基于运动参数的PD自动分级研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 传统帕金森病分级量表 | 第11页 |
| 1.2.2 基于惯性传感器的运动功能分析 | 第11-12页 |
| 1.2.3 基于人工智能方法的PD评估方法 | 第12-13页 |
| 1.3 课题的主要工作 | 第13-16页 |
| 1.3.1 课题的研究内容 | 第13-14页 |
| 1.3.2 章节安排 | 第14-16页 |
| 第二章 运动功能实验设计 | 第16-26页 |
| 2.1 实验动作设计 | 第16-17页 |
| 2.1.1 动作参考来源 | 第16页 |
| 2.1.2 范式动作描述 | 第16-17页 |
| 2.2 数据采集方法 | 第17-20页 |
| 2.2.1 数据采集系统 | 第17-19页 |
| 2.2.2 数据收集过程 | 第19-20页 |
| 2.3 数据集描述 | 第20-24页 |
| 2.3.1 传感器数据 | 第20-23页 |
| 2.3.2 样本信息数据库 | 第23页 |
| 2.3.3 实验样本 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 特征参数提取 | 第26-50页 |
| 3.1 特征参数提取 | 第26-35页 |
| 3.1.1 信号预处理 | 第26-27页 |
| 3.1.2 运动特征提取 | 第27-34页 |
| 3.1.3 统计特征提取 | 第34-35页 |
| 3.2 特征工程 | 第35-36页 |
| 3.2.1 特征选择 | 第35-36页 |
| 3.2.2 主成分分析 | 第36页 |
| 3.3 分类算法 | 第36-40页 |
| 3.3.1 支持向量机 | 第37-38页 |
| 3.3.2 随机森林 | 第38-39页 |
| 3.3.3 k最邻近 | 第39-40页 |
| 3.4 机器学习分级算法评估 | 第40-47页 |
| 3.4.1 评估方法 | 第40-42页 |
| 3.4.2 支持向量机算法结果分析 | 第42-43页 |
| 3.4.3 随机森林算法结果分析 | 第43-44页 |
| 3.4.4 k最邻近算法结果分析 | 第44-46页 |
| 3.4.5 三种算法结果的比较 | 第46-47页 |
| 3.5 本章小结 | 第47-50页 |
| 第四章 基于深度学习的PD自动分级 | 第50-66页 |
| 4.1 深度学习基本原理 | 第50-55页 |
| 4.1.1 卷积神经网络 | 第51-52页 |
| 4.1.2 损失函数及优化方法 | 第52-53页 |
| 4.1.3 训练模型的技巧 | 第53-55页 |
| 4.2 深度学习分类方法 | 第55-60页 |
| 4.2.1 原始数据处理 | 第55-56页 |
| 4.2.2 网络结构框架 | 第56-59页 |
| 4.2.3 模型训练 | 第59-60页 |
| 4.3 深度学习分级算法评估 | 第60-63页 |
| 4.3.1 模型优化方法的比较 | 第60-61页 |
| 4.3.2 数据增强方法的作用 | 第61-62页 |
| 4.3.3 深度学习分类算法分析 | 第62-63页 |
| 4.3.4 与传统机器学习方法的比较 | 第63页 |
| 4.4 本章小结 | 第63-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 作者简介 | 第74页 |
