| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.3 本文的研究工作 | 第17-19页 |
| 第2章 体征信号与数据采集 | 第19-31页 |
| 2.1 人体三大体征信号 | 第19-23页 |
| 2.1.1 人体脉搏波信号 | 第19-21页 |
| 2.1.2 人体呼吸信号 | 第21-22页 |
| 2.1.3 人体体温信号 | 第22-23页 |
| 2.2 前端传感器简介 | 第23-26页 |
| 2.3 基于LabVIEW的数据采集与存储平台 | 第26-29页 |
| 2.3.1 DAQ数据采集 | 第26-27页 |
| 2.3.2 数据采集与存储 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 脉搏波信号的预处理 | 第31-43页 |
| 3.1 脉搏波信号中的噪声成分与其特性分析 | 第31-32页 |
| 3.1.1 高频噪声 | 第31页 |
| 3.1.2 基线漂移 | 第31-32页 |
| 3.2 一维小波变换的基本原理 | 第32-33页 |
| 3.3 基于小波软阈值的低通滤波原理 | 第33-37页 |
| 3.4 基于小波分解和重构的基线漂移调整方法 | 第37-40页 |
| 3.5 本章小结 | 第40-43页 |
| 第4章 基于支持向量机的脉搏波信号分类 | 第43-63页 |
| 4.1 脉搏波信号的时域特征提取 | 第43-46页 |
| 4.1.1 脉搏波的时域特征 | 第43-44页 |
| 4.1.2 脉搏波时域特征的选择 | 第44-45页 |
| 4.1.3 脉搏波特征点的确定与参数计算 | 第45-46页 |
| 4.2 支持向量的原理 | 第46-52页 |
| 4.2.1 二分类问题 | 第46-49页 |
| 4.2.2 松弛变量和惩罚因子 | 第49-50页 |
| 4.2.3 核函数 | 第50-52页 |
| 4.3 脉搏波信号的SVM训练和分类 | 第52-53页 |
| 4.4 SVM分类实验与数据分析 | 第53-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 基于脉搏、呼吸、体温信号融合的人体状态判别 | 第63-75页 |
| 5.1 脉搏波信号的人体状态判别机制 | 第63-65页 |
| 5.2 呼吸信号的人体状态判别机制 | 第65-66页 |
| 5.3 体温信号的人体状态判别机制 | 第66-67页 |
| 5.4 三种生理信号的数据融合 | 第67-73页 |
| 5.4.1 信号的优先级设定 | 第69-70页 |
| 5.4.2 等级划分 | 第70-71页 |
| 5.4.3 状态等级可视化 | 第71-73页 |
| 5.5 可视化软件平台 | 第73-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 本文工作总结 | 第75-76页 |
| 6.2 未来展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 攻读硕士学位期间发表的论文 | 第85页 |