| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 课题研究背景与意义 | 第12-13页 |
| 1.2 研究现状及趋势 | 第13-21页 |
| 1.2.1 视频喉镜发展现状和趋势 | 第13-16页 |
| 1.2.2 基于深度学习的声带图像病灶诊断研究现状和趋势 | 第16-21页 |
| 1.3 论文的研究内容及结构安排 | 第21-24页 |
| 1.3.1 本文的研究内容 | 第21-22页 |
| 1.3.2 本文的结构安排 | 第22-24页 |
| 第二章 WiFi网络视频喉镜系统架构及关键技术简介 | 第24-44页 |
| 2.1 WiFi网络视频喉镜系统基本架构 | 第24页 |
| 2.2 关键技术简介 | 第24-31页 |
| 2.2.1 操作系统 | 第25-27页 |
| 2.2.2 视频信号采集技术 | 第27-28页 |
| 2.2.3 无线传输技术 | 第28-29页 |
| 2.2.4 流媒体处理技术 | 第29-31页 |
| 2.3 WiFi网络视频喉镜硬件子系统简介 | 第31-36页 |
| 2.3.1 视频喉镜手柄硬件架构 | 第31-32页 |
| 2.3.2 图像采集模块电路设计 | 第32-33页 |
| 2.3.3 无线发送模块电路设计 | 第33-34页 |
| 2.3.4 电源模块电路设计 | 第34-36页 |
| 2.4 WiFi网络视频喉镜软件子系统简介 | 第36-40页 |
| 2.4.1 系统软件架构 | 第36页 |
| 2.4.2 视频信号采集实现 | 第36-38页 |
| 2.4.3 H.264硬编码实现 | 第38-39页 |
| 2.4.4 CC3100无线传输实现 | 第39-40页 |
| 2.5 WiFi网络视频喉镜系统测试 | 第40-42页 |
| 2.5.1 测试平台 | 第40-41页 |
| 2.5.2 测试结果 | 第41-42页 |
| 2.6 本章小结 | 第42-44页 |
| 第三章 声带病灶及深度学习算法的简介 | 第44-52页 |
| 3.1 声带病灶简介 | 第44-46页 |
| 3.1.1 声带正常影像表现 | 第44页 |
| 3.1.2 声带小结影像表现 | 第44-45页 |
| 3.1.3 声带息肉影像表现 | 第45-46页 |
| 3.2 深度学习的简介 | 第46-48页 |
| 3.3 卷积神经网络简介 | 第48-51页 |
| 3.3.1 卷积神经网络的优势 | 第48页 |
| 3.3.2 卷积神经网络的结构 | 第48-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 声带病灶辅助诊断系统的技术研究 | 第52-64页 |
| 4.1 声带病灶辅助诊断系统的架构 | 第52-53页 |
| 4.2 数据预处理 | 第53-55页 |
| 4.3 模型训练 | 第55-62页 |
| 4.3.1 AlexNet模型简介 | 第55-56页 |
| 4.3.2 基于AlexNet的模型训练 | 第56-60页 |
| 4.3.3 预训练 | 第60-62页 |
| 4.4 模型验证 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 系统测试与性能分析 | 第64-72页 |
| 5.1 系统测试环境与数据 | 第64-65页 |
| 5.2 声带病灶诊断系统测试方案和评价方法 | 第65-67页 |
| 5.2.1 交叉验证 | 第65页 |
| 5.2.2 交叉验证接受者操作特性曲线分析 | 第65-67页 |
| 5.3 系统测试结果及性能分析 | 第67-70页 |
| 5.3.1 分类准确率的验证与分析 | 第67-69页 |
| 5.3.2 实验结果ROC分析 | 第69-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 工作总结 | 第72-73页 |
| 6.2 未来展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间的研究工作及成果 | 第78-80页 |
| 致谢 | 第80页 |