| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 引言 | 第10-14页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 课题研究意义和应用前景 | 第11页 |
| 1.3 数据来源及简介 | 第11-12页 |
| 1.3.1 数据来源 | 第11-12页 |
| 1.3.2 数据采集 | 第12页 |
| 1.4 研究内容 | 第12-14页 |
| 第2章 脉诊客观化概述 | 第14-26页 |
| 2.1 脉图理论 | 第14-17页 |
| 2.1.1 脉搏波图 | 第14-15页 |
| 2.1.2 脉象类型 | 第15-17页 |
| 2.2 国内外研究现状 | 第17-26页 |
| 2.2.1 脉象采集系统 | 第18-19页 |
| 2.2.2 理论模型 | 第19-20页 |
| 2.2.3 脉象信号处理 | 第20-26页 |
| 第3章 希尔伯特黄变换基础理论 | 第26-38页 |
| 3.1 EMD | 第26-28页 |
| 3.2 EEMD | 第28-30页 |
| 3.3 希尔伯特变换 | 第30-31页 |
| 3.3.1 希尔伯特变换理论 | 第30-31页 |
| 3.3.2 Hilbert谱和Hilbert边际谱 | 第31页 |
| 3.4 脉象信号的希尔伯特黄变换 | 第31-37页 |
| 3.4.1 脉象信号的EEMD分解 | 第31-36页 |
| 3.4.2 脉象信号的希尔伯特变换 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于HHT的脉象信号分析处理 | 第38-58页 |
| 4.1 基于EEMD的脉象信号去噪 | 第38-47页 |
| 4.1.1 脉象采集干扰源分析 | 第38页 |
| 4.1.2 常见去噪方法的介绍 | 第38-39页 |
| 4.1.3 基于EEMD的阈值去噪研究 | 第39-43页 |
| 4.1.4 去噪结果比较 | 第43-47页 |
| 4.2 脉搏信号的特征提取 | 第47-52页 |
| 4.2.1 时域特征的提取 | 第47-51页 |
| 4.2.2 基于HHT的时频域特征提取 | 第51-52页 |
| 4.3 脉象信号的特征选择 | 第52-57页 |
| 4.3.1 信息熵和相关性准则 | 第53-54页 |
| 4.3.2 特征选择方法 | 第54-55页 |
| 4.3.3 递进式特征选择算法 | 第55-57页 |
| 4.4 本章总结 | 第57-58页 |
| 第5章 基于SVM的脉象信号分类算法研究 | 第58-81页 |
| 5.1 支持向量机基本理论 | 第58-60页 |
| 5.1.1 支持向量机 | 第58-59页 |
| 5.1.2 支持向量机分类方法 | 第59-60页 |
| 5.2 LIBSVM基本理论 | 第60-66页 |
| 5.2.1 LIBSVM概述 | 第60-61页 |
| 5.2.2 核函数选择 | 第61-62页 |
| 5.2.3 参数优化 | 第62-66页 |
| 5.3 LIBSVM在脉象信号分类问题中的应用 | 第66-71页 |
| 5.3.1 数据说明 | 第66-67页 |
| 5.3.2 核函数选择 | 第67页 |
| 5.3.3 LIBSVM参数选择 | 第67-71页 |
| 5.4 特征降维 | 第71-75页 |
| 5.4.1 PCA主成分分析 | 第71-72页 |
| 5.4.2 ICA独立成分分析 | 第72-73页 |
| 5.4.3 降维讨论 | 第73-75页 |
| 5.5 两步分类算法的改进 | 第75-80页 |
| 5.5.1 初步分类 | 第76-79页 |
| 5.5.2 精细分类 | 第79-80页 |
| 5.6 本章总结 | 第80-81页 |
| 第6章 结论与展望 | 第81-83页 |
| 参考文献 | 第83-88页 |
| 致谢 | 第88-89页 |
| 攻读硕士期间已发表论文和申请专利 | 第89页 |