| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第11-18页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外发展现状 | 第12-15页 |
| 1.2.1 心电信号特征提取的研究现状与发展 | 第12-14页 |
| 1.2.2 心电信号分类方法的研究现状与发展 | 第14-15页 |
| 1.3 心电信号分类算法存在的问题 | 第15页 |
| 1.4 主要研究工作及创新性概述 | 第15-17页 |
| 1.5 本文结构组织 | 第17-18页 |
| 2 ECG及深度迁移网络 | 第18-27页 |
| 2.1 心电知识及产生机理 | 第18-21页 |
| 2.1.1 ECG波形特性 | 第18-19页 |
| 2.1.2 心率失常分析 | 第19-20页 |
| 2.1.3 心率失常数据库介绍 | 第20-21页 |
| 2.2 深度学习 | 第21-24页 |
| 2.2.1 神经元及神经网络结构 | 第22-24页 |
| 2.2.2 卷积神经网络 | 第24页 |
| 2.3 迁移学习 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于小波分解ECG噪声滤除 | 第27-35页 |
| 3.1 常见噪声介绍 | 第27页 |
| 3.2 噪声干扰及去除 | 第27-31页 |
| 3.2.1 小波基选择 | 第28-29页 |
| 3.2.2 阈值函数选取 | 第29页 |
| 3.2.3 去噪效果判决指标 | 第29-31页 |
| 3.3 时域波形数据集构建 | 第31-34页 |
| 3.3.1 心拍划分 | 第31-33页 |
| 3.3.2 时域波形特征提取 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于时频变换ECG数据特征提取 | 第35-47页 |
| 4.1 ECG时频变换原理分析 | 第35-42页 |
| 4.1.1 时频变换原理概述 | 第35页 |
| 4.1.2 基于短时傅里叶变换 | 第35-39页 |
| 4.1.3 基于连续小波变换 | 第39-42页 |
| 4.2 时频域数据集特征提取 | 第42-46页 |
| 4.2.1 STFT时频域特征 | 第42-43页 |
| 4.2.2 CWT时频域特征 | 第43-46页 |
| 4.3 本章小结 | 第46-47页 |
| 5 基于深度迁移学习的ECG分类算法研究 | 第47-76页 |
| 5.1 基于深度卷积网络的分类方法 | 第47-55页 |
| 5.1.1 算法模型设计 | 第47-50页 |
| 5.1.2 算法分类训练步骤 | 第50-55页 |
| 5.2 基于深度迁移网络的分类方法 | 第55-61页 |
| 5.2.1 改进VGG-16预训练模型 | 第55-56页 |
| 5.2.2 算法模型设计 | 第56-58页 |
| 5.2.3 算法分类训练步骤 | 第58-61页 |
| 5.3 网络算法复杂度分析 | 第61-63页 |
| 5.3.1 分类训练时间复杂度 | 第61-62页 |
| 5.3.2 分类训练空间复杂度 | 第62-63页 |
| 5.4 实验结果及分析 | 第63-75页 |
| 5.4.1 实验数据集介绍 | 第63页 |
| 5.4.2 实验平台分类性能指标 | 第63-64页 |
| 5.4.3 不同类型数据集对分类训练效果的影响 | 第64-68页 |
| 5.4.4 不同类型数据集对混淆矩阵分类精度的影响 | 第68-70页 |
| 5.4.5 引入迁移学习对分类效果的影响 | 第70-74页 |
| 5.4.6 迁移特征可视化分析 | 第74页 |
| 5.4.7 与其他方法分析对比 | 第74-75页 |
| 5.5 本章小结 | 第75-76页 |
| 6 总结与展望 | 第76-78页 |
| 6.1 本文工作总结 | 第76-77页 |
| 6.2 未来研究展望 | 第77-78页 |
| 参考文献 | 第78-81页 |
| 致谢 | 第81-82页 |
| 作者简历及攻读硕士学位期间的科研成果 | 第82-83页 |