| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 课题来源 | 第16页 |
| 1.2 研究背景与意义 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-21页 |
| 1.3.1 生理参数提取设备国内外研究现状 | 第17-18页 |
| 1.3.2 生理参数提取设备信号处理方法国内外研究现状 | 第18-21页 |
| 1.4 本文研究目标与思路 | 第21-22页 |
| 1.5 章节安排 | 第22-24页 |
| 第二章 生理参数提取设备整体设计 | 第24-40页 |
| 2.1 整体设计 | 第24-25页 |
| 2.1.1 整体设计原则 | 第24页 |
| 2.1.2 整体设计思路 | 第24-25页 |
| 2.2 设备机械结构设计 | 第25-29页 |
| 2.2.1 信号转换盒结构设计 | 第25-26页 |
| 2.2.2 传感器选型 | 第26-29页 |
| 2.3 设备硬件电路设计 | 第29-38页 |
| 2.3.1 信号提取流程设计 | 第29-30页 |
| 2.3.2 前置信号处理电路 | 第30-33页 |
| 2.3.3 主控芯片选择 | 第33-34页 |
| 2.3.4 芯片外围电路设计 | 第34-36页 |
| 2.3.5 充电电路与供电电路 | 第36-37页 |
| 2.3.6 蓝牙模块 | 第37-38页 |
| 2.4 PCB板设计 | 第38-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 平静状态生理参数提取算法研究 | 第40-61页 |
| 3.1 经验模态分解 | 第40-44页 |
| 3.1.1 EMD概述 | 第40-42页 |
| 3.1.2 EMD算法存在的问题 | 第42-43页 |
| 3.1.3 停止准则选择 | 第43-44页 |
| 3.1.4 模态混叠问题 | 第44页 |
| 3.2 聚类经验模态分解 | 第44-45页 |
| 3.3 信号识别方法 | 第45-47页 |
| 3.3.1 能量阈值法 | 第46页 |
| 3.3.2 相关性分析法 | 第46-47页 |
| 3.4 信号时频分析方法 | 第47-50页 |
| 3.4.1 短时傅里叶变换（STFT） | 第47-48页 |
| 3.4.2 小波变换（WT） | 第48页 |
| 3.4.3 Wigner-Ville分布 | 第48-49页 |
| 3.4.4 希尔伯特黄变换（HHT） | 第49-50页 |
| 3.5 生理信号实时提取算法 | 第50-59页 |
| 3.5.1 实验模型建立 | 第51-52页 |
| 3.5.2 基于固定“筛”停止准则的EEMD分离算法 | 第52-54页 |
| 3.5.3 信号识别与提取 | 第54-58页 |
| 3.5.4 信号的时频分析 | 第58-59页 |
| 3.6 本章小结 | 第59-61页 |
| 第四章 微体动状态生理参数提取中的预测算法研究 | 第61-70页 |
| 4.1 基于BP人工神经网络的预测方法 | 第61-63页 |
| 4.1.1 人工神经网络概述 | 第61-62页 |
| 4.1.2 BP神经网络 | 第62-63页 |
| 4.2 基于自回归滑动平均模型（ARMA模型，Auto-Regressive and Moving Average Model）模型的时序分析预测方法 | 第63-65页 |
| 4.2.1 ARMA预测模型原理 | 第63-64页 |
| 4.2.2 ARMA预测模型建立 | 第64-65页 |
| 4.3 微体动状态下生理信号提取中的预测方法对比 | 第65-69页 |
| 4.3.1 基于BP神经网络的预测方法 | 第66-67页 |
| 4.3.2 基于ARMA模型的预测方法 | 第67-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 具有自适应性的生理参数提取实验分析 | 第70-77页 |
| 5.1 平静状态下生理参数提取 | 第70-74页 |
| 5.2 微体动状态下生理参数提取 | 第74-76页 |
| 5.3 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 对本文研究工作的总结 | 第77-78页 |
| 6.2 对本研究的展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第83-84页 |
