| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于基准点的特征提取技术的研究现状 | 第10-11页 |
| 1.2.2 基于波形形态心律失常识别的研究现状 | 第11-12页 |
| 1.2.3 深度学习用于心律失常识别的研究现状 | 第12-13页 |
| 1.3 本文主要研究内容和结构 | 第13页 |
| 1.4 本文章节安排 | 第13-15页 |
| 第二章 心电信号概述和典型心律失常的介绍 | 第15-20页 |
| 2.1 心电信号的简介 | 第15-16页 |
| 2.1.1 心电信号的产生原理 | 第15-16页 |
| 2.1.2 标准心电信号介绍 | 第16页 |
| 2.2 心律失常介绍 | 第16-19页 |
| 2.2.1 常见心律失常分类 | 第16-17页 |
| 2.2.2 各类心律失常的特点及其产生原因 | 第17-18页 |
| 2.2.3 MIT-BIH心律失常数据库 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 基于人工神经网络的心律失常识别 | 第20-29页 |
| 3.1 神经网络介绍 | 第20-21页 |
| 3.2 人工神经网络模型识别单心动周期心律失常波形 | 第21-26页 |
| 3.2.1 数据集的划分情况 | 第21-22页 |
| 3.2.2 网络结构的设计 | 第22页 |
| 3.2.3 模型参数的选择 | 第22-24页 |
| 3.2.4 评价指标 | 第24页 |
| 3.2.5 实验结果与分析 | 第24-26页 |
| 3.3 基于时域特征的人工神经网络模型识别心律失常 | 第26-28页 |
| 3.3.1 心电信号中RR间期的提取 | 第26页 |
| 3.3.2 网络结构的设计 | 第26-27页 |
| 3.3.3 实验方法与结果分析 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 基于卷积神经网络的心律失常识别 | 第29-49页 |
| 4.1 卷积神经网络介绍 | 第29-30页 |
| 4.2 心电信号图像的灰度化和二值化 | 第30-31页 |
| 4.2.1 灰度图像的生成原理 | 第30页 |
| 4.2.2 二值图像的生成原理 | 第30-31页 |
| 4.3 用于单心动周期心律失常识别的卷积神经网络模型 | 第31-33页 |
| 4.3.1 卷积和池化的原理 | 第31-32页 |
| 4.3.2 模型结构的设计 | 第32-33页 |
| 4.4 实验方法与结果分析 | 第33-38页 |
| 4.4.1 实验数据与实验方法 | 第33-34页 |
| 4.4.2 实验结果与分析 | 第34-36页 |
| 4.4.3 卷积神经网络模型与人工神经网络模型的对比 | 第36-38页 |
| 4.5 用于连续心动周期心律失常识别的卷积神经网络模型 | 第38-45页 |
| 4.5.1 连续心动周期模型结构的设计 | 第38页 |
| 4.5.2 心动周期片段长度的划分策略 | 第38-39页 |
| 4.5.3 连续心动周期实验结果与分析 | 第39-45页 |
| 4.6 不同模型识别结果比较分析 | 第45-47页 |
| 4.7 本章小结 | 第47-49页 |
| 第五章 总结及展望 | 第49-51页 |
| 5.1 工作总结 | 第49页 |
| 5.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 发表论文和科研情况说明 | 第55-56页 |
| 致谢 | 第56页 |
