基于集成分类技术对病人麻醉深度判断的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第6-12页 |
| 1.1 研究背景、意义及目的 | 第6-8页 |
| 1.1.1 研究背景 | 第6-7页 |
| 1.1.2 研究意义 | 第7页 |
| 1.1.3 研究目的 | 第7-8页 |
| 1.2 国内外研究现状分析 | 第8-10页 |
| 1.2.1 麻醉简介 | 第8-9页 |
| 1.2.2 国外研究现状 | 第9-10页 |
| 1.2.3 国内研究现状 | 第10页 |
| 1.3 论文主要结构 | 第10-12页 |
| 第2章 实验设置及病人讯号收集 | 第12-18页 |
| 2.1 实验设置 | 第12页 |
| 2.2 生理讯号收集 | 第12-14页 |
| 2.3 生理讯号筛选 | 第14-15页 |
| 2.4 BIS值的意识清醒程度标准 | 第15-16页 |
| 2.5 专家评估的意识清醒程度 | 第16-17页 |
| 2.6 本章小结 | 第17-18页 |
| 第3章 麻醉监护仪硬件系统设计 | 第18-22页 |
| 3.1 JPM100介绍 | 第18-19页 |
| 3.2 系统总架构设计 | 第19页 |
| 3.3 系统UI设计 | 第19-20页 |
| 3.4 本章小结 | 第20-22页 |
| 第4章 麻醉监护仪软件系统设计 | 第22-34页 |
| 4.1 自适应神经模糊推理 | 第22-25页 |
| 4.1.1 自适应神经模糊推理简介 | 第22-23页 |
| 4.1.2 自适应神经模糊推理演算法与流程 | 第23-25页 |
| 4.2 支持向量机 | 第25-29页 |
| 4.2.1 支持向量机简介 | 第25-28页 |
| 4.2.2 支持向量机演算法与流程 | 第28-29页 |
| 4.3 人工神经网络 | 第29-33页 |
| 4.3.1 人工神经网络简介 | 第29-31页 |
| 4.3.2 人工神经网络演算法与流程 | 第31-33页 |
| 4.4 本章小结 | 第33-34页 |
| 第5章 集成学习法 | 第34-44页 |
| 5.1 集成学习简介 | 第34-35页 |
| 5.2 集成学习的优势 | 第35-36页 |
| 5.3 集成学习演算法与流程 | 第36-42页 |
| 5.3.1 集成学习流程 | 第36页 |
| 5.3.2 分类器生成演算法 | 第36-38页 |
| 5.3.3 分类器融合方法 | 第38-42页 |
| 5.4 本章小结 | 第42-44页 |
| 第6章 实验分析结果 | 第44-56页 |
| 6.1 单一模型预测结果 | 第44-48页 |
| 6.2 集成学习预测结果 | 第48-53页 |
| 6.3 结果分析对比与讨论 | 第53-56页 |
| 第7章 总结与展望 | 第56-58页 |
| 7.1 总结 | 第56页 |
| 7.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录A | 第62-63页 |
