基于惯性传感器的睡眠识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究的目的及意义 | 第10-13页 |
| 1.1.1 睡眠监测 | 第10-11页 |
| 1.1.2 智能家居的节能化 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文工作 | 第15-16页 |
| 1.4 论文结构 | 第16-18页 |
| 第二章 睡眠识别研究综述 | 第18-34页 |
| 2.1 理论基础 | 第18-20页 |
| 2.1.1 睡眠过程的特征 | 第18-19页 |
| 2.1.2 基于活动量的睡眠识别 | 第19-20页 |
| 2.2 睡眠监测设备 | 第20-24页 |
| 2.2.1 睡眠监测设备的发展 | 第20-23页 |
| 2.2.2 基于传感器的睡眠识别的优点 | 第23-24页 |
| 2.3 睡眠识别的算法 | 第24-27页 |
| 2.3.1 基于阈值判断的方法 | 第24-26页 |
| 2.3.2 基于模式识别的方法 | 第26-27页 |
| 2.4 惯性传感器的原理 | 第27-31页 |
| 2.5 本章小结 | 第31-34页 |
| 第三章 基于惯性传感器数据的睡眠识别算法 | 第34-48页 |
| 3.1 数据的采集 | 第34-36页 |
| 3.2 数据预处理 | 第36-39页 |
| 3.2.1 加窗 | 第36页 |
| 3.2.2 滤波 | 第36-39页 |
| 3.3 特征提取 | 第39-42页 |
| 3.3.1 时域特征 | 第39-41页 |
| 3.3.2 频域特征 | 第41-42页 |
| 3.3.3 时频特征 | 第42页 |
| 3.4 分类算法概述 | 第42-47页 |
| 3.4.1 支持向量机(SVM) | 第42-45页 |
| 3.4.2 线性判别分析(LDA) | 第45-46页 |
| 3.4.3 BP神经网络 | 第46-47页 |
| 3.4.4 朴素贝叶斯分类器NBC | 第47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 睡眠识别的设计与实现 | 第48-70页 |
| 4.1 实验方案 | 第48-53页 |
| 4.2 活动分类 | 第53-61页 |
| 4.2.1 数据预处理 | 第53-55页 |
| 4.2.2 特征提取 | 第55-57页 |
| 4.2.3 分类器设计 | 第57-61页 |
| 4.2.3.1 支持向量机与最小二乘支持向量机 | 第57-59页 |
| 4.2.3.2 BP神经网络 | 第59-61页 |
| 4.3 活动分类实验结果以及对比分析 | 第61-63页 |
| 4.4 传统睡眠质量分析算法 | 第63-64页 |
| 4.5 综合多种特征的睡眠识别算法 | 第64-66页 |
| 4.6 睡眠识别结果分析 | 第66-68页 |
| 4.7 本章小结 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 论文总结 | 第70-71页 |
| 5.2 研究展望 | 第71-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录A (攻读硕士期间的学术成果) | 第80页 |
