基于多特征融合的J波分类方法研究
摘要 | 第3-5页 |
ABSTRACT | 第5-7页 |
第一章 绪论 | 第16-22页 |
1.1 课题研究背景及意义 | 第16-17页 |
1.2 J波的研究现状 | 第17-18页 |
1.3 机器学习技术的发展及现状 | 第18-20页 |
1.4 本文的研究内容和章节安排 | 第20-22页 |
第二章 J波及机器学习应用于J波分类的研究基础 | 第22-36页 |
2.1 J波概述 | 第22-25页 |
2.1.1 J波的特点 | 第22-23页 |
2.1.2 J波综合征 | 第23-24页 |
2.1.3 J波的分类 | 第24-25页 |
2.2 机器学习系统的组成 | 第25-26页 |
2.3 特征提取 | 第26-30页 |
2.4 特征优化 | 第30-32页 |
2.5 分类器决策 | 第32-34页 |
2.6 本章小结 | 第34-36页 |
第三章 分类数据集的构建及预处理 | 第36-40页 |
3.1 构建心电数据库 | 第36页 |
3.2 心电信号预处理 | 第36-38页 |
3.2.1 噪声去除 | 第36-37页 |
3.2.2 R基准点检测 | 第37-38页 |
3.2.3 心拍分段 | 第38页 |
3.3 训练集与测试集划分 | 第38-39页 |
3.4 本章小结 | 第39-40页 |
第四章 基于多尺度递归分析的J波检测 | 第40-58页 |
4.1 递归图与递归定量分析 | 第41-46页 |
4.1.1 相空间重构 | 第41-42页 |
4.1.2 递归图 | 第42-43页 |
4.1.3 递归定量分析 | 第43-46页 |
4.2 基于调Q小波变换的递归定量特征提取 | 第46-50页 |
4.2.1 调Q小波变换 | 第46-47页 |
4.2.2 多尺度递归定量特征提取 | 第47-50页 |
4.3 基于t检验的递归定量特征约简 | 第50页 |
4.4 基于最小二乘支持向量机的J波检测识别 | 第50-54页 |
4.4.1 最小二乘支持向量机理论 | 第50-52页 |
4.4.2 细菌觅食优化算法实现分类器参数优化 | 第52-54页 |
4.5 算法仿真分析 | 第54-57页 |
4.5.1 评价指标 | 第54页 |
4.5.2 结果分析 | 第54-57页 |
4.6 本章小结 | 第57-58页 |
第五章 基于多特征融合的J波分类方法研究 | 第58-76页 |
5.1 信号的多角度特征提取 | 第59-64页 |
5.1.1 时域特征 | 第59-60页 |
5.1.2 频域特征 | 第60-61页 |
5.1.3 时频域特征 | 第61-64页 |
5.2 多特征融合技术 | 第64-66页 |
5.2.1 局部线性嵌入实现三阶累积量降维 | 第64-65页 |
5.2.2 特征的加权融合 | 第65-66页 |
5.3 基于LS-SVM的J波多层分类算法 | 第66-68页 |
5.3.1 SVM实现多分类的常用方法 | 第66-67页 |
5.3.2 基于LS-SVM的J波多层分类模型 | 第67-68页 |
5.4 算法仿真分析 | 第68-74页 |
5.4.1 J波检测结果分析 | 第68-70页 |
5.4.2 与其他J波检测算法的比较 | 第70-72页 |
5.4.3 良性J波与恶性J波的分类实验 | 第72-74页 |
5.5 本章小结 | 第74-76页 |
第六章 总结与展望 | 第76-78页 |
6.1 总结 | 第76-77页 |
6.2 下一步工作及前景展望 | 第77-78页 |
参考文献 | 第78-84页 |
致谢 | 第84-86页 |
攻读硕士学位期间学术成果及参与项目 | 第86页 |