WHKJ 大学本科毕业设计I摘 要心血管疾病发病隐蔽且发展迅速，早期准确检测可以降低死亡率。心电图是临床上筛查和诊断心血管疾病的主要无创方法，不过传统人工判读方式具有效率不高、主观性大、基层医疗资源不足等问题。本文设计了一种使用改进一维残差网络XResNet1d 的方法来检测心电图异常，从而达到心电信号自动且高精度识别的目的。原始心电信号中存在工频干扰、基线漂移和肌电噪声，本文设计包括三级滤波去噪、时序切片、数据标准化和类别平衡处理的一体化预处理流程，用来改善心电信号质量。利用一维时序心电信号的特点，建立适应性更好的 XResNet1d 模型，用权重标准化代替传统批量归一化方法，并且改进残差模块内部结构，从而增强模型对心电信号特征的识别能力和泛化表现。本文使用 MIT-BIH 心律失常数据集，进行基础模型横向对比、模块消融实验和轻量化模型有效性验证三种仿真测试，以整体检验该方法的综合性能。实验结果说明，本文改进的 XResNet1d 模型在异常检测任务上表现出比较好的运行稳定性和防漏诊能力。在应用代价敏感学习之后，完整模型的准确率达到了98.14%，在保证生理真实性的前提下，明显减少了临床漏诊的风险。消融实验结果说明权重标准化可以避免传统合成算法造成的波形特征失真，也会让模型在不平衡梯度情况下训练稳定性得到提高。轻量化版本 XResNet1d-Lite 把参数量缩减了 74.4%，单样本推理延迟缩短到 0.638ms，在运行速度提高 2.27 倍的时候，只损失了微小的精度。该版本在计算开销和分类性能上达到了最好的平衡，非常适合在边缘终端上进行部署。本文方法为心电图智能诊断提供了一种稳定、安全和轻量化的方式，能够提高临床诊断效率并减轻基层医疗资源紧张的问题，具有很好的理论价值和应用前景。关键词： 心电图； XResNet1d； 权重标准化； 异常检测WHKJ 大学本科毕业设计IIAbstractCardiovascular diseases progress rapidly and insidiously, making early accurate detection critical. The ECG is the primary non-invasive tool, yet manual interpretation suffers from inefficie

WHKJ大学本科毕业论文I摘要在工业机器人与智能制造技术飞速发展的背景下，力觉感知已成为机器人实现高精度交互作业的关键。作为核心感知器件，六维力传感器的高频采样稳定性、重力干扰抑制能力及其与机械臂协同控制，是工程应用中亟需解决的难题。当前同类系统存在高频采集丢包、数据冗余、重力补偿差、集成度不足等问题，难以适配科研实验与现场调试的实际场景需求。针对上述工程上痛点，本文开发出了一款适配采集高频信号且集成度更高的上位机软件，该软件兼具六维力传感数据采集和机械臂控制功能。该软件基于 Qt 跨平台框架开发，采用六层分层模式划分功能模块。通过多线程调度、CPU 核心绑定、无锁环形缓存等技术优化超高频数据采集；利用趋势保持抽样算法精简海量数据，并结合机械臂末端姿态构建重力补偿模型。依托 TCP/IP 网络通信完成机械臂控制指令的封装下发与状态回传，通过数据处理和界面渲染解耦提升流畅度，并对系统开展了全面测试。实测结果显示，该系统能稳定接收 20kHz 以上的传感器原始数据，抽样后能稳定输出 1300Hz 有效数据，重力补偿误差控制在 0.45%以内；机械臂控制响应迅速、通信可靠，支持 24 小时不间断运行，未出现数据丢包、内存泄漏等故障。本次研究实现的跨平台上位机，有效解决了高频采集与机械臂协同控制的核心问题，可满足科研、教学及工业调试需求，为机器人力感知与运动控制研究提供了实用的实验平台。关键词： 六维力传感器； 上位机系统； 高频数据采集； 机械臂控制； 重力补偿WHKJ大学本科毕业论文IIAbstractAgainst the backdrop of rapid advancements in industrial robotics and intelligentmanufacturing, force/tactile perception has become key to high-precision human-robotinteraction. The six-axis force/torque sensor, as a core perception device, presents engineeringchallenges in high-frequency sampling stability, gravity interference suppressi