| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题的研究背景及意义 | 第12-14页 |
| 1.2 T波自动检测算法的研究现状及分析 | 第14-17页 |
| 1.2.1 T波自动分类识别算法研究现状 | 第14-15页 |
| 1.2.2 T波关键特征点检测算法研究现状 | 第15-16页 |
| 1.2.3 T波自动检测算法的现状分析 | 第16-17页 |
| 1.3 本文研究的主要框架 | 第17-18页 |
| 1.4 本文的章节安排及各章的主要内容 | 第18-20页 |
| 第2章 心电信号的基础知识 | 第20-24页 |
| 2.1 心电信号的产生机理 | 第20页 |
| 2.2 心电图的波形及意义 | 第20-22页 |
| 2.3 异常T波的形态分类 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 心电信号数据预处理 | 第24-32页 |
| 3.1 心电信号特点及噪声种类 | 第24-25页 |
| 3.2 基于自适应阈值选择的心电信号滤波及R波波峰定位 | 第25-29页 |
| 3.3 T波候选段数据集的构建 | 第29-31页 |
| 3.3.1 T波候选段的获取 | 第29-30页 |
| 3.3.2 训练数据集构成 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于卷积神经网络的T波形态识别算法研究 | 第32-42页 |
| 4.1 卷积神经网络 | 第32-36页 |
| 4.1.1 卷积神经网络的特点 | 第32-33页 |
| 4.1.2 针对T波搭建的卷积神经网络模型 | 第33-36页 |
| 4.2 T波的卷积神经网络模型的优化 | 第36-39页 |
| 4.2.1 针对卷积神经网络的训练过程优化 | 第36-38页 |
| 4.2.2 针对卷积神经网络模型参数优化 | 第38-39页 |
| 4.3 实验结果及分析 | 第39-41页 |
| 4.3.1 实验结果及分析 | 第39-40页 |
| 4.3.2 与经典T波分类方法的对比 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 基于形态指导的T波检测算法研究 | 第42-56页 |
| 5.1 T波关键特征点检测算法研究框架 | 第42-43页 |
| 5.2 基于MCMC理论的T波峰值点检测 | 第43-50页 |
| 5.2.1 MCMC理论介绍 | 第43-44页 |
| 5.2.2 基于MCMC理论的T波峰值点检测算法 | 第44-50页 |
| 5.3 基于梯形面积法的T波终点检测 | 第50-52页 |
| 5.3.1 终点附近波形开口向下的T波终点检测 | 第50-51页 |
| 5.3.2 终点附近波形开口向上的T波终点检测 | 第51-52页 |
| 5.4 实验结果及分析 | 第52-55页 |
| 5.4.1 T波峰值点实验结果及分析 | 第53页 |
| 5.4.2 T波终点实验结果及分析 | 第53-54页 |
| 5.4.3 与经典T波检测算法对比 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士学位期间取得的科研成果 | 第64页 |