| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题研究背景与意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 运动识别系统研究现状 | 第11-12页 |
| 1.3.2 运动识别算法研究现状 | 第12-13页 |
| 1.4 研究内容及论文章节安排 | 第13-15页 |
| 第2章 人体运动模式分类及实验设计 | 第15-28页 |
| 2.1 人体坐标系转换与姿态表示 | 第15-18页 |
| 2.1.1 人体坐标系建立 | 第15-16页 |
| 2.1.2 参考坐标系 | 第16页 |
| 2.1.3 人体姿态表示 | 第16-18页 |
| 2.2 人体运动模式及其分类 | 第18-19页 |
| 2.3 人体ADL动作与跌倒实验设计 | 第19-22页 |
| 2.4 实验数据分析 | 第22-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 运动识别系统软硬件设计 | 第28-47页 |
| 3.1 系统功能需求分析 | 第28页 |
| 3.2 系统硬件设计 | 第28-31页 |
| 3.2.1 总体结构设计 | 第28-29页 |
| 3.2.2 系统硬件各模块设计 | 第29-31页 |
| 3.3 系统软件设计 | 第31-46页 |
| 3.3.1 运动数据采集 | 第33-36页 |
| 3.3.2 低功耗模式 | 第36-37页 |
| 3.3.3 多重定位方式 | 第37-40页 |
| 3.3.4 基于阈值的运动识别算法 | 第40-43页 |
| 3.3.5 服务器远程通信功能 | 第43-45页 |
| 3.3.6 系统报警机制 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 运动识别算法的研究与实现 | 第47-68页 |
| 4.1 支持向量机原理 | 第47-52页 |
| 4.2 SVM算法在运动识别中的应用 | 第52-59页 |
| 4.2.1 运动数据预处理 | 第53-55页 |
| 4.2.2 时域特征提取 | 第55-57页 |
| 4.2.3 特征向量归一化 | 第57-58页 |
| 4.2.4 基于PCA的特征选择方法 | 第58-59页 |
| 4.3 二进制粒子群优化算法 | 第59-65页 |
| 4.3.1 粒子群优化算法概述 | 第59-61页 |
| 4.3.2 二进制粒子群优化算法 | 第61-62页 |
| 4.3.3 DBPSO算法在特征选择问题中的应用 | 第62-63页 |
| 4.3.4 一种改进的DBPSO算法 | 第63-65页 |
| 4.4 基于改进 DBPSO-SVM 的运动识别算法的实现 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第5章 系统测试及算法性能评价 | 第68-81页 |
| 5.1 系统功能测试 | 第68-76页 |
| 5.1.1 系统样机 | 第68页 |
| 5.1.2 数据采集测试 | 第68-71页 |
| 5.1.3 低功耗模式测试 | 第71页 |
| 5.1.4 定位功能测试 | 第71-73页 |
| 5.1.5 服务器远程通信测试 | 第73-76页 |
| 5.2 算法性能评价 | 第76-80页 |
| 5.2.1 阈值法 | 第76-77页 |
| 5.2.2 基于改进 DBPSO-SVM 的运动识别算法 | 第77-80页 |
| 5.3 本章小结 | 第80-81页 |
| 第6章 总结与展望 | 第81-83页 |
| 6.1 工作总结 | 第81-82页 |
| 6.2 本文的创新及特色 | 第82页 |
| 6.3 工作展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 攻读学位期间发表的论文及其它成果 | 第88页 |