| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 坐姿识别的国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 2 伏案型人群坐姿分析与检测 | 第14-19页 |
| 2.1 坐姿对伏案人群的影响 | 第14-15页 |
| 2.2 坐姿的分类 | 第15-17页 |
| 2.2.1 坐姿原理 | 第15-16页 |
| 2.2.2 健康坐姿 | 第16页 |
| 2.2.3 不良坐姿 | 第16-17页 |
| 2.3 常用的坐姿监测方法 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 基于薄膜压力传感器的系统硬件设计 | 第19-31页 |
| 3.1 坐姿识别系统的基本组成 | 第19-20页 |
| 3.2 薄膜压力传感器介绍 | 第20-23页 |
| 3.2.1 行业应用现状 | 第20-21页 |
| 3.2.2 技术研究现状 | 第21-23页 |
| 3.3 本实验薄膜压力传感器模块及其信号采集电路设计 | 第23-30页 |
| 3.3.1 传感器的选取及其测量电路设计 | 第23-27页 |
| 3.3.2 传感器信号采集电路设计 | 第27-29页 |
| 3.3.3 主控制器电路设计 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 坐姿识别分类器设计 | 第31-59页 |
| 4.1 机器学习的相关技术 | 第31-34页 |
| 4.1.1 机器学习的定义 | 第31-33页 |
| 4.1.2 学习方式 | 第33-34页 |
| 4.2 基于传统机器学习的分类器设计 | 第34-51页 |
| 4.2.1 基于压力分布数据的特征提取 | 第34-37页 |
| 4.2.2 支持向量机(SVM) | 第37-42页 |
| 4.2.3 随机森林(RF) | 第42-46页 |
| 4.2.4 人工神经网络(ANNs) | 第46-51页 |
| 4.3 基于深度学习的分类器设计 | 第51-58页 |
| 4.3.1 深度学习概述 | 第51-52页 |
| 4.3.2 多层感知机(MLP) | 第52-53页 |
| 4.3.3 卷积神经网络(CNNs) | 第53-58页 |
| 4.4 本章小结 | 第58-59页 |
| 5 实验与效果分析 | 第59-69页 |
| 5.1 基于SVM的分类器实验与效果分析 | 第59-62页 |
| 5.2 基于RF的分类器实验与效果分析 | 第62-64页 |
| 5.3 基于ANNs的分类器实验与效果分析 | 第64-65页 |
| 5.4 基于CNNs的分类器实验与效果分析 | 第65-68页 |
| 5.5 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-70页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-70页 |
| 作者攻读研究生期间发表的论文 | 第70-71页 |
| 参考文献 | 第71-75页 |