基于SVM的人体亚健康状态检测方法的研究与实现
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-19页 |
1.1 课题研究背景及意义 | 第9-11页 |
1.1.1 课题研究背景 | 第9-10页 |
1.1.2 亚健康研究意义 | 第10-11页 |
1.2 亚健康研究现状 | 第11-16页 |
1.2.1 亚健康的体现和成因 | 第11-13页 |
1.2.2 国内外亚健康诊断研究现状 | 第13-16页 |
1.3 研究内容和论文结构 | 第16-19页 |
1.3.1 本文的主要研究内容 | 第16-17页 |
1.3.2 论文结构安排 | 第17-19页 |
第2章 生物信号的采集 | 第19-29页 |
2.1 生物信号简介 | 第19-24页 |
2.1.1 心电信号 | 第19-21页 |
2.1.2 脉搏信号 | 第21-22页 |
2.1.3 皮肤电反应信号 | 第22-24页 |
2.2 硬件系统设计 | 第24-28页 |
2.2.1 硬件系统整体结构 | 第24页 |
2.2.2 生物信号采集模块 | 第24-27页 |
2.2.3 Arduino与Matlab通信 | 第27-28页 |
2.3 本章小结 | 第28-29页 |
第3章 信号预处理与特征点提取 | 第29-43页 |
3.1 信号预处理 | 第29-34页 |
3.1.1 信号噪声特点分析 | 第29-34页 |
3.2 特征点提取 | 第34-40页 |
3.2.1 心电信号特征点提取 | 第34-37页 |
3.2.2 脉搏信号特征点提取 | 第37-39页 |
3.2.3 皮肤电信号特征点提取 | 第39-40页 |
3.3 初始特征提取 | 第40-41页 |
3.4 本章小结 | 第41-43页 |
第4章 特征提取与分类器设计 | 第43-55页 |
4.1 Fisher线性判别分析法 | 第44-46页 |
4.2 主成分分析法 | 第46-48页 |
4.3 一种改进的线性判别分析算法 | 第48-50页 |
4.3.1 加权的特征值矩阵计算 | 第48-49页 |
4.3.2 算法流程 | 第49-50页 |
4.4 基于SVM的分类器设计 | 第50-53页 |
4.5 本章小结 | 第53-55页 |
第5章 亚健康状态检测方法的实现 | 第55-63页 |
5.1 分类模型训练 | 第55-57页 |
5.1.1 样本的选取 | 第55页 |
5.1.2 样本初始特征点的预处理 | 第55-56页 |
5.1.3 特征提取及模型分类 | 第56-57页 |
5.2 实验系统设计 | 第57-60页 |
5.3 结果及分析 | 第60-61页 |
5.3.1 特征提取算法性能比较 | 第60-61页 |
5.3.2 健康状态结果分析 | 第61页 |
5.4 本章小结 | 第61-63页 |
结论 | 第63-65页 |
参考文献 | 第65-69页 |
附录 | 第69-71页 |
致谢 | 第71页 |