| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 论文的研究目的及意义 | 第9页 |
| 1.2 论文的国内外研究现状及发展动态 | 第9-11页 |
| 1.2.1 心电信号特征提取的国内外研究现状及发展动态 | 第9-11页 |
| 1.2.2 心电信号分类的国内外研究现状及发展动态 | 第11页 |
| 1.3 论文的主要研究内容及章节安排 | 第11-13页 |
| 第二章 心电信号预处理 | 第13-19页 |
| 2.1 心电信号基础知识 | 第13-14页 |
| 2.1.1 心电信号特点 | 第13-14页 |
| 2.1.2 心律失常 | 第14页 |
| 2.2 MIT-BIH心律失常数据库 | 第14-15页 |
| 2.3 本文所用心电信号预处理方法 | 第15-17页 |
| 2.4 本章小结 | 第17-19页 |
| 第三章 心电信号非线性特征提取算法 | 第19-35页 |
| 3.1 本文非线性特征提取算法的实现方案 | 第19-20页 |
| 3.2 基于小波包分解-近似熵的非线性特征提取子算法 | 第20-27页 |
| 3.2.1 小波包分解理论 | 第20-21页 |
| 3.2.2 近似熵算法 | 第21-23页 |
| 3.2.3 基于小波包分解-近似熵的特征提取算法设计 | 第23-24页 |
| 3.2.4 基于小波包分解-近似熵的特征提取算法的仿真分析 | 第24-27页 |
| 3.3 基于经验模式分解-近似熵的非线性特征提取子算法 | 第27-33页 |
| 3.3.1 固有模式函数 | 第27-28页 |
| 3.3.2 经验模式分解过程 | 第28-29页 |
| 3.3.3 基于经验模式分解-近似熵的特征提取算法设计 | 第29-30页 |
| 3.3.4 基于经验模式分解-近似熵的特征提取算法的仿真分析 | 第30-33页 |
| 3.4 两种子算法结合后的非线性特征向量 | 第33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 心电节拍分类算法 | 第35-59页 |
| 4.1 基于概率神经网络的心电节拍分类 | 第35-45页 |
| 4.1.1 概率神经网络原理 | 第35-38页 |
| 4.1.2 粒子群优化算法 | 第38-39页 |
| 4.1.3 基于概率神经网络的分类算法设计 | 第39-40页 |
| 4.1.4 基于概率神经网络的分类算法的仿真分析 | 第40-45页 |
| 4.2 基于支持向量机的心电节拍分类 | 第45-57页 |
| 4.2.1 统计学习理论 | 第45-47页 |
| 4.2.2 支持向量机原理 | 第47-51页 |
| 4.2.3 基于支持向量机的分类算法设计 | 第51-53页 |
| 4.2.4 基于支持向量机的分类算法的仿真分析 | 第53-57页 |
| 4.3 心电节拍分类结果对比分析 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 心电信号非线性特征提取和分类实验分析 | 第59-75页 |
| 5.1 心电信号的采集 | 第59-63页 |
| 5.1.1 心电信号采集实验平台的搭建 | 第59-60页 |
| 5.1.2 心电信号采集结果 | 第60-63页 |
| 5.2 心电采集信号的非线性特征提取实验 | 第63-69页 |
| 5.3 心电采集信号的分类实验 | 第69-73页 |
| 5.3.1 基于概率神经网络分类的实验及结果分析 | 第69-70页 |
| 5.3.2 基于支持向量机分类的实验及结果分析 | 第70-72页 |
| 5.3.3 两种分类方法的实验结果对比分析 | 第72-73页 |
| 5.4 本章小结 | 第73-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 论文工作总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 发表论文和参加科研情况 | 第83-85页 |
| 致谢 | 第85页 |
