摘要 | 第4-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第10-14页 |
1.1 研究背景及意义 | 第10-11页 |
1.1.1 心脏性猝死介绍 | 第10页 |
1.1.2 心脏骤停预测意义 | 第10-11页 |
1.1.3 心电图 | 第11页 |
1.2 心脏骤停预测方法研究现状 | 第11-12页 |
1.3 本文的主要研究内容 | 第12-14页 |
第2章 数据分析和预处理 | 第14-24页 |
2.1 实验数据 | 第14页 |
2.2 心电信号产生原理及其特征 | 第14-16页 |
2.2.1 心电信号产生原理 | 第14-15页 |
2.2.2 心电信号波形及基本特点 | 第15-16页 |
2.3 心电信号预处理 | 第16-23页 |
2.3.1 心电信号的干扰及噪声 | 第16-17页 |
2.3.2 心电信号的处理方法选择标准 | 第17-18页 |
2.3.3 基于双树复小波变换的心电信号消噪算法 | 第18-23页 |
2.4 本章小结 | 第23-24页 |
第3章 心脏骤停预测特征参数提取 | 第24-37页 |
3.1 QT时间间期 | 第25页 |
3.2 心率变异性 | 第25-29页 |
3.2.1 基于时域的HRV分析 | 第25-28页 |
3.2.2 基于频域的HRV分析 | 第28页 |
3.2.3 心脏骤停预测HRV参数的选取 | 第28-29页 |
3.3 T波电交替 | 第29-30页 |
3.4 基于双树复小波变换的心电信号特征点识别 | 第30-34页 |
3.4.1 QRS波形检测 | 第31-33页 |
3.4.2 P、T波形检测 | 第33-34页 |
3.5 正常窦性心律心电数据和心脏骤停心电数据特征参数比较 | 第34-36页 |
3.6 本章小结 | 第36-37页 |
第4章 Adaboost算法在心脏骤停预测中的应用及优化 | 第37-53页 |
4.1 神经网络 | 第37-40页 |
4.1.1 神经网络原理 | 第37-38页 |
4.1.2 神经网络学习规则 | 第38-40页 |
4.2 支持向量机 | 第40-43页 |
4.2.1 线性可分支持向量机 | 第40-41页 |
4.2.2 线性不可分支持向量机 | 第41-43页 |
4.3 Adaboost算法 | 第43-52页 |
4.3.1 基于Adaboost算法的心脏疾病的研究 | 第44页 |
4.3.2 Adaboost算法具体步骤 | 第44-46页 |
4.3.3 Adaboost算法优化 | 第46-49页 |
4.3.4 算法的性能分析 | 第49-50页 |
4.3.5 Adaboost算法基分类器的选择 | 第50-51页 |
4.3.6 参数化Adaboost算法训练时长比较和迭代次数选择 | 第51-52页 |
4.4 本章小结 | 第52-53页 |
第5章 基于参数化Adaboost算法的心脏骤停预测模型的建立与验证 | 第53-61页 |
5.1 选择实验数据 | 第54页 |
5.2 模型性能评价指标 | 第54页 |
5.3 模型特征参数选择 | 第54-57页 |
5.4 各分类算法分类比较 | 第57-59页 |
5.5 不同预测期的预测结果比较 | 第59-60页 |
5.6 本章小结 | 第60-61页 |
第6章 总结与展望 | 第61-63页 |
6.1 总结 | 第61-62页 |
6.2 展望 | 第62-63页 |
参考文献 | 第63-68页 |
作者简介及科研成果 | 第68-69页 |
致谢 | 第69页 |