| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景与研究意义 | 第14-22页 |
| 1.1.1 体域网研究意义 | 第14-15页 |
| 1.1.2 体域网与人体生理健康感知 | 第15-18页 |
| 1.1.3 体域网中脉搏波研究意义 | 第18-22页 |
| 1.2 基于数据融合的研究思路 | 第22-25页 |
| 1.3 研究内容与论文组织结构 | 第25-26页 |
| 第2章 脉搏波的数据采集 | 第26-68页 |
| 2.1 研究意义 | 第26-27页 |
| 2.2 研究现状和问题 | 第27-32页 |
| 2.2.1 研究领域现状 | 第27-30页 |
| 2.2.2 本文研究问题 | 第30-32页 |
| 2.3 SPD算法设计 | 第32-52页 |
| 2.3.1 预处理 | 第34-36页 |
| 2.3.2 高频噪声消除 | 第36-40页 |
| 2.3.3 低频基线消除 | 第40-41页 |
| 2.3.4 一阶后向差分 | 第41-42页 |
| 2.3.5 幅值包络提取 | 第42-44页 |
| 2.3.6 过零点检测 | 第44-48页 |
| 2.3.7 主峰波峰点与主峰波谷点识别 | 第48-49页 |
| 2.3.8 脉搏波划分 | 第49-50页 |
| 2.3.9 SPD算法对脉搏波信号周期性的影响 | 第50-52页 |
| 2.4 SPD算法评估 | 第52-66页 |
| 2.4.1 用于评估的数据源 | 第52-53页 |
| 2.4.2 评价指标 | 第53-54页 |
| 2.4.3 SPD算法划分效果 | 第54-61页 |
| 2.4.4 SPD算法评估结果 | 第61-65页 |
| 2.4.5 SPD算法时间复杂度 | 第65-66页 |
| 2.5 本章小结 | 第66-68页 |
| 第3章 脉搏波数学建模与特征提取 | 第68-104页 |
| 3.1 研究意义 | 第68页 |
| 3.2 脉搏波建模研究现状 | 第68-72页 |
| 3.3 基于Lognormal函数模型的脉搏波特征提取 | 第72-92页 |
| 3.3.1 Lognormal函数模型的基本结构设计 | 第72-77页 |
| 3.3.2 Lognormal函数模型的参数计算方法 | 第77-80页 |
| 3.3.3 Lognormal函数模型的拟合计算方法 | 第80-90页 |
| 3.3.4 逐次拟合计算中单步拟合算法 | 第90-92页 |
| 3.4 实验与算法性能评估 | 第92-102页 |
| 3.4.1 用于评估的数据源 | 第92-93页 |
| 3.4.2 采用的评价方法 | 第93页 |
| 3.4.3 Lognormal函数模型的建模与特征提取 | 第93-98页 |
| 3.4.4 Lognormal函数模型拟合计算精度评估 | 第98-101页 |
| 3.4.5 Lognormal函数模型拟合计算时间评估 | 第101-102页 |
| 3.5 本章小结 | 第102-104页 |
| 第4章 基于脉搏波的健康状态分类 | 第104-140页 |
| 4.1 研究意义 | 第104页 |
| 4.2 研究现状 | 第104-109页 |
| 4.2.1 脉搏波用于健康状态判别研究现状 | 第104-107页 |
| 4.2.2 体域网环境下新需求 | 第107-109页 |
| 4.3 基于支持向量机的健康状态分类算法 | 第109-122页 |
| 4.3.1 输入数据降维方法 | 第111-114页 |
| 4.3.2 基于脉搏波的健康状态二分类问题 | 第114-117页 |
| 4.3.3 支持向量机的惩罚因子 | 第117-118页 |
| 4.3.4 支持向量机的核函数 | 第118-119页 |
| 4.3.5 惩罚因子与核函数参数的改进PSO优化算法 | 第119-122页 |
| 4.4 支持向量机训练和检验过程 | 第122-124页 |
| 4.5 健康状态分类算法性能检验 | 第124-138页 |
| 4.5.1 健康状态分类算法评价指标 | 第124-125页 |
| 4.5.2 健康状态分类算法的评估数据源 | 第125-126页 |
| 4.5.3 实验场景1中健康状态分类算法效果 | 第126-130页 |
| 4.5.4 实验场景2中健康状态分类算法效果 | 第130-134页 |
| 4.5.5 实验场景3中健康状态分类算法效果 | 第134-138页 |
| 4.6 本章小结 | 第138-140页 |
| 第5章 多传感器融合的健康态势评估 | 第140-170页 |
| 5.1 研究意义 | 第140-141页 |
| 5.2 研究现状及研究内容 | 第141-144页 |
| 5.2.1 研究领域现状 | 第141-144页 |
| 5.2.2 本文研究内容 | 第144页 |
| 5.3 基于脉搏波、呼吸、体温的健康状态分类 | 第144-151页 |
| 5.3.1 基于脉搏波的健康状态分类方法 | 第146-147页 |
| 5.3.2 基于呼吸的健康状态分类方法 | 第147-149页 |
| 5.3.3 基于体温的健康状态分类方法 | 第149-151页 |
| 5.4 三种人体健康状态分类结果的数据融合方法 | 第151-161页 |
| 5.4.1 二进制编码融合方法 | 第154-156页 |
| 5.4.2 健康状态等级划分方法 | 第156-158页 |
| 5.4.3 加权Markov链模型 | 第158-161页 |
| 5.5 多传感器融合的健康态势评估效果 | 第161-169页 |
| 5.5.1 多种类生理信号采集系统设计与实现 | 第161-166页 |
| 5.5.2 二进制编码融合方法功能性评价 | 第166-167页 |
| 5.5.3 加权Markov链模型预测效果评价 | 第167-169页 |
| 5.6 本章小结 | 第169-170页 |
| 第6章 总结与展望 | 第170-176页 |
| 6.1 全文总结 | 第170-173页 |
| 6.2 工作展望 | 第173-176页 |
| 参考文献 | 第176-190页 |
| 攻读博士期间发表的论文 | 第190-194页 |
| 致谢 | 第194页 |
