| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 致谢 | 第7-12页 |
| 第一章 绪论 | 第12-18页 |
| ·研究背景 | 第12-14页 |
| ·数据挖掘 | 第14页 |
| ·时间序列挖掘的相关研究 | 第14-16页 |
| ·时间序列挖据 | 第14-15页 |
| ·医用时间序列分析 | 第15-16页 |
| ·本文所做工作以及文章结构 | 第16-18页 |
| 第二章 时间序列挖掘的基本理论 | 第18-26页 |
| ·时间序列的定义 | 第18页 |
| ·时间序列的表示 | 第18-22页 |
| ·分段线性表示法 | 第19-20页 |
| ·离散傅里叶变换 | 第20-21页 |
| ·离散小波变换 | 第21页 |
| ·奇异值分解法 | 第21-22页 |
| ·时间序列挖掘的研究方向 | 第22-24页 |
| ·预测 | 第23页 |
| ·聚类 | 第23-24页 |
| ·分类 | 第24页 |
| ·本章小结 | 第24-26页 |
| 第三章 基于 ARMA 模型的时间序列表示 | 第26-33页 |
| ·ARMA 模型 | 第26-30页 |
| ·模型介绍 | 第26-27页 |
| ·ARMA 模型的自相关函数和偏自相关函数 | 第27-28页 |
| ·ARMA 模型的定阶方法 | 第28-29页 |
| ·ARMA 模型的最大似然估计 | 第29-30页 |
| ·平稳时间序列 | 第30-32页 |
| ·平稳时间序列简介 | 第30-31页 |
| ·时间序列的平稳性检验方法 | 第31-32页 |
| ·基于 ARMA 模型的时间序列特征提取步骤 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于 ARMA 模型的方法在医疗数据中的应用 | 第33-48页 |
| ·ECG 信号的特征分析 | 第33-37页 |
| ·ECG 信号的分布特征 | 第35-36页 |
| ·ECG 信号的自相关函数与偏自相关函数 | 第36-37页 |
| ·基于 ARMA 模型的 ECG 信号特征提取 | 第37-41页 |
| ·基于 ARMA 模型的 ECG 信号分类 | 第41-48页 |
| ·支持向量机 | 第42-45页 |
| ·对 ECG 信号进行分类 | 第45-48页 |
| 第五章 基于 ARMA 模型的时间序列聚类及改进 | 第48-60页 |
| ·时间序列聚类的评价标准 | 第48-49页 |
| ·已知真值的标准 | 第48页 |
| ·未知真值的标准 | 第48-49页 |
| ·时间序列的相似度测量 | 第49-54页 |
| ·欧式距离、Mikowski 距离、根均方距离 | 第49-50页 |
| ·皮尔逊相关系数和相关距离 | 第50页 |
| ·动态时间弯曲距离 | 第50-52页 |
| ·编辑距离 | 第52页 |
| ·界标距离 | 第52-53页 |
| ·其他的一些距离测度 | 第53-54页 |
| ·基于 ARMA 模型的聚类方法及改进 | 第54-55页 |
| ·实例分析 | 第55-60页 |
| ·利用已有的方法对 ECG 聚类 | 第56-58页 |
| ·利用改进的方法对 ECG 聚类 | 第58-60页 |
| 第六章 结论与展望 | 第60-61页 |
| ·总结 | 第60页 |
| ·展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文 | 第65-67页 |