基于隐马尔可夫模型脉象信号分类
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-14页 |
| ·课题来源 | 第8页 |
| ·课题背景及研究目的和意义 | 第8-10页 |
| ·课题背景 | 第8-9页 |
| ·研究的目的和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·脉象采集系统研究 | 第10-11页 |
| ·脉象信号数字化研究 | 第11-12页 |
| ·本文的主要研究内容 | 第12-14页 |
| 第2章 相关技术和方法 | 第14-22页 |
| ·引言 | 第14页 |
| ·HMM原理 | 第14-15页 |
| ·HMM基本问题 | 第15-16页 |
| ·HMM在脉象信号分类中的可行性 | 第16-17页 |
| ·其它分类方法 | 第17-20页 |
| ·支持向量机分类器（SVM） | 第17-19页 |
| ·动态时间规整方法（DTW） | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第3章 脉象信号的预处理与分段及特征提取 | 第22-31页 |
| ·引言 | 第22-23页 |
| ·脉象信号的预处理 | 第23-24页 |
| ·脉象信号的归一化 | 第24-25页 |
| ·脉象信号的分段 | 第25-26页 |
| ·小段脉象信号自回归（AR）模型参数特征提取 | 第26-29页 |
| ·自回归（AR）模型 | 第26-27页 |
| ·自回归（AR）模型参数估计 | 第27-28页 |
| ·小段脉象信号AR模型参数特征提取 | 第28-29页 |
| ·小段脉象信号时域特征提取 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第4章 基于隐马尔可夫模型脉象信号分类 | 第31-40页 |
| ·引言 | 第31页 |
| ·分段K-均值方法 | 第31-35页 |
| ·Farago-Lugosi算法 | 第35-38页 |
| ·联合算法 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第5章 实验结果及分析 | 第40-52页 |
| ·引言 | 第40页 |
| ·4类脉型数据集 | 第40-41页 |
| ·分段K-均值方法分类结果 | 第41-44页 |
| ·实验中考虑的问题 | 第41-43页 |
| ·4类脉型分类结果 | 第43-44页 |
| ·F_L算法分类结果 | 第44-45页 |
| ·联合算法分类结果 | 第45-48页 |
| ·联合算法复杂性分析 | 第45-46页 |
| ·4类脉型分类结果 | 第46-47页 |
| ·4类脉型分类结果比较 | 第47-48页 |
| ·联合算法在疾病数据库上的尝试 | 第48-50页 |
| ·疾病数据库 | 第48-49页 |
| ·三类样本分类结果 | 第49-50页 |
| ·两类样本分类结果 | 第50页 |
| ·本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |
