| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题研究背景与意义 | 第8-11页 |
| 1.1.1 ECG生理学基础 | 第9页 |
| 1.1.2 ECG获取方式 | 第9-11页 |
| 1.2 心律失常自动分类系统概述 | 第11-16页 |
| 1.2.1 ECG信号预处理简述 | 第11-12页 |
| 1.2.2 单心跳分割简述 | 第12页 |
| 1.2.3 特征提取简述 | 第12-15页 |
| 1.2.4 心跳分类简述 | 第15-16页 |
| 1.3 论文结构与内容 | 第16-18页 |
| 第2章 数据集与相关准则 | 第18-24页 |
| 2.1 数据集概述 | 第18-20页 |
| 2.2 AAMI国际标准(1988) | 第20页 |
| 2.3 性能评价标准概述 | 第20-24页 |
| 第3章 图片数据获取与基本系统搭建 | 第24-36页 |
| 3.1 二维图片获取 | 第24-25页 |
| 3.2 2D-CNN模型构建 | 第25-31页 |
| 3.2.1 卷积神经网络的视觉原理 | 第25-26页 |
| 3.2.2 2D-CNN层级原理 | 第26-28页 |
| 3.2.3 2D-CNN模型构建与特征获取 | 第28-31页 |
| 3.3 分类器选择 | 第31-36页 |
| 3.3.1 支持向量机原理与应用 | 第31-32页 |
| 3.3.2 随机森林原理与应用 | 第32-36页 |
| 第4章 特征融合技术 | 第36-42页 |
| 4.1 融合技术的研究背景 | 第36-37页 |
| 4.2 PQRST特征与2D-CNN特征融合 | 第37-38页 |
| 4.2.1 PQRST特征提取 | 第37-38页 |
| 4.2.2 PQRST特征与2D-CNN特征融合实验结果 | 第38页 |
| 4.3 1D-CNN与2D-CNN特征融合 | 第38-40页 |
| 4.3.1 1D-CNN特征提取 | 第38-39页 |
| 4.3.2 1D-CNN特征与2D-CNN特征融合实验结果 | 第39-40页 |
| 4.4 两种融合方法分析 | 第40-42页 |
| 第5章 不平衡处理 | 第42-52页 |
| 5.1 不平衡算法研究背景 | 第42-45页 |
| 5.2 常见的多类不平衡算法 | 第45-49页 |
| 5.2.1 ROS算法 | 第47页 |
| 5.2.2 RUS算法 | 第47-48页 |
| 5.2.3 CC算法 | 第48页 |
| 5.2.4 NM算法 | 第48页 |
| 5.2.5 ENN、RENN、NCR算法 | 第48-49页 |
| 5.2.6 OSS算法 | 第49页 |
| 5.3 实验结果与讨论 | 第49-52页 |
| 第6章 系统生成及其泛化 | 第52-58页 |
| 6.1 本文提出的系统构成 | 第52-55页 |
| 6.2 系统优越性能对比 | 第55-56页 |
| 6.2.1 intra-patient | 第55页 |
| 6.2.2 inter-patient | 第55-56页 |
| 6.3 系统泛化能力体现 | 第56-58页 |
| 第7章 总结与展望 | 第58-62页 |
| 7.1 总结 | 第58-60页 |
| 7.2 展望 | 第60-62页 |
| 参考文献 | 第62-70页 |
| 发表论文和参加科研情况说明 | 第70-72页 |
| 致谢 | 第72页 |