| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 基于子宫肌电信号(EHG)监测宫缩的研究现状 | 第12-14页 |
| 1.2.2 识别EHG宫缩过程中亟待解决的问题 | 第14页 |
| 1.2.3 深度学习在识别生理信号中的应用 | 第14-16页 |
| 1.3 本文主要内容 | 第16-17页 |
| 1.4 论文各章节安排 | 第17-19页 |
| 第2章 宫缩起点的判定方法 | 第19-27页 |
| 2.1 冰岛数据库 | 第19-20页 |
| 2.2 分娩压力计(TOCO)记录和母体感知的宫缩起点识别 | 第20-26页 |
| 2.2.1 TOCO记录的宫缩起点 | 第20-21页 |
| 2.2.2 母体感知的宫缩起点 | 第21-22页 |
| 2.2.3 TOCO与母体感知的宫缩起点时差分析 | 第22-24页 |
| 2.2.4 宫缩起点时差与孕周之间的关系 | 第24-26页 |
| 2.3 讨论与小结 | 第26-27页 |
| 第3章 识别子宫肌电信号宫缩的卷积神经网络(CNN)研究 | 第27-45页 |
| 3.1 卷积神经网络(CNN)的理论基础 | 第27-35页 |
| 3.1.1 人工神经网络 | 第27-29页 |
| 3.1.2 卷积神经网络的拓扑结构与层级设置 | 第29-33页 |
| 3.1.3 CNN的经典模型 | 第33-35页 |
| 3.2 基于CNN识别数据库EHG信号中的宫缩 | 第35-43页 |
| 3.2.1 EHG信号的预处理 | 第35页 |
| 3.2.2 EHG信号宫缩和非宫缩段的截取 | 第35-37页 |
| 3.2.3 CNN模型建立 | 第37-43页 |
| 3.3 EHG宫缩的识别结果 | 第43-44页 |
| 3.4 讨论与小结 | 第44-45页 |
| 第4章 基于CNN优化EHG信号检测电极的布局 | 第45-57页 |
| 4.1 8个检测电极布局的优化 | 第45-49页 |
| 4.1.1 8个检测电极布局的设计 | 第45-46页 |
| 4.1.2 8个检测电极布局的确定 | 第46-49页 |
| 4.2 4个检测电极布局的优化 | 第49-54页 |
| 4.2.1 4个检测电极布局的设计 | 第49-50页 |
| 4.2.2 4个检测电极布局的确定 | 第50-54页 |
| 4.3 讨论与小结 | 第54-57页 |
| 第5章 基于CNN识别临床EHG宫缩 | 第57-61页 |
| 5.1 实验方案 | 第57-58页 |
| 5.1.1 实验对象 | 第57页 |
| 5.1.2 实验设计 | 第57-58页 |
| 5.2 EHG预处理 | 第58页 |
| 5.3 Caffenet模型识别临床EHG | 第58-60页 |
| 5.4 讨论与小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间所发表的学术论文 | 第69-71页 |
| 致谢 | 第71页 |
