| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 心电信号产生原理 | 第13页 |
| 1.3 ECG身份识别的可行性 | 第13-15页 |
| 1.4 国内外研究现状 | 第15-17页 |
| 1.5 研究内容 | 第17-18页 |
| 1.6 论文结构 | 第18-21页 |
| 第2章 ECG身份识别基础知识 | 第21-35页 |
| 2.1 心电信号特点 | 第21-23页 |
| 2.1.1 心电信号形态学特点 | 第21-23页 |
| 2.1.2 心电信号频域特点 | 第23页 |
| 2.2 主成分分析 | 第23-26页 |
| 2.2.1 主成分分析（PCA）的基本思想与数学模型 | 第23-25页 |
| 2.2.2 主成分分析（PCA）主要步骤 | 第25-26页 |
| 2.3 支持向量机（SVM） | 第26-30页 |
| 2.3.1 支持向量机原理 | 第27-29页 |
| 2.3.2 核化支持向量机 | 第29-30页 |
| 2.4 稀疏自编码（SparseAE） | 第30-32页 |
| 2.4.1 自编码原理 | 第30-31页 |
| 2.4.2 稀疏化自编码 | 第31-32页 |
| 2.5 ECG-ID数据库简介 | 第32-33页 |
| 2.6 本章小结 | 第33-35页 |
| 第3章 基于组合特征和SVM的ECG身份识别 | 第35-51页 |
| 3.1 心电信号预处理 | 第35-41页 |
| 3.1.1 心电信号小波去噪 | 第35-38页 |
| 3.1.2 心电信号心拍检测 | 第38-41页 |
| 3.2 ECG身份识别的特征提取 | 第41-43页 |
| 3.2.1 形态学特征 | 第42-43页 |
| 3.2.2 小波特征 | 第43页 |
| 3.3 基于最优类别间隔的ECG身份识别 | 第43-47页 |
| 3.4 实验结果对比 | 第47-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 特征学习ECG身份识别算法 | 第51-67页 |
| 4.1 核主成份分析(KPCA) | 第51-56页 |
| 4.1.1 KPCA原理 | 第51-53页 |
| 4.1.2 KPCA核函数的选择 | 第53-54页 |
| 4.1.3 KPCA流程 | 第54页 |
| 4.1.4 KPCA实验结果 | 第54-56页 |
| 4.2 特征学习神经网络 | 第56-65页 |
| 4.2.1 初始参数选取 | 第57-59页 |
| 4.2.2 微调特征学习网络参数 | 第59-60页 |
| 4.2.3 特征学习网络参数优化 | 第60-61页 |
| 4.2.4 特征学习网络的实验结果 | 第61-65页 |
| 4.3 本章小结 | 第65-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 作者简介及科研成果 | 第75-77页 |
| 致谢 | 第77页 |