基于声学特性的鼾声分类研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 鼾声信号降噪 | 第12-13页 |
| 1.2.2 鼾声与非鼾声的自动识别 | 第13页 |
| 1.2.3 患病鼾声与正常鼾声自动识别的研究现状 | 第13-15页 |
| 1.3 研究内容及目的 | 第15-16页 |
| 第二章 鼾声分析与识别 | 第16-28页 |
| 2.1 研究框架 | 第16页 |
| 2.2 声音信号处理技术基础 | 第16-19页 |
| 2.2.1 预加重及分帧 | 第16-17页 |
| 2.2.2 分类准备工作 | 第17-19页 |
| 2.3 深度学习和支持向量机 | 第19-27页 |
| 2.3.1 感知机 | 第19-21页 |
| 2.3.2 深度学习 | 第21-25页 |
| 2.3.3 支持向量机 | 第25-26页 |
| 2.3.4 分类效果验证 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 鼾声信号降噪预处理 | 第28-34页 |
| 3.1 降噪方法 | 第28-30页 |
| 3.1.1 谱减法和维纳滤波法 | 第28页 |
| 3.1.2 基于子空间投影法的维纳滤波降噪 | 第28-30页 |
| 3.2 实验结果与分析 | 第30-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 鼾声的自动识别与提取 | 第34-41页 |
| 4.1 实验方法 | 第34-37页 |
| 4.1.1 实验目的 | 第34页 |
| 4.1.2 实验设备及对象 | 第34-35页 |
| 4.1.3 数据集准备 | 第35-36页 |
| 4.1.4 两种网络结构 | 第36-37页 |
| 4.2 对比实验及分析 | 第37-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 呼吸暂停低通气综合征的鼾声分类研究 | 第41-55页 |
| 5.1 实验准备 | 第41-45页 |
| 5.1.1 实验目的 | 第41页 |
| 5.1.2 实验设备及对象 | 第41-42页 |
| 5.1.3 实验数据初步处理 | 第42-45页 |
| 5.2 训练数据准备 | 第45-47页 |
| 5.2.1 数据集准备 | 第45-46页 |
| 5.2.2 特征提取 | 第46-47页 |
| 5.3 实验结果与分析 | 第47-51页 |
| 5.3.1 深度学习用于鼾声分类 | 第47-48页 |
| 5.3.2 声学特性分析识别鼾声 | 第48-51页 |
| 5.4 本章小结 | 第51-55页 |
| 结论与展望 | 第55-58页 |
| 结论 | 第55-56页 |
| 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附表 | 第65页 |
