| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究概况 | 第10-13页 |
| 1.2.1 多元时间序列分类研究综述 | 第10-12页 |
| 1.2.2 ICU病员死亡预测综述 | 第12-13页 |
| 1.3 本文的研究工作 | 第13-14页 |
| 1.4 本文结构说明 | 第14-15页 |
| 第2章 相关理论和技术介绍 | 第15-26页 |
| 2.1 分类 | 第15-19页 |
| 2.1.1 决策树 | 第15-17页 |
| 2.1.2 KNN | 第17-18页 |
| 2.1.3 SVM | 第18-19页 |
| 2.2 多元时间序列分类 | 第19-20页 |
| 2.3 时间序列Shapelets | 第20-25页 |
| 2.3.1 提高Shapelets提取速度 | 第22-24页 |
| 2.3.2 提高时间序列分类精度 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 多元时间序列Shapelets模型 | 第26-35页 |
| 3.1 基本概念 | 第26-29页 |
| 3.2 多元时间序列Shapelets模型 | 第29-33页 |
| 3.2.1 局部特征点提取 | 第30-32页 |
| 3.2.2 Shapelets候选集 | 第32-33页 |
| 3.2.3 新的Shapelets数据集 | 第33页 |
| 3.3 本章小结 | 第33-35页 |
| 第4章 基于多元时间序列Shapelets的ICU预测框架 | 第35-44页 |
| 4.1 ICU数据集相关分析 | 第35-37页 |
| 4.1.1 数据集介绍 | 第35页 |
| 4.1.2 数据集数据特点分析 | 第35-37页 |
| 4.2 算法框架 | 第37-39页 |
| 4.3 核心算法 | 第39-43页 |
| 4.3.1 局部特征提取算法 | 第39-40页 |
| 4.3.2 最优k个Shapelet提取算法 | 第40-42页 |
| 4.3.3 Shapelets转换算法 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 实验 | 第44-54页 |
| 5.1 实验环境介绍 | 第44-45页 |
| 5.1.1 实验平台和实验环境 | 第44页 |
| 5.1.2 工具简介 | 第44-45页 |
| 5.2 指标确定 | 第45-49页 |
| 5.2.1 ICU病员生理指标 | 第45-48页 |
| 5.2.2 ICU生死预测评估指标 | 第48-49页 |
| 5.3 实验结果和分析 | 第49-52页 |
| 5.3.1 纵向结果比对 | 第49-52页 |
| 5.3.2 横向结果比对 | 第52页 |
| 5.4 本章小结 | 第52-54页 |
| 第6章 结论与展望 | 第54-56页 |
| 6.1 结论 | 第54页 |
| 6.2 进一步工作的方向 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间的研究成果 | 第61页 |