| 致谢 | 第4-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第19-37页 |
| 1.1 研究背景与意义 | 第19-20页 |
| 1.2 ECG信号形态特征及其标准数据库介绍 | 第20-22页 |
| 1.2.1 ECG信号形态特征 | 第20-21页 |
| 1.2.2 ECG相关的标准数据库 | 第21-22页 |
| 1.3 心跳分类算法及其高能效架构的研究现状 | 第22-31页 |
| 1.3.1 基于人工提取特征的分类算法和架构 | 第23-28页 |
| 1.3.2 基于特征自学习的分类算法和架构 | 第28-31页 |
| 1.4 论文的技术路线与研究基础 | 第31-34页 |
| 1.4.1 技术路线 | 第31-33页 |
| 1.4.2 研究基础 | 第33-34页 |
| 1.5 论文的研究内容与组织架构 | 第34-37页 |
| 1.5.1 主要研究内容 | 第34-35页 |
| 1.5.2 组织结构 | 第35-37页 |
| 2 基于重采样技术的心跳分类问题的研究 | 第37-69页 |
| 2.1 引言 | 第37-38页 |
| 2.2 数据分布不平衡问题的相关研究回顾及分析 | 第38-41页 |
| 2.3 SVM原理分析 | 第41-45页 |
| 2.3.1 最优化问题 | 第41-43页 |
| 2.3.2 求解最优化问题 | 第43-45页 |
| 2.4 基于SVM重采样技术的数据处理算法 | 第45-51页 |
| 2.4.1 算法概述 | 第45-48页 |
| 2.4.2 寻找噪声与边界样本 | 第48-49页 |
| 2.4.3 加权过采样技术 | 第49-51页 |
| 2.5 算法普适性验证 | 第51-62页 |
| 2.5.1 性能评价指标及统计检验方法 | 第51-53页 |
| 2.5.2 数据库描述及实验平台的搭建 | 第53-56页 |
| 2.5.3 实验结果比较 | 第56-62页 |
| 2.6 心跳分类效果验证 | 第62-68页 |
| 2.6.1 ECG信号预处理 | 第62-66页 |
| 2.6.2 分类模型与结果分析 | 第66-68页 |
| 2.7 本章小结 | 第68-69页 |
| 3 基于特征自学习算法的心跳分类模型的研究 | 第69-88页 |
| 3.1 引言 | 第69-70页 |
| 3.2 问题分析 | 第70-72页 |
| 3.3 循环神经网络 | 第72-76页 |
| 3.3.1 简单循环神经网络 | 第73-74页 |
| 3.3.2 长短时记忆网络 | 第74-76页 |
| 3.4 ECG信号处理 | 第76-77页 |
| 3.5 针对不定长的心跳序列识别的分类模型 | 第77-81页 |
| 3.5.1 网络结构概述 | 第77-80页 |
| 3.5.2 联结主义时间模型 | 第80-81页 |
| 3.6 实验结果 | 第81-86页 |
| 3.6.1 实验数据集描述 | 第81-83页 |
| 3.6.2 网络结构参数优化及不定长的心跳序列的分类性能 | 第83-86页 |
| 3.7 本章小结 | 第86-88页 |
| 4 高能效心跳分类架构的研究 | 第88-126页 |
| 4.1 引言 | 第88-89页 |
| 4.2 基于人工提取特性的高能效分类架构研究 | 第89-108页 |
| 4.2.1 分类模型优化 | 第89-94页 |
| 4.2.2 分类模型的高能效硬件架构设计 | 第94-102页 |
| 4.2.3 实验结果 | 第102-108页 |
| 4.3 基于特征自学习的高能效分类架构的研究 | 第108-124页 |
| 4.3.1 模型深度压缩 | 第108-114页 |
| 4.3.2 分类模型的高能效硬件架构设计 | 第114-122页 |
| 4.3.3 实验结果 | 第122-124页 |
| 4.4 分类模型硬件架构的能耗分析 | 第124-125页 |
| 4.5 本章小结 | 第125-126页 |
| 5 总结与展望 | 第126-129页 |
| 5.1 论文研究工作总结 | 第126-127页 |
| 5.2 今后工作展望 | 第127-129页 |
| 参考文献 | 第129-143页 |
| 攻读学位期间发表/录用/在审的学术论文 | 第143页 |