基于深度学习的房颤检测
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 引言 | 第10页 |
| 1.2 心电图及房颤的信号特征 | 第10-13页 |
| 1.2.1 心电图简述 | 第10-11页 |
| 1.2.2 房颤分类及信号特征 | 第11-13页 |
| 1.3 房颤检测算法的研究进展 | 第13-14页 |
| 1.3.1 基于传统特征提取的房颤检测算法 | 第13-14页 |
| 1.3.2 基于深度学习的房颤检测算法 | 第14页 |
| 1.4 论文研究内容和章节安排 | 第14-15页 |
| 1.5 小结 | 第15-16页 |
| 第2章 深度学习理论 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 深度学习简介 | 第16-17页 |
| 2.3 循环神经网络 | 第17-21页 |
| 2.3.1 长短时记忆网络 | 第18-19页 |
| 2.3.2 门控循环单元 | 第19-20页 |
| 2.3.3 双向循环神经网络 | 第20-21页 |
| 2.4 小结 | 第21-22页 |
| 第3章 心电信号预处理 | 第22-27页 |
| 3.1 引言 | 第22页 |
| 3.2 心电信号降噪 | 第22-24页 |
| 3.3 基于特征点的数据增强方法 | 第24-26页 |
| 3.4 小结 | 第26-27页 |
| 第4章 基于循环神经网络的房颤检测 | 第27-37页 |
| 4.1 引言 | 第27页 |
| 4.2 基于单导联心电的房颤检测 | 第27-30页 |
| 4.2.1 数据集简介 | 第27-29页 |
| 4.2.2 数据预处理 | 第29页 |
| 4.2.3 使用的模型结构 | 第29-30页 |
| 4.3 基于多导联心电的房颤检测 | 第30-35页 |
| 4.3.1 数据集简介 | 第30-32页 |
| 4.3.2 心电信号预处理 | 第32-33页 |
| 4.3.3 模型改进 | 第33页 |
| 4.3.4 特征导联选取 | 第33-35页 |
| 4.4 网络的训练和优化 | 第35-36页 |
| 4.5 小结 | 第36-37页 |
| 第5章 实验结果与分析 | 第37-45页 |
| 5.1 引言 | 第37页 |
| 5.2 性能评估标准 | 第37-38页 |
| 5.3 单导联房颤检测算法评估 | 第38-42页 |
| 5.4 多导联房颤检测算法评估 | 第42-44页 |
| 5.5 小结 | 第44-45页 |
| 第6章 总结与展望 | 第45-47页 |
| 6.1 本文完成的研究工作及主要结果 | 第45-46页 |
| 6.2 需要进一步研究的问题 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间参加的科研项目和成果 | 第53页 |
