| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-8页 |
| 1 绪论 | 第13-25页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 慢性心力衰竭诊断研究现状 | 第14-19页 |
| 1.2.1 慢性心衰临床诊断方法综述 | 第14-16页 |
| 1.2.2 心音在慢性心衰诊断中的研究现状 | 第16-18页 |
| 1.2.3 基于机器学习的慢性心衰诊断研究现状 | 第18-19页 |
| 1.3 现存问题和研究思路 | 第19-21页 |
| 1.4 研究目的和主要研究内容 | 第21页 |
| 1.5 章节安排 | 第21-25页 |
| 2 心音的产生机制和慢性心力衰竭 | 第25-37页 |
| 2.1 心音基础知识简述 | 第25-31页 |
| 2.1.1 心音的基本成分 | 第25-26页 |
| 2.1.2 心音的产生机制 | 第26-29页 |
| 2.1.3 心音的病理生理基础 | 第29-31页 |
| 2.2 慢性心力衰竭基础知识简述 | 第31-33页 |
| 2.2.1 慢性心力衰竭的病理生理基础 | 第31-32页 |
| 2.2.2 慢性心力衰竭分期 | 第32-33页 |
| 2.3 心音-心力关系与慢性心力衰竭 | 第33-35页 |
| 2.3.1 心音-心力关系理论基础 | 第33-34页 |
| 2.3.2 心音与慢性心力衰竭的关系 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 3 基于多级奇异谱分析和压缩感知的心音信号去噪 | 第37-55页 |
| 3.1 引言 | 第37-38页 |
| 3.2 基本原理与方法 | 第38-40页 |
| 3.2.1 奇异谱分析基本理论 | 第38-40页 |
| 3.2.2 压缩感知基本理论 | 第40页 |
| 3.3 基于多级奇异谱分析和压缩感知的心音信号去噪 | 第40-45页 |
| 3.3.1 心音信号的多级奇异谱分析 | 第41-44页 |
| 3.3.2 重构信号的压缩感知去噪 | 第44-45页 |
| 3.4 实验结果 | 第45-52页 |
| 3.4.1 定性分析 | 第46-49页 |
| 3.4.2 不同噪声水平下去噪性能的定量评价 | 第49-50页 |
| 3.4.3 与传统去噪方法性能的定量比较 | 第50-52页 |
| 3.5 本章小结 | 第52-55页 |
| 4 慢性心衰患者心音短时特征分析 | 第55-77页 |
| 4.1 引言 | 第55-57页 |
| 4.2 关于数据采集的说明 | 第57-58页 |
| 4.3 心音短时时域特征分析 | 第58页 |
| 4.4 心音短时频域特征分析 | 第58-63页 |
| 4.4.1 心音低频能量分数 | 第59-60页 |
| 4.4.2 心音高频能量分数 | 第60-61页 |
| 4.4.3 心音子带能量分数 | 第61-62页 |
| 4.4.4 心音频谱曲线能量分数 | 第62-63页 |
| 4.5 心音短时非线性特征分析 | 第63-67页 |
| 4.5.1 基于熵测度的复杂性特征分析 | 第64-65页 |
| 4.5.2 基于分形几何结构自相似性特征分析 | 第65-67页 |
| 4.6 心音短时特征分析实验结果 | 第67-76页 |
| 4.6.1 慢性心衰患者心音短时时域特征分析结果 | 第67-69页 |
| 4.6.2 慢性心衰患者心音短时频域特征分析结果 | 第69-74页 |
| 4.6.3 慢性心衰患者心音短时非线性特征分析结果 | 第74-76页 |
| 4.7 本章小结 | 第76-77页 |
| 5 慢性心衰患者心音幅值特征序列动力学分析 | 第77-107页 |
| 5.1 引言 | 第77-78页 |
| 5.2 心音特征包络提取新方法研究 | 第78-85页 |
| 5.2.1 多尺度特征波形的定义 | 第79页 |
| 5.2.2 多尺度特征时刻波形的定义 | 第79-80页 |
| 5.2.3 维奥拉积分波形的定义 | 第80页 |
| 5.2.4 基于维奥拉积分算法的心音特征包络提取 | 第80-81页 |
| 5.2.5 基于改进维奥拉积分算法的心音特征包络提取 | 第81-85页 |
| 5.3 心音信号端点检测与峰值定位研究 | 第85-89页 |
| 5.3.1 阈值法原理分析 | 第85-86页 |
| 5.3.2 改进的阈值检索法 | 第86-88页 |
| 5.3.3 第一心音和第二心音端点检测处理 | 第88-89页 |
| 5.3.4 第一心音和第二心音峰值定位处理 | 第89页 |
| 5.4 心音幅值特征序列构造 | 第89-90页 |
| 5.4.1 第一心音幅值特征序列构造 | 第90页 |
| 5.4.2 第二心音幅值特征序列构造 | 第90页 |
| 5.4.3 第一心音与第二心音比值特征序列构造 | 第90页 |
| 5.5 心音特征序列动力学分析 | 第90-94页 |
| 5.5.1 统计量分析 | 第90-92页 |
| 5.5.2 功率谱分析 | 第92-93页 |
| 5.5.3 去趋势波动分析 | 第93-94页 |
| 5.6 实验结果 | 第94-106页 |
| 5.6.1 第一心音幅值特征序列分析结果 | 第94-98页 |
| 5.6.2 第二心音幅值特征序列分析结果 | 第98-102页 |
| 5.6.3 第一心音与第二心音幅值之比特征序列分析结果 | 第102-106页 |
| 5.7 本章小结 | 第106-107页 |
| 6 基于统计分析的慢性心衰诊断研究 | 第107-125页 |
| 6.1 引言 | 第107-108页 |
| 6.2 统计建模的基本研究内容 | 第108-112页 |
| 6.2.1 主成分分析 | 第108-109页 |
| 6.2.2 Fisher判别准则 | 第109-111页 |
| 6.2.3 朴素贝叶斯分类器 | 第111-112页 |
| 6.3 基于统计建模的慢性心衰诊断研究结果 | 第112-114页 |
| 6.4 基于受试者工作曲线分析的慢性心衰诊断指标量化研究结果 | 第114-123页 |
| 6.4.1 心音短时特征ROC曲线分析结果 | 第114-116页 |
| 6.4.2 第一心音幅值序列特征ROC分析结果 | 第116-119页 |
| 6.4.3 第二心音幅值序列特征ROC分析结果 | 第119-121页 |
| 6.4.4 第一心音与第二心音幅值之比序列特征ROC分析结果 | 第121-123页 |
| 6.5 本章小结 | 第123-125页 |
| 7 基于机器学习的慢性心衰分期诊断研究 | 第125-145页 |
| 7.1 引言 | 第125-126页 |
| 7.2 基于支持向量机的慢性心衰分期诊断研究 | 第126-133页 |
| 7.2.1 支持向量机基本理论 | 第126-132页 |
| 7.2.2 支持向量机多分类问题 | 第132-133页 |
| 7.2.3 基于支持向量机的慢性心衰分期诊断 | 第133页 |
| 7.3 基于其他分类器的慢性心衰分期诊断研究 | 第133-136页 |
| 7.3.1 基于K最近邻法的慢性心衰分期诊断 | 第133-134页 |
| 7.3.2 基于人工神经网络的慢性心衰分期诊断 | 第134-135页 |
| 7.3.3 基于隐马尔科夫模型的慢性心衰分期诊断 | 第135-136页 |
| 7.4 基于机器学习的慢性心衰分期诊断比较研究 | 第136-139页 |
| 7.4.1 特征选择与优化 | 第136页 |
| 7.4.2 诊断方法的性能评估与度量 | 第136-138页 |
| 7.4.3 诊断方法的性能比较 | 第138-139页 |
| 7.5 基于SVM的慢性心衰分期诊断方法优化 | 第139-143页 |
| 7.5.1 最优核函数的确定 | 第139-141页 |
| 7.5.2 SVM模型参数优化 | 第141-142页 |
| 7.5.3 特征向量选择与诊断性能 | 第142-143页 |
| 7.6 本章小结 | 第143-145页 |
| 8 总结与展望 | 第145-151页 |
| 8.1 总结 | 第145-149页 |
| 8.1.1 本论文取得的研究成果 | 第145-147页 |
| 8.1.2 本论文的主要创新点 | 第147-149页 |
| 8.2 展望 | 第149-151页 |
| 致谢 | 第151-153页 |
| 参考文献 | 第153-165页 |
| 附录 | 第165-166页 |
| A. 作者在攻读博士学位期间发表的论文目录 | 第165页 |
| B. 作者在攻读博士学位期间参加的科研项目 | 第165-166页 |
| C. 作者在攻读博士学位期间获得的荣誉或奖励 | 第166页 |
