首页--工业技术论文--无线电电子学、电信技术论文--通信论文--通信理论论文--信息论论文

基于迁移学习的病人个性化心电信号分类算法研究

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

论文共70页,点击 下载论文
上一篇:陶瓷茶仓的造型研究
下一篇:化学助剂促进植物纤维原料酶解机制研究