| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 2 信号的处理与识别基本原理 | 第14-27页 |
| 2.1 信号的预处理方法 | 第14-21页 |
| 2.1.1 移动平滑滤波 | 第15页 |
| 2.1.2 自适应滤波 | 第15-17页 |
| 2.1.3 数学形态学滤波 | 第17-19页 |
| 2.1.4 小波滤波 | 第19-21页 |
| 2.2 模式识别分类方法 | 第21-26页 |
| 2.2.1 线性判别法分类识别 | 第21-22页 |
| 2.2.2 BP神经网络分类识别 | 第22-23页 |
| 2.2.3 支持向量机分类识别 | 第23-24页 |
| 2.2.4 K均值聚类分析法分类识别 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 基于模式识别的胸阻抗自动检测算法 | 第27-49页 |
| 3.1 胸阻抗信号的采集 | 第28-32页 |
| 3.1.1 动物手术操作 | 第28-29页 |
| 3.1.2 实验过程 | 第29-30页 |
| 3.1.3 数据采集 | 第30-32页 |
| 3.2 基于小波与形态学的胸阻抗信号滤波 | 第32-40页 |
| 3.2.1 基于形态学的胸阻抗信号滤波 | 第33-35页 |
| 3.2.2 基于小波软阈值的胸阻抗信号滤波 | 第35-36页 |
| 3.2.3 胸阻抗信号滤波方法的实验对比与分析 | 第36-40页 |
| 3.3 基于多分辨率窗口搜索法的波形标记 | 第40-44页 |
| 3.3.1 胸阻抗信号波形特征点 | 第40-41页 |
| 3.3.2 基于多分辨率窗口搜索法的波形标记 | 第41-43页 |
| 3.3.3 波形标记方法的实验对比及性能分析 | 第43-44页 |
| 3.4 胸阻抗信号的时域特征提取 | 第44-46页 |
| 3.5 基于线性判定分析法的分类识别方法 | 第46页 |
| 3.6 实验结果及分析 | 第46-48页 |
| 3.7 本章小结 | 第48-49页 |
| 4 采用基于密度加权和偏好信息的K均值聚类的胸阻抗信号自动检测算法 | 第49-63页 |
| 4.1 胸阻抗信号波形的时频域特征提取 | 第50-52页 |
| 4.1.1 胸阻抗信号的时域特征提取 | 第50页 |
| 4.1.2 基于小波分解的胸阻抗信号的频域特征提取 | 第50-52页 |
| 4.2 基于密度加权和偏好信息的K均值聚类的分类识别算法 | 第52-55页 |
| 4.2.1 K值和距离函数的选择 | 第53页 |
| 4.2.2 K均值聚类的密度加权 | 第53-55页 |
| 4.2.3 偏好信息的引入 | 第55页 |
| 4.3 实验结果及分析 | 第55-61页 |
| 4.3.1 基于密度加权和偏好信息的K均值聚类的分类识别算法分类识别结果 | 第55-57页 |
| 4.3.2 分类识别算法的实验对比及分析 | 第57-58页 |
| 4.3.3 现有胸阻抗自动检测算法的性能对比及分析 | 第58-60页 |
| 4.3.4 胸阻抗信号的实时自动监测效果展示 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 论文总结 | 第63-64页 |
| 5.2 未来工作的展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |
| A．作者在攻读学位期间发表的论文及专利结果 | 第70页 |
| B．作者在攻读学位期间参与的科研项目 | 第70页 |
