| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-13页 |
| 1.2.1 心电信号特征提取技术研究现状 | 第10-12页 |
| 1.2.2 心律失常分类技术研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 本文章节安排 | 第13-15页 |
| 第二章 心电信号概述及常见心律失常分类 | 第15-21页 |
| 2.1 心电信号概述 | 第15-17页 |
| 2.1.1 心电信号产生原理 | 第15-16页 |
| 2.1.2 心电信号波形特征 | 第16-17页 |
| 2.2 心律失常 | 第17-19页 |
| 2.2.1 心律失常分类诱因 | 第17-18页 |
| 2.2.2 心律失常分类 | 第18-19页 |
| 2.3 本章小结 | 第19-21页 |
| 第三章 心电信号预处理 | 第21-31页 |
| 3.1 数据来源 | 第21-23页 |
| 3.2 心电信号噪声处理 | 第23-28页 |
| 3.2.1 常见噪声分析 | 第23页 |
| 3.2.2 低频基线漂移的滤除 | 第23-25页 |
| 3.2.3 高频噪声干扰的滤除 | 第25-28页 |
| 3.3 分割样本心拍 | 第28-29页 |
| 3.4 本章小结 | 第29-31页 |
| 第四章 心电信号特征提取 | 第31-43页 |
| 4.1 基于时域的特征提取 | 第31-37页 |
| 4.1.1 EMD分解原理 | 第31-32页 |
| 4.1.2 基于EMD分解的R波检测算法 | 第32-34页 |
| 4.1.3 Q波及S波检测算法 | 第34-36页 |
| 4.1.4 典型时域特征选取 | 第36-37页 |
| 4.2 基于变换域的非线性特征提取 | 第37-40页 |
| 4.2.1 近似熵原理 | 第37-38页 |
| 4.2.2 基于EMD分解及ApEn的特征提取算法 | 第38-40页 |
| 4.3 特征空间融合 | 第40-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第五章 心律失常分类算法研究 | 第43-55页 |
| 5.1 几种常见分类算法比较 | 第43-44页 |
| 5.2 支持向量机基本理论 | 第44-48页 |
| 5.2.1 支持向量机基本原理 | 第44-47页 |
| 5.2.2 支持向量机的多分类问题 | 第47-48页 |
| 5.3 基于粒子群参数优化的支持向量机建模 | 第48-52页 |
| 5.3.1 支持向量机参数优化 | 第48-49页 |
| 5.3.2 标准粒子群参数优化原理 | 第49-50页 |
| 5.3.3 基于粒子群优化的支持向量机分类训练 | 第50-52页 |
| 5.4 基于改进粒子群参数优化的支持向量机建模 | 第52-54页 |
| 5.4.1 改进的粒子群优化算法 | 第52-53页 |
| 5.4.2 基于改进的粒子群优化的支持向量机分类训练 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 心律失常分类实验及结果分析 | 第55-63页 |
| 6.1 心律失常信号预处理实验 | 第55-56页 |
| 6.2 心律失常信号特征提取实验 | 第56-59页 |
| 6.3 心律失常分类实验及结果分析 | 第59-62页 |
| 6.3.1 实验结果评价标准 | 第59-60页 |
| 6.3.2 分类实验结果分析 | 第60-62页 |
| 6.4 本章小结 | 第62-63页 |
| 第七章 总结与展望 | 第63-65页 |
| 7.1 总结 | 第63-64页 |
| 7.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 硕士期间发表论文和参加科研情况 | 第69-71页 |
| 附录 | 第71-87页 |
| 致谢 | 第87页 |