| 摘要 | 第4-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第14-34页 |
| 1.1 研究背景和意义 | 第14-18页 |
| 1.1.1 研究背景 | 第14-17页 |
| 1.1.2 研究意义 | 第17-18页 |
| 1.2 面向智慧医疗的生物电信号识别的发展和现状 | 第18-22页 |
| 1.2.1 生物电信号的特点 | 第18页 |
| 1.2.2 基于生物电信号的智能辅助诊疗系统 | 第18-19页 |
| 1.2.3 面向智慧医疗的生物电信号识别的发展和现状 | 第19-22页 |
| 1.3 面向智慧医疗的生物电信号智能识别方法分析 | 第22-29页 |
| 1.3.1 心电和脑电信号去噪方法分析 | 第22-24页 |
| 1.3.2 心电信号复波检测技术 | 第24页 |
| 1.3.3 心电和脑电信号特征提取算法分析 | 第24-26页 |
| 1.3.4 智能分类识别方法现状 | 第26-29页 |
| 1.4 研究内容及主要创新点 | 第29-32页 |
| 1.4.1 研究内容 | 第29-31页 |
| 1.4.2 主要创新点 | 第31-32页 |
| 1.5 论文的组织结构 | 第32-34页 |
| 第二章 心电及脑电信号诊疗机理分析 | 第34-45页 |
| 2.1 心电图疾病诊断机理分析 | 第34-39页 |
| 2.1.1 医学心电图原理 | 第34-35页 |
| 2.1.2 心电图疾病诊断机理分析 | 第35-39页 |
| 2.2 基于EEG的运动想象康复治疗的机理分析 | 第39-44页 |
| 2.2.1 运动想象疾病康复机理 | 第39-40页 |
| 2.2.2 运动想象EEG感觉运动节律分析 | 第40-41页 |
| 2.2.3 感觉运动节律(SMR)变异性分析 | 第41-44页 |
| 2.3 本章小结 | 第44-45页 |
| 第三章 基于LS-TWSVM的运动想象EEG信号识别 | 第45-70页 |
| 3.1 最小二乘双子支持向量机(LS-TWIN-SVM)算法建模 | 第45-54页 |
| 3.1.1 支持向量机 | 第45-48页 |
| 3.1.2 双子支持向量机 | 第48-51页 |
| 3.1.3 最小二乘双子支持向量机 | 第51-54页 |
| 3.2 运动想象EEG信号分析和预处理 | 第54-56页 |
| 3.2.1 运动想象EEG数据分析 | 第54-55页 |
| 3.2.2 实施方案和数据预处理 | 第55-56页 |
| 3.3 CSP空域滤波 | 第56-58页 |
| 3.4 基于自适应频带选择CSP和PSO-LS-TWSVM的运动想象EEG识别 | 第58-67页 |
| 3.4.1 基于几种核函数的LS-TWIN-SVM分类器测试比较 | 第58-59页 |
| 3.4.2 基于智能优化算法的LS-TWN-SVM运动想象EEG信号识别 | 第59-61页 |
| 3.4.3 TWIN-SVM分类器及其拓展算法的EEG信号分类结果比较 | 第61-63页 |
| 3.4.4 运动想象EEG信号识别常用算法比较 | 第63-65页 |
| 3.4.5 实验结果分析和总结 | 第65-67页 |
| 3.5 面向脑卒中患者的康复训练系统结构及自适应性分析 | 第67-68页 |
| 3.6 本章小结 | 第68-70页 |
| 第四章 心电信号预处理与主波检测算法研究 | 第70-92页 |
| 4.1 心电图信号噪声分析和滤波方案 | 第70-76页 |
| 4.1.1 单导联心电图信号采集 | 第70-71页 |
| 4.1.2 心电图噪声分析 | 第71-73页 |
| 4.1.3 滤波方案 | 第73-76页 |
| 4.2 基于小波自适应阈值滤波的ECG信号去噪 | 第76-81页 |
| 4.2.1 小波自适应阈值滤波原理 | 第76-77页 |
| 4.2.2 小波自适应阈值滤波算法验证 | 第77-81页 |
| 4.3 基于小波分解和Hilbert变换的R波检测 | 第81-91页 |
| 4.3.1 算法原理 | 第81-82页 |
| 4.3.2 实施方案 | 第82-83页 |
| 4.3.3 基于小波分解和Hilbert变换的R波检测算法验证 | 第83-91页 |
| 4.4 本章小结 | 第91-92页 |
| 第五章 基于遗传算法有向无环图LS-TWIN-SVM的心律不齐多分类研究 | 第92-105页 |
| 5.1 LS-TWIN-SVM多分类模型及其计算复杂度比较 | 第92-94页 |
| 5.1.1 多分类算法原理 | 第92-93页 |
| 5.1.2 基于决策树和有向无环图的多分类策略 | 第93页 |
| 5.1.3 不同多分类模型的计算复杂度比较 | 第93-94页 |
| 5.2 心律不齐识别算法实施流程 | 第94-95页 |
| 5.3 数据分析与预处理 | 第95-97页 |
| 5.3.1 数据分析和评估指标 | 第95-96页 |
| 5.3.2 数据预处理 | 第96-97页 |
| 5.3.3 基于功率谱和时间间期的混合特征提取 | 第97页 |
| 5.4 基于DAG的LS-TWIN-SVM心律不齐分类 | 第97-104页 |
| 5.4.1 分类算法验证 | 第97-100页 |
| 5.4.2 实验结果分析 | 第100-102页 |
| 5.4.3 与目前研究成果的对比和分析 | 第102-104页 |
| 5.5 本章小结 | 第104-105页 |
| 第六章 基于深度残差网络的大数据ECG心律不齐诊断 | 第105-121页 |
| 6.1 深度卷积神经网络 | 第106-110页 |
| 6.1.1 卷积神经网络的结构 | 第106-107页 |
| 6.1.2 卷积神经网络的训练算法 | 第107-110页 |
| 6.2 基于深度残差学习的卷积神经网络——深度残差网络 | 第110-111页 |
| 6.3 基于深度残差网络的2导联ECG信号心律不齐识别 | 第111-116页 |
| 6.3.1 实验数据分析及评估标准 | 第111页 |
| 6.3.2 数据预处理 | 第111-112页 |
| 6.3.3 深度残差网络设计及实验结果分析 | 第112-116页 |
| 6.4 面向临床12导联ECG数据的深度残差网络心律不齐诊断研究 | 第116-119页 |
| 6.4.1 实验数据分析 | 第116-117页 |
| 6.4.2 数据预处理 | 第117页 |
| 6.4.3 深度残差网络的多导联ECG数据心律不齐诊断 | 第117-119页 |
| 6.5 本章小结 | 第119-121页 |
| 第七章 总结与展望 | 第121-124页 |
| 参考文献 | 第124-138页 |
| 缩略语 | 第138-140页 |
| 致谢 | 第140-141页 |
| 攻读博士期间的学术成果 | 第141-142页 |
