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

1.1通信系统的基本概念 1.1.1通信系统的组成 1.1.2通信系统的基本特性 1.1.3通信系统的信道 1.1.4通信系统中的信号 1.1.5通信系统中的发送与接收设备 1.2信号传输的基本问题 1.2.1信号通过线性系统 1.2.2信号通过非线性系统 1.2.3干扰 1.3通信电路的基本形式

一、基带信号的频谱特性 研究基带信号的频谱结构是十分必要的,通过谱分析,我们可以了解信号需 要占据的频带宽度,所包含的频谱分量,有无直流分量,有无定时分量等。 设二进制的随机脉冲序列如图5-4(a)所示,其中1(t)表示“0”码,g2(t) 表示“1”码,g1(t)和g2(t)在实际中可以是任意的脉冲

• 9.1 信号处理工具（sptool）的介绍 • 9.2 语音数字化量化噪声的改善 • 9.3 系数量化和运算量化的影响 • 9.4 在双音拨号系统中的应用 • 9.5 正余弦信号的谱分析 • 9.6 音乐信号处理 • 9.7 变采样率数字滤波 • 9.8 稀疏天线阵列设计 • 9.9 结束语

• 4.1 各种傅立叶变换及其关系 • 4.2 快速付立叶变换(FFT) • 4.3 用FFT计算序列的频谱 • 4.4 时域采样中的频谱变换 • 4.5 连续信号的频谱计算 • 4.6 用反变换从频谱计算信号 • 4.7 用FFT计算能量 • 4.8 小结

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

2-1.信号一般有哪几种分类方法？各分为哪几类？请简要说明。 2-2.请简述信号的几种描述方法。 2-3.写出周期信号两种展开式的数学表达式，并说明系数的物理意义

1.了解信号分类方法 2.掌握信号时域波形分析方法 3.掌握信号频域频谱分析方法

3.1 概述 3.2 晶体管的高频小信号等效电路 3.3 晶体管高频小信号谐振放大器 3.4 小信号谐振放大器的稳定性 3.7 放大电路噪声及低噪声放大器