| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-21页 |
| ·研究背景和意义 | 第10-14页 |
| ·移动计算环境 | 第10-11页 |
| ·个人医疗健康 | 第11-12页 |
| ·mHealth 移动健康 | 第12-14页 |
| ·国内外研究现状 | 第14-19页 |
| ·mHealth 的研究现状 | 第14-15页 |
| ·行为状态识别研究现状 | 第15-17页 |
| ·语音情感状态识别研究现状 | 第17-19页 |
| ·本文的主要研究工作 | 第19-20页 |
| ·论文组织结构 | 第20-21页 |
| 第二章 mHealth 中的人本感知 | 第21-31页 |
| ·人本感知 | 第21-23页 |
| ·人本感知概述 | 第21-22页 |
| ·人本感知中人的作用 | 第22-23页 |
| ·mHealth 中的人本感知 | 第23-28页 |
| ·上下文数据 | 第23-24页 |
| ·数据处理模式 | 第24-26页 |
| ·数据处理面临的挑战 | 第26-28页 |
| ·机器学习 | 第28-30页 |
| ·学习算法分类 | 第28-29页 |
| ·集成学习 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于 HMM 的协同学习行为识别算法 | 第31-41页 |
| ·半监督协同学习方法 | 第31-33页 |
| ·半监督学习方法 | 第31页 |
| ·Tri-training 协同学习方法 | 第31-33页 |
| ·HMM 隐马尔可夫模型 | 第33-34页 |
| ·隐马尔可夫模型定义 | 第33页 |
| ·隐马尔可夫模型的应用 | 第33-34页 |
| ·基于 HMM 的协同学习算法模型 | 第34-37页 |
| ·Tri-training 中的异常点 | 第34-35页 |
| ·基于 HMM 的协同学习算法 | 第35-37页 |
| ·行为状态特征量 | 第37-40页 |
| ·特征数据预处理 | 第37-39页 |
| ·候选特征量 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于 Adaboost C4.5 和三维情感空间的语音情感识别算法 | 第41-52页 |
| ·三维情感空间的情感分类策略 | 第41-43页 |
| ·心理学中情感的定义和产生 | 第41页 |
| ·情感的分类方法 | 第41-43页 |
| ·基于 C4.5 的 Adaboost 集成学习算法 | 第43-46页 |
| ·C4.5 决策树算法 | 第43-44页 |
| ·Adaboost 集成学习算法 | 第44-46页 |
| ·基于 Adaboost 和三维情感空间的语音情感识别算法模型 | 第46-48页 |
| ·分类策略 | 第46-47页 |
| ·处理模型 | 第47-48页 |
| ·语音特征量 | 第48-51页 |
| ·特征数据预处理 | 第48-49页 |
| ·候选特征量 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 mHealth 中人体行为和语音情感感知的实验仿真 | 第52-60页 |
| ·实验环境和框架设计 | 第52-53页 |
| ·软硬件环境 | 第52-53页 |
| ·实验框架设计 | 第53页 |
| ·基于 HMM 的协同学习的行为识别算法实验 | 第53-56页 |
| ·特征量的获得和选择 | 第53-55页 |
| ·性能测试与分析 | 第55-56页 |
| ·基于 Adaboost C4.5 和三维情感空间的语音情感识别算法实验 | 第56-59页 |
| ·特征量的获得和选择 | 第56-58页 |
| ·性能测试与分析 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录 | 第68页 |
