| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·研究背景 | 第9-10页 |
| ·课题研究的国内外现状 | 第10-12页 |
| ·论文的研究内容 | 第12页 |
| ·论文的结构安排 | 第12-14页 |
| 2 心音信号的生理基础及复杂度特性 | 第14-23页 |
| ·心音信号的生理学基础 | 第14-18页 |
| ·心音信号的产生机理及特性 | 第14-15页 |
| ·心脏瓣膜病心音及杂音特点 | 第15-18页 |
| ·心音信号的复杂度特性 | 第18-21页 |
| ·复杂度的概念 | 第18-21页 |
| ·复杂度在生物医学信号分析中的应用 | 第21页 |
| ·心音信号复杂度特性 | 第21页 |
| ·本章小结 | 第21-23页 |
| 3 心音信号的预处理 | 第23-42页 |
| ·引言 | 第23页 |
| ·心音信号的去噪 | 第23-31页 |
| ·心音传统消噪方法 | 第23-24页 |
| ·EMD 算法原理 | 第24-26页 |
| ·心音的自适应去噪 | 第26-31页 |
| ·心音信号的分段 | 第31-40页 |
| ·心音信号分段方法概述 | 第31-32页 |
| ·心音信号的 Lempel-Ziv 复杂度分段算法 | 第32-38页 |
| ·心音信号分段实例 | 第38-40页 |
| ·结果与讨论 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 4 心脏瓣膜病心音信号的复杂度分析 | 第42-51页 |
| ·引言 | 第42-43页 |
| ·近似熵的基本概念 | 第43-46页 |
| ·近似熵算法 | 第43-44页 |
| ·近似熵的基本性质 | 第44页 |
| ·近似熵有效性验证 | 第44-45页 |
| ·影响近似熵时间序列因素分析 | 第45-46页 |
| ·基于 EEMD 和近似熵的心脏瓣膜病心音信号分析 | 第46-50页 |
| ·近似熵提取参数的确定 | 第46-47页 |
| ·近似熵复杂度的提取算法 | 第47-48页 |
| ·心音信号的复杂度分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 5 支持向量机在心脏瓣膜病分类识别中的应用 | 第51-60页 |
| ·心音信号分类识别的研究进展 | 第51页 |
| ·统计学习理论 | 第51-53页 |
| ·机器学习定义 | 第51-52页 |
| ·统计学习的分类 | 第52页 |
| ·统计学习 | 第52-53页 |
| ·支持向量机理论 | 第53-56页 |
| ·可分情形分析 | 第53-54页 |
| ·二叉树支持向量机 | 第54-56页 |
| ·核函数的选择 | 第56页 |
| ·心脏瓣膜病心音信号的分类识别 | 第56-59页 |
| ·SVM 参数选择 | 第56-57页 |
| ·基于 BT-SVM 的心音分类识别 | 第57-58页 |
| ·不同分类器对心音分类识别的影响 | 第58-59页 |
| ·特征参数的选取对心音分类的影响 | 第59页 |
| ·本章小结 | 第59-60页 |
| 6 总结和展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·后续工作展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录 | 第68页 |
| A. 攻读硕士学位期间录用或发表的论文 | 第68页 |
| B. 攻读硕士学位期间参加的科研项目 | 第68页 |