微动敏感床垫信号中体动信息的分类识别
摘要 | 第1-12页 |
ABSTRACT | 第12-15页 |
缩略语表 | 第15-16页 |
第一章 绪论 | 第16-29页 |
·睡眠的神经生物学 | 第16-17页 |
·睡眠生理 | 第17-18页 |
·睡眠监测的重要性 | 第18-20页 |
·睡眠监测技术的发展 | 第20-26页 |
·睡眠医学的发展过程及趋势 | 第20-21页 |
·低负荷睡眠监测 | 第21-23页 |
·低负荷睡眠监测的生理学基础 | 第21-22页 |
·低负荷睡眠监测的发展 | 第22-23页 |
·微动敏感床垫式睡眠监测系统 | 第23-25页 |
·床垫式睡眠监测系统的特点 | 第23-24页 |
·新一代床垫式睡眠监测系统的特点和优势 | 第24-25页 |
·体动信息分析的重要性及研究现状 | 第25-26页 |
·主要工作与各章节的安排 | 第26-29页 |
第二章 床垫式系统信号的预处理及特点分析 | 第29-44页 |
·床垫信号的处理策略 | 第29页 |
·信号滤波基础 | 第29-36页 |
·滤波器的原理及分类 | 第29-33页 |
·滤波器的基本概念 | 第29-30页 |
·工程滤波器的技术指标要求 | 第30-33页 |
·数字滤波器的原理 | 第33-35页 |
·数字滤波器概述 | 第33-34页 |
·数字滤波器的分类 | 第34页 |
·数字滤波器的工作原理 | 第34-35页 |
·工程FIR数字滤波器的设计 | 第35-36页 |
·微动敏感床垫系统信号的预处理 | 第36-42页 |
·对上身原始信号的预处理 | 第36-41页 |
·对下身原始信号的预处理 | 第41-42页 |
·床垫系统各路信号的特点分析 | 第42-44页 |
第三章 基于窗口阈值法的体动信息分类识别 | 第44-57页 |
·引言 | 第44页 |
·人夜间动作的分类策略 | 第44-45页 |
·原始信号的特征提取和量化 | 第45-46页 |
·原始信号的特征提取 | 第45-46页 |
·特征参量的数据归一化处理 | 第46页 |
·基于上身原始信号的窗口阈值判别法实现体动识别 | 第46-52页 |
·鼾声/咳嗽信号的检测 | 第47-50页 |
·语音信号处理基础 | 第47-48页 |
·鼾声/咳嗽信号的端点检测 | 第48-50页 |
·整晚体动的完整识别 | 第50-52页 |
·实验设计及分析 | 第52-55页 |
·本章小结 | 第55-57页 |
第四章 基于机器学习算法的体动分类识别 | 第57-78页 |
·机器学习基础 | 第57-59页 |
·归纳机器学习的一个最普通的任务一分类 | 第57-58页 |
·机器学习结果的评估 | 第58-59页 |
·决策树模型 | 第59-66页 |
·决策树理论基础 | 第59-60页 |
·决策树归纳 | 第60-62页 |
·由决策树提取规则 | 第62页 |
·决策树算法实现分类 | 第62-66页 |
·基于懒惰分类器的方法 | 第66-68页 |
·基于实例的学习 | 第66-67页 |
·懒惰分类器算法用于分类 | 第67-68页 |
·支持向量机分类方法 | 第68-74页 |
·从机器学习到支持向量机 | 第68-69页 |
·支持向量机的原理 | 第69-71页 |
·利用SVM实现体动分类 | 第71-74页 |
·软件背景 | 第71-72页 |
·分类过程及结果 | 第72-74页 |
·本章小结 | 第74-78页 |
第五章 体动识别基础上的几个扩展研究 | 第78-91页 |
·引言 | 第78页 |
·利用鼾声信号实现对呼吸事件的修正 | 第78-84页 |
·研究背景 | 第78-79页 |
·鼾声的产生及生理学解释 | 第79-80页 |
·睡眠呼吸事件的修正 | 第80-83页 |
·讨论 | 第83-84页 |
·夜间大动状态下呼吸波的补偿算法研究 | 第84-90页 |
·研究背景 | 第84-86页 |
·大动下呼吸波的补偿 | 第86-89页 |
·应用举例 | 第89页 |
·讨论 | 第89-90页 |
·本章小结 | 第90-91页 |
第六章 总结和展望 | 第91-94页 |
·工作总结 | 第91-92页 |
·工作展望 | 第92-94页 |
参考文献 | 第94-100页 |
致谢 | 第100-101页 |
攻读硕士学位期间发表的学术论文 | 第101-102页 |
学位论文评阅及答辩情况表 | 第102页 |