| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 符号列表 | 第13-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题研究背景及意义 | 第15-16页 |
| 1.2 J波的研究概况 | 第16-17页 |
| 1.3 模式识别技术的研究现状及意义 | 第17-18页 |
| 1.4 本文的研究内容和章节安排 | 第18-21页 |
| 第二章 J波及模式识别方法的相关理论 | 第21-33页 |
| 2.1 J波简介 | 第21-23页 |
| 2.1.1 J波的特征及类型 | 第21-22页 |
| 2.1.2 J波综合征 | 第22-23页 |
| 2.2 模式识别系统组成 | 第23-24页 |
| 2.3 特征提取 | 第24-28页 |
| 2.4 特征选择 | 第28-30页 |
| 2.5 分类算法 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 心电数据集的构建及预处理 | 第33-39页 |
| 3.1 构建心电数据集 | 第33-34页 |
| 3.2 去噪处理 | 第34-35页 |
| 3.3 特征点检测 | 第35-37页 |
| 3.3.1 特征点检测简述 | 第35-36页 |
| 3.3.2 检测QRS波群及T波 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于时频域特征和自适应特征选择的J波检测方法 | 第39-55页 |
| 4.1 经验模态分解基本理论 | 第39-41页 |
| 4.2 时频域特征提取 | 第41-47页 |
| 4.2.1 形态学特征提取 | 第41-42页 |
| 4.2.2 基于IMF的特征提取 | 第42-45页 |
| 4.2.3 基于HHT的特征提取 | 第45-47页 |
| 4.2.4 特征归一化 | 第47页 |
| 4.3 基于区分度的自适应特征选择 | 第47-48页 |
| 4.4 基于支持向量机和粒子群优化的J波检测算法 | 第48-51页 |
| 4.4.1 支持向量机理论 | 第48-50页 |
| 4.4.2 粒子群优化算法 | 第50页 |
| 4.4.3 分类识别及参数优化 | 第50-51页 |
| 4.5 算法仿真分析 | 第51-54页 |
| 4.5.1 分类性能评价指标 | 第51-52页 |
| 4.5.2 结果分析 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 基于混合特征提取的J波检测方法 | 第55-67页 |
| 5.1 混合特征提取 | 第55-60页 |
| 5.1.1 时域特征提取 | 第55-56页 |
| 5.1.2 频域特征提取 | 第56-58页 |
| 5.1.3 非线性特征提取 | 第58-60页 |
| 5.2 基于LDA的特征选择 | 第60-61页 |
| 5.3 基于概率神经网络的J波检测 | 第61-63页 |
| 5.3.1 概率神经网络基本理论 | 第61-63页 |
| 5.3.2 基于PNN的J波检测 | 第63页 |
| 5.4 算法仿真分析 | 第63-66页 |
| 5.4.1 结果分析 | 第63-65页 |
| 5.4.2 PNN影响因子分析 | 第65页 |
| 5.4.3 与其他算法比较 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间学术成果及参与项目 | 第77页 |