融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率

通过开展花岗岩和大理岩巴西圆盘声发射试验，结合扫描电镜进行破裂面微观形貌分析，探讨了劈裂荷载下岩石声发射特性与微观破裂机制的关系。结果表明：基于RA（上升时间与幅值的比值）和AF（平均频率）的变化趋势，不同裂纹模式（拉伸裂纹、剪切裂纹以及复合裂纹）的分布和破坏强度受岩石结构影响，但岩石裂纹演化过程不受其影响。相应地，两种岩样破裂信号均以400～499 kHz为主，100～199 kHz的信号次之，但不同破裂阶段的峰值频率变化趋势显著不同。在微观形貌上，花岗岩劈裂面的微观形貌以层叠状、台阶状及平坦状为主；而大理岩以光滑多面体状为主。此外，结合频率?尺度缩放关系可推测，400～499 kHz的信号应主要来自钾长石、大理岩矿物颗粒内部的破裂；100～199 kHz的信号应主要来自石英矿物颗粒内部不连续分离以及压密阶段矿物颗粒之间的滑移

信息和信号: 信息传递要转化为信号,信号必须进行处理。 信号在通信信道上传输时的要进行编码

一、随机信号的正交分解 二、常见随机信号的性质 三、随机信号的检测 四、随机信号的均方滤波

连续血糖监测在糖尿病管理中具有重要的意义。目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖，但上述方法存在疼痛、成本昂贵、易感染等问题，因此，无创监测是实现连续血糖监测的理想技术。本文利用心电(ECG)信号，提出了一种血糖水平无创监测的方法：通过获取12名志愿者共60 d 756160个ECG周期信号，利用递归滤波器实现ECG信号的滤波，并采用卷积神经网络和长短期记忆网络相结合(CNN-LSTM)的方法，实现了血糖水平的十分类监测，并通过实验探索了个体建模和群体建模2种建模方式的差异。结果表明，在个体建模和群体建模的条件下，血糖监测精确率分别约达到80%和88%。其中群体建模10分类的F1值可达到0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87和0.86。研究表明，本文提出的基于ECG的无创血糖监测方法为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导

一、随机信号通过线性系统的表示 二、随机信号的功率谱密度 三、随机信号通过线性系统的统计性质 四、随机信号通过非线性系统

第7章信号产生电路 7.1正弦波信号振荡电 7.2弦波信号振荡电路 7.3集成函数产生器3038的功能及应用 7.4应用电路举例

通过有限空间100 min极限载人实验,提出了基于光电容积脉搏波(PPG)的客观疲劳测量方法并开发了光电容积脉搏波信号特征参数提取算法用来掌握生理疲劳的血液动力学与循环系统变化特征.研究结果表明,人体出现生理疲劳时,光电容积脉搏波信号平均周期显著大于未疲劳状态(p<0.001),血管阻力增大,每搏射血量明显下降;计算了未疲劳与疲劳状态下光电容积脉搏波信号的两种复杂度(KC复杂度和高阶KC复杂度)发现,两种复杂度计算结果一致,均为未疲劳时波形比疲劳时波形更平稳.因此表明光电容积脉搏波信号能够捕捉到疲劳状态的生理变化,解决了生理疲劳的客观测量与快速判断问题

一、正交分解和随机信号的表示 二、随机信号的 Fourier正交分解 三、随机信号的K-L正交分解

第三章傅里叶变换 本章提要 1.傅里叶级数和傅里叶级数的性质 2.傅里叶变换和傅里叶变换的性质 3.周期信号和非周期信号的频谱分析 4.卷积和卷积定理 5.抽样信号的傅里叶变换和抽样定理 6.相关、能量谱和功率谱