| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 符号列表 | 第14-16页 |
| 第1章 绪论 | 第16-30页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-25页 |
| 1.2.1 心律失常自动检测方法研究现状 | 第17-24页 |
| 1.2.2 心律失常并行检测方法研究现状 | 第24-25页 |
| 1.3 主要研究内容及创新点 | 第25-27页 |
| 1.3.1 本文主要研究内容 | 第25-26页 |
| 1.3.2 本文创新点 | 第26-27页 |
| 1.4 课题来源及论文结构 | 第27-30页 |
| 第2章 研究基础及相关技术背景 | 第30-46页 |
| 2.1 心电图基础 | 第30-35页 |
| 2.1.1 心电信号产生机理 | 第30页 |
| 2.1.2 心电信号波形特征 | 第30-32页 |
| 2.1.3 心律失常分类 | 第32-35页 |
| 2.2 深度学习相关技术 | 第35-40页 |
| 2.2.1 深度学习概述 | 第35-36页 |
| 2.2.2 深度学习经典模型 | 第36页 |
| 2.2.3 深度信念网络 | 第36-37页 |
| 2.2.4 深层自编码网络 | 第37-38页 |
| 2.2.5 深层卷积神经网络 | 第38页 |
| 2.2.6 深度循环神经网络 | 第38-40页 |
| 2.3 并行计算相关技术 | 第40-45页 |
| 2.3.1 OpenMP并行库 | 第40-41页 |
| 2.3.2 CUDA计算平台 | 第41-43页 |
| 2.3.3 OpenCL并行框架 | 第43-45页 |
| 2.4 本章小结 | 第45-46页 |
| 第3章 基于伪迹消除的心律失常自动检测方法 | 第46-58页 |
| 3.1 引言 | 第46-47页 |
| 3.2 健康云平台 | 第47-49页 |
| 3.3 心律失常自动检测方法 | 第49-53页 |
| 3.3.1 数据预处理 | 第49-50页 |
| 3.3.2 心电数据特征检测 | 第50页 |
| 3.3.3 心律失常分类 | 第50-53页 |
| 3.4 实验结果与分析 | 第53-56页 |
| 3.4.1 实验环境 | 第53页 |
| 3.4.2 实验数据 | 第53-54页 |
| 3.4.3 检测分类结果 | 第54页 |
| 3.4.4 结果讨论 | 第54-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第4章 基于深层卷积网络的严重心律失常自动检测方法 | 第58-76页 |
| 4.1 引言 | 第58-60页 |
| 4.2 多尺度融合深层卷积网络模型 | 第60-63页 |
| 4.2.1 问题定义 | 第60页 |
| 4.2.2 多尺度融合的深层卷积网络模型架构 | 第60-62页 |
| 4.2.3 深度卷积网络并行优化 | 第62-63页 |
| 4.3 实验过程 | 第63-67页 |
| 4.3.1 数据预处理 | 第63-65页 |
| 4.3.2 交叉验证 | 第65-66页 |
| 4.3.3 模型参数选择 | 第66-67页 |
| 4.4 实验结果与分析 | 第67-73页 |
| 4.4.1 实验环境 | 第67页 |
| 4.4.2 实验数据 | 第67-68页 |
| 4.4.3 房颤识别结果 | 第68-69页 |
| 4.4.4 特征可视化 | 第69-71页 |
| 4.4.5 分类性能比较 | 第71-73页 |
| 4.5 本章小结 | 第73-76页 |
| 第5章 基于GPU的心律失常自动检测并行处理方法 | 第76-98页 |
| 5.1 引言 | 第76-77页 |
| 5.2 CPU-AECG算法计算时间分析 | 第77页 |
| 5.3 GPU-AECG算法 | 第77-82页 |
| 5.3.1 GPU-AECG算法架构及算法描述 | 第77-78页 |
| 5.3.2 并行算法参数优化 | 第78-82页 |
| 5.4 cGPU-AECG算法 | 第82-84页 |
| 5.5 mGPU-AECG算法 | 第84-88页 |
| 5.5.1 mGPU-AECG算法架构及算法描述 | 第84页 |
| 5.5.2 实验步骤 | 第84-88页 |
| 5.6 实验结果与分析 | 第88-96页 |
| 5.6.1 实验环境 | 第88-89页 |
| 5.6.2 数据集 | 第89页 |
| 5.6.3 心律失常分类结果 | 第89页 |
| 5.6.4 并行算法并行效率分析 | 第89-96页 |
| 5.7 本章小结 | 第96-98页 |
| 第6章 总结与展望 | 第98-100页 |
| 6.1 本文工作总结 | 第98-99页 |
| 6.2 未来工作展望 | 第99-100页 |
| 参考文献 | 第100-112页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第112-116页 |
| 致谢 | 第116页 |