一、利用ECG信号检测睡眠呼吸暂停的小波包分析方法（论文文献综述）
刘璐瑶,张森,肖文栋[1]（2021）在《基于小波分析和自相关计算的非接触式生理信号检测》文中提出采用调频连续波（Frequency modulated continuous wave, FMCW）雷达实现非接触式生理信号检测,并提出了基于小波分析和自相关计算（Wavelet analysis and autocorrelation computation, WAAC）的检测方法.首先,毫米波FMCW雷达发射电磁波信号,并接收来自身体的反射信号.然后,通过信号预处理从中频信号中提取包含呼吸和心跳的相位信息,消除直流偏置并完成相位解缠.最后,基于小波包分解（Wavelet packet decomposition, WPD）从原始信号中得到心跳和呼吸信号,利用自相关计算减小杂波对心跳信号的影响,进而提取高精度的心率参数.应用FMCW雷达对10名受试者进行实验测试,结果表明本文方法得到的呼吸和心率的平均绝对误差率平均值分别小于1.65%和1.83%.
刘焕成[2]（2021）在《基于深度学习对不同病理机制的鼾声自动分类》文中研究指明
刘勇,尹会苏,乔振花,刘朝兵[3]（2021）在《小波包分解Welch算法在鼾声谱估计中的研究》文中研究说明目的利用鼾声信号各频带的功率谱估计特征,诊断鼾声的阻塞部位。方法针对Welch功率谱估计法处理典型非平稳信号时是单一分辨率分析的问题,提出了一种小波包分解的Welch算法对鼾声信号功率谱估计的新方法。首先对采集的鼾声信号进行小波包多层分解,然后对分解系数重构,最后参照人耳听觉模型并结合各频带信号时频分布的特点,对各频带信号采用Welch算法结合不同的窗宽进行功率谱估计,同时初步分析了不同阻塞部位鼾声各频带的功率谱估计特性。结果该方法在对鼾声信号功率谱估计时,信号中低频和高频部分具有不同的频率和时间分辨率,3 000～5 000 Hz频带有无功率谱分布可以作为判断鼾声阻塞部位的依据。结论实验结果验证了该方法有效性,同时针对不同阻塞部位导致的鼾声,初步分析了其不同频带的功率谱估计特点。
余辉,王硕,李心蕊,邓晨阳,孙敬来,张力新,曹玉珍[4]（2020）在《基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究》文中提出睡眠呼吸暂停与低通气综合征（SAHS）严重影响睡眠质量,是一种潜在的致死性呼吸疾病。为了兼顾对睡眠呼吸暂停与低通气（AH）事件检测的准确率与时间分辨率,提出一种长短时记忆-卷积神经网络（LSTM-CNN）方法,实现对AH事件的精准预测;同时基于事件检测结果,提出一种呼吸紊乱指数（AHI）估计方法,进而实现对SAHS严重程度的定量评估。选取美国国家心肺血液研究所睡眠健康数据库中54名受试者的腹部位移信号对LSTM-CNN算法进行测试。对于处理得到的超过90万数据片段,正确率、敏感度、特异度分别为88. 6%、88. 2%、88. 7%; 54名被试的AHI预测结果与多导睡眠图（PSG）标注结果相比,皮尔逊相关指数达到0. 98;观察SAHS严重程度诊断结果,kappa系数达到0. 95。结果表明,所提出的方法不仅可以实现对AH事件的高精度检测,而且可以对AHI指数与SAHS严重程度做出准确估计,有望用于PSG检测之前SAHS的初步诊断以及成为家用SAHS长期监护工具。
王怡[5]（2020）在《睡眠信号自动分期的深度学习算法研究》文中研究表明睡眠分期研究一直是研究睡眠的一个重要方向,睡眠分期有助于了解睡眠结构,分析睡眠质量。而当前睡眠问题是一个极为普遍的社会现象,人工分期不仅效率低且准确性低,睡眠自动分期便成了研究睡眠的重点。本文详细阐述了睡眠自动分期的理论基础,总结归纳了睡眠自动分期方面的研究情况。同时,对不同睡眠信号及其特点、睡眠自动分期的标准与过程及其方法进行总结与阐述。为了更深入研究深度学习算法用于睡眠自动分期的意义,本文的研究内容主要包含两部分,第一部分是传统的基于机器学习的睡眠自动分期,第二部分是深度学习睡眠自动分期。首先,本文提取了脑电信号的22类特征用于睡眠自动分期,利用支持向量机来完成分类过程,准确度最高为85.93%。结合分期结果再利用方差分析对各类特征在不同睡眠时期中的分布作进一步分析。结果表示,非线性特征的分期效果好于时域分析和时频分析,但是其计算量也更大。然后,为了保证数据量的充足,本文选用多种睡眠信号作为原始信号,包括脑电信号,眼电信号以及肌电信号。利用小波变换完成预处理过程,滤除信号的混杂部分并且保留其重要成分。最后建立一维卷积神经网络和长短时记忆模型结合的深度学习算法模型实现睡眠自动分期。对单一信号和多信号组合的分期结果进行分别讨论,单一信号下最高准确度为93.47%,多信号组合最高准确度为93.86%。同时与单独的多层感知器,卷积神经网络和长短时记忆模型睡眠分期结果进行比较分析,本算法综合性能最高,分期效果最好。根据本文的研究结果,传统机器学习睡眠分期对特征的依赖性很大,特征的优劣会影响到分期结果的好坏,好的特征算法计算量也会更大。而深度学习算法不仅可以避免特征工程,还能有效提升准确度,更具有参考价值。本文所提出的深度学习算法模型可以达到很好的分期效果,具有很好的应用前景。
房奇[6]（2020）在《结合判别式深度置信网络和主动学习的心电分类方法》文中认为心电图（ECG）是一种广泛用于反映心脏状况的无创检测方法,通过ECG可以进一步了解心脏状况和诊断各种心脏疾病,仔细检查其行为对于检测心律失常是必不可少的,基于深度学习的ECG分类方法可以为心脏病专家提供有效的解决方案,提高诊断准确性的同时节省诊断时间。本文主要研究内容包括:（1）ECG信号预处理:通过小波阈值方法对ECG信号进行去噪操作,小波基函数选取对称紧支双正交小波bior3.7,分解层数确定为9层,前4层阈值选择改进自适应阈值,阈值函数选择改进阈值函数,5-8层不做阈值化操作,第9层小波系数置零,对去噪后ECG信号进行心拍检测和分割,识别心拍特征点当前心拍P波开始、当前心拍R峰和当前心拍T波结束,将P波的开始至当前心拍T波的结束作为一个心拍分割区间进行分割,从而完成心拍划分。（2）ECG信号的特征提取与分类:遵循美国医疗仪器促进协会（AAMI）标准,构建基于判别式深度置信网络（DDBNs）的心拍分类模型,DDBNs由三层受限玻尔兹曼机（RBM）堆叠而成,前两层使用生成受限玻尔兹曼机（GRBM）提取心拍形态特征,然后结合RR间期特征通过第三层判别式受限玻尔兹曼机（DRBM）进行心拍分类,最后在DDBNs网络模型顶层添加符合AAMI标准四类心拍（N,S,V和F）输出的Softmax回归层形成DNN分类器,再通过反向传播（BP）对DNN的参数进行微调,优化DDBNs网络模型分类性能。（3）结合主动学习微调:设计结合主动学习（AL）和DDBNs的分类模型,使用基于概率的断裂带（BT）算法作为采样策略,使用最大规则与迭代后的DNN进行融合再对心拍重新分类,实现减少训练集的同时仍可以提升分类效果。本文选择美国麻省理工学院提供的心律失常数据库（MIT-BIH）作为ECG信号的数据来源,分类标准遵循AAMI标准,对不同DDBNs结构、BP微调前后和结合AL前后进行实验对比和性能评估,获得的实验结果表明本文所提出结合DDBNs和主动学习的心电分类方法相比其他算法的优越性。
王灿[7]（2019）在《基于脑电信号的脑卒中分类研究》文中提出脑卒中是一种临床上常见的脑部疾病,每年由它导致的死亡人数占有很大的比例,同时也使许多患者身患残疾,这给患者及其家人带来了极大的痛苦和沉重的经济压力。相对于脑卒中繁琐的化验和诊断方法,对脑卒中病人的脑电信号选取合适的特征提取方法,找出有效的分类模型来对卒中病人进行分类,不但能提高智能预测水平,而且还能提供更加准确的诊断结果,从而更利于医务人员为患者制定详细的治疗措施。脑卒中主要包括出血性及缺血性卒中两种。要根据脑卒中脑电信号实现卒中的有效分类,可首先对脑卒中脑电信号提取有效特征,再根据提取的特征采用合适的分类模型进行卒中类型的分类识别。目前对于两类脑卒中脑电信号特征提取的研究较少,为此,本文首先引入了一种基于分层熵特征的脑卒中脑电信号的特征提取方法,然后提出了一种基于小波包能量与近似熵特征相融合的特征提取方法,同时还在此基础上单独提取α波段的脑电信号进行特征提取,有效提高了分类准确率。分类模型构建方面,对比研究了将支持向量机、决策树以及随机森林算法应用于脑卒中脑电信号分类识别的分类性能。本文所做的工作主要有以下几点:第一:引入了一种单一熵特征值的脑卒中脑电信号特征提取方法,将小波包分解与熵特征相结合来提取两类脑卒中脑电信号的四种分层熵特征值作为特征向量,并将其输入支持向量机模型进行分类识别。实验结果表明,本文采用的分层熵特征提取方法较分层前可以大大提高两类脑卒中脑电信号的分类准确率,其中采用分层模糊熵作为特征时,分类识别效果最优,这为脑卒中临床的智能诊断识别提供了一种较为可靠的依据。第二:提出了一种基于小波包能量与近似熵特征相融合的脑卒中脑电信号特征提取方法,首先提取脑电信号的小波包能量并用主成分分析法进行降维,再与近似熵特征相融合,最后将其输入支持向量机模型进行分类识别。此外,在此基础上单独提取α波段脑电信号对应特征进行分类识别来有效提高脑卒中脑电信号的分类准确率。实验结果表明,单独提取α波段的脑电信号采用小波包能量与近似熵相融合的多特征相融合方法比直接对原始脑电信号进行特征提取而后分类有更优的分类效果,而且与分层熵特征相比较所得到的分类准确率更高。由此可见,本文所提出的多特征融合方法是有效的,也进一步证明了脑卒中脑电信号的α波段的复杂度与卒中病程相关。第三:为了进一步提高脑卒中脑电信号的分类识别率,本文进一步对比了支持向量机、决策树以及随机森林算法分别作为识别模型时的识别性能。实验结果表明,在三种分类识别模型中,对脑卒中脑电信号的分层熵特征以及小波包能量与近似熵相融合的多特征而言,随机森林作为脑卒中脑电信号的分类模型,可获得最优的分类识别性能。
潘周光[8]（2018）在《基于PVDF压电薄膜的非接触式人体生理信号检测系统研究》文中认为近些年随着亚健康人群比例逐年攀升,对亚健康的提早预防已经迫在眉睫,心率、呼吸率作为人体最基本的生理指标,反映着人体每天的健康变化状况,因此对心率、呼吸率进行长期有效的检测是亚健康早期预防的首要环节。鉴于此,本文对非接触式人体生理信号检测系统进行了设计与研制,主要工作如下:首先,设计了基于PVDF压电薄膜的体震（BCG）信号采集系统。通过在普通床垫内部嵌入S形压电薄膜进行BCG信号的检测,利用四运放的TLC2254芯片实现对压电信号的放大与调理,运用STM32F4内置的12位ADC实现对信号的转换,并通过蓝牙模块和WiFi模块实现生理信号参数的无线交互和存储。然后,开展了 BCG信号的处理与分析方面的研究。运用FIR数字滤波器对采集的原始BCG信号进行去噪处理,并利用差分阀值算法对去噪后的BCG信号进行心率的计算。在讨论不同小波函数与不同分解尺度对信号重构效果影响的基础上,选择合适的sym8小波函数进行10尺度的分解提取呼吸信号。通过对不同人体的BCG信号进行处理与分析,验证了算法的有效性。针对夜间体动及离床事件,设计了幅度检测算法对它们进行有效识别。其次,完成了非接触式人体生理信号检测系统的实际测试。运用此系统对12位测试者的心率进行15min的连续监测,并同步采集测试者的脉搏速率。与医用仪器相比,静息状态下本系统心率测量误差在±3次/min左右,结果表明该检测系统在心率测量过程中具有较好的准确性。同时,将提取的呼吸信号与同步采集的鼻热敏信号进行波形时相的对比,验证系统呼吸检测的一致性。通过有效采集不同状态下的呼吸波形证明系统的通用性较好。最后,研制了磁诱导睡眠系统。针对失眠对亚健康康复的负面影响,设计了由磁线圈与驱动电路组成的磁诱导模块,并通过模拟睡眠状态下的体动过程,初步验证了系统自适应磁场输出功能。经过系统实验和测试,本文研制的基于PVDF压电薄膜的非接触式人体生理信号检测系统可在嵌入式系统下实现心率、呼吸率等生理参数的准确检测和磁诱导模块的调控,基本实现了预期的功能。本文的研究正好符合大众当前对于医疗检测手段的要求,对亚健康的预防和调节有着重大意义。
张政强[9]（2017）在《基于血氧容积波的无创连续血压测量研究》文中研究表明高血压是近年来严重影响人们健康的疾病,高血压会引发各类心血管疾病,而老年人群和肥胖人群均是高血压的易患者。目前医院的血压检测只能够间歇性地检测出血压的瞬时值,若能够实现连续地测量血压值,就能够长时间地监测病人的血压变化情况,从而对病人进行有效的预防和及时的治疗;还可以研究降压药对高血压病人的药效以及其他药物对血压的影响。在这样的背景下,秦皇岛市康泰医学系统有限公司研究血压的连续测量,提出的方法要求是利用血氧容积波特征参数与血压的相关性。该文主要负责的研究工作内容包括以下几个方面:首先,简要介绍脉搏波传导动力学相关知识、有关血管动力学的基本医学知识和无创连续血压测量的相关方法,该文选择特征参数法进行血压无创连续测量。然后重点分析血氧容积波波形特征,利用康泰公司提供的数据采集设备进行血压和血氧容积波的采集。其次,在对血氧容积波进行分析的过程中,该文利用具有多分辨率的小波变换,通过合理地选择小波基函数,对信号进行小波分析,去除信号的基线漂移和噪声干扰,并利用高斯函数的一阶导和二阶导对信号进行小波分析,实现对容积波信号特征点的检测。最后,在所采集到的血氧容积波特征点的基础上,提取出容积波的特征参数,并进行特征参数与血压相关性的分析,得到与血压相关性较大的特征参数,随后利用回归分析建立了收缩压和舒张压的回归方程,实现血压的连续测量。
郑明杰[10]（2016）在《基于希尔伯特—黄变换的肺音信号识别方法研究》文中提出肺音信号是人体与外界进行气体交换过程中所产生的一种生理声信号。肺音中包含着大量的生理与病理信息,能够很好的表征人体呼吸系统的健康情况,因而在呼吸音学与临床医学等都有着十分重要的研究意义。传统的人工听诊方法对肺部疾病的医疗诊断虽然有着便捷无创等优良的特性而广受青睐,但也存在着人为判断的主观性以及设备与人耳对信号频率范围的局限性等问题。因此,肺音识别的电子化与自动化将是该领域的必然发展趋势。近年来,伴随着现代信号分析技术的发展、硬件设施的开发与完善,以及对不同疾病下的异常肺音的进一步了解,机器化肺音识别与分类的研究发展迅速。然而,目前的肺音研究仍然有着较大的局限与不足:1.机器识别与分类后只是定量性分类为正常音或者特定的几种异常音,而缺乏与实际诊疗相结合的具体病理信息,比如异常音存在于呼吸相的位置。2.除早期的波形放大等手段外,缺乏像心电图与脑电图等视觉诊断的依据,肺音仍然依赖于经验丰富的医师的人工听觉判断来进行进一步的诊断。本文则针对于肺音识别研究中所存在的问题,提出了一种基于希尔伯特-黄变换方法来对肺音呼吸气相进行分割的方法,并通过MATLAB绘制GUI界面构建包含呼吸相分割的人机交互肺音识别软件系统。本文的主要内容包括如下三个方面（1）系统地介绍了肺音知识,对典型异常肺音的产生机理与信号特征进行了阐释,以及当前对于肺音识别技术所采用的方法进行了介绍。（2）阐述了基于HHT变换的信号处理方法的基本原理与拓展应用,并针对于目前对肺音信号对呼吸相分割的不足之处,提出一种基于HHT变换的肺音呼吸气相识别与分割的方法。（3）通过MATLAB构建一个包含有呼吸气相分割的人机交互肺音识别软件系统。该系统能够通过对肺音信号进行气相分割,将气相信息作为有效特征来应用于肺音的识别,通过人机交互能够进一步完善分割与识别结果,在视觉辅助诊断方面也有着良好的可用性。
二、利用ECG信号检测睡眠呼吸暂停的小波包分析方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用ECG信号检测睡眠呼吸暂停的小波包分析方法（论文提纲范文）
（3）小波包分解Welch算法在鼾声谱估计中的研究（论文提纲范文）
| 1 材料与方法 |
| 1.1 试验材料 |
| 1.2 方法 |
| 1.2.1 Welch算法原理 |
| 1.2.2 小波包分解Welch算法对鼾声谱估计 |
| 1.2.2. 1 小波包分解原理 |
| 1.2.2. 2 小波包分解Welch算法对鼾声谱估计 |
| 1.2.3 鼾声分析方法 |
| 2 结果 |
| 2.1 两种算法对鼾声信号功率谱估计结果比较 |
| 2.2 不同阻塞部位鼾声信号的功率谱估计 |
| 2.2.1 软腭上下鼾声信号的功率谱估计比较 |
| 2.2.2 不同阻塞部位鼾声信号的功率谱特点 |
| 3 讨论 |
| 4 结论 |
（4）基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究（论文提纲范文）
| 引言 |
| 1 材料和方法 |
| 1.1 材料 |
| 1.2 方法 |
| 1.2.1 预处理 |
| 1.2.2 LSTM-CNN |
| 1.2.3 事件检测器 |
| 1.2.4 评价指标 |
| 2 结果 |
| 2.1 片段预测结果 |
| 2.2 预测示意图 |
| 2.3 AHI预测结果 |
| 2.4 严重程度预测结果 |
| 3 讨论 |
| 4 结论 |
（5）睡眠信号自动分期的深度学习算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 文章结构 |
| 第2章 睡眠信号与自动分期 |
| 2.1 睡眠信号及其特点 |
| 2.1.1 EEG信号 |
| 2.1.2 EOG信号 |
| 2.1.3 EMG信号 |
| 2.2 睡眠自动分期标准 |
| 2.3 睡眠自动分期过程 |
| 2.4 本章小结 |
| 第3章 睡眠自动分期算法 |
| 3.1 睡眠信号预处理算法 |
| 3.2 睡眠信号特征提取算法 |
| 3.2.1 时域法 |
| 3.2.2 频域法 |
| 3.2.3 时频域方法 |
| 3.2.4 非线性方法 |
| 3.3 睡眠自动分期的分类算法 |
| 3.3.1 基于相似度(或距离)的算法 |
| 3.3.2 基于树结构的算法 |
| 3.3.3 基于核的算法 |
| 3.3.4 贝叶斯方法 |
| 3.3.5 聚类算法 |
| 3.3.6 集成算法 |
| 3.3.7 关联规则算法 |
| 3.3.8 人工神经网络算法 |
| 3.3.9 深度学习算法 |
| 3.4 本章小结 |
| 第4章 基于特征提取与SVM的睡眠自动分期 |
| 4.1 数据来源 |
| 4.2 数据预处理 |
| 4.3 特征提取 |
| 4.4 分类预测与结果分析 |
| 4.4.1 分类预测 |
| 4.4.2 结果分析 |
| 4.5 本章小结 |
| 第5章 基于1D CNN和 LSTM的睡眠自动分期 |
| 5.1 数据来源 |
| 5.2 数据预处理 |
| 5.2.1 探究睡眠信号在睡眠周期中的可预测性 |
| 5.2.2 睡眠信号预处理 |
| 5.3 1D CNN和 LSTM结合的算法模型 |
| 5.4 睡眠分期结果分析 |
| 5.4.1 单一信号下的睡眠自动分期结果 |
| 5.4.2 多信号下的睡眠自动分期结果 |
| 5.5 算法性能综合分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）结合判别式深度置信网络和主动学习的心电分类方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 心电信号分类算法的研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 心电信号分类技术的难点 |
| 1.4 本论文的研究内容 |
| 第2章 心电信号特征与预处理 |
| 2.1 心电信号 |
| 2.1.1 心电图波形和时间间隔 |
| 2.1.2 MIT-BIH数据库 |
| 2.2 心电信号的噪声和伪像 |
| 2.3 小波变换 |
| 2.4 基于小波变换的心电信号去噪流程 |
| 2.4.1 选取小波基和分解层数 |
| 2.4.2 阈值化 |
| 2.4.3 实验结果与分析 |
| 2.5 心电信号节拍划分 |
| 2.6 本章小结 |
| 第3章 基于判别式深度置信网络的心拍分类 |
| 3.1 受限玻尔兹曼机 |
| 3.1.1 生成受限玻尔兹曼机 |
| 3.1.2 判别式受限玻尔兹曼机 |
| 3.2 判别式深度置信网络 |
| 3.3 RBM训练 |
| 3.4 基于判别式深度置信网络的心拍分类 |
| 3.4.1 无监督预训练 |
| 3.4.2 Softmax分类器 |
| 3.4.3 反向传播神经网络 |
| 3.5 AAMI标准及评价指标 |
| 3.6 实验结果与分析 |
| 3.7 本章小结 |
| 第4章 结合主动学习算法的心拍分类 |
| 4.1 主动学习算法 |
| 4.2 主动学习采样策略 |
| 4.2.1 随机采样 |
| 4.2.2 边缘采样 |
| 4.2.3 Kullback-Leibler最大化算法 |
| 4.2.4 Breaking Ties算法 |
| 4.3 结合主动学习算法的心拍分类 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及获得成果 |
| 致谢 |
（7）基于脑电信号的脑卒中分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及其研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 脑电信号分析的国内外研究现状 |
| 1.2.2 脑卒中脑电信号的国内外研究现状 |
| 1.3 存在问题 |
| 1.4 本课题研究内容与论文安排 |
| 1.4.1 本课题研究内容 |
| 1.4.2 论文结构安排 |
| 第二章 脑电信号分析的基础理论 |
| 2.1 脑电信号概述 |
| 2.1.1 大脑的结构和功能 |
| 2.1.2 脑电信号产生的机理与特点 |
| 2.2 脑电图 |
| 2.2.1 脑电图 |
| 2.2.2 脑电波的组成 |
| 2.3 脑电信号的时频分析方法 |
| 2.3.1 小波变换 |
| 2.3.2 小波包变换 |
| 2.4 脑电信号的特征提取方法 |
| 2.4.1 熵特征值 |
| 2.4.2 小波包能量 |
| 2.5 经典分类方法 |
| 2.5.1 支持向量机 |
| 2.5.2 决策树 |
| 2.6 本章小结 |
| 第三章 基于分层模糊熵的脑卒中脑电信号分类 |
| 3.1 引言 |
| 3.2 脑电实验数据的来源 |
| 3.3 脑电数据的整理 |
| 3.4 脑卒中脑电信号分层熵特征值的提取 |
| 3.4.1 分层熵 |
| 3.4.2 分层熵特征值的提取 |
| 3.4.3 四种熵特征值的比较 |
| 3.5 实验设计与流程 |
| 3.5.1 实验设计与流程 |
| 3.5.2 实验方案 |
| 3.6 实验结果与分析 |
| 3.6.1 评价指标 |
| 3.6.2 结果及分析 |
| 3.7 本章小结 |
| 第四章 面向多特征的脑卒中脑电信号分类 |
| 4.1 引言 |
| 4.2 基于小波包能量和近似熵的脑卒中脑电信号分类 |
| 4.2.1 原始脑电信号的特征提取 |
| 4.2.2 α波段脑电信号的特征提取 |
| 4.3 实验结果和分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验设计与流程 |
| 4.3.3 实验结果的对比与分析 |
| 4.4 对比实验的结果和分析 |
| 4.4.1 实验数据 |
| 4.4.2 实验设计与流程 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 随机森林在脑卒中脑电信号分类中的应用 |
| 5.1 随机森林算法 |
| 5.1.1 Bagging的原理 |
| 5.1.2 随机森林算法 |
| 5.2 随机森林用于脑卒中脑电信号分类 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 下一步工作展望 |
| 6.3 本章小结 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术成果 |
| 项目受资助情况 |
（8）基于PVDF压电薄膜的非接触式人体生理信号检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究目的及意义 |
| 1.2 体震信号检测技术概述 |
| 1.2.1 体震信号产生原理 |
| 1.2.2 BCG信号特点 |
| 1.2.3 BCG信号检测形式 |
| 1.2.4 BCG检测技术应用场合 |
| 1.3 国内外研究现状 |
| 1.4 BCG检测仪器存在的不足 |
| 1.5 论文主要内容和章节安排 |
| 第二章 检测系统总体设计及相关理论分析 |
| 2.1 系统总体设计 |
| 2.2 生理信号检测机理分析 |
| 2.3 PVDF压电薄膜及其特性 |
| 2.3.1 PVDF简介及其优点 |
| 2.3.2 PVDF压电薄膜结构及技术指标 |
| 2.4 生理信号检测床垫设计 |
| 2.5 磁线圈诱导睡眠机理分析 |
| 2.6 本章小结 |
| 第三章 非接触式生理信号检测系统硬件电路设计 |
| 3.1 系统硬件电路总体设计 |
| 3.2 系统电源设计 |
| 3.2.1 数字电路供电模块 |
| 3.2.2 模拟电路供电模块 |
| 3.3 信号调理电路设计 |
| 3.4 STM32及其控制电路设计 |
| 3.4.1 STM32简介及最小系统电路设计 |
| 3.4.2 TFTLCD显示电路设计 |
| 3.4.3 蓝牙模块电路设计 |
| 3.4.4 WIFI模块电路设计 |
| 3.4.5 ADC模数转换电路设计 |
| 3.5 磁诱导模块设计 |
| 3.5.1 磁线圈驱动电路设计 |
| 3.5.2 磁线圈形状选择 |
| 3.5.3 磁线圈直径选取 |
| 3.5.4 磁线圈匝数的计算 |
| 3.6 PCB电路图和实物图 |
| 3.7 本章小结 |
| 第四章 BCG信号去噪算法及波形提取算法研究 |
| 4.1 BCG信号噪声类型分析 |
| 4.2 FIR数字滤波器设计 |
| 4.2.1 数字滤波器简介 |
| 4.2.2 FIR数字滤波器基本原理 |
| 4.2.3 直接型FIR滤波器的C语言实现 |
| 4.2.4 FIR滤波结果对比与分析 |
| 4.3 小波变换的呼吸信号提取方法 |
| 4.3.1 小波算法理论基础 |
| 4.3.2 呼吸信号提取结果展示与分析 |
| 4.4 BCG信号频率提取方法研究 |
| 4.4.1 差分阈值法检测原理 |
| 4.4.2 心率提取结果展示与分析 |
| 4.4.3 呼吸率提取结果展示与分析 |
| 4.5 离床及体动信号的处理 |
| 4.5.1 离床信号判断方法研究 |
| 4.5.2 体动信号判断方法研究 |
| 4.6 本章小结 |
| 第五章 非接触式生理信号检测系统软件设计 |
| 5.1 系统软件总体设计 |
| 5.2 STM32外围模块软件设计 |
| 5.2.1 A/D模块编程设计 |
| 5.2.2 蓝牙模块编程设计 |
| 5.2.3 WIFI模块编程设计 |
| 5.3 多任务管理及划分 |
| 5.4 人机交互界面设计 |
| 5.5 本章小结 |
| 第六章 系统测试及检测结果分析 |
| 6.1 系统模块性能测试 |
| 6.2 生理信号测试结果与分析 |
| 6.2.1 心率测试结果与分析 |
| 6.2.2 呼吸率测试结果与分析 |
| 6.2.3 磁诱导测试结果与分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于血氧容积波的无创连续血压测量研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及结构安排 |
| 第2章 血管动力学基础理论 |
| 2.1 血压的生理机制 |
| 2.1.1 血压的基本概念 |
| 2.1.2 影响血压的因素 |
| 2.1.3 压力脉搏波和血氧容积波 |
| 2.2 血氧容积波波形特征的时频域分析方法 |
| 2.3 血氧容积波的波形特征和特征点的生理意义 |
| 2.4 本章小结 |
| 第3章 血氧容积波数据的采集和保存 |
| 3.1 血氧容积波的采集过程 |
| 3.1.1 血氧容积波的采集方法 |
| 3.1.2 采集过程 |
| 3.2 波形数据的上传和保存 |
| 3.2.1 数据上传的流程 |
| 3.2.2 数据的保存 |
| 3.3 本章小结 |
| 第4章 基于小波变换的血氧容积波信号分析 |
| 4.1 小波变换的简介和相关基本理论 |
| 4.1.1 小波变换的简介 |
| 4.1.2 小波变换的多分辨分析 |
| 4.1.3 小波变换的Mallat算法 |
| 4.1.4 常用的小波函数 |
| 4.2 基于小波分析的去基线漂移算法 |
| 4.3 基于小波分析的去噪处理 |
| 4.4 基于小波变换的脉搏波特征值检测与提取 |
| 4.4.1 信号的奇异性检测理论 |
| 4.4.2 利用小波变换检测脉搏波信号的特征点 |
| 4.5 本章小结 |
| 第5章 血氧容积波的特征参数与血压的相关性研究 |
| 5.1 血氧容积波的特征参数的提取 |
| 5.2 回归分析的简介 |
| 5.2.1 一元线性回归 |
| 5.2.2 多元线性回归 |
| 5.2.3 逐步回归分析法 |
| 5.2.4 因素主次的判断 |
| 5.3 特征参数与收缩压和舒张压的相关性 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）基于希尔伯特—黄变换的肺音信号识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究进展 |
| 1.3 本文研究工作 |
| 1.4 论文布局 |
| 1.5 本章小结 |
| 第二章 肺音信号分类及其特性 |
| 2.1 肺音概念 |
| 2.1.1 正常肺音与异常肺音 |
| 2.1.2 连续性异常肺音 |
| 2.1.3 间断性异常肺音 |
| 2.2 肺音信号处理与特征提取 |
| 2.2.1 肺音信号的概念 |
| 2.2.2 肺音信号采集方法 |
| 2.2.3 常见信号处理方法 |
| 2.3 肺音的时频特性 |
| 2.3.1 正常肺音信号的时频特性 |
| 2.3.2 哮鸣音的时频特性 |
| 2.3.3 爆裂音的时频特性 |
| 2.4 本章小结 |
| 第三章 HHT变换的基本理论 |
| 3.1 希尔伯特-黄变换的基础概念 |
| 3.1.1 瞬时频率 |
| 3.1.2 固有模态函数 |
| 3.2 经验模态分解算法 |
| 3.3 希尔伯特变换 |
| 3.4 希尔伯特-黄变换的应用 |
| 3.4.1 希尔伯特-黄变换在信号去噪中的应用 |
| 3.4.2 希尔伯特-黄变换在机械故障诊断中的应用 |
| 3.4.3 希尔伯特-黄变换在语音信号处理中的应用 |
| 3.4.4 希尔伯特-黄变换在图像处理中的应用 |
| 3.5 经验模态分解存在的问题 |
| 3.5.1 缺乏理论依据 |
| 3.5.2 经验模态分解筛选准则 |
| 3.5.3 端点效应问题 |
| 3.5.4 模态混叠问题 |
| 3.6 本章小结 |
| 第四章 基于HHT变换的肺音呼吸气相识别 |
| 4.1 肺音的呼吸气相 |
| 4.1.1 呼吸气相的基本知识 |
| 4.1.2 呼吸相研究现状 |
| 4.2 基于HHT的气相分割 |
| 4.3 实验结果 |
| 4.3.1 正常肺音气相分割 |
| 4.3.2 爆裂音气相分割 |
| 4.3.3 哮鸣音气相分割 |
| 4.4 分析与结论 |
| 4.5 本章小结 |
| 第五章 含气相分割的肺音识别系统实现 |
| 5.1 系统架构及模块 |
| 5.2 系统功能与实现 |
| 5.2.1 系统主界面 |
| 5.2.2 人工修正与检验模块 |
| 5.2.3 人工修正与检验判别依据 |
| 5.3 实践应用与分析 |
| 5.3.1 肺音数据库音频 |
| 5.3.2 医用教学音频 |
| 5.3.3 电子听诊器采集音频 |
| 5.3.4 分析与讨论 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
四、利用ECG信号检测睡眠呼吸暂停的小波包分析方法（论文参考文献）
- [1]基于小波分析和自相关计算的非接触式生理信号检测[J]. 刘璐瑶,张森,肖文栋. 工程科学学报, 2021(09)
- [2]基于深度学习对不同病理机制的鼾声自动分类[D]. 刘焕成. 上海大学, 2021
- [3]小波包分解Welch算法在鼾声谱估计中的研究[J]. 刘勇,尹会苏,乔振花,刘朝兵. 生物医学工程与临床, 2021(02)
- [4]基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究[J]. 余辉,王硕,李心蕊,邓晨阳,孙敬来,张力新,曹玉珍. 中国生物医学工程学报, 2020(03)
- [5]睡眠信号自动分期的深度学习算法研究[D]. 王怡. 重庆邮电大学, 2020(02)
- [6]结合判别式深度置信网络和主动学习的心电分类方法[D]. 房奇. 哈尔滨理工大学, 2020(02)
- [7]基于脑电信号的脑卒中分类研究[D]. 王灿. 太原理工大学, 2019(08)
- [8]基于PVDF压电薄膜的非接触式人体生理信号检测系统研究[D]. 潘周光. 南京信息工程大学, 2018(01)
- [9]基于血氧容积波的无创连续血压测量研究[D]. 张政强. 燕山大学, 2017(05)
- [10]基于希尔伯特—黄变换的肺音信号识别方法研究[D]. 郑明杰. 江苏大学, 2016(11)