| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-15页 |
| 1.1 研究背景 | 第12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 论文研究的主要内容和创新工作 | 第13-14页 |
| 1.4 论文的组成和结构 | 第14-15页 |
| 2 血糖预测的关键问题 | 第15-25页 |
| 2.1 血糖监测技术 | 第15-17页 |
| 2.1.1 血糖采集技术 | 第15-16页 |
| 2.1.2 动态血糖监测技术 | 第16-17页 |
| 2.2 血糖信号预处理技术 | 第17-21页 |
| 2.2.1 噪声来源 | 第18页 |
| 2.2.2 自适应滤波去噪法 | 第18-20页 |
| 2.2.3 小波去噪法 | 第20-21页 |
| 2.3 血糖值可预测性分析 | 第21-24页 |
| 2.3.1 人体血糖特点 | 第21-22页 |
| 2.3.2 预测方法 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 血糖预测技术现状 | 第25-35页 |
| 3.1 基于CGMS数据的血糖预测技术 | 第25-30页 |
| 3.1.1 采用线性模型对血糖进行预测 | 第26-28页 |
| 3.1.2 采用非线性模型对血糖进行预测 | 第28-30页 |
| 3.2 基于CGMS数据和生理模型的血糖预测技术 | 第30-34页 |
| 3.2.1 结合饮食信息的血糖预测 | 第31-33页 |
| 3.2.2 结合多种因素的血糖预测 | 第33-34页 |
| 3.3 现有的预测方法分析 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 组合预测模型 | 第35-48页 |
| 4.1 血糖数据预处理 | 第36-37页 |
| 4.2 ARIMA血糖预测模型 | 第37-42页 |
| 4.3 BP神经网络 | 第42-44页 |
| 4.4 基于ARIMA和BP神经网络的组合预测算法 | 第44-45页 |
| 4.5 奇异点发现和处理算法 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 5 性能分析 | 第48-58页 |
| 5.1 应用工具介绍 | 第48页 |
| 5.2 实验数据的采集 | 第48-49页 |
| 5.3 数据建模 | 第49-53页 |
| 5.4 试验性能评价指标 | 第53-57页 |
| 5.5 本章小结 | 第57-58页 |
| 6 总结和展望 | 第58-59页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 个人简历、在校期间的学术成果 | 第63页 |