| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 心电信号简介 | 第11-14页 |
| 1.2.1 心电信号的产生及各导联意义 | 第11-13页 |
| 1.2.2 心电信号用于身份识别的可行性分析 | 第13-14页 |
| 1.3 基于ECG身份识别方法的研究现状 | 第14-17页 |
| 1.4 本文研究主要内容及章节安排 | 第17-19页 |
| 2 深度学习及卷积神经网络简介 | 第19-30页 |
| 2.1 深度学习简介 | 第19-22页 |
| 2.1.1 深度学习的发展现状 | 第19-20页 |
| 2.1.2 深度学习的几种模型 | 第20-22页 |
| 2.1.3 深度学习的特点 | 第22页 |
| 2.2 卷积神经网络简介 | 第22-29页 |
| 2.2.1 卷积神经网络的发展历史 | 第22-23页 |
| 2.2.2 卷积神经网络的网络结构 | 第23-24页 |
| 2.2.3 卷积神经网络与BP神经网络 | 第24-25页 |
| 2.2.4 卷积神经网络的训练过程 | 第25-26页 |
| 2.2.5 卷积神经网络的优势 | 第26-27页 |
| 2.2.6 卷积神经网络的应用实例 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 卷积神经网络模型选择与构建 | 第30-41页 |
| 3.1 几种算法的比较 | 第30-31页 |
| 3.2 现有ECG身份识别技术难点分析 | 第31-37页 |
| 3.2.1 关于特征提取的难点 | 第31-33页 |
| 3.2.2 关于分类器的难点 | 第33-37页 |
| 3.3 卷积神经网络应用于ECG身份识别 | 第37-40页 |
| 3.3.1 卷积神经网络用于ECG身份识别的优势分析 | 第37页 |
| 3.3.2 卷积神经网络用于ECG身份识别的网络结构设计 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 实验数据预处理 | 第41-47页 |
| 4.1 实验数据 | 第41-43页 |
| 4.1.1 数据来源 | 第41页 |
| 4.1.2 数据释义 | 第41-42页 |
| 4.1.3 构建实验数据库 | 第42-43页 |
| 4.2 数据预处理 | 第43-46页 |
| 4.2.1 去噪处理 | 第43-45页 |
| 4.2.2 导联卷积正则化 | 第45-46页 |
| 4.3 本章小结 | 第46-47页 |
| 5 实验结果与分析 | 第47-54页 |
| 5.1 实验平台及评估指标 | 第47-49页 |
| 5.2 不同卷积核对实验结果的影响 | 第49-50页 |
| 5.3 不同学习率对实验结果的影响 | 第50-52页 |
| 5.4 卷积神经网络与其他网络的识别率比较 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读学位期间发表的学术论文 | 第59-60页 |
| 致谢 | 第60-61页 |