| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 智能手机传感器的相关背景 | 第13-16页 |
| 1.3 国内外对睡眠监测及质量评估的研究现状 | 第16-18页 |
| 1.3.1 专业的睡眠监测及质量评估方式 | 第16页 |
| 1.3.2 商业睡眠监测及质量评估设备 | 第16-17页 |
| 1.3.3 通过智能手机传感器进行睡眠监测及质量评估 | 第17-18页 |
| 1.4 本文主要工作及论文组织结构 | 第18-20页 |
| 2 相关技术背景 | 第20-34页 |
| 2.1 有监督预测模型方法 | 第20-29页 |
| 2.1.1 支持向量机(SupportVectorMachine,SVM) | 第21-25页 |
| 2.1.2 K-近邻算法(K-NearestNeighbors,KNN) | 第25-27页 |
| 2.1.3 基于Boosting方式集成决策树构成的随机森林 | 第27-29页 |
| 2.2 无监督预测模型方法 | 第29-31页 |
| 2.2.1 K-Means聚类 | 第29-30页 |
| 2.2.2 高斯混合模型(GaussianMixtureModel,GMM) | 第30-31页 |
| 2.3 特征选择及睡眠监测所用到的方法 | 第31-32页 |
| 2.3.1 朴素贝叶斯模型(Na?veBayesianModel,NBM) | 第31页 |
| 2.3.2 C4.5决策树 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 3 睡眠数据处理与特征构造 | 第34-42页 |
| 3.1 数据获取 | 第34-40页 |
| 3.1.1 传感器收集的数据类型 | 第34-35页 |
| 3.1.2 睡眠质量调查问卷 | 第35-37页 |
| 3.1.3 参与者 | 第37-40页 |
| 3.2 数据预处理 | 第40页 |
| 3.3 特征构造 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 睡眠监测与预测模型的构建 | 第42-53页 |
| 4.1 特征选择 | 第42-47页 |
| 4.2 睡眠监测 | 第47-49页 |
| 4.3 预测模型的构建 | 第49-52页 |
| 4.3.1 支持向量机预测模型 | 第49-50页 |
| 4.3.2 K-近邻预测模型 | 第50页 |
| 4.3.3 随机森林预测模型 | 第50-51页 |
| 4.3.4 K-Means聚类预测模型 | 第51页 |
| 4.3.5 高斯混合预测模型 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 实验结果及分析 | 第53-58页 |
| 5.1 有监督学习睡眠质量预测模型结果 | 第53-54页 |
| 5.2 无监督学习睡眠质量预测模型结果 | 第54-56页 |
| 5.3 实验分析 | 第56页 |
| 5.4 本章小结 | 第56-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
