| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究工作的背景与意义 | 第13-14页 |
| 1.2 国内外相关研究进展 | 第14-17页 |
| 1.2.1 跌倒风险评估及预警研究进展 | 第14-15页 |
| 1.2.2 跌倒行为检测及受力评估研究进展 | 第15-17页 |
| 1.3 论文的主要工作 | 第17-18页 |
| 1.4 论文的结构安排 | 第18-20页 |
| 第二章 相关原理与技术 | 第20-38页 |
| 2.1 跌倒风险评估原理 | 第20-22页 |
| 2.1.1 跌倒定义及跌倒风险因素简介 | 第20-21页 |
| 2.1.2 跌倒过程及日常活动分析 | 第21-22页 |
| 2.2 跌倒行为检测原理 | 第22-27页 |
| 2.2.1 加速度数据收集 | 第22-23页 |
| 2.2.2 传感器误差以及处理 | 第23-24页 |
| 2.2.3 跌倒活动与日常活动加速度序列对比 | 第24-27页 |
| 2.3 跌倒行为检测主要分类算法 | 第27-34页 |
| 2.3.1 C4.5决策树 | 第27-28页 |
| 2.3.2 CART决策树 | 第28-30页 |
| 2.3.3 KNN分类算法 | 第30-31页 |
| 2.3.4 支持向量机 | 第31-33页 |
| 2.3.5 朴素贝叶斯分类 | 第33-34页 |
| 2.4 卷积神经网络基本原理 | 第34-35页 |
| 2.5 长短期记忆网络基本原理 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 跌倒风险评估及预警 | 第38-48页 |
| 3.1 跌倒风险评估 | 第38-44页 |
| 3.1.1 跌倒风险因素简介 | 第38-39页 |
| 3.1.2 跌倒评估量表介绍 | 第39-41页 |
| 3.1.3 基于逻辑回归的跌倒风险因素评估 | 第41-44页 |
| 3.2 基于DBSCAN的跌倒预警 | 第44-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第四章 跌倒行为检测及受力评估 | 第48-71页 |
| 4.1 跌倒加速度序列识别与处理 | 第48-52页 |
| 4.1.1 滑动窗口算法 | 第48-49页 |
| 4.1.2 跌倒时智能手机状态分析 | 第49-50页 |
| 4.1.3 基于自动有限状态机的跌倒序列分析 | 第50-52页 |
| 4.2 跌倒加速度序列特征选取 | 第52-56页 |
| 4.2.1 跌倒时域特征分析 | 第52-54页 |
| 4.2.2 跌倒频域特征分析 | 第54-56页 |
| 4.3 基于CNN-LSTM的跌倒检测 | 第56-62页 |
| 4.3.1 基于CNN-LSTM网络的跌倒检测模型设计 | 第56-57页 |
| 4.3.2 跌倒检测实验场景设计 | 第57-59页 |
| 4.3.3 实验结果及分析 | 第59-62页 |
| 4.4 跌倒方向及跌倒受力部位识别 | 第62-66页 |
| 4.4.1 通过手机倾覆模式判断跌倒方向 | 第62-63页 |
| 4.4.2 通过动态时间规整判断跌倒方向 | 第63-66页 |
| 4.5 跌倒部位受力实验设计 | 第66-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第五章 基于智能手机的跌倒监控系统的设计与实现 | 第71-82页 |
| 5.1 基于智能手机的人体跌倒监控系统的需求分析 | 第71-73页 |
| 5.2 基于智能手机的人体跌倒监控系统的设计 | 第73-76页 |
| 5.2.1 功能模块概要设计 | 第73-76页 |
| 5.2.2 数据库设计 | 第76页 |
| 5.3 基于智能手机的人体跌倒监控系统的实现 | 第76-81页 |
| 5.3.1 开发平台简介 | 第76-78页 |
| 5.3.2 系统详细设计以及实现 | 第78-81页 |
| 5.4 本章小结 | 第81-82页 |
| 第六章 结束语 | 第82-84页 |
| 6.1 论文工作总结 | 第82-83页 |
| 6.2 后续工作展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 攻读硕士学位期间所取得的成果 | 第90页 |