 4.3.4 分类结果 | 第59-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读学位期间发表的论文 | 第70页 |
