| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 背景和意义 | 第10-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 相关工作 | 第17-22页 |
| 2.1 脉搏信号处理 | 第17-19页 |
| 2.2 利用机器学习的脉搏信号识别 | 第19-22页 |
| 第三章 理论基础和关键技术 | 第22-26页 |
| 3.1 血液动力学与脉搏信号 | 第22页 |
| 3.2 带有肺癌特征的脉搏信号获取 | 第22-23页 |
| 3.3 脉搏信号处理与分析 | 第23-26页 |
| 3.3.1 去除高频成分 | 第23-24页 |
| 3.3.2 去除基线漂移 | 第24-25页 |
| 3.3.3 结合特征提取的脉搏信号分类识别 | 第25-26页 |
| 第四章 脉搏信号处理与分类识别 | 第26-43页 |
| 4.1 脉搏信号采集和预处理 | 第26-29页 |
| 4.1.1 脉搏信号采集 | 第26-27页 |
| 4.1.2 频域与时域特征分析及预处理 | 第27-29页 |
| 4.2 基于拟合的迭代式滑动窗口算法 | 第29-33页 |
| 4.3 特征提取与分类 | 第33-40页 |
| 4.3.1 结合金氏脉学的特征提取 | 第34-38页 |
| 4.3.2 SVM分类模型 | 第38-40页 |
| 4.4 特征选择 | 第40-43页 |
| 第五章 实验结果与分析 | 第43-53页 |
| 5.1 脉搏信号预处理 | 第44-45页 |
| 5.2 基于拟合的迭代式滑动窗口算法 | 第45-46页 |
| 5.3 基于金氏脉学特征的脉搏信号识别 | 第46-50页 |
| 5.4 基于高斯SVM的不同位置上脉搏信号的肺癌识别 | 第50-53页 |
| 第六章 结论与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 下一步工作 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-62页 |
| 附录 | 第62-64页 |