面向跌倒检测的多特征融合方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 跌倒检测研究现状 | 第11-13页 |
| 1.2.2 支持向量机研究现状 | 第13-14页 |
| 1.2.3 信息融合研究现状 | 第14-15页 |
| 1.3 研究内容和组织结构 | 第15-17页 |
| 1.3.1 论文的主要内容 | 第15-16页 |
| 1.3.2 论文的组织结构 | 第16-17页 |
| 第2章 跌倒模型理论 | 第17-28页 |
| 2.1 跌倒理论基础 | 第17-20页 |
| 2.1.1 跌倒原因 | 第17-18页 |
| 2.1.2 跌倒过程分析 | 第18-19页 |
| 2.1.3 跌倒特征 | 第19-20页 |
| 2.2 典型跌倒模型 | 第20-27页 |
| 2.2.1 基于阈值判断的方法 | 第21-23页 |
| 2.2.2 基于模式识别的方法 | 第23-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 九轴惯性传感器数据的样本集构造 | 第28-40页 |
| 3.1 惯性传感器数据获取 | 第28-32页 |
| 3.1.1 跌倒与日常活动模式 | 第28-30页 |
| 3.1.2 传感器数据采集 | 第30-32页 |
| 3.2 惯性传感器数据处理 | 第32-35页 |
| 3.2.1 惯性传感器数据预处理流程 | 第32页 |
| 3.2.2 跌倒与日常活动的特征提取 | 第32-34页 |
| 3.2.3 三轴加速度与三轴角速度样本集 | 第34-35页 |
| 3.3 惯性传感器数据与样本集 | 第35页 |
| 3.4 跌倒与日常活动样本集构造原理 | 第35-37页 |
| 3.5 加速度与角速度特征的参数选取 | 第37-38页 |
| 3.6 模式分类中跌倒与日常活动样本集构造 | 第38-40页 |
| 第4章 加速度与角速度多特征融合方法 | 第40-53页 |
| 4.1 支持向量机的理论概述 | 第40-44页 |
| 4.2 多特征加性融合 | 第44-45页 |
| 4.3 三轴加速度与三轴角速度特征融合 | 第45-52页 |
| 4.3.1 单特征跌倒检测 | 第45-46页 |
| 4.3.2 加速度与角速度加权选择分析 | 第46-49页 |
| 4.3.3 基于支持向量机的加速度与角速度加权 | 第49-51页 |
| 4.3.4 加速度与角速度加权的跌倒识别过程 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 基于构造样本集运动特征的跌倒检测方法 | 第53-68页 |
| 5.1 跌倒检测流程 | 第53-54页 |
| 5.2 跌倒检测评价指标 | 第54页 |
| 5.3 跌倒模型中核函数的选择分析 | 第54-57页 |
| 5.4 构造样本集加速度与角速度加权的跌倒检测 | 第57-61页 |
| 5.4.1 特征简单融合的跌倒识别 | 第57-58页 |
| 5.4.2 加速度与角速度加权的跌倒识别 | 第58-61页 |
| 5.5 跌倒实验优化 | 第61-67页 |
| 5.5.1 传感器节点位置优化 | 第61-65页 |
| 5.5.2 跌倒实验动作序列优化 | 第65-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-69页 |
| 6.1 本文总结 | 第68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-72页 |
