用于房颤辅助诊断的心电P波自动识别研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 ECG信号的简介 | 第9-12页 |
| 1.2.1 ECG信号的产生原理 | 第9页 |
| 1.2.2 典型的ECG信号 | 第9-11页 |
| 1.2.3 房颤在ECG的典型特征 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 基于RR间期的房颤识别 | 第12-13页 |
| 1.3.2 基于P波缺失的房颤识别 | 第13-14页 |
| 1.4 本文主要研究内容与结构 | 第14-15页 |
| 第二章 ECG信号收集和预处理 | 第15-22页 |
| 2.1 本文实验数据来源 | 第15-16页 |
| 2.1.1 信号发生器 | 第15页 |
| 2.1.2 MIT-BIH数据 | 第15-16页 |
| 2.2 ECG噪声分析及预处理 | 第16-21页 |
| 2.2.1 ECG噪声分析 | 第16-17页 |
| 2.2.2 ECG信号预处理 | 第17-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 P波建模和P波识别 | 第22-37页 |
| 3.1 基于高斯混合模型的P波建模 | 第22-31页 |
| 3.1.1 高斯混合模型(GMM) | 第22-25页 |
| 3.1.2 选择建立GMM的P波数据 | 第25-26页 |
| 3.1.3 P波高斯模型建立过程 | 第26-31页 |
| 3.1.4 P波高斯模型的参数分析 | 第31页 |
| 3.2 基于马氏距离的P波识别策略研究 | 第31-34页 |
| 3.2.1 R波识别和P波切波 | 第31-32页 |
| 3.2.2 特征提取 | 第32页 |
| 3.2.3 马氏距离 | 第32-33页 |
| 3.2.4 P波判断方法 | 第33-34页 |
| 3.3 实验结果与分析 | 第34-36页 |
| 3.3.1 数据描述 | 第34页 |
| 3.3.2 实验结果 | 第34-35页 |
| 3.3.3 结果分析 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于BP神经网络的真P波与伪P波识别策略 | 第37-48页 |
| 4.1 基于BP神经网络的真P波与伪P波识别 | 第37-45页 |
| 4.1.1 BP神经网络 | 第37-41页 |
| 4.1.2 选择BP神经网络输入数据 | 第41-42页 |
| 4.1.3 BP神经网络训练过程 | 第42-45页 |
| 4.1.4 BP神经网络的参数分析 | 第45页 |
| 4.2 实验结果和分析 | 第45-47页 |
| 4.2.1 数据描述 | 第45-46页 |
| 4.2.2 实验结果 | 第46页 |
| 4.2.3 结果分析 | 第46-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 工作总结 | 第48-49页 |
| 5.2 工作展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 发表论文和科研情况说明 | 第54-55页 |
| 致谢 | 第55页 |
