常见先天性心脏病的计算机辅助诊断研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景与研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-16页 |
| 1.3.1 先天性心脏病诊断研究进展 | 第11-14页 |
| 1.3.2 神经网络在心脏研究中的研究进展 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第2章 先天性心脏病临床生理信号预处理 | 第18-25页 |
| 2.1 先天性心脏病的临床生理信号 | 第18-20页 |
| 2.2 先天性心脏病临床生理信号预处理 | 第20-24页 |
| 2.2.1 多元二项式回归去噪和主成分分析 | 第21-22页 |
| 2.2.2 数据分类 | 第22-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 先天性心脏病类型和分类 | 第25-35页 |
| 3.1 先天性心脏病类型 | 第25-27页 |
| 3.2 朴素贝叶斯分类法 | 第27-30页 |
| 3.2.1 贝叶斯定理 | 第27-28页 |
| 3.2.2 朴素贝叶斯分类流程 | 第28-29页 |
| 3.2.3 朴素贝叶斯分类结果 | 第29-30页 |
| 3.3 随机森林分类法 | 第30-32页 |
| 3.3.1 随机森林分类流程 | 第30-31页 |
| 3.3.2 随机森林分类结果 | 第31-32页 |
| 3.4 支持向量机分类法 | 第32-34页 |
| 3.4.1 支持向量机原理和分类流程 | 第32-34页 |
| 3.4.2 支持向量机分类结果 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于神经网络的先天性心脏病缺损预测 | 第35-45页 |
| 4.1 感知器和多层感知器网络 | 第35-36页 |
| 4.2 BP神经网络预测方法 | 第36-39页 |
| 4.2.1 BP神经网络原理 | 第36-37页 |
| 4.2.2 BP算法网络学习过程 | 第37-38页 |
| 4.2.3 BP神经网络预测结果 | 第38-39页 |
| 4.3 RBF神经网络预测方法 | 第39-44页 |
| 4.3.1 径向基函数 | 第39-40页 |
| 4.3.2 RBF神经网络原理 | 第40-41页 |
| 4.3.3 RBF神经网络实现过程 | 第41-43页 |
| 4.3.4 RBF神经网络预测结果 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 先天性心脏病的计算机辅助诊断 | 第45-52页 |
| 5.1 交叉验证法 | 第45-47页 |
| 5.2 先天性心脏病的计算机辅助诊断结果 | 第47-50页 |
| 5.2.1 先天性心脏病分类 | 第47-49页 |
| 5.2.2 先天性心脏病缺损预测 | 第49-50页 |
| 5.3 引入先天性心脏病临床参数的健康监控系统 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间发表的论文 | 第59-61页 |
| 致谢 | 第61页 |
