基于机器学习的房颤识别算法研究
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14-18页 |
| 1.1.1 心房颤动 | 第14-16页 |
| 1.1.2 机器学习 | 第16-18页 |
| 1.2 国内外的研究现状 | 第18-21页 |
| 1.2.1 基于心房活动特征的房颤检测 | 第18-19页 |
| 1.2.2 基于RR间期特征的房颤检测 | 第19-21页 |
| 1.3 本文研究内容及章节安排 | 第21-24页 |
| 第2章 时频分析技术及改进频率切片小波变换 | 第24-34页 |
| 2.1 时频分析技术 | 第24-29页 |
| 2.1.1 短时傅里叶变换 | 第24-26页 |
| 2.1.2 Wigner-Ville分布 | 第26-27页 |
| 2.1.3 小波变换 | 第27-29页 |
| 2.2 改进频率切片小波变换 | 第29-32页 |
| 2.2.1 改进频率小波变换的原理 | 第29-31页 |
| 2.2.2 心电信号的时频表示 | 第31-32页 |
| 2.3 本章小结 | 第32-34页 |
| 第3章 基于机器学习的房颤识别研究 | 第34-54页 |
| 3.1 心电数据来源及预处理 | 第34-37页 |
| 3.1.1 数据来源 | 第34-35页 |
| 3.1.2 信号预处理 | 第35-36页 |
| 3.1.3 实验流程 | 第36-37页 |
| 3.2 机器学习算法 | 第37-41页 |
| 3.2.1 K-最近邻法 | 第37-38页 |
| 3.2.2 支持向量机 | 第38-39页 |
| 3.2.3 二叉树与随机森林 | 第39-40页 |
| 3.2.4 混合分类器 | 第40-41页 |
| 3.3 机器学习模型性能评估 | 第41-48页 |
| 3.3.1 模型评价指标 | 第41-42页 |
| 3.3.2 K值的影响 | 第42-43页 |
| 3.3.3 核函数的选择 | 第43-45页 |
| 3.3.4 二叉树个数的选择 | 第45-46页 |
| 3.3.5 传统机器学习算法模型指标评估 | 第46-48页 |
| 3.4 KNN与RF对比研究 | 第48-51页 |
| 3.5 时间尺度选择 | 第51-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第4章 基于卷积神经网络的房颤识别研究 | 第54-66页 |
| 4.1 卷积神经网络 | 第54-56页 |
| 4.1.1 卷积神经网络概述 | 第54页 |
| 4.1.2 卷积神经网络工作原理 | 第54-56页 |
| 4.2 CNN模型构建及应用 | 第56-57页 |
| 4.2.1 模型搭建 | 第56页 |
| 4.2.2 实验流程 | 第56-57页 |
| 4.3 CNN模型性能评估 | 第57-61页 |
| 4.3.1 ROC曲线和AUC | 第57-58页 |
| 4.3.2 Epoch的影响 | 第58-60页 |
| 4.3.3 交叉验证评价结果 | 第60-61页 |
| 4.4 传统机器学习算法和CNN算法对比研究 | 第61-64页 |
| 4.4.1 模型的相同点 | 第61页 |
| 4.4.2 模型的不同点 | 第61-63页 |
| 4.4.3 模型的分类结果对比 | 第63-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-70页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-70页 |
| 参考文献 | 第70-78页 |
| 致谢 | 第78-80页 |
| 攻读学位期间发表的学术论文目录 | 第80-82页 |
| 附录1 | 第82-87页 |
| 学位论文评阅及答辩情况表 | 第87页 |
