首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

基于卷积神经网络的胎心率曲线分类及音乐对胎心率曲线影响的研究

摘要第3-5页
ABSTRACT第5-6页
第1章 绪论第10-15页
    1.1 引言第10-11页
    1.2 胎心率曲线分类及音乐对胎心率曲线影响的国内外研究现状第11-13页
    1.3 本文主要工作和创新点第13-14页
    1.4 本文的组织结构第14-15页
第2章 基本概念及相关工作第15-22页
    2.1 胎心率曲线相关基本概念第15-16页
    2.2 胎心率曲线相关分类标准念第16-18页
        2.2.1 胎心率曲线分类的英国标准第16页
        2.2.2 胎心率曲线分类的加拿大标准第16-17页
        2.2.3 胎心率曲线分类的国内标准第17-18页
    2.3 系统框架第18-21页
        2.3.1 系统总框架的论述第18-19页
        2.3.2 系统功能模块介绍与展示第19-21页
    2.4 本章小结第21-22页
第3章 基于卷积神经网络的胎心率曲线分类研究第22-34页
    3.1 胎心率曲线数据采集与处理第22页
    3.2 胎心率曲线分类第22-28页
        3.2.1 基于多层感知器和支持向量机的分类第23-26页
        3.2.2 基于卷积神经网络的分类第26-28页
    3.3 实验结果分析对比第28-33页
        3.3.1 基于MLP与SVC的分类结果第28-29页
        3.3.2 基于CNN的分类结果第29-31页
        3.3.3 方法对比第31-33页
    3.4 本章小结第33-34页
第4章 音乐对胎心率曲线影响的研究第34-48页
    4.1 实验对象与方法第34-40页
        4.1.1 一般资料第34页
        4.1.2 实验方法第34-35页
        4.1.3 基于配对样本T检验的数据差异性分析第35-36页
        4.1.4 基于方差分析的数据差异性分析第36-38页
        4.1.5 基于K均值聚类的数据差异性分析第38-39页
        4.1.6 质量控制第39-40页
    4.2 实验结果分析第40-48页
        4.2.1 基于方差分析的结果第40-43页
        4.2.2 基于配对样本T检验的数据分析结果第43-45页
        4.2.3 基于K均值聚类算法的差异性分析结果第45-47页
        4.2.4 结果讨论第47-48页
第5章 总结与展望第48-50页
    5.1 总结第48-49页
    5.2 展望第49-50页
参考文献第50-57页
附录 系统效果图第57-58页
致谢第58-59页
攻读硕士学位期间的研究成果第59页

论文共59页,点击 下载论文
上一篇:基于小波分解和卷积神经网络的光伏发电功率预测方法
下一篇:谐振式光纤陀螺光路优化研究