| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.1.1 健康信息管理 | 第7-8页 |
| 1.1.2 交叉学科研究的意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 健康信息管理的研究现状 | 第9-10页 |
| 1.2.2 人体运动状态识别研究现状 | 第10-11页 |
| 1.3 论文主要研究内容及组织结构 | 第11-13页 |
| 第二章 人体运动状态识别研究的关键技术 | 第13-24页 |
| 2.1 人体运动状态感知方式 | 第13-14页 |
| 2.2 MHEALTH数据集简介 | 第14页 |
| 2.3 数据预处理 | 第14-19页 |
| 2.3.1 惯性传感器佩戴位置的选择 | 第14-15页 |
| 2.3.2 人体物理活动的加速度特征 | 第15页 |
| 2.3.3 滑动窗口分割技术 | 第15-16页 |
| 2.3.4 去除加速度信号噪声的主要方法 | 第16-19页 |
| 2.4 运动信息的特征提取与选择 | 第19-21页 |
| 2.4.1 加速度信号特征 | 第19-20页 |
| 2.4.2 规范化处理 | 第20页 |
| 2.4.3 特征降维 | 第20-21页 |
| 2.5 运动状态识别算法 | 第21-24页 |
| 2.5.1 静态识别算法 | 第21-22页 |
| 2.5.2 时序识别算法 | 第22-24页 |
| 第三章 常见人体运动状态识别 | 第24-36页 |
| 3.1 常见人体行为种类分析 | 第24-26页 |
| 3.2 人体运动加速度特征的提取 | 第26-28页 |
| 3.3 基于时频检测算法的实验数据分析与特征值提取 | 第28-32页 |
| 3.4 常见人体运动模式识别过程及实验结果 | 第32-36页 |
| 3.4.1 人体保持站立状态 | 第32-33页 |
| 3.4.2 人体步行状态 | 第33-36页 |
| 第四章 复杂的新活动状态识别 | 第36-53页 |
| 4.1 小波阈值去噪 | 第36-39页 |
| 4.1.1 小波阈值去噪原理 | 第36-37页 |
| 4.1.2 阈值函数的选择 | 第37-38页 |
| 4.1.3 小波阈值的确定 | 第38-39页 |
| 4.2 基于随机森林算法的人体运动模式识别 | 第39-49页 |
| 4.2.1 分类器算法简述 | 第40-48页 |
| 4.2.2 半监督学习 | 第48页 |
| 4.2.3 随机森林算法概述 | 第48-49页 |
| 4.3 随机森林理论分析 | 第49-51页 |
| 4.3.1 随机森林模型 | 第49-51页 |
| 4.3.2 随机森林算法应用 | 第51页 |
| 4.4 基于随机森林算法的骑自行车活动识别结果分析 | 第51-53页 |
| 第五章 结论与展望 | 第53-54页 |
| 参考文献 | 第54-62页 |
| 个人简介及攻读学位期间获得成果目录清单 | 第62-63页 |
| 致谢 | 第63页 |