基于分布式微惯性传感器组合的人体行为识别研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 注释表 | 第9-10页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究意义 | 第10-12页 |
| 1.2 国内外研究现状及进展 | 第12-15页 |
| 1.3 本文的主要内容和结构安排 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 人体行为识别方案概述 | 第17-25页 |
| 2.1 人体行为识别技术方案 | 第17-19页 |
| 2.2 微惯性传感器数据采集及预处理 | 第19-20页 |
| 2.3 特征提取与降维 | 第20-22页 |
| 2.3.1 特征提取 | 第20-21页 |
| 2.3.2 特征选择 | 第21-22页 |
| 2.4 分类识别 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 微传感器数据的采集及预处理 | 第25-36页 |
| 3.1 人体行为识别硬件系统架构 | 第25-27页 |
| 3.2 微传感器数据的采集 | 第27-30页 |
| 3.2.1 设备位置预定义 | 第27-28页 |
| 3.2.2 微传感器数据采集 | 第28-30页 |
| 3.3 微传感器数据的误差分析及校准 | 第30-33页 |
| 3.3.1 加速度传感器数据的误差分析及校准 | 第30-32页 |
| 3.3.2 角速度传感器数据的误差分析及校准 | 第32-33页 |
| 3.4 微传感器数据的预处理 | 第33-35页 |
| 3.4.1 加速度传感器数据的预处理 | 第33-34页 |
| 3.4.2 角速度传感器数据的预处理 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 人体行为识别算法 | 第36-67页 |
| 4.1 日常行为的特征提取和选择 | 第36-45页 |
| 4.1.1 腰部微惯性测量单元时域特征的分析 | 第38-42页 |
| 4.1.2 腿部微惯性测量单元时域特征的分析 | 第42-45页 |
| 4.1.3 特征的选择 | 第45页 |
| 4.2 异常行为的特征提取和选择 | 第45-51页 |
| 4.2.1 基于阈值的异常行为的特征提取 | 第46-48页 |
| 4.2.2 基于姿态角检测的异常行为的特征提取 | 第48-49页 |
| 4.2.3 基于加速度传感器峰值的异常行为识别 | 第49-51页 |
| 4.3 分层识别算法 | 第51-53页 |
| 4.3.1 分层识别算法介绍 | 第51-52页 |
| 4.3.2 分层识别算法分析 | 第52-53页 |
| 4.4 支持向量机的分类原理 | 第53-58页 |
| 4.4.1 线性可分的最优分类面 | 第53-55页 |
| 4.4.2 线性不可分的最优分类面 | 第55-57页 |
| 4.4.3 常用的SVM核函数 | 第57页 |
| 4.4.4 多类分类算法 | 第57-58页 |
| 4.5 基于支持向量机的人体行为识别算法 | 第58-65页 |
| 4.5.1 准备训练集数据和测试集数据 | 第60-61页 |
| 4.5.2 数据预处理 | 第61-63页 |
| 4.5.3 参数寻优 | 第63-65页 |
| 4.5.4 分类器训练及性能评估 | 第65页 |
| 4.6 本章小结 | 第65-67页 |
| 第5章 实验结果与分析 | 第67-74页 |
| 5.1 实验环境 | 第67-68页 |
| 5.2 基于单传感器节点的人体行为识别 | 第68-70页 |
| 5.3 基于多传感器节点的人体行为识别 | 第70-72页 |
| 5.4 本章小结 | 第72-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第82页 |
