基于深度置信网络脑电信号医学数据处理算法优化研究

目录

声明

致谢

1 引言

1.1 研究背景和意义

1.2 研究现状

1.2.1 脑电信号分析方法研究现状

1.2.2 脑电信号分类方法研究现状

1.3 深度学习发展概况

1.3.1 深度学习的萌芽阶段

1.3.2 深度学习的发展阶段

1.3.3 深度学习的爆发阶段

1.4 脑电信号分类研究发展趋势

1.5 论文的创新点及主要内容

1.5.1 论文的创新点

1.5.2 论文的主要内容

2 脑电信号的产生与获取

2.1 脑电信号的产生

2.1.1 大脑的结构和功能

2.1.2 脑电信号产生的机理

2.1.3 脑电信号分类

2.1.4 脑电信号的特点

2.2 脑电信号的获取

2.2.1 脑电信号入侵式采集

2.2.2 脑电信号非入侵式采集

2.3 P300 事件相关电位

2.4 本章小结

3 脑电信号处理方法

3.1 脑电信号预处理

3.2 小波分析

3.2.1 连续小波变换

3.2.2 离散小波变换

3.2.3 多分辨率分析

3.3 小波包变换

3.4 本章小结

4 基于DBN 脑电信号分类

4.1 概述

4.2 DBN模型的构建

4.2.1 DBN模型的构建——RBM

4.2.2 RBM 的训练算法

4.2.3 DBN模型的构建——整体

4.3 基于小波包分析 DBN脑电信号分类实验

4.3.1 实验数据简介

4.3.2 实验数据预处理

4.3.3 基于小波包分析脑电信号特征提取

4.3.4 DBN模型及小波基的参数选择

4.3.5 多种特征提取方法对比研究

4.4 基于多通道 DBN模型分类实验

4.4.1 多通道 DBN模型设计

4.4.2 实验结果与分析

4.5 本章小结

5 基于 FEPCD 算法脑电信号分类

5.1 PCD算法

5.2 FEPCD 算法

5.3 实验结果与分析

5.4 本章小结

6 结论

6.1 结论

6.2 展望

参考文献

作者简历及攻读硕士/博士学位期间取得的研究成果

独创性声明

学位论文数据集