| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于雷达的呼吸信号检测技术的研究现状 | 第11-13页 |
| 1.2.2 基于雷达的异常呼吸模式的检测及分类技术的研究现状 | 第13-14页 |
| 1.3 论文结构安排 | 第14-16页 |
| 2 基于连续波雷达的呼吸信号监测系统 | 第16-27页 |
| 2.1 呼吸信号监测系统的工作原理 | 第16-19页 |
| 2.1.1 硬件平台介绍 | 第16-17页 |
| 2.1.2 生命体征信号的理论分析 | 第17-19页 |
| 2.2 呼吸信号的提取 | 第19-23页 |
| 2.2.1 滤波器的设计 | 第20-21页 |
| 2.2.2 实测呼吸信号的提取 | 第21-23页 |
| 2.3 与接触式压电传感器的对照实验 | 第23-25页 |
| 2.3.1 实验设置 | 第23页 |
| 2.3.2 结果分析 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 呼吸模式特征提取 | 第27-42页 |
| 3.1 呼吸模式的雷达回波信号特点及分析 | 第27-29页 |
| 3.1.1 正常呼吸 | 第27-28页 |
| 3.1.2 潮式(Cheyne-Stokes)呼吸 | 第28页 |
| 3.1.3 潮式变体呼吸 | 第28页 |
| 3.1.4 节律障碍型呼吸 | 第28页 |
| 3.1.5 比奥式(Biot's)呼吸 | 第28-29页 |
| 3.1.6 呼吸过速 | 第29页 |
| 3.2 呼吸模式特征提取 | 第29-34页 |
| 3.2.1 上包络峰值的个数N_(up) | 第29-30页 |
| 3.2.2 上包络峰值的方差σ_(up) | 第30-31页 |
| 3.2.3 归一化短时能量的方差σ_E | 第31-32页 |
| 3.2.4 瞬时频率的最小值min_f | 第32-33页 |
| 3.2.5 瞬时频率的方差σ_f | 第33-34页 |
| 3.2.6 瞬时频率的范围R_f | 第34页 |
| 3.3 睡眠呼吸样本的特征提取优化算法 | 第34-41页 |
| 3.3.1 去体动干扰 | 第34-39页 |
| 3.3.2 基于呼吸暂停判决的特征提取优化算法 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于机器学习的呼吸模式分类算法 | 第42-53页 |
| 4.1 算法设计 | 第42-43页 |
| 4.2 决策树算法概述 | 第43-45页 |
| 4.2.1 决策树算法 | 第43-44页 |
| 4.2.2 决策树的集成学习 | 第44-45页 |
| 4.2.3 决策树的过拟合问题 | 第45页 |
| 4.3 支持向量机算法概述 | 第45-50页 |
| 4.3.1 线性支持向量机 | 第46-47页 |
| 4.3.2 非线性支持向量机 | 第47-49页 |
| 4.3.3 多分类问题 | 第49页 |
| 4.3.4 支持向量机的过拟合问题 | 第49-50页 |
| 4.4 分类模型的评估 | 第50-52页 |
| 4.4.1 K折交叉验证 | 第50-51页 |
| 4.4.2 分类正确率 | 第51页 |
| 4.4.3 混淆矩阵 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 实验设置与结果分析 | 第53-72页 |
| 5.1 实验室环境下的实验设置 | 第53页 |
| 5.2 实验室环境下的分类模型构建及结果分析 | 第53-63页 |
| 5.2.1 决策树分类模型 | 第53-57页 |
| 5.2.2 SVM分类模型 | 第57-61页 |
| 5.2.3 决策树分类模型和SVM分类模型的对比和总结 | 第61-63页 |
| 5.3 临床实验设置 | 第63-64页 |
| 5.4 基于线性SVM分类模型的呼吸模式测试样本的分类结果及分析 | 第64-71页 |
| 5.5 本章小结 | 第71-72页 |
| 6 总结和展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 附录 | 第79页 |
