心电数据的预处理与分类算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 心电数据预处理算法研究现状 | 第10-11页 |
| 1.2.2 心电数据分类算法研究现状 | 第11-12页 |
| 1.3 本文主要研究内容和创新点 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 2 心电图相关理论 | 第15-23页 |
| 2.1 基本原理 | 第15-17页 |
| 2.2 常见噪声干扰 | 第17-18页 |
| 2.3 分类类型简介 | 第18-19页 |
| 2.4 常用分类器 | 第19-20页 |
| 2.4.1 Softmax分类器 | 第20页 |
| 2.4.2 SVM分类器 | 第20页 |
| 2.5 数据库介绍 | 第20-21页 |
| 2.6 本章小结 | 第21-23页 |
| 3 基于EEMD的去噪改进算法 | 第23-32页 |
| 3.1 EEMD算法 | 第23-24页 |
| 3.2 马氏距离 | 第24页 |
| 3.3 果蝇算法 | 第24-25页 |
| 3.4 改进的EEMD去噪算法 | 第25-28页 |
| 3.4.1 噪声IMF的确定 | 第25-26页 |
| 3.4.2 噪声IMF阈值的选取 | 第26-27页 |
| 3.4.3 基本流程 | 第27-28页 |
| 3.5 仿真实验 | 第28-31页 |
| 3.5.1 实验方案 | 第28-30页 |
| 3.5.2 实验结果分析 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 4 基于EEMD多尺度模糊熵的分类算法 | 第32-40页 |
| 4.1 基于模糊熵的特征提取 | 第32-33页 |
| 4.2 基于RBF神经网络的分类 | 第33-34页 |
| 4.3 仿真实验 | 第34-39页 |
| 4.3.1 实验方案 | 第34-38页 |
| 4.3.2 实验结果分析 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 5 基于mSDA的参数自适应分类算法 | 第40-48页 |
| 5.1 堆叠去噪自编码器 | 第40-42页 |
| 5.2 基于果蝇优化的参数自适应m SDA | 第42-44页 |
| 5.2.1 预处理 | 第42页 |
| 5.2.2 特征提取 | 第42-43页 |
| 5.2.3 基本流程 | 第43-44页 |
| 5.3 仿真实验 | 第44-47页 |
| 5.3.1 实验方案 | 第44-45页 |
| 5.3.2 实验结果与分析 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 6 总结和展望 | 第48-51页 |
| 6.1 总结 | 第48-49页 |
| 6.2 展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 攻读硕士学位期间所发表的论文及所取得的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
