| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第12-20页 |
| 1.1 课题背景 | 第12-14页 |
| 1.2 科学问题 | 第14-18页 |
| 1.2.1 心脏电生理特性分析 | 第14-16页 |
| 1.2.2 心脏力学特性分析 | 第16-18页 |
| 1.3 研究内容与创新点 | 第18-19页 |
| 1.4 论文的贡献和组织结构 | 第19-20页 |
| 2 研究背景 | 第20-31页 |
| 2.1 心肌缺血的电生理反演技术 | 第20-26页 |
| 2.1.1 心脏的电生理基础 | 第21-23页 |
| 2.1.2 电生理反演的相关研究 | 第23-26页 |
| 2.2 心肌缺血的材料与运动特性分析 | 第26-31页 |
| 2.2.1 成像技术 | 第27-28页 |
| 2.2.2 分析方法 | 第28-31页 |
| 3 心肌缺血多模态特征提取 | 第31-56页 |
| 3.1 基于心外膜电位的心电逆问题研究 | 第31-52页 |
| 3.1.1 个性化的心脏-躯干模型 | 第31-38页 |
| 3.1.2 心电场的边界元模型 | 第38-40页 |
| 3.1.3 心电数据的预处理 | 第40-42页 |
| 3.1.4 基于Tikhonov正则化的心外膜电位重建 | 第42-43页 |
| 3.1.5 基于高阶全变分正则化的心外膜电位重建 | 第43-44页 |
| 3.1.6 实验结果与讨论 | 第44-52页 |
| 3.2 基于HARP算法的心肌应变分析 | 第52-56页 |
| 3.2.1 心肌搏动周期的运动场模型 | 第52-54页 |
| 3.2.2 实验结果与讨论 | 第54-56页 |
| 4 基于深度学习的特征表达与分类 | 第56-71页 |
| 4.1 数据准备和预处理 | 第56-57页 |
| 4.2 特征表达与分类的深度网络构建 | 第57-64页 |
| 4.2.1 基本的自动编码器结构 | 第58-60页 |
| 4.2.2 深度网络的训练 | 第60-61页 |
| 4.2.3 多任务学习与分类 | 第61-64页 |
| 4.3 实验结果与讨论 | 第64-71页 |
| 4.3.1 实验设计 | 第64-65页 |
| 4.3.2 数据预处理 | 第65-68页 |
| 4.3.3 实验结果与分析 | 第68-71页 |
| 5 总结与展望 | 第71-73页 |
| 5.1 本文主要工作总结 | 第71页 |
| 5.2 未来工作展望 | 第71-73页 |
| 6 参考文献 | 第73-82页 |
| 作者简介 | 第82页 |
| 教育经历 | 第82页 |
| 攻读硕士学位期间所获得的成果 | 第82页 |