心电图常见疾病的统计模式识别分类方法的应用研究
| 中文摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 第1章 绪论 | 第10-13页 |
| ·心电图的产生 | 第10页 |
| ·研究心电图自动诊断的意义 | 第10-11页 |
| ·本文的主要内容 | 第11-13页 |
| 第2章 心电图基础知识 | 第13-18页 |
| ·基本概念 | 第13-16页 |
| ·记录形式 | 第16-18页 |
| 第3章 心电图分类的相关工作 | 第18-28页 |
| ·数据获取 | 第18-21页 |
| ·CSE数据库 | 第19页 |
| ·AHA数据库 | 第19页 |
| ·MIT-BIH数据库 | 第19-20页 |
| ·样本量计算 | 第20-21页 |
| ·预处理 | 第21-22页 |
| ·特征提取 | 第22-24页 |
| ·波形分类 | 第24-28页 |
| ·基于知识库的分类方法 | 第24-25页 |
| ·基于模式识别的分类方法 | 第25-28页 |
| 第4章 基于医生经验的心电图规则 | 第28-40页 |
| ·形态特征参数 | 第28-29页 |
| ·基于医生经验的常见心脏疾病的判别规则 | 第29-40页 |
| 第5章 贝叶斯分类方法 | 第40-50页 |
| ·几种常用的贝叶斯决策 | 第40-42页 |
| ·基于最小错误率的贝叶斯决策 | 第40-41页 |
| ·基于最小风险的贝叶斯决策 | 第41-42页 |
| ·最小最大决策 | 第42页 |
| ·序贯分类方法 | 第42页 |
| ·多元正态概率下的最小错误率贝叶斯判别函数 | 第42-44页 |
| ·多元正态分布概率密度函数的定义及性质 | 第43页 |
| ·多元正态概率下的最小错误率贝叶斯判别函数 | 第43-44页 |
| ·贝叶斯分类器两分类的实验 | 第44-48页 |
| ·贝叶斯分类器的实验步骤 | 第44-45页 |
| ·贝叶斯分类器两分类的实验过程 | 第45-46页 |
| ·统计分析 | 第46-47页 |
| ·比较 | 第47-48页 |
| ·贝叶斯分类器多分类实验 | 第48-49页 |
| ·贝叶斯分类器的优缺点 | 第49-50页 |
| 第6章 支持向量机 | 第50-71页 |
| ·最优分类超平面 | 第50-51页 |
| ·线性支持向量机 | 第51-53页 |
| ·非线性支持向量机 | 第53-54页 |
| ·核函数的选取 | 第54-56页 |
| ·支持向量机两分类实验 | 第56-62页 |
| ·支持向量机两分类的实现步骤 | 第56-57页 |
| ·支持向量机两分类的实验过程 | 第57-59页 |
| ·比较 | 第59-62页 |
| ·支持向量机多分类方法 | 第62-65页 |
| ·支持向量机多分类的几种方法 | 第62-63页 |
| ·支持向量机多分类的实验结果 | 第63-65页 |
| ·贝叶斯分类器和支持向量机的比较 | 第65-66页 |
| ·十二导联心电图支持向量机分类 | 第66-70页 |
| ·十二导联心电图特征串联支持向量机分类实验 | 第66-67页 |
| ·十二导联心电图特征并联支持向量机分类 | 第67-68页 |
| ·蒙特卡罗法多导联心电图特征融合 | 第68-69页 |
| ·蒙特卡罗法多导联心电图特征融合实验 | 第69-70页 |
| ·支持向量机的优缺点 | 第70-71页 |
| 第7章 分类器组合 | 第71-82页 |
| ·分类器组合的方法 | 第72-77页 |
| ·投票表决法 | 第73-75页 |
| ·Boosting算法 | 第75页 |
| ·Bagging算法 | 第75-76页 |
| ·Stacking算法 | 第76页 |
| ·Cascade算法 | 第76-77页 |
| ·并行分类器组合 | 第77-79页 |
| ·并行分类器组合的实验过程 | 第77-78页 |
| ·比较 | 第78-79页 |
| ·串行分类器组合 | 第79-81页 |
| ·串行分类器组合的实验过程 | 第79-80页 |
| ·串行分类器组合实验结果 | 第80-81页 |
| ·待研究的问题 | 第81-82页 |
| 第8章 总结与展望 | 第82-84页 |
| 附录 | 第84-88页 |
| 参考文献 | 第88-97页 |
| 硕士在读期间发表的论文 | 第97-98页 |
| 致谢 | 第98-99页 |
