摘要 | 第3-4页 |
ABSTRACT | 第4-5页 |
第1章 绪论 | 第8-14页 |
1.1 研究背景及意义 | 第8-9页 |
1.2 国内外的研究现状和分析 | 第9-12页 |
1.2.1 病人个性化ECG信号分类算法研究现状 | 第9-10页 |
1.2.2 迁移学习的历史与研究现状 | 第10-12页 |
1.3 本文的主要工作 | 第12-13页 |
1.4 本文的组织架构 | 第13-14页 |
第2章 心电图及其分类算法 | 第14-28页 |
2.1 心电图概述及处理 | 第14-21页 |
2.1.1 心电图的组成及特征 | 第14-16页 |
2.1.2 心电图预处理 | 第16-19页 |
2.1.3 心电图特征提取 | 第19-20页 |
2.1.4 MIT-BIH数据库及预处理 | 第20-21页 |
2.2 心电图分类算法 | 第21-26页 |
2.2.1 常见分类算法 | 第21-22页 |
2.2.2 支持向量机 | 第22-25页 |
2.2.3 分类结果评估 | 第25-26页 |
2.3 本章小结 | 第26-28页 |
第3章 迁移学习介绍 | 第28-36页 |
3.1 迁移学习的定义 | 第29-30页 |
3.2 迁移学习的分类 | 第30页 |
3.3 典型迁移学习算法及研究现状 | 第30-33页 |
3.3.1 基于实例的迁移学习 | 第30-31页 |
3.3.2 基于特征的迁移学习 | 第31-32页 |
3.3.3 基于参数的迁移学习 | 第32-33页 |
3.4 迁移学习的改进方向 | 第33-36页 |
第4章 基于S变换的ECG信号分类算法 | 第36-48页 |
4.1 S变换简介 | 第36-38页 |
4.2 基于S变换的ECG信号分类算法 | 第38-42页 |
4.3 实验评估 | 第42-46页 |
4.3.1 实验设计 | 第42-43页 |
4.3.2 对比模型 | 第43-44页 |
4.3.3 实验结果及分析 | 第44-46页 |
4.4 本章小结 | 第46-48页 |
第5章 基于迁移学习的病人个性化ECG分类算法 | 第48-62页 |
5.1 相关技术 | 第48-52页 |
5.1.1 最大均值差异(MMD) | 第48-49页 |
5.1.2 主成分分析(PCA) | 第49页 |
5.1.3 联合分布适配(JDA) | 第49-52页 |
5.2 基于迁移学习的病人个性化ECG信号分类算法 | 第52-53页 |
5.3 实验评估 | 第53-61页 |
5.3.1 实验设计 | 第53-54页 |
5.3.2 对比模型 | 第54-55页 |
5.3.3 实验参数选择 | 第55-58页 |
5.3.4 实验结果及分析 | 第58-61页 |
5.4 本章小结 | 第61-62页 |
第6章 总结与展望 | 第62-64页 |
6.1 工作总结 | 第62-63页 |
6.2 进一步工作与展望 | 第63-64页 |
参考文献 | 第64-68页 |
发表论文和科研情况说明 | 第68-70页 |
致谢 | 第70页 |