| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第13-26页 |
| 1.1 课题研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-23页 |
| 1.2.1 单导联心电信号的研究现状 | 第15-21页 |
| 1.2.2 基于RR间隔信号的心力衰竭识别研究现状 | 第21-22页 |
| 1.2.3 标准12导联心电信号重构研究现状 | 第22-23页 |
| 1.3 课题主要研究内容 | 第23-24页 |
| 1.4 论文结构 | 第24-26页 |
| 第二章 研究基础及相关技术背景 | 第26-45页 |
| 2.1 心电信号和RR间隔信号 | 第26-34页 |
| 2.1.1 心电信号及RR间隔信号的生理机制 | 第26页 |
| 2.1.2 心电信号及RR间隔信号的形态特征及相关指标 | 第26-33页 |
| 2.1.3 心电信号及RR间隔信号的诊断意义 | 第33-34页 |
| 2.2 仿生小波变换相关技术 | 第34-38页 |
| 2.2.1 小波变换基本原理 | 第34-35页 |
| 2.2.2 连续小波变换定义 | 第35-36页 |
| 2.2.3 仿生小波变换原理 | 第36-38页 |
| 2.3 数据降维相关技术 | 第38-39页 |
| 2.4 聚类分析相关技术 | 第39-41页 |
| 2.5 深度学习相关技术 | 第41-44页 |
| 2.5.1 深度学习概述 | 第41页 |
| 2.5.2 卷积神经网络 | 第41-43页 |
| 2.5.3 循环神经网络 | 第43-44页 |
| 2.6 本章小结 | 第44-45页 |
| 第三章 基于仿生小波变换的心电信号预处理研究 | 第45-58页 |
| 3.1 引言 | 第45页 |
| 3.2 基于仿生小波变换的心电信号预处理研究 | 第45-51页 |
| 3.2.1 算法整体流程 | 第45-46页 |
| 3.2.2 基于仿生小波变换的心电信号去噪方法研究 | 第46-50页 |
| 3.2.3 基于仿生小波变换的R波提取方法研究 | 第50-51页 |
| 3.3 实验结果与对比分析 | 第51-57页 |
| 3.3.1 心电信号去噪结果与分析 | 第51-54页 |
| 3.3.2 R波提取结果与分析 | 第54-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第四章 基于AP算法的半监督聚类用于心律失常识别的研究 | 第58-69页 |
| 4.1 引言 | 第58页 |
| 4.2 基于AP算法的半监督聚类用于心律失常识别的研究 | 第58-63页 |
| 4.2.1 独立心拍信号分割 | 第59-60页 |
| 4.2.2 基于ICA的心拍特征提取 | 第60-62页 |
| 4.2.3 基于AP算法的半监督聚类用于心律失常的研究 | 第62-63页 |
| 4.3 实验结果与对比分析 | 第63-68页 |
| 4.3.1 实验数据 | 第63-65页 |
| 4.3.2 评价指标 | 第65页 |
| 4.3.3 实验结果与对比分析 | 第65-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 基于深度学习用于心力衰竭检测的短时RR间隔信号分类方法研究 | 第69-92页 |
| 5.1 引言 | 第69页 |
| 5.2 基于LSTM网络的心力衰竭检测研究 | 第69-76页 |
| 5.2.1 基于LSTM的网络模块结构 | 第69-74页 |
| 5.2.2 算法整体架构及内部参数 | 第74-75页 |
| 5.2.3 模型训练过程 | 第75-76页 |
| 5.3 基于深度学习架构的心力衰竭集成检测研究 | 第76-83页 |
| 5.3.1 专家经验特征 | 第77-78页 |
| 5.3.2 基于深度网络模块的高维度特征提取 | 第78-80页 |
| 5.3.3 基于集成学习的心力衰竭检测 | 第80页 |
| 5.3.4 模型训练过程及特征重要度 | 第80-83页 |
| 5.4 实验过程 | 第83-86页 |
| 5.4.1 实验数据及预处理 | 第83-85页 |
| 5.4.2 验证过程 | 第85-86页 |
| 5.5 实验结果与对比分析 | 第86-91页 |
| 5.5.1 评价指标 | 第86-87页 |
| 5.5.2 实验结果与对比分析 | 第87-91页 |
| 5.6 本章小结 | 第91-92页 |
| 第六章 基于卷积神经网络由三导联向标准十二导联转换的方法研究 | 第92-106页 |
| 6.1 引言 | 第92页 |
| 6.2 基于卷积神经网络的导联转换模型 | 第92-98页 |
| 6.2.1 导联子集选择 | 第92-93页 |
| 6.2.2 基于卷积神经网络的导联转换模型设计 | 第93-98页 |
| 6.3 实验结果与对比分析 | 第98-105页 |
| 6.3.1 实验数据 | 第98-99页 |
| 6.3.2 对比方法 | 第99-100页 |
| 6.3.3 评价指标 | 第100页 |
| 6.3.4 训练方式 | 第100-102页 |
| 6.3.5 实验结果与对比分析 | 第102-105页 |
| 6.4 本章小结 | 第105-106页 |
| 第七章 总结与展望 | 第106-109页 |
| 7.1 论文研究工作总结 | 第106-107页 |
| 7.2 后续工作展望 | 第107-109页 |
| 参考文献 | 第109-122页 |
| 缩略语说明 | 第122-123页 |
| 致谢 | 第123-124页 |
| 作者攻读学位期间发表的学术论文目录 | 第124-126页 |
